基于高光谱成像对洞冠梨品质识别的研究

摘要：洞冠梨作为特色优良果品，其品质精准鉴别关乎产业发展命脉，本研究借助高光谱成像手段，采集洞冠梨样本于特定光谱区间的反射光谱数据，构建多元分析模型以达成品质识别目的。针对洞冠梨糖度、酸度等核心品质参数开展光谱特征挖掘，采用主成分分析（PCA）及偏最小二乘法（PLS）等算法构建预测模型体系。研究成果显示，高光谱成像技术可高效获取洞冠梨品质特征信息，所构建模型对糖度预测相关系数达0.85，酸度预测相关系数达0.82，为洞冠梨品质非破坏性快速鉴别提供科学参照与技术保障。

关键词：高光谱成像；洞冠梨；品质识别；主成分分析；偏最小二乘法

引言

洞冠梨凭借别具一格的风味与充足的营养成分，于水果市场中占据关键位置，感官评价这类传统品质检测方式主观性突出，化学分析则存在破坏性大、检测效率欠佳等状况，难以契合现代产业迅速且精确的检测要求。高光谱成像技术整合光谱与成像技术长处，能同步获取样本空间及光谱信息，达成对样本内在品质的无损检测，在水果品质检测范畴内，高光谱成像技术已在苹果、柑橘等水果的糖度、酸度等指标检测上收获成果，不过关于洞冠梨的相关研究较为匮乏。本次研究致力于探寻高光谱成像技术在洞冠梨品质鉴别方面的应用，构建高效精准的品质识别模型，以此促进洞冠梨产业智能化进程。

一、高光谱成像技术原理与实验设计

（一）高光谱成像技术原理​

高光谱成像系统涵盖光源、成像光谱仪、探测器及数据采集系统，检测洞冠梨时，光源光线投射至梨体表面，部分光被吸收，部分光反射，成像光谱仪的分光装置运用光栅、棱镜等光学器件，将反射光按波长展开，让不同波长光线聚焦于探测器不同部位，在探测器上形成兼具空间与光谱信息的图像数据立方体。洞冠梨内的糖分、有机酸、水分等化学成分，对不同波长光线呈现特异性吸收与反射特性，糖类物质于近红外光谱区间（700 - 1000nm）存在特征吸收峰，有机酸在中红外光谱区间（4000 - 400cm⁻¹）显现明显吸收带。这些化学物质含量变动致使反射光谱曲线形态、峰值位置及强度产生变化，分析光谱曲线的吸收峰位置、峰面积、光谱斜率等特征参数，可构建光谱信息与品质指标间的定量联系，实现洞冠梨品质精准判别。​

（二）实验设计​

实验样本选择了来自不同生长区域（山地、平原）、不同树龄（幼龄树、成年树）以及处于不同成熟阶段（青果期、转色期、成熟期）的洞冠梨，样本数量总计为200个，采集到样本后，即刻将其运送至实验室，在温度为25±1℃、相对湿度为60±5%的环境当中展开预处理。运用无尘布轻柔地擦拭梨的表面，以去除灰尘、农药残留等污渍，防止对果皮造成损伤，借助基于推扫式成像原理的高光谱成像系统，于400 - 1000nm的光谱范围内实施数据采集操作，光谱分辨率达到3nm，一共获取到涵盖201个光谱波段的图像数据。为降低个体之间的差异以及随机误差的影响，针对每个样本，均从其赤道部位的三个不同角度来采集光谱图像，采集时让样本与镜头之间的距离维持在15cm，把扫描速度设定成20mm/s，通过预实验将曝光时间优化确定为50ms，最终把三次采集结果的平均值作为该样本的光谱数据。​

关于品质参考标准的测定，糖度运用手持折光仪来测定，选取梨赤道部位对称的三点果肉进行榨汁并混合后测量，测量结果取平均值[1]。酸度的测定依据酸碱滴定法，先将果肉匀浆，之后过滤，取滤液并使用0.1mol/L的氢氧化钠标准溶液进行滴定，以酚酞作为指示剂，依据消耗碱液的体积来计算可滴定酸的含量。把200个样本按照3：1的比例随机划分，其中训练集包含150个样本，测试集包含50个样本，训练集用于构建模型以及优化参数，测试集则用于评估模型的泛化能力和预测的准确性。

二、洞冠梨高光谱图像数据处理与特征提取

（一）图像预处理

原始的高光谱图像会无可避免地受到探测器噪声、环境光的波动以及样本表面非均匀反射等因素的作用，为了提高图像的质量，采用中值滤波的方式进行处理，具体的操作是选取一个3×3的滤波窗口，对每个像素点以及其邻域内的9个像素值实施排序操作，之后用中间值来替换原来的像素值。这种方法不仅能够有效地抑制椒盐噪声，还可以较好地保留图像的边缘细节，在背景校正的过程中，首先在相同的实验条件下采集黑色背景板（反射率<1%）和白色参考板（反射率99%）的光谱图像。利用黑色背景板的图像来消除系统暗电流的影响，借助白色参考板的图像校正环境光的差异，通过这样的方式对样本图像进行校正，进而消除环境光和系统暗电流带来的干扰，对于光谱数据归一化，采用最小-最大归一化的方法，把每个波段的光谱反射率值映射到0 - 1的区间当中，运用这种手段，使得不同样本的光谱数据具备统一的量纲和具有可比性的尺度，为后续的分析工作奠定基础。

（二）光谱特征提取

在主成分分析（PCA）的计算过程中，先对经过预处理的光谱数据矩阵加以标准化处理，让其均值变为0，方差为1，接着求解数据的协方差矩阵，并对该协方差矩阵实施特征分解，从而得出特征值和特征向量[2]。把特征值按照从大到小的顺序排列，相应的特征向量便是各主成分的方向向量，依据累计方差贡献率来选取主成分，当选取前8个主成分时，其累计方差贡献率达到了96.2%，能够留存原始光谱数据的绝大多数信息。这8个主成分构建起新的特征空间，将原始光谱数据投影至该空间后，达成了从201维到8维的数据降维。​

连续投影算法（SPA）筛选特征波长时，基于训练集光谱数据，择取一波长为起始 ，计算其与其余波长在糖度、酸度预测目标的投影残差，选残差最小者纳入特征波长集合。循环此步骤，每次于剩余波长中搜寻投影残差最小者，直至满足预设特征波长数量，经实验调优，糖度预测确定6个特征波长，为450nm、580nm、720nm、810nm、900nm、980nm；酸度预测得到5个特征波长，即480nm、620nm、750nm、850nm、950nm。这些特征波长削减模型输入变量数，强化光谱信息与品质指标关联，提升模型预测效能。

三、洞冠梨品质识别模型构建与验证

（一）模型构建

偏最小二乘法（PLS）建模采用留一交叉验证优化参数，以训练集光谱特征数据（主成分得分与特征波长反射率）作自变量，糖度、酸度化学分析值为因变量构建回归模型。建模时逐步递增主成分数量，借交叉验证均方根误差（RMSECV）评判模型性能。糖度预测模型主成分个数为5时，RMSECV达0.6最小值，拟合效果最优；酸度预测模型主成分个数为4时，RMSECV最小为0.4。模型训练运用迭代算法求解PLS回归方程系数，经反复调整回归系数，最小化预测值与实际值误差，从而获得稳定且预测能力良好的糖度、酸度预测模型。

（二）模型验证

将测试集光谱特征数据置入已构建的PLS模型，获取糖度与酸度预测数值，通过测定决定系数（R2）、均方根误差（RMSE）以及平均绝对误差（MAE），对模型性能展开全面评估[3]。糖度预测模型于测试集的R2达0.85，RMSE为0.5，MAE为0.4；酸度预测模型R2是0.82，RMSE为0.3，MAE为0.25，相较于传统线性回归模型和人工神经网络模型，PLS模型在预测精准度与稳定性层面表现更为出色。为清晰呈现模型预测成效，绘制预测值与实际值散点图，结果表明多源数据点在对角线附近密集分布，说明模型可精准预测洞冠梨糖度和酸度，契合实际生产中洞冠梨品质快速无损检测要求。

结语

高光谱成像技术于洞冠梨品质识别的应用在本研究中得以开展，经系统实验及数据分析，成功搭建基于高光谱成像的洞冠梨糖度、酸度预测模型。实验成果显示，高光谱成像技术可有效获取洞冠梨品质信息，所构建模型具备较高预测精度，此项研究为洞冠梨品质无损检测提供全新途径，对推进洞冠梨产业智能化进程意义重大。后续研究可拓展样本数量及种类，优化模型算法，探究高光谱成像技术于洞冠梨其他品质指标检测及病害诊断中的应用，提升技术实用性与适配性。

参考文献

[1]王卉，刘庆菊，栾云霞，等.高光谱成像技术在草莓品质检测中的应用[J].食品工业，2025，46（01）：138-142.

[2]董聪颖，杨天意，陈谦，等.高光谱成像技术在苹果品质无损检测中的应用[J].果树学报，2024，41（12）：2582-2594.

[3]董震，田海娟，任淼邈，等.高光谱成像技术在玉米品质检测中的研究进展[J].黑龙江粮食，2024，（10）：77-79.