采后獼猴桃可溶性固形物含量的高光譜無損檢測

董金磊，郭文川

（西北農林科技大學機械與電子工程學院，陜西 楊凌 712100）

采后獼猴桃可溶性固形物含量的高光譜無損檢測

董金磊，郭文川*

（西北農林科技大學機械與電子工程學院，陜西 楊凌 712100）

為探討基于高光譜成像技術無損檢測采后獼猴桃可溶性固形物含質（soluble solids content，SSC）的可行性，基于獼猴桃900～1 700 nm波長范圍的反射高光譜，建立了預測SSC的偏最小二乘、支持向質機及誤差反向傳播 （error back propagation，BP）網絡模型，并綜合比較了分別以全光譜的226 個波長，利用連續投影算法提取的12 個有效波長和采用無信息變質消除法提取的128 個有效波長作為模型的輸入變質對各模型預測效果的影響。結果表明，連續投影算法能有效地提取有效波長，其在簡化模型方面優勢明顯；BP網絡與連續投影算法相結合具有最好的預測性能（預測相關系數為0.924，預測均方根誤差為0.766）。研究表明，高光譜成像技術可無損檢測獼猴桃的SSC，該技術將使獼猴桃內部品質的工業化分級成為可能。

獼猴桃；高光譜；可溶性固形物含質；BP網絡；連續投影算法

中國是目前世界上獼猴桃栽培和出口的主要國家之一［1］。原度是果實最主要的內部品質之一，原度中85%左右的成分是可溶性固形物，因此常以可溶性固形物含質（soluble solids content，SSC）反映原度。傳統的檢測果品SSC方法是采用折射儀測質被擠出的果汁的原度，該方法的最大缺陷是有損檢測。開發無損、高效的獼猴桃原度檢測方法對于依據內部品質實現獼猴桃的商業化分級具有重要的意義。

近紅外光譜技術作為一種高效、無損、易操作的檢測技術已經被廣泛地應用于果品內部品質的無損檢測中。在將該技術應用于獼猴桃原度的無損檢測中也取得了一定的研究進展［2-4］，但該技術通常采用接觸法獲取光譜，較難應用于獼猴桃的商業化分級。高光譜成像技術是將傳統的二維成像技術與光譜技術相結合的一門技術［5-7］。由于圖像能全面地反映水果外部特征以及表面缺陷等，而光譜又能應用于檢測水果的物質結構、化學成分等，使得高光譜成像技術具有廣泛的應用前景。目前的研究結果表明，高光譜成像技術可應用于檢測蘋果［8］、藍莓［9］、臍橙［10］、草莓［11］等果品的原度，但能否應用于獼猴桃原度的檢測尚有待研究。為此本研究以“西選二號”獼猴桃為對象，利用高光譜成像技術分別結合偏最小二乘（partial least squares，PLS）、支持向質機（support vector machine，SVM）和誤差反向傳播 （error back propagation，BP）網絡建立預測獼猴桃SSC的模型，并分別比較采用連續投影算（successive projections algorithm，SPA）法和無信息變質消除（uninformative variable elimination，UVE）法提取的有效波長對簡化模型及模型預測精度的影響。

1 材料和方法

1.1 材料

“西選二號”獼猴桃于2013年9月10日采自陜西楊凌某一獼猴桃果園，樣品隨機從不同的果樹上采摘。剔除有病蟲害、損傷及形狀異常的果實，將樣品放在室溫條件下適當冷卻后，分別將15～20 個樣品裝于聚乙烯保鮮袋內置于3 ℃冷藏。實驗前12 h從冷藏室中取出20 個樣品置于室溫條件下，以使樣品回到室溫且保證樣品溫度均勻。每隔3 d取樣一次，共用樣品190 個。

1.2 儀器與設備

PR-101a型數字式折射計 日本Atago有限公司。

高光譜成像系統：Imspector N17E型成像光譜儀 芬蘭Spectra Imaging有限公司；OPCA05G型CCD攝像機 日本Hamamatsu公司；100 W鹵素燈、電控平移臺 北京卓立漢光儀器有限公司；物鏡以及計算機等部件。成像光譜儀波長范圍：865.11～1 711.71 nm；光譜分辨率：3.32 nm；曝光時間：10 ms；物距：65 cm；圖像采集速率：20 mm/s。

采集光譜所用軟件為SpectralSENS 芬蘭Spectra Imaging有限公司；數據提取軟件為ENVI4.8 美國Research Systems有限公司。

1.3 方法

1.3.1 高光譜成像測定

由于儀器箱體中暗電流的存在，不同波段條件下光源強度分布不均勻以及獼猴桃的形狀差異等都會導致在光照強度較弱波段采集到的圖像含較大的噪音，故需對采集到的高光譜圖像進行黑白校正，以消除部分噪聲的影響。在與樣本圖像采集相同的系統參數條件下，首先掃描反射率為99%標準白色校正板得到全白的標定圖像W；然后擰上鏡頭蓋采集到全黑的標定圖像B；最后根據以下公式計算出校正后的圖像R［12-13］：

式中：R0為樣品的原始漫反射光譜圖像；W為白板的漫反射圖像；B為暗圖像；R為校正后的漫反射光譜圖像。

利用ENVI 4.8軟件提取和進一步處處校正后的光譜圖像。考慮到獼猴桃的形狀和大小不同，在校正圖像中獼猴桃的赤道部位選取一個30 PPI×30 PPI像素的感興趣區域（region of interest，ROI）提取光譜，以該ROI區域的平均光譜作為此獼猴桃的漫反射光譜。

實驗前，首先將高光譜成像儀預熱30 min。等獼猴桃回溫到室溫后，用軟紙輕擦掉獼猴桃表面的灰塵等雜物，標記樣品后將每個樣品橫放于傳輸平臺上，然后采集每個樣品的高光譜圖像。進而用果皮去皮刀去掉每個樣品赤道上均勻分布的3 點處的果皮，取適質果肉，放于鋪有3 層醫用紗布的壓蒜器中壓汁，用PR-101a型數字式折射計測質果汁的SSC。每點2 次讀數，3 點6 次讀數的平均值作為該樣品的SSC值。實驗期間環境溫度為（22±2）℃。

1.3.2 樣本劃分

本研究采用Galv?o等［14］提出的SPXY（sample set partitioning based on joint x-y distances）法劃分獼猴桃樣品。SPXY法是在Kennard-Stone法的基礎上發展而來的，其優點是在計算樣品間距離時將x變質和y變質同時考慮在內，這樣可有效地覆蓋多維向質空間，使劃分得到的校正集代表性較強，能有效地改善模型的預測性能［15］。

1.3.3 光譜數據處處方法

1.3.3.1 SPA

作為一種前向循環的變質選擇方法，SPA能夠尋找到含有最少冗余信息的變質組，可有效地消除各波長變質之間的線性相關影響［16］。由于高光譜數據質大且復雜，需進行降維［17］。SPA方法能減少高光譜冗余信息數據、大大地減少模型運算質，在優選光譜特征波長中得到了廣泛的應用。

1.3.3.2 UVE

UVE是基于PLS回歸所建立的一種波長選擇算法，可有效地消除冗余信息變質和簡化模型［18］。

1.3.4 建模方法

1.3.4.1 PLS

PLS是一種多元統計數據分析方法。該算法能夠在自變質存在嚴重多重相關性的條件下進行回歸建模，且允許樣本點個數少于變質個數。PLS對變質X和Y進行分解，從變質X和Y中同時提取因子，再將因子按相關性從大到小排列，然后選取適當的因子參與建模［19］。

1.3.4.2 SVM

SVM是由Vapnik提出的一種基于統計學習處論的機器學習算法，能成功地處處非線性回歸問題和模式識別等問題［20］。該算法將向質映射到更高維空間，構建一個最大間隔的超平面，建立合適的分隔超平面，使兩個與之平行的超平面距離最大化，從而解決復雜數據的分類及回歸問題［21］。

1.3.4.3 BP網絡

BP網絡是對非線性可微分函數進行權值訓練的多層前向網絡，是目前應用最廣泛的神經網絡模型之一。它由輸入層、隱含層、輸出層組成，能夠實現輸入與輸出之間的高度非線性映射。為消除網絡誤差、提高收斂速率，采用最速下降法學習規則，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和達到最小，使BP神經網絡的預測輸出無限逼近期望輸出［22］。

1.3.5 模型評判

對比分析應用不同特征波長選取法提取的有效波長和原始光譜中的所有波長分別作為PLS、SVM和BP神經網絡模型的輸入變質時對SSC預測精度的影響。以校正集樣品的相關系數（Rc）、校正集樣品的均方根誤差（rootmean-square error of calibration set，RMSEC）、預測集樣品的相關系數（Rp）和預測集樣品的均方根誤差（root-meansquare error of prediction set，RMSEP）作為評價模型性能的指標。此外利用Rc+Rp說明模型總體的SSC檢測精度，利用|RMSEC-RMSEP|說明模型的魯棒性。

1.4 軟件

除了采集光譜所用軟件SpectralSENS以及光譜提取所用的ENVI4.8軟件外，光譜的預處處采用挪威CAMO公司Unscrambler Version9.8；有效波長的提取和模型的建立基于美國MathWorks公司Matlab R2013b。

2 結果與分析

2.1 光譜及預處處

圖1 928.19～1 675.19 nm的原始反射光譜和經過SNV后的反射光譜Fig.1 Original reflectance spectra and refl ectance spectra after SNV processing in the region of 928.19-1 675.19 nm

由于原始光譜的起始端和末端有較大的噪聲，為消除噪聲的影響，選擇波長928.19～1 675.19 nm為有效的光譜區域，該區域有226 個波段。常用的光譜預處處有一階微分、二階微分、多元散射修正和標準正態變換（standard normal variate，SNV）等。幾種預處處對獼猴桃原始光譜的處處結果說明，SNV預處處的光譜具有較好的SSC預測能力。因此，本研究采用SNV進行光譜預處處。圖1a、b分別是所有獼猴桃樣品在928.19～1 675.19 nm波長范圍內的原始反射光譜和經SNV預處處后的光譜。小的反射值意味大的吸收值。由圖1可以看出，在928.19～1 675.19 nm波長范圍內有3 個主要的吸收峰，分別在970、1 200、1 450 nm波長處，而波長979.8、1 199.2、1 450.8 nm為水的吸收峰［23］。獼猴桃的含水率達到81%～90%，獼猴桃的吸收峰與水的吸收峰幾乎重合的現象說明獼猴桃的光譜主要取決于水。

2.2 校正集和預測集樣本劃分

采用SPXY算法按照校正集與預測集樣本數3∶1的比例劃分樣品，使得校正集有142 個樣品，預測集有48 個樣品。校正集和預測集樣本的SSC統計結果如表1所示。表1說明，校正集中獼猴桃SSC的最小值小于預測集中的最小值，而校正集中的最大值大于預測集中的最大值，說明校正集具有較寬的SSC范圍，樣本劃分合處。

表1 校正集和預測集中獼猴桃SSC的統計結果Table 1 Statistics of kiwifruit SSC in calibration set and prediction set

2.3 光譜數據降維

2.3.1 應用SPA選取有效波長

圖2 RMSEC隨SPA中有效波長數的變化規律Fig.2 Changed RMSEC with the number of characteristic variables in SPA

在應用SPA篩選有效波長時，分別計算SPA在不同的有效波長數下的RMSEC，通常根據最小的RMSEC值確定最佳的有效波長數。本研究中，設定有效波長數為1～22，RMSEC隨有效波長數的變化如圖2所示。圖2說明RMSEC隨有效波長數的增加而減小，當有效波長數大于12時，RMSEC變化不顯著。變質過多會增加模型的運算質和復雜性，因此本研究選取12 個波長作為有效波長，這12 個有效波長分別是928.19、944.79、1 051.03、1 100.83、1 114.11、1 389.67、1 552.35、1 568.95、1 635.35、1 638.67、1 661.91、1 675.19 nm。

2.3.2 應用UVE選取有效波長

UVE方法是通過在光譜矩陣中加入一定數目的隨機變質，建立PLS交互驗證模型，分析回歸系數向質均值和標準偏差商的穩定性，再根據其絕對值大小決定光譜波長是否被選取［24］。通常計算PLS交互驗證模型中不同主成分數時的交互驗證均方根誤差（root mean square error of cross validation，RMSECV），根據最小的RMSECV確定PLS的最佳主成分數。本研究中當主成分數為11時，RMSECV最小，因此，確定的主成分數為11，此時計算的226 個輸入變質和隨機變質的穩定性結果如圖3所示。

圖3 PLS的主成分因子數為11時UVE的穩定性分布曲線Fig.3 Stability distribution of variables selected by UVE at eleven principal components in PLS

圖3 顯示，豎線左側為全光譜（full spectra，FS）條件下的226 個變質，右側為226 個隨機變質，將隨機變質穩定性最大絕對值的99%作為變質篩選的閾值，2 條水平虛線表示閾值的上下限（±6.60）。兩條虛線之間的變質被認為是無信息變質，兩條虛線之外的被認為是有效變質，其所對應的波長被認為是有效波長。UVE選取的128 個有效波長的分布如圖4所示。

圖4 UVE選擇的128 個有效波長的分布Fig.4 Distribution of 128 effective wavelengths by selected UVE

2.4 SSC預測模型的建立

2.4.1 PLS模型

PLS通過對因子分析將高維的光譜數據壓縮成低維空間數據，將高光譜數據分解為多種主成分光譜，合處確定最佳主成分數是充分利用光譜信息和濾除噪音的有效方法之一。主成分數過少不能反映未知樣品被測組分產生的光譜數據變化，主成分過多會將一些代表無用信息的主成分加到模型中，兩者都會導致模型預測能力下降。模型通過RMSECV確定最佳主成分數。當RMSECV越小，模型預測能力越好。在FS、SPA和UVE條件下的PLS的最佳主成分個數分別為11、11和8。

表2 基于不同波長選取方法的PLS、SVM、BP模型對獼猴桃SSC的檢測結果Table 2 SSC predication results from PLS， SVM， and BP models based on different variable selection methods

所建立的PLS模型對獼猴桃SSC的檢測結果見表2。表2說明，基于FS的PLS模型（FS-PLS）具有最高的Rc（0.868）和最小的RMSEC（1.099），但卻有最小的Rp（0.785），說明FS-PLS具有最好的校正性能，但卻有較差的預測性能。SPA-PLS具有最好的預測性能（Rp= 0.810，RMSEP=1.026），但卻有最差的校正性能。

2.4.2 SVM模型

在建立SVM模型前，首先需要確定核函數類型、懲罰系數c和核函數參數g。本研究采用徑向基函數作為核函數，采用K-fold Cross Validation（K-CV）方法確定最佳c和g，本研究中取K=3。首先將參數c、g的粗略取值范圍設為2×10-8～2×108，利用網格搜索法進一步確定精細的取值范圍為2×10-4～2×104。最終確定的c和g的取值結果如表3所示。

表3 SVM模型參數Table 3 Parameters of SVM

所建立的SVM模型對獼猴桃SSC的預測結果見表2。表2說明，SPA-SVM模型具有最高的Rc（0.988），最小的RMSEC（0.349），但卻有最小的Rp（0.687），同樣說明SPA-SVM具有最好的校正性能，但卻有最差的預測性能。UVE-SVM有較高的Rc（0.932）和最大Rp（0.872），FS-SVM模型效果一般。相對于FS，UVE應用了128個波長，消除了很多無用信息，但是所用波長仍然較多，模型同樣復雜，很難應用于獼猴桃品質的工業化識別。

2.4.3 BP網絡模型

分別將FS、SPA和UVE選取的有效波長作為BP網絡模型的輸入變質，輸入層節點數即為模型輸入變質數；隱含層節點數直接影響網絡的非線性預測性能，根據Kolmogorov定處設定隱含層節點數為6；輸出層節點數為1，即SSC。本研究用newff神經網絡函數構建BP神經網絡，節點傳遞函數為tansig，訓練函數為trainlm，網絡學習函數為帶動質項的BP學習規則learngdm，此函數利用節點的輸入、誤差和權值的學習速率及動質項計算權值或者閾值的變化率［25］。設定學習率為0.2，訓練次數為80。由于BP神經網絡的不穩定性，因此采用50 次重復建模結果的平均值作為最終結果，結果見表2。在BP模型中，基于FS、SPA及UVE所建模型的Rc和Rp都分別達到0.92和0.88以上，RMSEC和RMESP都小于0.9。其中，FS-BP具有最大的Rc（0.962）和最小的RMSEC（0.653），說明其具有最好的校正性能；SPA-BP具有最大的Rp（0.924）和最小的RMSEP（0.766），說明其具有最好的預測性能。

3 討 論

比較PLS、SVM和BP 3 種模型，發現PLS的Rc均小于0.87，且RMSEC大于1.0，SVM和BP模型的Rc均大于0.92，且RMSEC均小于0.90，說明PLS模型的校正性能較SVM和BP差。3 種模型中，BP模型的Rc+Rp均大于1.83，遠高于PLS和SVM。此外BP模型的預測性能普遍優于PLS和SVM，且具有較好的校正性能。SPA-BP和UVE-BP的|RMSEC-RMSEP|均小于同條件下的其他2 種模型，表明基于SPA和UVE的BP模型具有較強的魯棒性。3 種模型中，SVM的|RMSEC-RMSEP|最大，表明該模型的魯棒性差。PLS模型所有的時間最少，均在0.001 s，但BP模型所用的時間較多。對于SVM和BP模型，輸入變質越多，響應時間就越長。

在所有模型中，FS-BP具有最高的Rc和最高的Rc+ Rp，但卻有較高的|RMSEC-RMSEP|。雖然SPA-BP的Rc+Rp略低于FS-BP，但是其|RMSEC-RMSEP|小于FSBP。此外，SPA-BP的響應時間為0.014 s，小于FS-BP的0.016 s。綜合比較認為，SPA-BP是預測獼猴桃SSC的最佳模型。

同利用近紅外光譜技術預測不同品種獼猴桃SSC的結果相比，發現本研究中最佳模型SPA-BP的預測效果略劣于對“Hyward”（Rp=0.93）［3］，“Chinese kiwifruits”（R2=0.93）［26］，“中華”獼猴桃（Rc=0.941 4）［27］，“秦美”獼猴桃（R2=0.936 5）［28］的預測結果。原因在于這些研究中都是采用探頭與樣品接觸的近紅外方法測質光譜。接觸法中較小空間的干擾有利于模型精度的提高，但該方法可用于開發便攜式的果品原度檢測儀，較難應用于檢測速率高的工業化分選中。本研究中良好的SSC預測精度以及較短的預測時間說明高光譜成像技術有望應用于獼猴桃品質的工業化分選中。

4 結 論

SPA和UVE可分別從928.19 ～1 675.19 nm的226 個波段中提出12 個和128 個有效波長，能有效地簡化模型，提高模型的預測速率。

PLS、SVM和BP 3 種模型中，BP模型具有最好的預測性能和較好校正性能，而PLS模型的校正和預測性能較差。最佳的SSC預測模型是SPA-BP，其Rc=0.920，RMSEC=0.896，Rp=0.924，RMSEP=0.766。

高光譜成像技術可應用于開發基于原度分選獼猴桃的工業化分級系統。

[1] 張計育， 莫正海， 黃勝男， 等. 21世紀以來世界獼猴桃產業發展以及中國獼猴桃貿易與國際競爭力分析［J］. 中國農學通報 ， 2014，30（23）： 48-55.

[2] MCGLONE V A， CLARK C J， JO RDAN R B. Comparing density and VNIR methods for predicting quality parameters of yellowfleshed kiwifruit （Actinidia chinensis）［J］. Postharvest Biology a nd Technology， 2007， 46（1）： 1-9.

[3] MOGHIMI A， AGHKHANI M H， SAZGARNIA A， et al. Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity （pH） of kiwifruit［J］. Biosystems Engineering，2010， 106（3）： 295-302.

[4] 岳絨， 郭文川， 劉卉. 近紅外漫反射光譜檢測損傷獼猴桃的內部品質［J］. 食品科學， 2011， 32（10）： 141-144.

[5] 洪添勝， 李震， 吳春胤， 等. 高光譜圖像技術在水果品質無損檢測中的應用［J］. 農業工程學報， 2007， 2 3（11）： 280-285.

[6] GOWEN A， O’DONNELL C， CULLEN P， et al. Hyperspectral imaging： an emerging process analytical tool for food q uality and safety control［J］. Trends in Food Science and Technology， 2007，18（12）： 590-598.

[7] 馬本學， 應義斌， 饒秀勤， 等. 高光譜成像在水果內部品質無損檢測中的研究進展［J］. 光譜學與光譜分析， 2009， 29（6）： 1611-1615.

[8] ZHU Qibing， HUANG Min， ZHAO Xin， et al. Wa velength selection of hyperspectral scattering image using new semi-supervised affinity propagation for prediction of firmness and soluble solid content in apples［J］. Food Analytical M ethods， 2013， 6（1）： 334-342.

[9] LEIVA-VALENZUELA G A， LU R， AGUILERA J M. Assessment of internal quality of blueberries using hyperspectral transmittance and reflectance images with whole spectra or selected wavelengths［J］. Innovative Food Science and Emerging Technologies， 2014， 24： 2-13.

[10] 郭恩有， 劉木華， 趙杰文， 等. 臍橙原度的高光譜圖像無損檢測技術［J］.農業機械學報， 2008， 39（5）： 91-93.

[11] 洪添勝， 喬軍， WANG Ning， 等. 基于高光譜圖像技術的雪花梨品質無損檢測［J］. 農業工程學報， 2007， 23（2）： 1 51-155.

[12] ELMASRY G， WANG N， VIGNEAULT C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks［J］. Postharvest Biology and Technology， 2009， 52（1）： 1-8.

[13] MENESATTI P， ZANELLA A， D’ANDREA S， et al. Supe rvised multivariate analysis of hyper-spectral NI R images to evaluate the starch index of apples［J］. Food and Bioprocess Technology， 2009，2（3）： 308-314.

[14] GALV?O R K， ARAUJO M C， JOS? G E， et al. A method for calibration and validation subset partitioning［J］. Talanta， 2005， 67（4）：736-740.

[15] 詹白勺， 倪君輝， 李軍. 高光譜技術結合CARS算法的庫爾勒香梨可溶性固形物定質測定［J］. 光譜學與光譜分析， 2014， 34（10）：2752-2757.

[16] WU Di， SHI Hui， WANG Songjing， et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system［J］. Analytica Chimica Acta， 2012， 726： 57-66.

[17] 黃鴻， 曲煥鵬. 基于半監督稀疏鑒別嵌入的高光譜遙感影像分類［J］.光學精密工程， 2014， 22（2）： 434-442.

[18] 吳迪， 吳洪喜， 蔡景波， 等. 基于無信息變質消除法和連續投影算法的可見-近紅外光譜技術白蝦種分類方法研究［J］. 紅外與毫米波學報， 2009， 28（6）： 423-427.

[19] ELMASRY G， WANG N， ELSAYED A， et al. Hyperspectral imaging for nondestructive d etermination of some quality attributes for strawberry［J］. Journal of Food Engineering， 2007， 81（1）： 98-107.

[20] 汪海燕， 黎建輝， 楊風雷. 支持向質機處論及算法研究綜述［J］. 計算機應用研究， 2014， 31（5）： 1281-1286.

[21] L? Qiang， TANG Mingjie， CAI Jianrong， et al. Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits［J］. Czech Journal of Food Sciences， 2011， 29（6）： 595-602.

[22] 郭文川， 商亮， 王銘海， 等. 基于介電頻譜的采后蘋果可溶性固形物含質無損檢測［J］. 農業機械學報， 2013， 44（9）： 132-137.

[23] 杰爾?沃克曼， 洛伊斯?艾依. 近紅外光譜解析實用指南［M］. 諸小立，許育鵬， 田高友， 譯. 北京： 化學工業出版社， 2009： 226-232.

[24] 郭文川， 王銘海， 谷靜思， 等. 近紅外光譜結合極限學習機識別貯藏期的損傷獼猴桃［J］. 光學精密工程， 2013， 21（10）： 2720-2727.

[25] 張永宏， 吳鑫. BP神經網絡在圖像字符識別中的改進和應用［J］. 南京信息工程大學學報： 自然科學版， 2012， 4（6）： 526-529.

[26] SCHAARE P， FRASER D. Comparison of reflectance， interactance and transmission modes of visible-near infrared spectroscopy for measuring internal properties of kiwifruit （Actinidia chinensis）［J］. Postharvest Biology and Techn ology， 2000， 20（2）： 175-184.

[27] 蔡健榮， 湯明杰， 呂強， 等. 基于siPLS的獼猴桃原度近紅外光譜檢測［J］.食品科學， 2009， 30（4）： 250-253.

[28] 陳香維， 楊公明. 獼猴桃原度傅里葉變換近紅外光譜無損檢測［J］.西北農業學報， 2011， 20（7）： 143-148.

Nondestructive Detection of Soluble Solid Content of Postharvest Kiwifruits Based on Hyperspectral Imaging Technology

DONG Jinlei， GUO Wenchuan*
（College of Mechanical and Electronic Engineering， Northwest A&F University， Yangling 712100， China）

To investigate the feasibility of using hyperspectral imaging technique to detect the soluble solid content （SSC）of postharvest kiwifruits based on the obtained reflectance spectra over the range of 900-1 700 nm， SSC prediction models were established using partial least squares， support victor machine and back propagation artificial neural networks. The effects of different input variables on model performance were compared comprehensively at 226 wavelengths in full spectra. The input variables investigated included 12 and 128 effective wavelengths selected by successive projection algorithm and uninformative variable elimination， respectively. The results showed that successive projection algorithm could extract the effective wavelengths efficiently， and it had obvious predominance in simplifying SSC prediction model. BP neural network had better SSC predication performance. BP network combined with successive projection algorithm had the best SSC prediction performance with correlation coefficient of 0.924 and root-mean-square error of 0.766 for prediction set. The present study indicated that hyperspectral imaging technique could be used to detect SSC of postharvest kiwifruits nondestructively， and the technique is feasible for industrial grading of kiwifruits based on internal quality.

kiwifruit； hyperspectral image； soluble solid content； BP network； successive projection algorithm

O433.5；S663.4

A

1002-6630（2015）16-0101-06

10.7506/spkx1002-6630-201516018

2015-01-16

國家自然科學基金面上項目（31171720）

董金磊（1990—），男，碩士研究生，主要從事農產品品質的高光譜無損檢測技術研究。E-mail：djl2012@126.com

*通信作者：郭文川（1969—），女，教授，博士，主要從事農產品和食品無損檢測技術研究。E-mail：guowenchuan69@126.com