枇杷糖度无损检测及可视化研究

冯树南 谭涛 尚静 温青纯 孟庆龙

摘要：糖度是評价枇杷内部品质的重要指标。采集枇杷高光谱图像并提取不同感兴趣区域的平均光谱，分析光谱提取区域对枇杷糖度预测精度的影响规律。使用标准正态变换对原始光谱作预处理，分别利用竞争性自适应重加权算法和连续投影算法（Successive Projection Algorithm，SPA）筛选特征光谱，为枇杷糖度建立多元线性回归（Multi Linear Regression，MLR）预测模型。最后采用伪彩色技术实现枇杷糖度含量分布的可视化。结果表明：以整个样本为感兴趣区域，经连续投影算法筛选特征光谱建立的多元线性回归模型具有最好的预测性能（决定系数Rp2=0.822，均方根误差RMSEp=0.435，剩余预测偏差RPD=2.407），基于SPAMLR模型计算枇杷每个像素点的糖度，生成可视化分布图。表明采用高光谱成像技术可实现枇杷糖度的快速无损检测及可视化研究。

关键词：枇杷；高光谱成像；糖度；可视化；无损检测

中图分类号：O657.3： S663.9

文献标识码：A

文章编号：20955553 （2024） 02015707

收稿日期：2022年5月19日  修回日期：2022年7月3日

基金项目：贵阳市科技计划项目（筑科合同［2021］43-15号）；国家级大学生创新创业训练计划项目（202210976043）；贵阳学院硕士研究生科研基金项目（GYU-YJS［2021］-45）

第一作者：冯树南，男，1997年生，河北张家口人，硕士研究生；研究方向为农产品品质无损检测。Email： gyufsn@163.com

通讯作者：孟庆龙，男，1989年生，河北张家口人，博士，副教授；研究方向为基于图像技术的农产品品质无损检测。Email： scumql@163.com

Nondestructive detection and visualization of sugar content in loquat

Feng Shunan1， 2， Tan Tao1， 2， Shang Jing1， 2， Wen Qingchun1， Meng Qinglong1， 2

（1. School of Food Science and Engineering， Guiyang University， Guiyang， 550005， China； 2. Research Center of

Nondestructive Testing Engineering for Agricultural Products of Guizhou Province， Guiyang， 550005， China）

Abstract：

The sugar content is an important index to evaluate the internal quality of loquat. The hyperspectral images and the average spectra in different regions of interest of loquat were collected. And the effect of the spectral extraction regions on the prediction accuracy of sugar content of loquat was analyzed. The original spectra was preprocessed by standard normal variation.The competitive adaptive reweighting algorithm and the successive projection algorithm （SPA） were used to select characteristic spectra to establish multi linear regression （MLR） prediction model for predicting the sugar content of loquat. The visualization of the sugar content of loquat was realized by pseudocolor technology. The results indicated that SPAMLR model based on the spectra in entire sample regions had the best prediction performance （Rp2=0.822， RMSEp=0.435， RPD=2.407）. Visualization maps for sugar content were generated by calculating the spectral response of each pixel on loquat samples by SPAMLR. It is indicated that hyperspectral imaging technology can realize rapid nondestructive detection and visualization of loquat sugar content.

Keywords：

loquat; hyperspectral imaging; sugar content; visualization; nondestructive detection

0 引言

贵州开阳枇杷果面金黄，斑点少，具有果大、肉多、仁小、味甜、含有微量元素硒等特点，很受消费者的青睐［1］。水果的外表能够引导消费者最初的购买欲望，但其内部品质才是消费者最终购买力的决定因素。甜味就是一种由糖浓度控制的重要感官属性，糖含量影响着消费者对水果的选择［2］。探究水果糖度适合的检测方法有助于对其品质进行分级，提升水果在市场中的竞争力，从而增加水果的经济价值。

近年来，随着信息技术的发展，对水果质量主观性的评估趋势在逐渐降低，而客观、定量和非破坏性的质量评估技术越来越受到重视。我国水果品质检测主要采用传统化学方法，存在破坏样本、检测速度慢、成本高、有污染等缺陷［3］，相比传统破坏性检测技术，当前基于无损检测原理的技术在许多领域中受到了广泛应用［4］。高光谱成像技术将光谱数据和图像信息融合，能够同时获取研究对象的内部成分信息和外部品质信息［56］，已广泛应用于水果品质检测中［710］。其中，应用高光谱成像技术开展的水果糖度无损检测研究已有较多报道。Zhang等［9］利用近红外高光谱成像技术结合波长选择算法对苹果可溶性固形物含量进行无损检测，从全光谱中提取出10个特征波长，显著提升了模型的运行效率，模型的预测性能（Rp2=0.907，RMSEp=0.479）也很稳定。Zhang等［11］利用近红外全透射高光谱成像技术结合竞争性自适应重加权算法—连续投影算法构建了柑橘可溶性固形物含量的最小二乘支持向量机模型，模型的剩余预测偏差（RPD）为3.180，可以看出基于全透射原理的高光谱成像技术很好地实现了柑橘可溶性固形物含量的预测。Gao等［12］为高光谱成像系统采集的红地葡萄的图像信息与光谱信息分别建立了可溶性固形物含量预测模型，发现基于光谱信息构建的模型性能优于基于图像信息构建的模型性能，而后又将图像信息与光谱信息融合建立新的预测模型，预测效果进一步提升，该研究说明图像信息与光谱信息融合的技术更具有优势。基于高光谱成像技术结合化学计量学在水果糖度的检测中开展了大量的无损检测研究工作，但是，对于枇杷糖度的预测鲜有报道，并且实现水果糖度的可视化能够直观地呈现水果糖度的差异。

本文旨在探究不同感兴趣区域（10×10、30×30、整个样本）对枇杷糖度预测模型性能的影响，且利用高光谱成像技术深度挖掘光谱数据与糖度值之间的相关性，实现枇杷糖度快速无损检测和可视化研究。

1 材料与方法

1.1 试验材料

枇杷采摘自贵州省开阳县枇杷种植基地，挑选表面无瘀伤、无疤痕、无病虫害且形状相对均匀的样本共120个，放置于保鲜箱，立即带回实验室，整齐摆放于室温（23 ℃±2 ℃）下。试验前，轻轻将样本表面擦拭干净并对样本编号。2 h后开始试验。

1.2 试验仪器

高光谱图像采集系统（Gaia FieldFV10）主要包括1台高性能电子倍频CCD相机、1台成像光谱仪、4个200 W卤素灯、1套电动传送装置，以上组件放置于暗室中如图1所示。暗室外部连接了1台包含图像采集软件的高性能计算机。折射仪（ATAGO PALα），检测范围：0～85°Brix，检测精度：±0.2°Brix。

1.电脑 2.待测样品 3.镜头 4.成像光谱仪 5.CCD相机

6.溴钨灯光源 7.载物台 8.暗室 9.移动平台

1.3 高光谱图像的采集与校正

在采集枇杷样本图像前，设置相机的曝光时间为15 ms，样本距离镜头约20 cm，并预热30 min。将样本放置于移动平台上，通过线扫描方式获取样本图像。所有样本信息采集结束后，对原始高光谱图像进行黑白校正，以消除部分在图像采集时因光照强度分布不均匀及设备中暗电流噪声带来的影响。黑白校正公式如式（1）所示。

I=I0-BW-B

（1）

式中：

I0——原始光谱图像；

I——校正后的图像。

通过扫描标准白色板得到白板参考图像W，盖上镜头盖进行扫描得到黑色板参考图像B。

1.4 感兴趣区域的选取

在样本赤道附近选取同一中心不同半径的3个圆形感兴趣区域（Region of Interest，ROI），这3个感兴趣区域的大小分别为10×10、30×30、整个样本（像素×像素），得到它们的平均光谱，上述步骤在ENVI5.4软件中完成。选取的区域如圖2所示。

1.5 糖度的测定

利用折射仪按照NT/T 2637—2014规定的方法对枇杷的糖度进行测定。将枇杷经榨汁机榨汁后，进行离心，得到清澈的枇杷汁液，用一次性滴管滴到折射仪镜面上，重复测量3次，读数并记录结果，取3次结果的平均值作为样本的糖度测量值。

1.6 光谱数据的处理

1.6.1 光谱预处理

原始光谱中存在背景干扰和噪声影响，需对原始光谱进行预处理，以消除无用信息和不确定变量的影响［1315］。预处理方法较多，本文采用标准正态变换（Standard Normal Variable Correction，SNV）对原始光谱进行预处理［16］，SNV能够消除因固体表面颗粒大小不一、表面散射以及光程变化给漫反射光谱造成的影响。

1.6.2 特征光谱的提取

本文采用竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）和连续投影算法两种方法从全光谱中提取特征光谱［17］。CARS通过自适应重加权采样技术在每次采样时将校正集中一部分样本作为建模集，剩余样本作为预测集建立偏最小二乘回归模型，在所建立的偏最小二乘回归模型中选择回归系数绝对值大的波长点作为新的校正集，经过多次循环，得到均方根误差最小的子集，也是最优的特征变量组合［18］。SPA是一种前向特征变量选择方法，把波长投影到其他波长上比较投影向量的大小，将投影向量最大的波长为待选波长进行再一次循环操作，直到剩余的波长子集均方根误差最小为止，得到了光谱信息中含有最少冗余信息的变量组，使得变量之间的共线性达到最小［1920］。

1.7 回归模型的建立与评价

本文分别基于CARS和SPA选择的特征光谱构建预测枇杷糖度的多元线性回归模型。回归分析法是一种应用较为普遍的数理统计分析方法，通过多元线性回归分析法可评估自变量与因变量之间的关系。回归方程中的每个系数对应一个特征，通过系数的大小可以了解每个特征对因变量的贡献程度。

在建立枇杷糖度回归模型时，当光谱数据中含有n个自变量，即X1，X2，X3，…，Xn，则自变量X和因变量Y（糖度实测值）之间的多元线性回归方程如式（2）所示。

Y=β0+β1X1+…+βnXn+ε

（2）

设观察值为{（Yi，Xi1，Xi2，…，Xin），i=1，2，…，m}，则MLR模型可以表示为

Y1=β0+β1X11+β2X12+…+βnX1n+ε1

Y2=β0+β1X21+β2X22+…+βnX2n+ε2

…

Ym=β0+β1Xm1+β2Xm2+…+βnXmn+εm

（3）

基于SPA和CARS提取的特征光谱建立MLR回归模型，通过校正集决定系数Rc2和均方根误差（Root Mean Square Error of Calibration，RMSEc）、预测集决定系数Rp2和均方根误差（Root Mean Square Error of Prediction，RMSEp）、剩余预测偏差（Residual Predictive Deviation，RPD）来评价模型的效果［21］，旨在寻找枇杷糖度与枇杷光谱之间的关系，从而有效的预测枇杷糖度，其中

Rc2=∑nci=1［yact（i）－ycal（i）］2

∑nci=1［yact（i）－ymean（i）］2

（4）

Rp2=∑npi=1［yact（i）－ypre（i）］2

∑npi=1［yact（i）－ymean（i）］2

（5）

RMSEc=1nc∑nci=1［yact（i）－ycal（i）］2

（6）

RMSEp=1np∑npi=1［yact（i）－ypre（i）］2

（7）

式中：

nc、np——

校正集和预测集中的枇杷样本数量；

yact、ymean——枇杷样本糖度的实测值和平均值；

ycal、ypre——

校正集和预测集中样本糖度预测值。

2 结果与分析

2.1 光谱特征分析及光谱预处理

在原始光谱采集过程中，由于仪器设备误差和样本形状不规则等内外因素的作用，不可避免地会携带一些与样本化学性质不相关的成分，导致所采集的光谱中存在光谱平移、重叠等噪声，特别是首尾两端的光谱曲线波动较大，因此，本文选取400～1 030 nm范围内的光谱作为有效光谱。为了消除无用信息带来的干扰，提高光谱数据的信噪比，本文采用SNV对原始光谱数据进行预处理。

图3为不同枇杷感兴趣区域的原始平均反射光谱和经SNV预处理后的平均反射光谱。经过SNV预处理后，可以明显地看到相对于原始的光谱曲线，曲线总体都变得更加平滑，這说明SNV预处理效果是显著的。400～1 030 nm范围内，感兴趣区域10×10和30×30的平均反射光谱与整个样本感兴趣区域的平均反射光谱虽然具有不同的反射率，但光谱曲线走势相近，而且产生的波峰和波谷的波段基本一致。光谱曲线在675 nm附近中有一个明显的吸收峰，可能是由叶绿素的吸收引起的；在980 nm附近也有一个较为明显的吸收峰，这个吸收峰与水的光谱吸收峰几乎一致，这主要取决于水中的O-H化学键［12］。

（a） 10×10 ROI的原始光谱

（b） 10×10 ROI SNV处理后的光谱

（c） 30×30 ROI的原始光谱

（d） 30×30 ROI SNV处理后的光谱

（e） 整个样本ROI的原始光谱

（f） 整个样本的SNV处理后光谱

2.2 糖度统计结果

本文采用光谱理化值—共生距离法（SPXY）对120个枇杷样本按照3∶1的比例进行划分。因此，校正集有90个样本，预测集有30个样本。校正集样本和预测集样本枇杷糖度统计结果如表1所示。基于不同的光谱提取区域划分的校正集中糖度的范围均为8.600～13.800°Brix，而对于10×10的光谱提取区域，其预测集中糖度的范围为9.300～13.500°Brix，对于30×30的光谱提取区域，其预测集中糖度的范围为8.700～13.600°Brix。

对于整个样本的光谱提取区域，其预测集中糖度的范围为9.000°Brix～13.100°Brix。从以上分析可以得出校正集中糖度的范围大于预测集中糖度的范围，这说明通过SPXY对样本集的划分是科学的。

2.3 光谱数据的降维

高维光谱数据量大，且存在一些冗余信息，因此本文分别采用CARS和SPA从全光谱中提取特征光谱，实现光谱数据的降维，达到提高模型运算效率的目的。

2.3.1 CARS提取特征光谱

根据CARS算法的特点，从3个不同的感兴趣区域提取特征波长时均将蒙特卡洛采样次数设置为50次，并采用5折交叉验证方法构建偏最小二乘模型交叉验证均方根误差（RMSECV）来获得所需的最优特征波长子集。

图4给出了3个感兴趣区域在不同采样次数下的RMSECV变化规律，其中，当采样次数分别为第19、22、27次时，感兴趣区域10×10、30×30、整个样本（像素×像素）的RMSECV值最小，此时3个感兴趣区域对应的特征波长数量分别为43（占比全光谱的16.8%）、32（占比全光谱的12.5%）、20（占比全光谱的7.8%）。

2.3.2 SPA提取特征光譜

SPA选择特征波长的依据是预测模型的均方根误差，当均方根误差值最小时，即得到最优特征变量数。

对于3个不同感兴趣区域，图5是利用SPA从全光谱中筛选特征波长的结果。这3个感兴趣区域的均方根误差最小时，选取的特征变量个数分别为3（占比全光谱的1.2%）、22（占比全光谱的8.6%）、40（占比全光谱的15.6%）。

（a） 10×10 ROI特征波长提取结果

（b） 30×30 ROI特征波长提取结果

（c） 整个样本ROI特征波长提取结果

（a） 10×10 ROI模型中包含的变量个数

（b） 30×30 ROI模型中包含的变量个数

（c） 整个样本ROI模型中包含的变量个数

经CARS和SPA从全光谱中筛选特征变量后，光谱数据在很大程度上得到了降维，减轻了计算机的负担，极大地提高了运算效率。

2.4 糖度预测模型的建立

本文采用MLR为枇杷样本3个不同感兴趣区域的特征光谱构建糖度预测模型，建模结果如表2所示。

从表2可以看出，比较基于不同光谱提取区域分别构建的CARSMLR和SPAMLR模型，利用整个样本提取的光谱构建的预测模型具有最大的预测决定系数、最小的预测均方根误差和最大的剩余预测偏差，这说明相比基于10×10、30×30感兴趣区域构建的模型，对整个样本建模具有更好的预测效果。基于整个样本建模，比较采用CARS和SPA两种特征波长提取方法对建模效果的影响，前者的模型性能为Rp2=0.806，RMSEp=0.453，RPD=2.310；后者的模型性能为Rp2=0.822，RMSEp=0.435，RPD=2.407。从数据中能够发现SPA提取特征波长的建模效果优于CARS的建模效果，基于整个样本构建的SPAMLR模型具有良好的预测性能。

图6给出了基于整个样本构建的枇杷糖度SPAMLR预测模型的结果，糖度实测值与预测值之间具有良好的线性关系，二者能够较好地吻合。

2.5 枇杷糖度含量的可视化

高光谱成像技术的特点是获取测试样本中每个像素点的信息［2223］，并且利用这些信息生成理化参考值的可视化图，这使得不同样本间理化参考值的差异更加直观。

本文将ROI每个像素点信息输入SPAMLR模型中来预测枇杷果实各像素的糖度，利用伪彩色技术实现不同枇杷糖度含量的可视化。不同枇杷样本的糖度分布如图7所示。

颜色由浅到深表示糖度由低到高的变化，从图7可以看出，枇杷样本1～样本3的糖度含量是逐渐增加的，不同枇杷样本的糖度差异很明显。

（a） 样本1

（b） 样本2

（c） 样本3

3 结论

本文研究了基于不同大小感兴趣区域采用不同特征变量提取方法对枇杷糖度预测模型精度的影响，并采用伪彩色技术实现枇杷糖度含量的可视化。

1） 采用高光谱成像系统获取枇杷样本的图像，并提取不同感兴趣区域（10像素×10像素、30像素×30像素以及整个样本区域）的平均反射光谱，通过对比3个感兴趣区域的最终建模效果，发现基于整个样本建立的模型预测性能更好。

2） 采用SPA和CARS提取特征波长，实现高光谱数据的降维，通过对比基于SPA和CARS提取的特征光谱建模效果，得出基于整个样本构建的SPAMLR模型具有最好的预测性能，其Rp2为0.822，RMSEp为0.435，RPD为2.407。

3） 将枇杷样本每个像素点的光谱信息输入SPAMLR最优模型中，得到枇杷样本糖度的可视化图，可视化图展示了不同枇杷样本间糖度的差异。表明利用高光谱成像技术结合化学计量学方法可实现枇杷糖度的无损检测以及对不同枇杷样本糖度含量的可视化。

参 考 文 献

［1］森姚. 开阳枇杷： 铜铃之中有黄金［J］. 消费指南， 2015（9）： 26-27.

［2］Zhao Yiying， Zhang Chu， Zhu Susu， et al. Shape induced reflectance correction for nondestructive determination and visualization of soluble solids content in winter jujubes using hyperspectral imaging in two different spectral ranges ［J］. Postharvest Biology and Technology， 2020， 161： 111080.

［3］刘燕德， 周延睿. 便携式近红外水果内部品质检测仪原理及应用进展［J］. 中国农机化学报， 2013， 34（4）： 204-209.

Liu Yande， Zhou Yanrui. Principle and application of nondestructive evaluation for fruit internal quality using portable nearinfrared spectrometry ［J］. Journal of Chinese Agricultural Mechanization， 2013， 34（4）： 204-209.

［4］Magwaza L S， Opara U L， Nieuwoudt H， et al. NIR spectroscopy applications for internal and external quality analysis of citrus fruit： A review ［J］. Food and Bioprocess Technology， 2012， 5（2）： 425-444.

［5］張伏， 张朝臣， 陈自均， 等. 光谱检测技术在种子质量检测中的应用［J］. 中国农机化学报， 2021， 42（2）： 109-114.

Zhang Fu， Zhang Chaochen， Chen Zijun， et al. Application of spectral testing technology in seed quality testing ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 109-114.

［6］刘燕德， 姜小刚， 周衍华， 等. 基于高光谱成像技术对脐橙叶片的叶绿素、水分和氮素定量分析［J］. 中国农机化学报， 2016， 37（3）： 218-224.

Liu Yande， Jiang Xiaogang， Zhou Yanhua， et al. Quantitative analysis of chlorophyll， water and nitrogen for navel orange leaf based on hyperspectral imaging technology ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（3）： 218-224.

［7］马本学， 肖文东， 祁想想， 等. 基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究［J］. 光谱学与光谱分析， 2012， 32（11）： 3093-3097.

Ma Benxue， Xiao Wendong， Qi Xiangxiang， et al. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique ［J］. Spectroscopy and Spectral Analysis， 2012， 32（11）： 3093-3097.

［8］连雅茹. 基于高光谱成像技术的番茄内部品质检测研究［D］. 杨凌： 西北农林科技大学， 2020.

Lian Yaru. Detecting tomato internal quality based on hyperspectral imaging technology ［D］. Yangling： Northwest A & F University， 2020.

［9］Zhang Dongyan， Xu Yunfei， Huang Wenqian， et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectra imaging coupled with wavelength selection algorithm ［J］. Infrared Physics & Technology， 2019， 98： 297-304.

［10］许丽佳， 陈铭， 王玉超， 等. 高光谱成像的猕猴桃糖度无损检测方法［J］. 光谱学与光谱分析， 2021， 41（7）： 2188-2195.

Xu Lijia， Chen Ming， Wang Yuchao， et al. Study on nondestructive detection method of kiwifruit sugar content based on hyperspectral imaging technology ［J］. Spectroscopy and Spectral Analysis， 2021， 41（7）： 2188-2195.

［11］Zhang Hailiang， Zhan Baishao， Pan Fan， et al. Determination of soluble solids content in oranges using visible and near infrared full transmittance hyperspectral imaging with comparative analysis of models ［J］. Postharvest Biology and Technology， 2020， 163： 111148.

［12］Gao Sheng， Xu Jianhua. Hyperspectral image information fusionbased detection of soluble solids content in red globe grapes ［J］. Computers and Electronics in Agriculture， 2022， 196： 106822.

［13］霍迎秋， 张晨， 李宇豪， 等. 高光谱图像结合机器学习方法无损检测猕猴桃［J］. 中国农机化学报， 2019， 40（4）： 71-77.

Huo Yingqiu， Zhang Chen， Li Yuhao， et al. Nondestructive detection for kiwifruit based on the hyperspectral technology and machine learning ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 71-77.

［14］尚静， 黄人帅， 张艳， 等. 高光谱成像结合模式识别无损检测猕猴桃成熟度［J］. 中国农机化学报， 2022， 43（8）： 90-95.

Shang Jing， Huang Renshuai， Zhang Yan， et al. Nondestructive detection for maturity of kiwifruit based on hyperspectral imaging and pattern recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 90-95.

［15］董朋欣， 董安国， 李楚婷， 等. 基于全卷积网络和自编码的高光谱图像分类［J］. 计算机工程与应用， 2022， 58（5）： 256-263.

Dong Pengxin， Dong Anguo， Li Chuting， et al. Hyperspectral image classification based on fully convolutional network and autoencoder ［J］. Computer Engineering and Applications， 2022， 58（5）： 256-263.

［16］周扬， 戴曙光， 吕进， 等. 光谱预处理对近红外光谱快速检测黄酒酒精度的影响［J］. 光电工程， 2011， 38（4）： 54-58.

Zhou Yang， Dai Shuguang， Lü Jin， et al. Effect of spectral pretreatment on near infrared spectroscopy for rapid detection of wine alcohol ［J］. OptoElectronic Engineering， 2011， 38（4）： 54-58.

［17］Sun Jun， Zhou Xin， Hu Yongguang， et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging ［J］. Computers and Electronics in Agriculture， 2019， 160： 153-159.

［18］王晓明， 章海亮， 罗微， 等. 近红外光谱检测梨果硬度研究［J］. 中国农机化学报， 2015， 36（6）： 120-123， 142.

Wang Xiaoming， Zhang Hailiang， Luo Wei， et al. Study on pear firmness detection by using near infrared reflectance spectroscopy based on CARS ［J］. Journal of Chinese Agricultural Mechanization， 2015， 36（6）： 120-123， 142.

［19］蒋柏春， 李德仑， 韦克苏， 等. 基于高光谱的烤烟叶绿素含量估算模型研究［J］. 中国农机化学报， 2022， 43（3）： 104-110.

Jiang Baichun， Li Delun， Wei Kesu， et al. Estimation model of chlorophyll content of fluecured tobacco based on hyperspectral ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 104-110.

［20］高文强， 肖志云. 基于AtrousCDAE1DCNN的紫丁香高光谱数据的叶绿素含量反演［J］. 中国农机化学报， 2022， 43（7）： 158-166.

Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on AtrousCDAE1DCNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.

［21］Jie Dengfei， Xie Lijuan， Fu Xiaping， et al. Variable selection for partial least squares analysis of soluble solids content in watermelon using nearinfrared diffuse transmission technique ［J］. Journal of Food Engineering， 2013， 118（4）： 387-392.

［22］Wang Bin， He Junlin， Zhang Shujuan， et al. Nondestructive prediction and visualization of total flavonoids content in Cerasus Humilis fruit during storage periods based on hyperspectral imaging technique ［J］. Journal of Food Process Engineering， 2021， 44（10）： e13807.

［23］邵園园， 王永贤， 玄冠涛， 等. 基于高光谱成像的肥城桃品质可视化分析与成熟度检测［J］. 农业机械学报， 2020， 51（8）： 344-350.

Shao Yuanyuan， Wang Yongxian， Xuan Guantao， et al. Visual detection of SSC and firmness and maturity prediction for Feicheng peach by using hyperspectral imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（8）： 344-350.