食品工业科技

作者：赵昕, 郑树亮, 牛晓颖, 曹建康, 陈晗, 赵志磊

关键词：近红外光谱技术,高光谱成像系统,苹果,货架期,定性判别,定量预测,

为实现金冠苹果的货架期及可溶性固形物含量（SSC）和酸度（pH）的无损分析，利用高光谱成像系统（400~1000 nm）和近红外（800~2500 nm）光谱仪分别采集了金冠苹果的六个不同货架期（采后0、7、14、21、28和35 d）的光谱信息，采用了卷积平滑（Savitzky-Golay，SGS）、一阶导数平滑（Savitzky-Golay First Derivative，1D）、标准正态变换（Standard Normal Variate，SNV）和归一化（Area Normalize，Normalize）四种预处理方法，利用竞争性自适应重加权采样算法（Competitive Adaptive Reweighted Sampling Aglorithm，CARS）和无信息变量消除法（Uninformative Variable Elimination，UVE）提取特征波长，并建立了反向传播神经网络（Back Propagation Neural Network，BP）和最小二乘支持向量机（Least Squares-Support Vector Machine，LS-SVM）货架期分类模型。在对SSC和pH的预测中，采用灰度共生矩阵（Gray Level Cooccurrence Matrix，GLCM）提取金冠苹果高光谱图像中的8种纹理特征，采用CARS对预处理后的高光谱图像的光谱数据、高光谱图像的光谱与纹理融合数据以及近红外光谱数据提取特征变量，建立偏最小二乘（Partial Least Squares Regression，PLSR）和最小二乘支持向量机两种模型。结果表明，近红外光谱和高光谱成像技术均可实现对金冠苹果货架期的判别，判别最优模型为基于高光谱图像的1D+UVE+BP模型，判别准确率为100%；对金冠苹果SSC的定量预测中，基于近红外光谱的1D+CARS+PLSR模型预测效果最好，预测集相关系数（Rp）和均方根误差（Root Mean Square Error of Prediction Set，RMSEP）值分别为0.9323和0.4036；对金冠苹果的pH定量预测中，基于近红外光谱的SNV+CARS+LS-SVM模型预测效果最好，Rp和RMSEP值分别为0.8749和0.0417，研究结果为金冠苹果的无损检测提供了技术支持和依据。

来源：2025年第11期

《食品工业科技》期刊编辑部

查看食品工业科技杂志2025年第11期