基于全卷積神經網絡的黃花梨采收期可見-近紅外光譜檢測方法

劉輝軍， 魏超宇， 韓 文， 姚 燕

中國計量學院計量測試工程學院, 浙江 杭州 310018

引 言

果實采收期的成熟度決定了水果最終食用品質和商業價值， 選擇果實最佳的采收時間， 是降低水果損失率和提高水果品質的關鍵。 近紅外光譜技術在水果品質檢測領域已有大量成功應用， 其快速、 無損的特點， 非常適合用于水果生長狀態、 成熟度和采收期等方面的持續性檢測， 盡管一直受到學者、 行業的重視， 但相關研究、 應用進展緩慢。

Sharpe等較早發現不同成熟度的梨、 西紅柿等漫反射光譜均呈現較大差異， 提出該技術可進行水果成熟度檢測[1]。 Peris等通過商業采收前的天數確定蘋果的成熟度， 建立了蘋果采收期的光譜預測模型[2]， 并且發現當不同年份果實品質的變異系數較小時， 模型精度較高[3]。 Zude等利用NIRS技術對3個不同采收期的蘋果正確識別率為66%[4]。 Liew等經催熟得到6個不同成熟度的香蕉并建立了其可溶性固形物含量(SSC)和硬度的近紅外光譜檢測模型， 結果表明單一成熟度模型精度較高， 多成熟度模型預測誤差增大[5]。 趙娟等利用多個品質指標提取蘋果成熟度SIQI指數， 建立了蘋果成熟光譜檢測模型， 表明支持向量回歸(SVR)分類模型優于極限學習機(ELM)[6]。 McCormick等開發了可用于田間的蘋果采收期檢測儀， 指出需結合大數據技術， 氣候、 果樹負載和果徑等信息以提高檢測精度[7]。

受光照強度、 光質等影響， 水果品質個體差異大， 常用的化學計量學方法需進行復雜的光譜預處理， 所建模型難以滿足不同季節、 果園等需求， 是影響近紅外光譜技術在水果采收期檢測領域應用的主要原因。……