高光譜成像技術檢測油茶果成熟度

胡逸磊，姜洪喆，周宏平，許林云，鞠 皓，王 影

（南京林業大學機械電子工程學院，江蘇 南京 210037）

油茶果采摘期受環境因素影響較大，不同地區的天氣、氣候、積溫、土壤肥力等條件不同，造成油茶果的成熟期有早有晚，因此油茶果的采摘時間應根據其具體成熟度而定。油茶果采收前的最后一個月是油脂積累的高峰期，這段時間油茶果含油量增幅最為明顯，同時伴隨著內部營養物質的相互轉化。然而在此時期油茶果的外部形態特征如形狀大小、鮮果質量、顏色等趨于穩定，無明顯變化，從而給茶農判斷油茶果的成熟度和最佳采摘期帶來一定的困難。故迫切需要提出一種快速準確地檢測油茶果成熟度的方法，為油茶果的精準采收作業提供幫助。

高光譜成像技術是一種集圖像和光譜于一體的技術，圖像中的每個像素點都包含特定位置的光譜信息，可實現被測物各組分分布情況的可視化。近年來不少研究人員利用高光譜成像技術在檢測果品的成熟度及相關成熟度參數方面取得了重大進展。Pu Hongbin等比較了兩臺成像光譜儀（光譜集I：600～1 000 nm和光譜集II：1 000～2 500 nm）檢測荔枝成熟度的能力，建立的偏最小二乘判別分析（partial least squaresdiscrimination analysis，PLS-DA）在光譜集I上對成熟和未熟荔枝的分類正確率比在光譜集II上高6.25%。Zhang Chu等采集了成熟、半熟和未熟草莓在兩組不同波段下的高光譜圖像，融合草莓的光譜特征和紋理特征建立的支持向量機（support vector machine，SVM）模型發現：在441.1～1 013.97 nm，SVM模型識別正確率為95%，在941.46～1 578.13 nm，SVM模型識別正確率只有70.83%。Rosli等將柑橘樣品劃分成6 個區域，分別采集每個區域的光譜反射率，發現盡管生長期和成熟期的柑橘果皮顏色相差不大，利用粒子群優化（particle swarm optimization，PSO）算法建立基于光譜反射率的分類模型能篩選出未成熟的柑橘。周宏平等通過比較不同成像波段（400～1 000 nm及900～1 700 nm）得到油茶籽光譜反射率數據建立的偏最小二乘回歸（partial least squares regression，PLSR）模型性能的優劣，得出900～1 700 nm是油茶籽含油率最佳檢測波段的結論。這些研究結果為使用光譜分析技術檢測油茶果成熟度奠定了良好的理論基礎。

本研究通過高光譜成像技術獲取油茶果的高光譜數據并結合化學計量學方法獲取油茶果的成熟度參數作為參照，使用分類算法完成對油茶果成熟度的判別，并驗證分類模型的正確率，旨在為油茶果最佳采摘期的判斷提供科學依據。

1 材料與方法

1.1 材料

油茶果樣品來自江蘇南京市江寧區金航油茶專業合作社的油茶林，采集的油茶果均屬于霜降籽品種（在霜降節氣前后成熟），具體采樣要求為：采集位于近似同一海拔高度的茶樹上向陽面的油茶果，且油茶果的大小相似，以最大程度保證每一批次的樣品處于同一成熟度水平。

于2020年10月13號、10月20號、10月27號、11月3號、11月10號分別采集油茶鮮果各200 個，當天帶回進行油茶果高光譜圖像的采集，并于11月14號采集果殼開裂的油茶果20 個作為對照組進行含油率的測量（11月14號茶樹上幾乎沒有果皮完整的油茶果，由于過熟導致果殼開裂，整個茶園的油茶果采收工作基本完畢，因此特意留出5 棵茶樹用于實驗樣本的采集）。

1.2 儀器與設備

南京林業大學生物質包裝無損檢測實驗室搭建的高光譜成像無損檢測平臺如圖1所示，包括成像光譜儀（GaiaField-V10E-AZ4型，400～1 000 nm）、探測器（sCMOS相機）、白色食品級傳送帶（HSIACSD800）、一套由12 只50 W的鹵素燈和漫反射穹頂組成的照明系統以及一臺計算機，其中成像光譜儀的光譜分辨率為5 nm，被測物品置于傳送帶上的載物臺由步進電機驅動，暗箱用于屏蔽外界雜散光對數據采集的干擾；111-101v-10G型游標卡尺 桂林廣陸數字測控股份有限公司；BSM-220.4型分析天平 上海卓精電子科技有限公司；DHG-9101-2SA型干燥箱 常州朗越儀器制造有限公司；NAI-ZFCDY-6Z型脂肪測定儀 上海那艾精密儀器有限公司。

圖1 高光譜成像系統Fig. 1 Schematic of hyperspectral imaging system

1.3 方法

1.3.1 高光譜圖像的采集和校正

高光譜圖像數據獲取基于計算機上的Specview軟件，將高光譜儀器預熱30 min后進行油茶果圖像采集。為避免獲取的圖像失真，經過多次預實驗確定最佳的數據采集參數如下：光譜儀I的曝光物距為300 mm，曝光時間為1.2 ms，電控位移臺掃描速率為0.601 4 nm/s，掃描線實際長度為200 mm，圖像分辨率為800像素×666像素。每次采集2 個油茶果，采集完成后統一裁剪成230像素×290像素的單個油茶果高光譜圖像。

由于高光譜圖像采集過程中存在暗電流的影響，而且不同波段下成像系統光源的強度分布也不均勻，從而導致獲取的高光譜圖像中含有較大的噪聲。因此要對其進行黑白校正以消除暗電流的影響，校正方法如式（1）所示：

式中：為校正后的漫反射光譜圖像數據；為樣本原始的漫反射光譜圖像數據；為暗圖像數據；為白板的漫反射圖像數據。

1.3.2 理化指標測定

分別測定油茶果的果高、果徑、鮮果質量、鮮籽質量以及烘干后的油茶果殼質量，得到油茶果殼的含水率和出籽率計算如式（2）、（3）所示：

式中：為油茶果殼含水率/%；為出籽率/%；為果殼烘干后質量/g；為油茶鮮果質量/g；為油茶鮮籽質量/g。

油茶果的含油率按照GB 5009.6—2016《食品中脂肪的測定》的方法測定，并按照黃佳聰等的方法計算含油率，如式（4）所示：

式中：為含油率/%；為出油量/g；為茶仁質量/g。

1.3.3 曲率校正方法

油茶果表面曲率較大，使得油茶果高光譜圖像每個像素點的光譜強度存在較大差異，因此必須校正反射強度的變化。Gowen等發現，均值歸一化比最大值法和中值法更適合校正球形水果表面的光譜強度變化。本研究使用均值歸一化方法對高光譜圖像的像素點光譜反射率進行逐一校正，并利用變異系數評價光譜校正的質量，計算如式（5）、（6）所示：

式中：A為高光譜圖像中單個像素點的光譜向量；為光譜向量中元素個數（即波段數量）；A為單個像素點校正后的光譜向量；SD為光譜矩陣的標準差；MN為光譜矩陣的平均值；CV為變異系數。

1.3.4 變量選擇方法

高光譜數據量大且數據之間的共線性嚴重，影響模型的運算速度。因此采用以下3 種方法提取有效信息變量進行對比，從而得到最優的變量選擇方法。

連續投影算法（succesive projections algorithm，SPA）是一種前向選擇算法，通過在光譜中尋找最低限度冗余光譜信息變量集，使得變量之間的共線性最小化。該方法需預先設置選擇的變量數范圍，最終選擇的變量數在該范圍內的均方根誤差（root mean square error，RMSE）最小。本研究中選擇的最佳變量數范圍為5～30，選擇出28 個特征波長。

競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）是一種以回歸系數（regression coefficient，RC）作為變量重要性評價指標的變量選擇方法。該方法利用自適應重加權采樣技術結合指數衰減函數優選出PLSR模型中RC絕對值大的變量點，并將交叉驗證選出個PLSR子集模型中交叉驗證均方根誤差（root mean square error of cross-validation，RMSECV）最小的子集定義為最優變量子集。本研究中將蒙特卡洛采樣次數設置為5 000，每次運行程序選擇的訓練集和測試集的樣本比例為2∶1，篩選出28 個特征波長。

遺傳算法（genetic algorithm，GA）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。本研究設置進化代數為200，算法運行次數50，種群大小為64，初始時平均5 個波長構成一個染色體，染色體個數為30，變異概率為1%，篩選出26 個特征波長。

1.3.5 模型建立與評價

采用SVM、-最近鄰（-nearest neighbor，KNN）算法、隨機森林（random forest，RF）算法、PLS-DA四種分類方法建立油茶果成熟度分類模型。其中SVM是一種非線性模型，能夠有效避免樣本空間的維數災難；KNN屬于簡單的線性分類方法，易于實現；RF是一種集成算法，抗過擬合能力強；PLS-DA也是一種線性分類方法，魯棒性較好。最后通過圖像分類的方法，以整幅油茶果的高光譜圖像為輸入量，搭建基于遷移學習的卷積神經網絡模型，并討論模型性能。

KNN算法的核心思想是用距離最近的個樣本數據的類別代表目標數據的類別，其中值是超參數，會很大程度上影響分類的效果。將值設置為[3,40]以2為步長遞增，以平均正確率為依據，使用10折交叉驗證法進行值尋優。

RF算法是以Bagging為框架的基于CART決策樹的集成算法，該算法使用隨機抽樣形成的多個分類器達到更低的泛化誤差。對RF算法分類效果影響最大的超參數主要包括Bagging框架參數N estimators和CART決策樹參數Max depth，其中N estimators為學習器的最大迭代次數，Max depth為決策樹的最大深度。本研究中將N estimators的值設置為[10,200]以10為步長，將Max depth的值設置為[1,15]以1為步長進行網格搜索。

SVM算法中使用高斯核函數，其中參數和對模型的性能影響很大，是懲罰系數，表示對誤差的容忍度，是高斯核函數中的一個參數，反映數據映射到新的特征空間后的分布狀況。本研究將設置為以2為底，在[－10,10]內以指數0.1為步長遞增，將設置為以2為底，在[－10,5]內以指數0.375為步長遞增進行網格搜索。

PLS-DA是根據樣品的光譜矩陣和類別矩陣分解出的載荷矩陣和得分矩陣計算測試樣本的類別信息矩陣，然后根據類別信息矩陣與類別標簽的接近程度確定樣品所屬類別。該模型中的潛變量數N components為超參數，該值過大，容易發生過擬合，該值過小，則模型的精度不足。本研究將N components設置在[1,20]之間進行網格搜索。

本實驗采用分類正確率作為模型評價指標，計算如式（7）所示。正確率越高，說明模型的預測性能越好。使用的數據處理軟件包括ENVI5.1、Matlab2014a、Python3.8。

式中：Acc為正確率/%；TP為正確識別為正樣本的數量；TN為正確識別為負樣本的數量；FP為錯誤識別為正樣本的數量；FN為錯誤識別為負樣本的數量。

2 結果與分析

2.1 油茶果成熟期理化參數

從每一批次中取10 個樣品進行油茶果果高、果徑、鮮果質量、鮮籽質量、出籽率、含油率、果殼含水率等理化參數的統計，取每一批次各理化參數的平均值作為該批次樣品的理化值，計算每個理化參數在整個采摘期內的平均值和標準差，結果如表1所示。

可以發現油茶果的果高、果徑在整個采摘期內出現些許的遞增，但遞增幅度很小，因此標準差較低，只有0.43 mm左右；鮮果質量范圍在25～30 g之間，鮮籽質量范圍在10～15 g之間；油茶果的果殼含水率在采摘期內有下降的趨勢，但下降的幅度較小；油茶果出籽率在35%～40%之間波動，油茶果含油率隨著采摘時間的推遲而遞增，增幅達到59%，其標準差為5.55%，比其他理化參數的標準差高很多，可見若提前采摘油茶果將造成茶油產量的嚴重損失。并且從采樣時間上看，11月10號油茶林中部分油茶果的果殼開裂，油茶果進入全面采收階段，至11月14號采收工作基本完畢，預留的5 棵茶樹上的大部分油茶果的果殼開裂，有的油茶果已脫落在地，符合油茶果過熟期特征，將此時采集的油茶果作為對照組，發現其含油率基本保持穩定，說明11月10號左右油茶果進入完全成熟期，此時采摘可使茶油產量最大化，并且陸續有油茶果果殼開裂并脫落導致難以收集，無法再推遲油茶林的整體采收時間。

表1 油茶果理化參數隨采摘時間的變化Table 1 Changes in physicochemical parameters of C. oleifera with picking date

因此本研究采用含油率作為油茶果成熟度的衡量指標，并結合表2給出其成熟度的定量判別標準：采收前30 d左右，且含油率為（22.00±1.00）%的樣品作為成熟度I；油茶果采收前23 d左右，且含油率為（24.00±1.00）%的樣品作為成熟度II；茶果采收前16 d左右，且含油率為（27.00±2.00）%的樣品作為成熟度III；茶果采收前9 d左右，且含油率為（31.50±2.50）%的樣品作為成熟度IV；油茶果采收期間，且含油率為（35.00±1.00）%的樣品作為成熟度V。成熟度等級I～V的油茶果樣品的成熟度依次遞增，成熟度V的油茶果為完熟期樣品。本實驗不包含過熟期樣品，因為過熟期的油茶果果殼開裂容易脫落，憑借人眼很容易判別，無需借助高光譜設備。將以上5 種成熟度油茶果樣品的高光譜數據作為數據集，用作成熟度的分類。

表2 油茶果含油率的變化Table 2 Changes in oil content in C. oleifera with picking date

2.2 基于像素點的油茶果高光譜圖像曲率校正

油茶果果面曲率較大造成高光譜成像后每個像素點的光譜強度差異較大，并且從油茶果圖像的中心區域往果子邊緣處的光譜強度逐漸減小，導致邊緣處的光譜反射率比中心處低，直接使用這種狀態下數據進行建模分類的誤差較大，現使用均值歸一化方法進行校正。歸一化方法在光譜曲線預處理中有重要的應用，可以在一定程度上減小水果形狀對采集光譜的影響。

圖2 校正前（a）、后（b）油茶果半徑方向像素點光譜曲線Fig. 2 Pixel spectral curves of C. oleifera in the radius direction before (a) and after (b) correction

圖3 774 nm波段校正前（a）、后（b）油茶果像素點反射率分布Fig. 3 Reflectivity distribution of the pixel points of C. oleifera before (a) and after (b) correction at 774 nm

圖2a是校正前從油茶果中心沿半徑方向至邊緣處89 個像素點的光譜曲線圖，可以看出由于油茶果曲率的影響，不同位置的光譜反射強度差異很大，光譜CV為0.244 0；圖2b是相同位置的像素點校正后的光譜曲線圖，可以發現每個像素點之間的光譜強度差異變小很多，CV為0.075 3。

774 nm通道油茶果樣品的反射率與背景的反射率差異最大，因此該通道能清晰地顯示油茶果樣品的灰度圖。圖3是在774 nm波段校正前后油茶果反射率的偽彩色分布，可以直觀地看到校正后油茶果像素點的反射率分布比校正前更均勻，說明均值歸一化方法的有效性。

2.3 不同成熟度油茶果光譜特征分析

在對1 000 份油茶果樣本的高光譜圖像進行曲率校正之后，使用掩膜的方法計算油茶果的光譜值：以反射率0.2作為分割原始高光譜圖像中油茶果樣本與背景的閾值，將背景區域的像素值置為0，樣品區域的像素值置為1生成掩膜圖像，將掩膜圖像與油茶果圖像做內積運算得到去除背景信息的油茶果高光譜圖像，最后將分割出來的油茶果樣品每個波長通道所有像素點反射率的平均值作為該樣品的最終光譜值，從而提取出1 000 份樣品的平均光譜曲線。

由于總樣本中可能存在奇異樣本影響最終分類效果，使用馬氏距離法分別對不同成熟度等級的樣本進行檢測并予以剔除，最終將剩余939 個樣品的光譜數據用于建立分類模型。

圖4 939 個樣本的原始（a）及其曲率校正后（b）的光譜曲線Fig. 4 Spectral curves of 939 samples before (a) and after (b)curvature correction

939 個樣本曲率校正前后的光譜曲線圖見圖4，校正后的數據分布更加集中，數據特征更加明顯。670 nm處的吸收峰主要與油茶果殼中的花青素和葉綠素有關，970 nm處的吸收峰與果殼中的水分有關。將5 個不同成熟度等級的油茶果光譜數據分別取平均值，得到油茶果的成熟度曲線如圖5所示。可以發現，不同成熟度油茶果的光譜強度差異主要體現在500～630 nm和720～970 nm之間。在500～630 nm之間，成熟度I和成熟度II樣品的反射強度差別較小，隨著采樣時間的推遲，成熟度III和成熟度IV樣品的反射強度較前者有所降低，成熟度V樣品的反射強度降至最低，該波段范圍內呈現出油茶果的光譜反射率隨成熟度的增加而降低的規律。在720～970 nm之間，成熟度II～V樣品的反射強度隨成熟度的增加而降低，而從成熟度I～V樣品的反射強度經歷兩次先增高后降低的過程，可能是與果殼中內源激素含量的動態變化有關。在5 個不同的采收時間點，成熟度曲線存在較明顯的區別，為成熟度分類提供了理論依據。

圖5 成熟度曲線Fig. 5 Spectral curves with different maturities

2.4 基于全波長的油茶果成熟度分類

將5 種不同成熟度等級的油茶果樣品賦予類別標簽1～5，分別采用KNN、RF、SVM、PLS-DA建立基于全波長光譜信息的油茶果成熟度分類模型，各模型參數設置如表3所示。在對各個模型進行參數尋優后，獲得了各模型在最優參數下的分類結果如表3和圖6所示。可以發現，SVM相比于其他3 個模型的分類效果最好：訓練集的分類正確率為98%，測試集的平均分類正確率為97%，對成熟度I樣品的分類正確率最高；其次是RF模型，對油茶果成熟度的平均分類正確率為86%，對成熟度I和成熟度IV樣品的分類正確率較高；PLS-DA模型的分類效果一般，測試集的正確率為76%；KNN模型在訓練集和測試集上的分類正確率是所有模型中最低。

表3 不同分類模型的分類結果的比較Table 3 Comparison of results of classification of different classification models

圖6 不同算法對5 種成熟度樣品的分類正確率Fig. 6 Classification accuracy of different algorithms for samples at five maturity stages

2.5 基于特征波長的油茶果成熟度分類

通過降維的方式選取特征波長建立分類模型，在最大程度保留有效波段信息的基礎上，通過減少特征維度提高計算速度。由于在4 種分類模型中，SVM分類器對油茶果光譜信息的分類效果最好，為便于比較不同降維方法的優劣，這里統一使用SVM建立分類模型。

CARS和GA選出的特征變量數目較多，而且CARS屬于快速粗選算法，因此本研究嘗試在CARS和GA降維的基礎上，再使用SPA算法進行二次降維，進一步消除干擾波段，最大程度保留有效波段。表4是不同降維方法選擇特征變量建立的SVM分類模型結果。可以發現，使用CARS降維后的28 個特征波長的光譜數據建立的SVM模型效果最好：訓練集平均正確率為91%，測試集平均正確率為82%，對成熟度IV樣品的識別率最高為91%，對成熟度II樣品的識別率較低為73%。經SPA和GA降維后建立的分類模型的效果相差不大：訓練集上對油茶果的分類正確率為86%左右，測試集上的識別率為80%左右。主成分分析（principal component analysis，PCA）-SVM模型的效果最差：訓練集上的分類正確率為64%，測試集上的分類正確率只有55%，可見PCA方法將全波段光譜數據轉化為7 個PC的過程中即使保留了99%的信息量，結合SVM建立的分類模型的性能還是較差。CARS-SPASVM和GA-SPA-SVM都是經過二次降維之后建立的分類模型，兩組數據集下的SVM模型分類效果相當：測試集的正確率為75%左右，并且兩個模型均對成熟度V樣品的分類正確率最高，對成熟度II和成熟度III樣品的分類正確率較低，究其原因，成熟度V樣品的光譜強度相對于其他4 個成熟度等級的樣品最低，而成熟度II和成熟度III樣品的光譜強度相差不大，在某些波段甚至重疊，導致這兩類樣品的誤判數量較多。總的來說，無論通過哪種方法尋找特征變量建立分類模型，在測試集上對成熟度I和成熟度V樣品的識別率最高，因為這兩類樣品的采樣時間間隔最長，光譜特征差異最大，而對成熟度II、成熟度III和成熟度IV樣品的分類正確率相對低一些，因為這3 類樣品采樣時間較為集中，光譜特征的差異性相對較小。

表4 不同降維方法的SVM分類模型結果Table 4 Results of SVM classification models with different dimensionreduction methods

2.6 基于圖像特征和光譜特征融合的油茶果成熟度分類

采用顏色直方圖表征油茶果高光譜圖像的顏色特征。由于常用的顏色空間是RGB和HSV空間，分別取高光譜圖像的第64（641.8 nm、紅）、46（552.3 nm、綠）、27（459.8 nm、藍）3 個通道生成對應油茶果樣品的偽彩色RGB圖像。同時采用灰度共生矩陣表征油茶果高光譜圖像的紋理特征，為了能更直觀地以灰度共生矩陣描述紋理狀況，從矩陣導出能量、對比度、相關度、熵和逆差距5 個參數。

為驗證油茶果高光譜圖像的顏色特征和紋理特征是否能作為成熟度分類的表征因子，以及在油茶果的光譜特征數據中融入圖像特征數據是否能起到優化分類模型、提高模型正確率的效果，分別建立基于油茶果的顏色特征、紋理特征、融合圖像特征和光譜特征的SVM分類模型，同時約定光譜特征采用經CARS降維后的數據集，因為各種變量選擇方法中，經CARS選擇的特征波段建立的SVM模型效果最好。由于顏色特征中灰度級出現頻次的量級差異較大，紋理特征中各個紋理參數的量級也不同，因此在建模之前先對數據進行歸一化處理。

表5是不同輸入特征下的SVM模型分類結果，可以發現，使用單一的顏色特征建立的油茶果成熟度SVM模型測試集正確率為79%，相比使用單一的光譜特征建模的正確率降低了3.7%，并且該模型對成熟度IV和成熟度V樣品的識別率較高，分別為92%和95%，對成熟度II和成熟度III樣品的識別率較低。使用單一的紋理特征建立的油茶果成熟度SVM分類模型正確率不足50%，說明油茶果的紋理特征參數在油茶果成熟期間沒有發生較明顯的變化，并且油茶果的表皮光滑，紋理特征并不明顯，不能較好地作為油茶果成熟度的表征因子。進一步地，融合油茶果高光譜圖像中的顏色特征和紋理特征建立的SVM模型正確率沒有使用單一的顏色特征建立的模型正確率高，原因是數據集中的紋理參數拉低了模型性能。融合圖像中的光譜特征和顏色特征建立的SVM模型正確率達到93%，說明顏色特征對使用光譜特征建立的分類模型起到優化增益作用，原因是在光譜數據中加入顏色數據，使得不同油茶果樣品的特征得到更為充分詳盡的描述，也使得不同成熟度等級油茶果的特征得到差異化表達，該模型對成熟度I、IV和V樣品的識別率較高，對成熟度II和成熟度III的油茶果樣品識別率稍低。融合圖像特征（顏色及紋理）和光譜特征建立的油茶果SVM模型的正確率為88%，比使用單一的光譜特征建立的模型正確率提高了7.3%，比使用光譜特征和顏色特征融合建立的SVM模型正確率降低了5.4%，說明油茶果的光譜信息與紋理信息相比占絕對主導，加入紋理數據后反而會導致信息冗余，使得模型性能有所降低。

表5 不同輸入特征下的SVM分類結果Table 5 Results of SVM classification with different input characteristics

總體上說，融合顏色特征和光譜特征建立的油茶果成熟度SVM分類模型的效果最優，并且模型對成熟度I、IV、V油茶果樣品的識別率普遍高于對成熟度II、III樣品的識別率，原因是成熟度I、IV、V油茶果樣品之間的特征參數差異性較大，易于分辨，而成熟度II、III樣品之間的特征差異相對較小。

3 結 論

對利用高光譜成像技術進行油茶果成熟度檢測的可行性進行探究，采用實驗室內靜態測量的方式觀察和分析油茶果的光學特性，在此基礎上分析利用油茶果的光學特征判斷油茶果的成熟度的準確性。目前結合田間動態測量討論自然環境下光譜檢測油茶果成熟度的可行性的田間試驗正處于方案論證階段，將在今年油茶果成熟期（10—11月）進行，為達到油茶先熟先采、后熟后采、隨熟隨采的智能化采摘新階段奠定理論基礎。主要結論如下：1）分別使用KNN、RF、SVM、PLS-DA建立基于全波段光譜數據的油茶果成熟度判別模型，發現SVM模型的分類正確率最高：訓練集正確率為98%，測試集正確率為97%。2）分別使用SPA、CARS、GA、CARS-SPA、GA-SPA對全光譜進行降維，建立基于特征變量的SVM模型，發現經過CARS方法選擇的特征波段建立的分類模型正確率最高：訓練集分類正確率為91%，測試集的正確率為82%。3）提取油茶果高光譜圖像中的顏色特征和紋理特征，分別建立SVM分類模型后發現，融合顏色特征和光譜特征建立的SVM模型的正確率高于使用單一的光譜特征（經CARS降維）建立的模型正確率：訓練集分類正確率為95%，測試集正確率為93%。