利用高光谱成像预测柑橘品质属性

【背景】：高光谱成像技术可以快速且无损的测量食物品质。该研究调查了高光谱成像在400-1000 nm波段范围预测柑橘果实内部品质属性例如总可溶性固形物（TSS），pH，可滴定酸度（TA）和成熟度指数（TSS/TA）；以及外部品质属性，例如颜色成分（L*，a*， b*）和颜色指数（CI）的可行性。

【方法】：从亚马逊州（秘鲁）收集柑橘样品（甜橙，瓦伦西亚品种），共80个无不良特征（如物理破坏，病害以及污染成分）的样品。样品随机分为两组，75%为“校正集”，其余为“预测集”，用于模型的外部验证。利用Resonon Pika XC高光谱成像系统（400-1000 nm）扫描柑橘并采集图像。利用偏最小二乘法建立预测品质属性的完整模型。利用回归系数确定最优波段，通过多元线性回归建立简化模型。预测的确定系数（R²p）以及预测的标准误差（SEP）用来衡量模型的性能。

【结果】：内部品质属性的完整模型性能较低（R²p < 0.3，SEP >50%）。外部品质属性的完整模型性能较高（L*：R²p = 0.898，SEP = 19%；a*：R²p = 0.952，SEP = 13%；b*：R²p = 0.922，SEP = 20%；CI：R²p = 0.972，SEP = 12%）。简化模型与外部品质属性性能相似。

柑橘图像和光谱处理的主要步骤：（a）确认感兴趣区域；（b）原始平均反射光谱；（c）校正反射率

柑橘的二阶导数光谱：（a）完整样品；（b）半样品

预测模型的平均预测标准误差（MSEP）：（a）柑橘内部品质属性；（b）柑橘外部品质属性

用于预测的完整模型的回归系数：（a）柑橘内部品质属性；（b）柑橘外部品质属性

外部品质属性观测值和预测值（简化模型）关系图：（a）L*参数；（b）a*参数；（c）b*参数；（d）颜色指数

【结论】：高光谱成像具有以客观且无接触方式预测柑橘颜色的潜力。在未来的研究中，可以通过不同的光谱区域（＞1000 nm）进一步改进完整柑橘内部品质属性的预测。

利用高光谱成像预测柑橘品质属性.pdf