基于近红外光谱技术的发育后期苹果内部品质检测

王转卫 迟 茜 郭文川 赵春江

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业部农业物联网重点实验室， 陕西杨凌 712100；3.国家农业信息化工程技术研究中心， 北京 100097)

0 引言

苹果发育后期良好的田间管理和成熟后的适时采收，可以使果实具有更佳的颜色与风味，并且可以减少果实在运输和存储过程中的损伤及病害。由于苹果在生长发育过程中会受到光照、温度、降水量、土壤养分等多方面环境因素的影响，很难根据其外观特征直观判断其内部品质的变化。因此，无损检测生长发育后期苹果的内部品质，对于指导苹果的生产与采收具有重要的意义。

由于近红外光谱技术具有无损、高效、简单、低成本等优势，使其在水果品质检测[1-3]、果树栽培调控、果实贮藏[4]、果酒的分级[5]和成分含量检测[6]，以及其他农产品品质检测与评价[7-9]等方面得到了广泛应用。在苹果品质检测方面，李敏[10]研究了不同产地苹果的近红外光谱识别方法，识别正确率达到97.5%。李桂峰等[11]验证了通过傅里叶变换近红外光谱检测苹果硬度的可行性。范国强等[12]研究表明，应用近红外漫反射技术可对苹果糖分和硬度进行准确的定量分析。杜艳民等[13]研究得出，套袋苹果可溶性固形物含量的预测结果优于未套袋的苹果。SCHMUTZLER等[14]利用近红外漫反射光谱法和傅里叶变换近红外光谱法成功地进行了苹果可溶性固形物含量预测以及产地识别。YUAN等[15]研究了使用便携式光纤光谱仪与多变量筛选分析相结合对苹果可溶性固形物含量进行无损检测的可行性，结果表明能满足实际使用要求。刘静等[16]利用支持向量机方法，基于近红外光谱吸收强度对苹果脆片的品质指标进行预测，为果蔬脆片的品质评价提供了新的参考方法。FAN等[17]研究了不同果实取向对光谱测量质量的影响，并为进一步在线检测富士苹果的可溶性固形物含量设计了合适的校准模型。郭志明等[18]研究了近红外光谱技术在线检测苹果内部品质的模型优化问题，结果表明，近红外光谱结合特征变量提取方法可以建立高效的苹果可溶性固形物含量在线检测模型。IGNAT等[19]利用可见/近红外光谱技术对采收和贮藏期间的苹果品质参数进行检测，研究表明这项技术为无损预测果实成熟度与贮藏期苹果内部组分变化提供了可能。综上，近红外光谱技术用于苹果内部品质检测方面的研究，多集中在果实采后或贮藏期，关于苹果发育后期近红外光谱的变化规律及其内部品质检测方法方面，尚未见报道。

为此，本文以“富士”苹果为研究对象，测量其生长发育后期3个月内果实在833～2 500 nm间的吸光强度以及内部品质参数(可溶性固形物含量、硬度、pH值和含水率等)，分析不同发育时间苹果近红外光谱特性的变化规律以及基于单一波长下的吸光强度预测内部品质的可能性，进而利用化学计量学方法建立预测苹果内部品质的定量模型，为苹果成熟度检测仪以及内部品质无损检测仪的设计提供依据。

1 材料与方法

1.1 材料

试验样品为处于生长发育后期的“富士”苹果，于试验前1～2 d随机采摘于陕西杨凌某果园的50多棵树龄约11a的苹果树，采摘时综合考虑果树阳面和阴面对果实品质的影响，并挑选晴好天气的下午采摘。“富士”苹果从开花到成熟一般需要180 d左右，试验从苹果果实生长发育的第112天(细胞膨大期后)持续到第197天，每隔10 d左右采样1次，共采样9次。每次挑选外形相似、大小相近、完好无损的果实20～30个，建模样品总数为233个。

1.2 测量方法

1.2.1近红外光谱测量方法

利用 MPA 型傅里叶变换近红外光谱仪(德国布鲁克公司。扫描范围：833～2 500 nm，共2 074个波长点；扫描次数：32次；分辨率：8 cm-1；探头视场角：90°)采集试验样品的近红外光谱。测量前预热仪器30～60 min。采集条件：室温(23～25℃)，仪器内置背景为参比，固体光纤漫反射。光谱采集部位：无损苹果赤道上均匀分布的4点，光纤探头与果皮直接接触，取4点的平均光谱作为该样品的光谱值。光谱数据由 OPUS软件 (德国布鲁克公司)采集。

1.2.2内部品质测量方法

在光谱数据采集完成后，用GY- 3型硬度计(中国艾德堡仪器公司)测量光谱采集点处果肉的硬度，在每个采集点附近，取适量果肉用PR- 101型数字折射仪(日本Atago 有限公司)测量果汁的可溶性固形物含量，再取适量果肉采用干燥法测量果肉的含水率。每个样品4个点处硬度、可溶性固形物含量和含水率的平均值作为各参数的测量结果。将剩余果肉挤出果汁，用PHSJ- 3F型pH计(中国上海精密科学仪器公司)测量果汁的pH值，3次测量的平均值作为测量结果。所有测量均在室温下进行。

1.3 数据分析与处理方法

1.3.1样品集划分方法

X-Y共生距离法(Sample set partitioning based on jointX-Ydistances , SPXY)是基于KS方法发展起来的一种样品集划分方法，它的优点是同时考虑各样品浓度与光谱数据间的欧氏距离，使所划分进校正集的样品集更具代表性[20]。

1.3.2光谱降维方法

主成分分析(Principal component analysis, PCA)方法的原理是沿协方差最大的方向由高维数据空间向低维数据空间投影，获得相互独立的主成分向量。该方法既可以去除原始数据中的大量冗余信息，又可以最大限度上表征原始信息[21]。

连续投影算法(Successive projection algorithm , SPA)是经过多次迭代，从变量中选取含有最少冗余信息的变量组，可以有效解决信息重叠和共线性的问题[22]。由于去除了大量重复信息，所以选择的变量更有代表性，且大大减少了模型的运算量。

无信息变量消除法(Uninformative variable elimination, UVE)是在光谱矩阵中人为地加入一个随机矩阵，建立偏最小二乘回归交互验证模型。将回归系数均值与标准差的商作为衡量指标，决定光谱变量是否被选取[23]。

1.3.3建模方法

最小二乘支持向量机(Least square support vector machine, LSSVM)由传统的支持向量机发展而来，以求解一组线性方程组代替传统SVM中复杂的二次优化问题，可以极大改善近红外光谱定性、定量检测检测模型的预测性能[24]。

极限学习机(Extreme learning machine，ELM)是针对单隐含层前馈神经网络提出的算法[25]。该算法具有学习速度快、泛化能力强等优点，在模式识别和非线性拟合方面具有明显优势。

本研究主要采用校正集均方根误差RMSEC、预测集均方根误差RMSEP以及|RMSEP-RMSEC|等指标对模型的性能进行综合评价。

2 结果与分析

2.1 发育后期苹果的近红外光谱特性

图1为室温下833～2 500 nm范围内不同发育时间苹果样品的吸光强度变化曲线。由图1可见，不同发育时间苹果的吸光强度随波长变化的规律一致，只是在数值上有差异。在所测波长范围内有5个明显的吸收峰，分别在978、1 203、1 450、1 930、2 440 nm附近。1 450 nm和1 930 nm附近是水分子的两个吸收峰，是由于其结构中的羟基(OH—)伸缩振动和变角振动而产生[26]，相比较可知，1 930 nm附近对水的变化更敏感。另外，980、1 200、2 440 nm附近的吸收峰是由于糖类、淀粉、纤维素等物质的存在而产生，而2 440 nm处更为敏感。

图1 不同发育时间苹果在833～2 500 nm范围内的吸光强度Fig.1 Absorbance of apples with different development days (833～2 500 nm)

2.2 发育时间对苹果吸光强度和内部品质的影响

图2给出了5个吸收峰处苹果样品的吸光强度随发育时间增加的变化曲线。由图2可以看出，随着发育时间的延长，苹果的吸光强度在各波峰处的变化趋势基本一致。其中，在发育第132天时，出现极小值；在167～184 d之间苹果吸光强度相对稳定；第197天时，又有所增加。吸光强度的变化应该与苹果果实成熟过程中内部物质的变化有关。内部组分及结构的变化，在发育中期相对稳定，发育初期、成熟期会有较大变化，反映在对光的敏感性有所不同。

图2 5个吸收峰处苹果吸光强度随发育时间增加的变化曲线Fig.2 Changing curves of absorbance of apples at five absorption peaks with different development days

表1为不同发育时间下苹果样品内部品质的测定结果。由表1可知，随着果实发育时间的增加，可溶性固形物含量和pH值总体呈现增大的趋势，硬度呈现减小的趋势，含水率变化规律不明显。这与苹果不断发育成熟过程中，含糖量增加、酸度减小的变化规律相一致。

表1 不同发育时间苹果的内部品质测量结果Tab.1 Obtained internal quality values of apples withdifferent development days

注：同列中不同字母表示差异显著(P<0.05)。

2.3 近红外光谱特性与内部品质的关系

为了解发育后期苹果单一波长下的吸光强度与内部品质之间的关系，建立了2 074个测试波长下苹果样品的吸光强度分别与可溶性固形物含量、硬度、pH值和含水率之间的线性关系式

y=Ax+B

(1)

式中y——吸光强度

x——可溶性固形物含量、硬度、pH值或含水率

A、B——回归系数

图3为苹果吸光强度分别与各内部品质参数(可溶性固形物含量、硬度、pH值和含水率)之间的线性相关系数RSSC、RF、RpH和RMC。

图3 苹果吸光强度与各内部品质参数的线性相关系数(833～2 500 nm)Fig.3 Linear correlation coefficients between absorbance and internal quality of apples from 833 nm to 2 500 nm

由图3可以看出，在整个波长范围内，RSSC和RpH的变化趋势一致，即在833～1 200 nm范围内，相关系数较高，且是正相关，说明果实内糖、果胶、纤维素等物质的变化对此波长范围内光的吸收影响较大。RSSC和RpH的最小值出现在两个主要吸收峰(1 450 nm和1 930 nm)附近，证明该波长下吸光强度与果实内部的糖、果胶、纤维素等物质的关系很弱。整个波长范围内，RF小于零，说明果实内的硬度与吸光强度呈负相关。同可溶性固形物含量与pH值相似，在833～1 200 nm内，相关性较好，最弱的相关性同样表现在两个主要吸收峰附近。整个波长范围内RMC的绝对值小于0.2，说明水分变化与吸光强度之间的相关性也较弱，但是最高的相关系数出现在两个主要吸收峰(1 450 nm和1 930 nm)附近，这进一步说明引起1 450 nm和1 930 nm吸收峰的主要原因是水分。

同时，图3说明，单一波长下苹果的吸光强度与各内部品质指标间的线性相关性均较弱，利用单一波长下的吸光强度预测苹果的内部品质参数具有一定的难度。由于光谱范围较宽且重叠较严重，原始谱除了包含反映内部成分的信息外还含有大量冗余信息，为此将化学计量学方法与人工神经网络方法相结合，用于建立发育后期苹果内部品质的预测模型。

2.4 发育后期苹果内部品质预测模型的建立

以发育后期苹果样品的内部品质(可溶性固形物含量、硬度、pH值和含水率)作为预测对象，基于SPXY法划分校正集与预测集；以PCA、SPA与UVE方法对光谱进行降维；分别建立预测可溶性固形物含量、硬度、pH值和含水率的LSSVM和ELM预测模型。

2.4.1光谱预处理

为了减少原始谱数据中由于仪器、环境等因素带来的干扰信息的影响，需要首先对光谱进行预处理，以简化后续建模处理运算过程，提高分析准确度。本文采用的预处理方法为标准正态变量变换(Standard normal variate transformation, SNV)。SNV处理可以有效消除或减小样品大小、表面散射以及光程变化等对近红外漫反射光谱的影响。图4为原始光谱在进行SNV处理前、后的光谱图。

2.4.2样本划分

采用SPXY方法按照3∶1划分样本集，校正集样本数175，预测集样本数58。各样本集中苹果样品的可溶性固形物含量、硬度、pH值和含水率的统计结果见表2。

由表2可以看出，可溶性固形物含量、硬度、pH值和含水率均具有较宽的数据范围，表明所选样本具有普遍性和一定的代表性；测试集样本数值范围均包含于校正集样本数值范围内，说明样本划分合理。

图4 SNV处理前、后所有样品的近红外光谱图Fig.4 Near infrared spectra of all apples before and after SNV processing

内部品质参数校正集预测集最大值最小值平均值±标准差最大值最小值平均值±标准差可溶性固形物含量/°Brix17.78.912.7±2.116.39.111.6±2.0硬度/(kg·cm-2)8.194.236.10±0.907.404.376.00±0.65pH值4.103.293.63±0.183.873.293.53±0.14含水率/%89.679.584.8±2.087.981.285.1±1.5

2.4.3光谱降维

基于Unscrambler 10.2软件对样品原始光谱进行主成分分析，当主成分数大于等于12时，各主成分的贡献率小于0.001%，此时累计贡献率达到99.99%，所以采用主成分分析法选择出前12个主成分用于后续建立定量预测模型。

在SPA处理过程中，RMSEC值随变量数的增多大体呈现逐渐减小的趋势。本研究中以RMSEC不再显著减小(在0.05显著水平下)为停止选择的判断依据，针对可溶性固形物含量、硬度、pH值和含水率所选择的最优特征波长数见表3。

表3 不同光谱降维方法下对各内部品质参数所选择的特征波长数Tab.3 Amounts of characteristic variables selectedby different data reduction methods forinternalqualities prediction

在应用UVE选择特征波长时，设定无信息变量数为2 074，根据交互原则，由RMSEC的最小值确定可溶性固形物含量、硬度、pH值和含水率模型的最佳因子数；再计算其他参数，确定稳定系数，根据稳定系数曲线的波动确定优选的特征波长。基于UVE法所确定的预测可溶性固形物含量、硬度、pH值和含水率的特征波长数见表3。

2.4.4建模结果

在建模之前，首先需要确定各模型的主要建模参数。对于预测可溶性固形物含量、硬度、pH值和含水率分别确定的LSSVM模型(以径向基函数作为核函数)的正规化参数γ和最佳核宽σ2，以及ELM模型的各层节点数，分别见表4、5。

表6为不同降维方法下对于各内部品质参数所建LSSVM和ELM模型的建模结果。

由表6可知，对于可溶性固形物含量，SPA- ELM模型具有最小的RMSEP(0.443 5°Brix)，且|RMSEP-RMSEC| 最小，说明模型不仅具有良好的预测性能，且模型的稳健性比较好。对于硬度，PCA- ELM具有最小的RMSEP(0.261 2 kg/cm2)，但是其|RMSEP-RMSEC|大于UVE- ELM，而UVE- ELM的RMSEP偏大，综合比较，确定PCA- ELM是预测硬度的最好模型。对于pH值，SPA- ELM模型的RMSEP最小，为0.006 8，且|RMSEP-RMSEC|也最小，说明SPA- ELM是预测pH值的最佳模型。对于含水率，SPA- ELM虽具有最小的RMSEP(0.380 1%)，但其|RMSEP-RMSEC|最大，为0.595 0%，说明模型的稳健性最差。综合比较认为，稳健性最好的PCA- ELM是预测含水率的最优模型，其RMSEP为0.623 5%。

表4 不同降维方法下LSSVM预测模型参数设置Tab.4 Modeling parameters of LSSVM models for internal qualities prediction by different data reduction methods

表5 不同降维方法下ELM预测模型参数设置Tab.5 Modeling parameters of ELM models for internal quality prediction by different data reduction methods

表6 不同降维方法下对于各内部品质参数所建的LSSVM和ELM模型的建模结果Tab.6 Modeling results for internal quality predictionof LSSVM and ELM by different data reduction methods

两种建模方法比较可知，ELM的建模效果优于LSSVM。在多种降维方法中，SPA的降维效果整体优于PCA和UVE，不仅能使模型具有较好的预测性能和稳健性，而且降维效果明显，所提取的特征波长数仅是原始光谱的0.29%～0.53%。

综上说明，化学计量学方法与人工神经网络方法相结合，可以较好地预测生长发育后期“富士”苹果的内部品质。

3 结论

(1)在833～2 500 nm波长范围内，苹果的吸光强度在978、1 203、1 450、1 930、2 440 nm附近出现明显的吸收峰，且吸光强度随着发育时间的增加呈现先减小、中期相对稳定而后期增大的变化趋势。

(2)在“富士”苹果的生长发育后期，可溶性固形物含量和pH值随发育时间总体呈现增大的趋势，硬度呈现减小趋势，含水率变化规律不明显。

(3)单一波长下苹果的吸光强度与各内部品质参数之间的线性相关性均较弱，基于单一波长的吸光强度较难预测生长发育后期“富士”苹果的内部品质。

(4)预测可溶性固形物含量、pH值的最优模型为SPA- ELM，其RMSEP分别为0.443 5°Brix和0.006 8；预测硬度、含水率的最优模型为PCA- ELM，其RMSEP分别为0.261 2 kg/cm2和0.623 5%。

1 刘燕德，吴明明，孙旭东，等. 黄桃表面缺陷和可溶性固形物光谱同时在线检测[J]. 农业工程学报, 2016, 32(6): 289-295.

LIU Yande,WU Mingming, SUN Xudong, et al. Simultaneous detection of surface deficiency and soluble solids content forAmygdaluspersicaby online visible near infrared transmittance spectroscopy[J]. Transactions of the CSAE, 2016, 32(6):289-295. (in Chinese)

2 徐惠荣，李青青. 皇冠梨糖度可见/近红外光谱在线检测模型传递研究[J/OL]. 农业机械学报, 2017,48(9): 312-317. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170939&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.039.

XU Huirong, LI Qingqing. Calibration model transfer between visible/NIR spectrometers in sugar content on-line detection of Crown pears[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2017,48(9):312-317. (in Chinese)

3 AMODIO M L，CEGLIE F，CHAUDHRY M M A，et al. Potential of NIR spectroscopy for predicting internal quality and discriminating among strawberry fruits from different production systems[J]. Postharvest Biology & Technology, 2017, 125:112-121.

4 白倩，周金池. 近红外光谱技术在水果产业中的最新应用[J]. 光谱实验室, 2014, 31(6): 662-667.

BAI Qian, ZHOU Jinchi. The latest application of near-infrared spectroscopy in the fruit industry[J]. Chinese Journal of Spectroscopy Laboratory, 2014, 31(6): 662-667. (in Chinese)

6 YE M，YUE T，YUAN Y，et al. Application of FT- NIR spectroscopy to apple wine for rapid simultaneous determination of soluble solids content, pH, total acidity, and total ester content[J]. Food & Bioprocess Technology, 2014, 7(10): 3055-3062.

7 SEMENIUK I，KRZYSIAK-WARZALA B，KOREN-SZWARC B，et al. Use of FT- NIR spectroscopy for determination of free fatty acids in the sunflowerseed oil[J]. Przemysl Chemiczny, 2016, 95(11): 2359-2362.

8 刘国海，韩蔚强，江辉. 基于近红外光谱的橄榄油品质鉴别方法研究[J]. 光谱学与光谱分析, 2016, 36(9): 2798-2801.

LIU Guohai, HAN Weiqiang, JIANG Hui. Study on quality identification of olive oil based on near infrared spectra [J]. Spectroscopy and Spectral Analysis, 2016, 36(9): 2798-2801. (in Chinese)

9 孙海霞，张淑娟，薛建新，等. 鲜枣内部综合品质光谱评价指标建立与分析[J/OL]. 农业机械学报, 2017, 48(9): 324-329. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170941&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.041.

SUN Haixia, ZHANG Shujuan, XUE Jianxin, et al. Establishment and analysis of internal comprehensive quality spectral evaluation index for fresh jujube[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(9):324-329. (in Chinese)

10 李敏. 不同产地苹果的近红外光谱分类识别法[J]. 红外, 2014, 35(12): 41-44.

LI Min. Near infrared spectral classification method of apples from different regions[J]. Infrared, 2014, 35(12) : 41-44. (in Chinese)

11 李桂峰，赵国建，刘兴华，等. 苹果硬度的傅里叶变换近红外光谱无损检测[J]. 农业机械学报, 2009, 40(1): 120-123.

LI Guifeng, ZHAO Guojian, LIU Xinghua, et al. Using FT- NIR spectra in non-invasive measurement of apple firmness[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 120-123. (in Chinese)

12 范国强，闸建文. 运用近红外漫反射技术检测苹果内部品质[J]. 农业装备与车辆工程, 2006(11): 33-35.

FAN Guoqiang, ZHA Jianwen. Determination of apple interior qualities with near infrared diffuse reflectance technique[J]. Agricultural Equipment and Vehicle Engineering, 2006(11): 33-35. (in Chinese)

13 杜艳民，王文辉，贾晓辉，等. 苹果和梨不同品种及品质特性对近红外反射光谱无损测定SSC的影响[J]. 保鲜与加工, 2014, 14(2): 25-29.

DU Yanmin, WANG Wenhui, JIA Xiaohui, et al. Effects of varieties and quality characteristics of apple and pear on detecting soluble solid content based on non-destructive measurement of near-infrared reflectance spectroscopy[J]. Storage and Process, 2014, 14(2): 25-29. (in Chinese)

14 SCHMUTZLER M，HUCK C W. Automatic sample rotation for simultaneous determination of geographical origin and quality characteristics of apples based on near infrared spectroscopy (NIRS)[J]. Vibrational Spectroscopy, 2014, 72(20): 97-104.

15 YUAN L，CAI J，SUN L，et al. Nondestructive measurement of soluble solids content in apples by a portable fruit analyzer[J]. Food Analytical Methods, 2016, 9(3): 785-794.

16 刘静，杜广全，管骁. 基于近红外光谱的果蔬脆片品质评价方法研究[J]. 分析科学学报, 2017, 33(1): 71-75.

LIU Jing, DU Guangquan, GUAN Xiao. Study on quality evaluation of fruit and vegetable chips based on near infrared apectroscopy[J]. Journal of Analytical Science, 2017, 33(1): 71-75. (in Chinese)

17 FAN S，GUO Z，ZHANG B，et al. Using VIS/NIR diffuse transmittance spectroscopy and multivariate analysis to predicate soluble solids content of apple[J]. Food Analytical Methods, 2016, 9(5): 1333-1343.

18 郭志明，黄文倩，陈全胜，等. 近红外光谱的苹果内部品质在线检测模型优化[J]. 现代食品科技, 2016, 32(9): 147-153.

GUO Zhiming, HUANG Wenqian, CHEN Quansheng, et al. Model optimization for the on-line inspection of internal apple quality by shortwave near-infrared spectroscopy[J]. Modern Food Science and Technoly,2016, 32(9): 147-153. (in Chinese)

19 IGNAT T，LURIE S，NYASORDZI J，et al. Forecast of apple internal quality indices at harvest and during storage by VIS- NIR spectroscopy[J]. Food & Bioprocess Technology, 2014, 7(10): 2951-2961.

20 ZHU X，SHAN Y，LI G，et al. Prediction of wood property in Chinese Fir based on visible/near-infrared spectroscopy and least square-support vector machine[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2009, 74(2): 344-348.

21 迟茜，王转卫，杨婷婷，等. 基于近红外高光谱成像的猕猴桃早期隐性损伤识别[J/OL]. 农业机械学报, 2015, 46(3): 235-241，234.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150334&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.03.034.

CHI Qian, WANG Zhuanwei, YANG Tingting, et al. Recognition of early hidden bruises on kiwifruits based on near-infrared hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 235-241,234. (in Chinese)

22 ANDERSON S S，TELMA W L，DANIEL V L，et al. Spectroscopic multicomponent analysis using multi-objective optimization for variable selection[J]. Computer Technology and Appilication, 2013, 4(9): 466-475.

23 郭文川，董金磊. 高光谱成像结合人工神经网络无损检测桃的硬度[J]. 光学精密工程, 2015, 23(6): 1530-1537.

GUO Wenchuan, DONG Jinlei. Nondeatructive detection on firmness of peaches based on hyperspectral imaging and artificial neural networks[J]. Optics and Precision Engineering, 2015, 23(6): 1530-1537.(in Chinese)

24 张淑娟，张海红，赵艳茹，等. 鲜枣可溶性固形物可见/近红外光谱检测建模方法比较[J/OL]. 农业机械学报, 2012, 43(3): 108-112. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120321&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2012.03.021.

ZHANG Shujuan, ZHANG Haihong, ZHAO Yanru, et al. Comparison of modeling methods of fresh jujube soluble solids measurement by NIR spectroscopy[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(3):108-112. (in Chinese)

25 HUANG G，ZHU Q，SIEW C. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

26 杰尔·沃克曼，洛伊斯·文依. 近红外光谱解析实用指南[M]. 北京：化学工业出版社，2009: 49-67.