可見/近紅外高光譜成像技術對雞蛋種類無損判別

丁佳興，楊曉玉，房盟盟，何建國

(寧夏大學 農學院，寧夏 銀川 750021)

1 引 言

雞蛋素以營養豐富、口味鮮美深受人民青睞，很多人已經將雞蛋當成每日生活的必需品[1]。隨著人們生活水平的提高，消費者越來越重視雞蛋的品質和營養，而雞的品種、飼料、營養水平、飼養方式、飼養條件等因素都能影響雞蛋的品質和營養[2-4]。不同種類雞蛋的品質營養、口感有很大區別，營養價值高、口感好的雞蛋其成本必然很高，售價也隨之增加。以普通的低質蛋來冒充高營養的優質蛋的現象屢見不鮮，損害消費者利益、影響市場，所以實現實時、快速對雞蛋種類判別對打擊無良商販，維護雞蛋市場秩序意義重大。

目前，雞蛋種類判別主要靠人工經驗，這種方法勞動強度大、效率低且成本高。因此有必要研究一種快速、實時和高識別率的雞蛋種類判別方法。而現在研究無損檢測禽蛋的技術有紅外光譜[5-7]、機器視覺[8]、介電特性[9]等，但對于高光譜成像技術應用于雞蛋種類判別未見報道。高光譜成像技術是近年來發展起來的一種集圖像和光譜于一體的無損檢測新技術，且廣泛應用于農產品品質無損檢測[10]。高光譜成像技術優于近紅外光譜技術，它可以采集樣本整個面的光譜和圖像，利用平均光譜來反映樣本，相關性好，滿足實時、快速、無損及可視地判別雞蛋種類。

本文以3種雞蛋作為研究對象，利用高光譜成像技術獲取樣品可見光區400～1 000 nm的光譜數據。首先通過SG卷積平滑(Savitzky-Golay smoothing，SGS)、標準正態變量變換(Standardized normal variate，SNV)、面積歸一化(Area-normalization)和去趨勢(Detrending)方法[11-13]對原始光譜進行預處理，建立PLS-DA雞蛋判別建模，根據模型效果優選預處理方法。然后利用競爭性正自適應加權算法(Competitive adaptive reweighted sampling，CARS)、遺傳偏最小二乘法(Genetic algorithms PLS，GAPLS)、間隔蛙跳算法(Interval random frog，IRF)提取特征波長，分別建立基于全光譜和特征波長的K最近鄰分類算法[14](K-nearest neighbor，KNN)和偏最小二乘判別分析[15](Partial least squares-discriminant analysis，PLS-DA)的雞蛋種類判別模型；分析比較提取特征波長方法和建模方法對雞蛋種類判別效果；選出最優模型，進而為高光譜成像技術對雞蛋種類快速無損判別提供技術支撐。

2 材料與方法

2.1 材料與儀器

實驗選用3個不同種類、生產日期相同的雞蛋樣本，每種各購買80枚，其中富硒蛋與無公害雞蛋選自寧夏當地兩種不同品牌的海蘭褐雞蛋，普通雞蛋選自普通養殖場出產的洋雞蛋，清洗表面污染物，從中挑出大小均勻、表面無損傷雞蛋作為最終實驗樣本，最終選出富硒蛋、無公害雞蛋和普通雞蛋分別為75、72和77枚，總樣本共224個。

可見-近紅外高光譜成像系統(400～1 000 nm，光譜分辨率4.8 nm，125個波段)如圖1所示。該系統由高光譜成像儀(V10E-QE型，芬蘭Spectral Imaging Ltd.公司)、CCD相機(C8484-05G型，日本Hamamatsu公司)、光纖鹵素燈(DCRⅢ型，150 W，美國Schott公司)、電控位移平臺(SC300-1A型，北京Zolix公司)組成。

圖1 可見-近紅外高光譜成像系統Fig.1 Vis/NIR hyperspectral imaging system

2.2 實驗方法

2.2.1 高光譜圖像的采集

利用Spectral cube軟件(Spectral Imaging Ltd.,Finland)采集高光譜圖像，為使圖像清晰不失真，經過多次實驗嘗試，最終系統條件設置為：相機曝光時間設為10 ms，物鏡高度為385 mm，電控位移平臺速度為15 mm/s。

由于CCD相機中暗電流存在會導致圖像光譜中含有較大的噪聲，影響圖像質量。因此采集前需要進行黑白校正[16-17]，以消除噪聲的影響。通過蓋住相機鏡頭采集得到全黑圖像和采集標準全反射白板獲得白圖像，黑白校正公式為：

(1)

其中：I為校正后的漫反射光譜圖像；R為樣本原始的漫反射光譜圖像；Rd為全黑圖像；Rw為白板的漫反射圖像。獲得樣本高光譜圖像后，利用ENVI 4.8軟件選取雞蛋橢圓表面作為感興趣區域(Region of interest，ROI)，計算出每張ROI的平均反射光譜作為樣本的反射光譜。

2.2.2 樣本劃分方法

本研究采用Galvao等[18]提出的SPXY(Sample set partitioning based on jointX-Ydistance)法劃分樣本。該方法是在KS(Kennard Stone)法的基礎上發展起來的，其優點是將變量X和Y均考慮在內，能夠有效地覆蓋多維向量空間，從而改善所建模型的預測能力。

2.2.3 光譜數據處理方法

由于儀器噪音、雞蛋表面凹凸不平等因素對光譜的影響，需要將原始光譜數據進行預處理。本文選取SG卷積平滑、SNV、Area-normalization和Detrend預處理方法處理。

由于全光譜包含所有光譜變量，信息冗余，選用適當的特征波長提取方法剔除不相關或者非線性變量，實現用少數關鍵變量代替全光譜，達到降低模型運算量和復雜度、提高模型穩定性和預測準確性的目的。本文選用CARS、GAPLS和IRF法提取特征波長，其中CARS是借助自適應重加權采樣技術和指數衰減函數從所構建的PLS模型中優選出回歸系數絕對值較大的波長變量，再利用十折交叉驗證從上述PLS模型中優選出交叉驗證均方根誤差RMSECV最小的模型，最終將該模型下的波長變量作為最優特征波長[19-21]；GAPLS是以生物進化論為基礎，模擬物種的競爭選擇的進化機制而建立的一種優化方法，數據經過選擇、交叉和變異等遺傳操作，產生新的個體，用建模效果優的“后代”代替原來的個體，找到波長的最優組合[22-23]。IRF是基于隨機蛙跳方法的一種波長間隔選擇方法。不同在于將整個光譜按照特定寬度劃分成子區間，不同組合區間，通過每個區間光譜點的絕對回歸系數總和來評估區間，找到最佳區間組合[24]。

其中光譜預處理在The Unscrambler X 10.4上實現，其余算法在Matlab R2014a上完成。

3 結果與討論

3.1 原始光譜及預處理

本文采用SG卷積平滑、SNV、Area-normalization和Detrend預處理方法對原始光譜進行處理。建立PLS-DA模型，每次建立PLS-DA模型之前，首先確定最佳主成分數，方法如下：設定最大主成分數20、數據歸一化、百葉窗交互驗證[25-26]，交互驗證組數為5，原始光譜的交互驗證的錯誤率隨主成分數的變化如圖2所示，原則是根據交叉驗證中的最小錯誤率確定最優主成分數。從圖2可以看出，隨主成分數增加交互驗證錯誤率呈下降趨勢，當主成分數為15和16時，對應錯誤率均為0.104 0，說明第16個主成分對模型穩定性無作用；主成分數為17和18時，錯誤率增大，說明第17和18主成分影響模型穩定性；雖然主成分數為19時，錯誤率變為最低(0.095 1)，但是仍將15確定為最優主成分數。同樣的方法找到不同預處理數據的最佳主成分數并建立PLS-DA模型，結果統計如表1所示。

圖2 交叉驗證中不同主成分數下的錯誤率Fig.2 Error rate of different principal components in cross validation

表1不同預處理方法下的雞蛋種類判別的PLS-DA模型
Tab.1 PLS-DA model for kind discrimination of egg by different pretreatment methods

預處理方法主成分數交互驗證中最小錯誤率正確率原始光譜150．10400．9241SG?smoothing160．14040．8884SNV160．08150．9375Area?normalization170．09060．9286Detrend140．09460．9420

從表1可以看出，經過SG卷積平滑預處理后的光譜所建立的PLS-DA模型的交互驗證中最小錯誤率大于原始光譜的PLS-DA模型，而經過另外3種預處理后的光譜的PLS-DA模型的交互驗證錯誤率均小于原始光譜的PLS-DA模型，說明SG卷積平滑預處理后的PLS-DA模型效果較差，明顯遜于其他3種預處理方法。但經過Area-normalization預處理后的PLS-DA模型準確率為0.910 7，小于原始光譜的PLS-DA模型；經過Detrend預處理的PLS-DA模型的準確率為0.942 0，大于經過SNV預處理光PLS-DA模型的0.933 0及原始光譜PLS-DA模型的0.924 1，且經過Detrend預處理的PLS-DA模型最優主成分數為14低于上述光譜(15)，說明該模型優于其他預處理后的光譜及原始光譜的PLS-DA模型，故選擇Detrend方法對原始光譜進行預處理。經Detrend法預處理后的3種雞蛋的平均光譜如圖3所示。

圖3 經過Detrend法預處理后的3種雞蛋的平均光譜Fig.3 Average spectra of the three kinds of eggs by the Detrend pretreatment

3.2 樣本劃分

采用SPXY方法對224個樣本劃分校正集和預測集，劃分比例為校正集∶預測集=3∶1，劃分結果如表2所示。

表2 利用SPXY法劃分樣本結果Tab.2 Results of sample division by SPXY method

3.3 特征波長提取

3.3.1 應用CARS提取特征波長

運行CARS之前，首先確定PLS模型中最優主成分數，設置最大主成分數為40，蒙特卡洛采樣次數為1 000，抽取總樣本的3/4作為校正集，得到不同主成分數下的RMSECV值如圖4所示。從圖中可知，當主成分數為31時，RMSECV值最小(0.544 7)，故最優主成分數為31。

圖4 RMSECV隨PLS主成分數的變化規律Fig.4 Variation of RMSECV with number of principal components of PLS

設定CARS參數：蒙特卡洛采樣次數為500，主成分數為31，交叉驗證組數為10。對全波段樣本光譜進行篩選，雞蛋種類鑒別篩選過程見圖5。

圖5 雞蛋種類判別的CARS特征波長篩選過程Fig.5 Process of CARS characteristic wavelength selection for the kind discrimination of the eggs

由圖5(a)可知，被挑選的波長數隨著變量篩選過程的進行逐漸下降，下降速度由快變慢，體現了波長變量篩選的粗選與精選。圖5(b)為變量篩選過程中交互驗證均方誤差的變化趨勢。結果顯示，交互驗證均方誤差隨著篩選過程的進行先下降后上升，MC 采樣次數為5時，交互驗證均方誤差達到最小值0.522 1，MC采樣次數繼續增加后，交互驗證均方誤差隨挑選變量數減少而增大，再結合篩選過程中波長變量回歸系數變化趨勢(見圖5(c))，“*”所對應的位置為5次MC采樣，所以應用CARS方法在MC采樣為5次時，交互驗證均方誤差最小，挑選出31個特征波長，分別為：444.6，449.4，473.4，478.2，492.6，497.4，502.2，507.0，535.8，545.4，550.2，564.6，593.4，742.3，756.7，771.1，775.9，809.5，819.1，828.7，843.1，862.3，867.1，886.3，891.1，905.5，934.3，953.5，963.1，967.9，972.7 nm。

3.3.2 應用GAPLS提取特征波長

應用GAPLS提取特征波長，設置參數：種群數為30，交叉概率為50%，變異概率為1%，最大遺傳因子為30，迭代次數100次。雞蛋光譜通過GAPLS篩選的有效信息如圖6所示，圖中橫坐標為125個波點，縱坐標為不同波點被篩選的頻次，頻次越高表示該點適應性越強，與雞蛋類別相關性越高。運行GAPLS時，同時計算不同波長數下的RMSECV值如圖7所示，其中最大主成分數設為15。最后結合RMSECV值和波長頻次數選出最佳波長變量。

圖6 雞蛋光譜的GA篩選圖Fig.6 GA screening of spectra of the eggs

圖7 不同波數下的RMSECV值Fig.7 RMSECV of different number of wavelengths

由圖7可知，波長數為52時，RMSECV最低。再結合圖6中每個波長篩選頻數，這52個波長的篩選頻數大于等于5。說明這些特征波長與雞蛋類別相關性較強，最終確定最佳波長數52個，主要分布在401.3～444.5 nm、550.2～636.6 nm、732.7～991.9 nm。

3.3.3 應用IRF提取特征波長

應用IRF提取特征波長時，設置迭代次數N為1 000，間隔寬度W為15，子間隔初始值Q為50，主成分數為15。運行IRF，得到111個間隔中排名前10的間隔如表3所示；同時計算每個間隔的RMSECV，如圖8所示。

表3雞蛋光譜數據排名前10的波長間隔
Tab.3 Top ranked 10 wavelength intervals of egg spectral data

排名間隔排名間隔196～110691～105292～106789～103386～100888～102484～98997～111598～1121087～101

圖8 排名從第一到最后一個波長間隔的RMSECV值Fig.8 RMSECV of the union of the top ranked intervals from 1st to the last

從表3可以看出：前10名區間選出的波點是從84號到111號；但從圖8可以看出：前10名間隔波長的RMSECV不是最小，當選擇前28個間隔時，RMSECV最低為0.493 4，所以選擇排名前28的間隔波長，最終選出的波點是31～48，72～124號，具體波長是545.4～627.0 nm，742.3～991.9 nm，共71個波長。

3.4 建模算法的比較與分析

經Detrending法預處理的光譜，分別建立基于全波段光譜(Full spectrum，FS)和3種特征波長提取方法基于PLS-DA和KNN的雞蛋種類鑒別模型。

3.4.1 KNN建模結果

運行KNN算法之前，需要確定合適的K值，K值的大小影響建模效果。圖9為全光譜交互驗證的錯誤率與K值大小的分布圖，根據最低錯誤率確定K值，所以選擇K=3建立KNN模型。同樣的方法確定CARS、GAPLS、IRF特征波長的K值分別為10，7，4，分別建立對應的KNN模型，結果統計如表4。

圖9 KNN算法中K值的選擇Fig.9 K values selection for KNN algorithm

表4 基于不同特征波長挑選方法的KNN雞蛋種類判別模型Tab.4 KNN model based on different characteristic wavelength selection methods for kind discrimination of egg

從表4可以看出，基于全光譜和特征波長建立的KNN模型的校正集和預測集正確率均小于80%，說明KNN雞蛋種類判別模型穩定性及預測能力較差。對比全光譜和特征波長建立的KNN模型發現，IRF-KNN的校正集正確率最低，該校正模型效果較差；而CARS-KNN和GAPLS-KNN模型校正集及預測集正確率均大于FS-KNN模型，說明CARS-KNN和GAPLS-KNN模型效果均優于FS-KNN模型，CARS和GAPLS方法能有效地對光譜降維。進而對比CARS-KNN和GAPLS-KNN模型，前者校正集正確率為77.97%大于后者，但是其預測集正確率明顯低于后者(76.79%)；前者提取到31個特征波長明顯低于后者，說明CARS法比GAPLS法對光譜降維效果較好。綜合比較CARS-KNN判別模型效果最優，經過CARS得到的31個特征波長包含了較多的關鍵信息，可以代替全光譜建模，達到減少模型的復雜性、提高建模速度和穩定性的目的。

3.4.2 PLS-DA建模結果

運行PLS-DA之前，需要確定最佳主成分數，根據RMSECV最小來確定主成分數最優。每次建立PLS-DA模型時，確定參數：數據歸一化處理、交叉驗證組數為5、交互驗證方式為百葉窗型。應用CARS、GAPLS、IRF方法提取特征波長建立PLS-DA雞蛋種類判別模型并與全光譜對比，模型效果統計如表5。

表5 基于不同特征波長挑選方法的PLS-DA雞蛋種類鑒別模型Tab.5 PLS-DA model based on different characteristic wavelength selection methods for kind discrimination of egg

從表5可以看出，在3種特征波長提取方法中，經過GAPLS和IRF提取得到的波長數分別為52和71個，說明這兩種方法對光譜降維效果欠佳；對應其PLS-DA模型主成分數均為15，大于FS-PLS-DA模型，說明這兩個模型穩定性不如FS-PLS-DA模型；GAPLS-PLS-DA模型校正集準確率為94.64%，小于FS-PLS-DA和IRF-PLS-DA模型，但GAPLS-PLS-DA和IRF-PLS-DA模型預測集準確率均為85.71%，大于FS-PLS-DA模型，說明這兩種模型的預測能力優于FS-PLS-DA。CARS提取的特征波長31個明顯低于其他兩種方法，但CARS-PLS-DA模型主成分數為17，大于其他3種模型，說明通過CARS有效地降低了模型的復雜性，但并沒有提高模型穩定性；其校正集、預測集準確率分別為95.83%、80.36%，低于FS-PLS-DA模型，說明CARS方法剔除了部分有用信息。挑選特征波長是在保證模型效果前提下對數據降維。所以綜合考慮，雖然CARS特征波長提取方法降維效果最佳，但IRF-PLS-DA模型最優，經過IRF法提取得到的特征波長能代表全光譜建立PLS-DA模型。

4 結 論

本文利用高光譜技術對雞蛋種類判別進行研究，為雞蛋種類無損判別提供科學方法。利用400～1 000 nm高光譜系統采集3種雞蛋樣本的高光譜圖像，對原始光譜進行預處理；應用CARS、GAPLS和IRF對預處理后光譜數據提取特征波長；分別建立基于全光譜和特征波長的KNN和PLS-DA雞蛋判別模型。對比其PLS-DA模型建模效果，經過Detrend法預處理效果最好。對Detrending法預處理的光譜數據挑選特征波長，CARS、GAPLS、IRF算法提取特征波長分別為31，52，71個；分別建立對應的KNN、PLD-DA判別模型，結果表明建立的PLS-DA模型效果均優于KNN模型，CARS法提取的特征波長降維效果最好，提高了KNN模型穩定性和正確率。對比模型效果，IRF-PLS-DA為最優模型，校正集正確率97.02%，預測集正確率85.71%。

[1] 畢夏坤,趙杰文,林顥,等.便攜式近紅外光譜儀判別雞蛋的貯藏時間 [J].食品科學,2013,34(22):281-285.

BI X K,ZHAO J W,LIN H,etal..Prediction of egg storage time using portable near infrared spectrometer [J].FoodSci.,2013,34(22):281-285.(in Chinese)

[2] 董志梅,劉曉曉,龍君江,等.不同地方雞種蛋品質比較和相關性分析 [J].黑龍江畜牧獸醫,2016(3):111-113.

DONG Z M,LIU X X,LONG J J,etal..Comparison and correlation analysis of chicken egg quality in different areas [J].HeilongjiangAnimalSci.Veteran.Med.,2016(3):111-113.(in Chinese)

[3] 朱云鵬,崔春利,王蘭嬌,等.哈爾濱市售雞蛋品質及營養成分分析 [J].食品工業,2017(5):289-292.

ZHU Y P,CUI C L,WANG L J,etal..The analysis of quality and nutrient of commercially available eggs in Harbin [J].FoodInd.,2017(5):289-292.(in Chinese)

[4] 馮靜,王燕,臧蕾,等.不同品種蛋雞雞蛋營養成分的比較研究 [J].畜牧與飼料科學,2016,37(9):4-9.

FENG J,WAND Y,ZANG L,etal..Comparative study on nutritional components of eggs from different breeds of laying hens [J].AnimalHusb.FeedSci.,2016,37(9):4-9.(in Chinese)

[5] BAIN M M.Recent advances in the assessment of eggshell quality and their future application [J].WorldsPoult.Sci.J.,2005,61(2):268-277.

[6] 湯丹明,孫斌,劉輝軍.近紅外漫反射光譜鑒別雞蛋種類 [J].光譜實驗室,2012,29(5):2699-2702.

TANG D M,SUN B,LIU H J.Kind discrimination of egg by near infrared spectroscopy [J].Chin.J.Spectrosc.Lab.,2012,29(5):2699-2702.(in Chinese)

[7] 王巧華,李小明,段宇飛.基于CUVE-PLS-DA的雞蛋新鮮度在線檢測分級 [J].食品科學,2016(22):187-191.

WANG Q H,LIAO X M,DUAN Y F.On-line detection and classification of egg freshness based on consensus uninformative variable elimination partial least squares-discriminant analysis [J].FoodSci.,2016(22):187-191.(in Chinese)

[8] 王巧華,任奕林,文友先.基于BP神經網絡的雞蛋新鮮度無損檢測方法 [J].農業機械學報,2006,37(1):104-106.

WANG Q H,REN Y L,WEN Y X.Study on non-destructive detection method for fresh degree of eggs based on BP neural network [J].Trans.Chin.Soc.Agricult.Machin.,2006,37(1):104-106.(in Chinese)

[9] 孫俊,劉彬,毛罕平,等.基于介電特性的雞蛋品種無損鑒別 [J].食品科學,2017(6):282-286.

SUN J,LIU B,MAO H P,etal..Non-destructive idetification of different egg varieties based on dielectric properties [J].FoodSci.,2017(6):282-286.(in Chinese)

[10] WU L G,HE J G,LIU G S,etal..Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Bio.Technol.,2016,112:134-142.

[11] 張初,劉飛,孔汶汶,等.利用近紅外高光譜圖像技術快速鑒別西瓜種子品種 [J].農業工程學報,2013,29(20):270-277.

ZHANG C,LIU F,KONG W W,etal..Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology [J].Trans.Chin.Soc.Agricult.Eng.,2013,29(20):270-277.(in Chinese)

[12] 于慧春,王潤博,殷勇,等.基于不同波段的枸杞多糖及總糖高光譜成像檢測 [J].食品科學,2017,38(8):191-197.

YU H C,WANG Y B,YI Y,etal..Detection of polysaccharides and total sugar in chinese wolfberry based on hyperspectral imaging in different wavebands [J].FoodSci.,2017,38(8):191-197.(in Chinese)

[13] 丁佳興,吳龍國,何建國,等.高光譜成像技術對靈武長棗果皮強度的無損檢測 [J].食品工業科技,2016,37(24):58-62.

DING J X,WU L G,HE J G,etal..Non-destructive determination of pericarp break force of Lingwu long jujube by hyperspectral imaging technology [J].Sci.Technol.FoodInd.,2016,37(24):58-62.(in Chinese)

[14] 孫俊,蔣淑英,毛罕平,等.基于線性判別法的生菜農藥殘留定性檢測模型研究 [J].農業機械學報,2016,47(1):234-239.

SUN J,JIANG S Y,MAO H P,etal..Nondestructive identification of pesticide residues in lettuce leaves based on linear discriminant method [J].Trans.Chin.Soc.Agricult.Machin.,2016,47(1):234-239.(in Chinese)

[15] 李凱,李雪瑩,欒麗麗,等.近紅外光譜和多分類器融合的葡萄酒品種判別研究 [J].光譜學與光譜分析,2016,36(11):3547-3551.

LI K,LI X Y,LUAN L L,etal..Determination of wine varieties with NIR and fusion of multiple classifiers [J].Spectrosc.Spect.Anal.,2016,36(11):3547-3551.(in Chinese)

[16] 鄧建猛,王紅軍,黎鄒鄒,等.基于高光譜技術的馬鈴薯外部品質檢測 [J].食品與機械,2016,32(11):122-125.

DENG J M,WANG H J,LI Z Z,etal..Detection of potato external qual ity based on hyperspectral technology [J].FoodMachin.,2016,32(11):122-125.(in Chinese)

[17] 王巧華,周凱,吳蘭蘭,等.基于高光譜的雞蛋新鮮度檢測 [J].光譜學與光譜分析,2016,36(8):2596-2600.

WANG Q H,ZHOU K,WU L L,etal..Egg freshness detection based on hyper-spectra [J].Spectrosc.Spect.Anal.,2016,36(8):2596-2600.(in Chinese)

[18] HARROP G R K,ARAUJO M C U,JOSE G E,etal..A method for calibration and validation subset partitioning [J].Talanta,2005,67:736-740.

[19] 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量測定 [J].光譜學與光譜分析,2014,34(10):2752-2757.

ZHAN B S,NI J H,LI J.Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Koela fragrant pear [J].Spectrosc.Spect.Anal.,2014,34(10):2752-2757.(in Chinese)

[20] 李江波,彭彥昆,陳立平,等.近紅外高光譜圖像結合CARS算法對鴨梨SSC含量定量測定 [J].光譜學與光譜分析,2014,34(5):1624-1629.

LI J B,PENG Y K,CHEN L P,etal..Near-infrared hyperspectral imaging combined with CARS algorithm to quantitatively determine soluble solids content in “YA” pear [J].Spectrosc.Spect.Anal.,2014,34(5):1624-1629.(in Chinese)

[21] YU K Q,ZHAO Y R,LI X L,etal..Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agricult.,2014,103:1-10.

[22] 屠振華,籍保平,孟超英,等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究 [J].光譜學與光譜分析,2009,29(10):2760-2764.

TU Z H,JI B P,MENG C Y,etal..Analysis of NIR characteristic wavelengths for apple flesh firmness based on GA and iPLS [J].Spectrosc.Spect.Anal.,2009,29(10):2760-2764.(in Chinese)

[23] 李子文,熊雅婷,張海紅,等.近紅外光譜技術結合遺傳算法用于蘋果醋總酸定量分析 [J].食品與發酵工業,2016(1):195-199.

LI Z W,XIONG Y T,ZHANG H H,etal..Determination of total acid content in apple cider vinegar by near infrared spectroscopy combined with genetic algorithm [J].FoodFerment.Ind.,2016(1):195-199.(in Chinese)

[24] YUN Y H,LI H D,LESLIE R.E,etal..An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration [J].SpectrochimicaActaPart A,2013,111:31-36.

[25] 李碩.基于可見近紅外成像光譜技術土壤剖面氮的預測研究 [D].武漢：華中農業大學,2013.

LI S.PredictionofSoilNitrogenAlongSoilProfileUsingVis-NIRSpectroscopyImagingTechnique[D].Wuhan:Huazhong Agricultural University,2013.(in Chinese)

[26] BALLABIO D,CONSONNI V.Classification tools in chemistry.Part 1:linear models.PLS-DA [J].Anal.Methods,2013,5:3790-3798.

丁佳興(1993-)，男，寧夏銀川人，碩士研究生，2015年于塔里木大學獲得學士學位，主要從事農產品無損檢測方面的研究。

E-mail：nxudjx@163.com

何建國(1960-)，男，山東濟南人，碩士，教授，1988年于北京航空航天大學獲得碩士學位，主要從事農業工程裝備及機電一體化技術、農產品無損檢測方面的研究。

E-mail：hejg@nxu.edu.cn