基于光谱和成像信息的鲜食葡萄品质检测方法研究 陈立才（Licai Chen） 邹峥（Zheng Zou） 尹树林（Shulin Yin） 罗江（Jiang Luo） 吴新海（Xinhai Wu） 肖怀春（Huaichun Xiao） 徐静（Jing Xu）

《Sensors》：Study on Quality Detection Methods for Table Grapes Based on Spectral and Imaging Information Licai Chen, Zheng Zou, Shulin Yin, Jiang Luo, Xinhai Wu, Huaichun Xiao and Jing Xu

非破坏性葡萄品质评估研究采用高光谱成像与机器学习结合的方法。通过SPA算法筛选关键波长并提取GLCM纹理特征，构建ELM、CNN和PLS模型进行品种分类（97.56%）和可溶性固形物预测（R2=0.75，RMSEP=0.81）。实验表明ELM模型最优，证实该技术能有效实现葡萄品质快速无损检测。

　　

摘要

随着对高质量葡萄需求的增加，迫切需要快速且客观的质量评估方法来克服传统主观性和破坏性技术的局限性。本研究探讨了利用高光谱成像结合机器学习进行新鲜葡萄无损质量评估的可行性。从四种鲜食葡萄品种（“Rose”、“Yongyou”、“Xiahei”和“Jumbo”）中获取了高光谱数据，并测量了它们的可溶性固形物（SSC）含量，不同品种之间的SSC含量存在显著差异。我们使用灰度共生矩阵（GLCM）从关键波长的图像中提取了纹理特征，这些波长是连续投影算法（SPA）选定的波长与敏感波长的组合。分别构建了用于品种分类（定性）和SSC预测（定量）的比较模型，这些模型采用了极限学习机（ELM）、卷积神经网络（CNN）和偏最小二乘法（PLS），并以全范围光谱和纹理特征作为输入。结果表明，使用全范围光谱的ELM模型在这两项任务中表现更为出色，分类准确率为97.56%，SSC预测的均方根误差（RMSEP）为0.81。值得注意的是，CNN模型也显示出相当的稳健性。我们的研究结果证实，将高光谱成像与机器学习相结合是进行新鲜葡萄质量评估的一种可行策略。