何嘉琳，喬春燕，李冬冬，張海紅*，鄧 鴻，單啟梅，高 坤，馬 瑞

（寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川 750021）

靈武長棗（Zizphus jujuba Mill cv. Lingwu Changzao）為鼠李科棗屬植物，是寧夏特色優(yōu)勢果品，其果實(shí)色艷、肉質(zhì)脆實(shí)、酸甜適口，富含糖、酸、VC、粗纖維及礦物元素等多種營養(yǎng)元素，其中尤以VC含量最為豐富，素有“VC之王”的美譽(yù)[1]。因此，常將VC含量作為評價(jià)靈武長棗品質(zhì)的首選指標(biāo)。

果品VC含量常用的檢測方法為2,6-二氯靛酚滴定法[2]，該法雖然檢測精度高，但在樣品前處理、檢測速度、檢測成本等方面存在其固有缺陷，而檢測后的樣品因其組織遭到嚴(yán)重破壞，已無食用和銷售價(jià)值。因此，尋找一種快速、便捷、高效的VC含量檢測方法對指導(dǎo)長棗生產(chǎn)加工、商品化推廣具有重要意義。

高光譜無損檢測技術(shù)是近年來國內(nèi)外最新發(fā)展的一種新型的品質(zhì)檢測技術(shù)，該法具有操作方便、原理簡單、適應(yīng)性強(qiáng)和非破壞等優(yōu)點(diǎn)，受到國內(nèi)外學(xué)者的廣泛關(guān)注[3]。目前，在農(nóng)產(chǎn)品無損檢測研究方面，研究人員利用高光譜成像技術(shù)不僅實(shí)現(xiàn)了表面缺陷[4-8]、損傷識別[9-11]、品質(zhì)安全[12-13]等檢測，亦實(shí)現(xiàn)了糖含量、可溶性固形物、硬度、含水量[14-16]等品質(zhì)指標(biāo)的檢測。近年來，眾多學(xué)者利用高光譜、近紅外技術(shù)檢測櫻桃、蜜橘、柑橘[17-19]等果品的VC含量并取得了較好的研究成果，但有關(guān)基于高光譜成像技術(shù)預(yù)測靈武長棗VC含量的研究卻鮮有報(bào)道。

本實(shí)驗(yàn)擬以靈武長棗為研究對象，利用高光譜成像技術(shù)采集400～1 000 nm可見光區(qū)域長棗光譜數(shù)據(jù)，通過SG平滑（Savitzky-Golay smoothing，SGS）、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）、多元散射校正（multiplicative scateer correction，MSC）、面積歸一化法、最大歸一化法、單位歸一化法、距離歸一化法、平均歸一化法等方法對原始光譜進(jìn)行預(yù)處理，優(yōu)選最佳光譜預(yù)處理方法。后采用遺傳算法（genetic algorithm，GA）、連續(xù)投影算法（successie projection algorithm，SPA）及競爭性正自適應(yīng)加權(quán)（competitive adaptive reweighted sampling，CARS）算法對預(yù)處理光譜提取有效信息并建立長棗VC含量偏最小二乘（partial least squares，PLS）和最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）預(yù)測模型，通過比較模型效果，確定基于高光譜檢測靈武長棗VC含量的最佳方法，優(yōu)選基于高光譜成像技術(shù)預(yù)測靈武長棗VC含量的預(yù)測模型。

1 材料與方法

1.1 材料與試劑

供試靈武長棗采摘于寧夏回族自治區(qū)靈武市永寧長棗生產(chǎn)基地；挑選果形完好，平均單果質(zhì)量約（15±2）g，縱徑（4.2±0.5）cm，橫徑（2.5±0.5）cm，大小均勻、無蟲害損傷的棗果100 個(gè)，常溫（20±3）℃條件下擦凈、貯藏、備用。

抗壞血酸（分析純） 天津博迪化工股份有限公司；2,6-二氯靛酚（分析純） 生工生物工程（上海）股份有限公司；草酸（分析純） 天津市光復(fù)精細(xì)化工研究所；碘酸鉀（分析純） 江蘇強(qiáng)盛功能化學(xué)股份有限公司；碘化鉀（分析純） 西隴化工股份有限公司。

1.2 儀器與設(shè)備

V10E-QE型高光譜成像光譜儀 芬蘭Spectral Imaging公司；C8484-05G型CCD相機(jī) 日本Hamamatsu公司；DCR III型光纖鹵素?zé)簦?50 W） 美國Schott公司；SC300-1A型電控位移平臺 北京Zolix公司。

1.3 方法

1.3.1 光譜信息的采集

高光譜圖像采集系統(tǒng)條件：CCD相機(jī)曝光時(shí)間為30 ms，電控位移平臺速率為0.42 mm/s[20]。同時(shí)，為消除各波段條件下光源強(qiáng)度分布不均及攝像頭中暗電流對成像造成的不良影響，光譜信息采集前對其進(jìn)行黑白校正[21]，以消除噪聲影響。校正后的漫反射光譜圖像R按下式計(jì)算：

式中：R0為樣本原始的漫反射光譜圖像；D為暗圖像；W為白板的漫反射圖像。

樣本高光譜圖像采集后，利用ENVI 4.6軟件校正光譜并選取感興趣區(qū)域（region of interest，ROI）?？紤]到長棗個(gè)體形狀差異，分別從每張棗光譜圖像中的長棗赤道部位提?。?0×30）像素的ROI，計(jì)算得出每張ROI的平均反射光譜，并將其作為該長棗的最終反射光譜。

1.3.2 長棗VC含量的測定

采用2,6-二氯靛酚法[22]測定。樣本總量為100 個(gè)，測定周期為10 d，每天從總樣中隨機(jī)選取10 個(gè)樣本進(jìn)行測定；為避免偶然性誤差，各樣本均測3 次取平均值作為最終測定結(jié)果。

1.3.3 光譜有效信息提取

本實(shí)驗(yàn)采用GA、SPA及CARS算法對最優(yōu)預(yù)處理后的光譜提取特征波長，分析不同提取特征波長方法對長棗VC含量預(yù)測模型的影響。

GA[23]使用選擇、交叉和變異三類遺傳算子把復(fù)雜的現(xiàn)象用繁殖機(jī)制結(jié)合簡單的編碼技術(shù)來表現(xiàn)，通過隨機(jī)搜索算法得出復(fù)雜問題相對較好的解；從初始群體到根據(jù)變異、選擇和交叉等算子的作用而不斷迭代來進(jìn)行優(yōu)勝劣汰，通過這樣的搜索過程來不斷逼近最優(yōu)解。

SPA[24]是一種前向循環(huán)的變量選擇方法，選定一個(gè)初始頻點(diǎn)，然后在每一次迭代時(shí)加入新的頻點(diǎn)，直到達(dá)到指定的頻點(diǎn)數(shù)，該法目的是解決信息重疊，選擇最小冗余信息量的頻點(diǎn)組合，解決共線性問題。

CARS算法是一種基于蒙特卡羅采樣法對模型取樣的新型變量選擇理論[25]，通過指數(shù)衰減函數(shù)及自適應(yīng)重加權(quán)采樣技術(shù)計(jì)算并比較每次產(chǎn)生的新變量子集的交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV），RMSECV最小的變量子集作為最優(yōu)變量子集。

1.3.4 模型建立

PLS是一種經(jīng)典的線性擬合方法，該法可以通過最小化偏差平方和實(shí)現(xiàn)對曲線的擬合[26]。

LSSVM是由Suyken等[27]提出的用于解決模式分類和函數(shù)估計(jì)問題的支持向量機(jī)，它采用最小二乘線性系統(tǒng)作為損失函數(shù)，有效地簡化了計(jì)算的復(fù)雜性，提高了運(yùn)算速度。

1.3.5 模型評價(jià)

模型性能以校正相關(guān)系數(shù)（Rc）和校正均方根誤差（root mean square eroor of calibration，RMSEC）及預(yù)測相關(guān)系數(shù)（Rp）和預(yù)測均方根誤差（root mean square eroor of prediction，RMSEP）為評價(jià)指標(biāo)；評價(jià)原則一般認(rèn)為Rc和Rp越接近1，RMSEC、RMSEP越接近0，模型效果越好。

2 結(jié)果與分析

2.1 光譜預(yù)處理

在光譜采集中，由于儀器噪音、暗電流等影響因素，易導(dǎo)致光譜曲線產(chǎn)生不重復(fù)和基線漂移等現(xiàn)象[28-29]，故有必要在模型建立前對原始光譜進(jìn)行預(yù)處理。本實(shí)驗(yàn)分別采用SGS、基線校準(zhǔn)、SNV、MSC、面積歸一化法、最大歸一化法、單位歸一化法、距離歸一化法、平均歸一化法等方法對原始光譜進(jìn)行預(yù)處理，結(jié)果見表1。

由表1可知，比較原始光譜及預(yù)處理后所得PLS校正模型，僅SGS、基線校準(zhǔn)、SNV、滑動平均法、去趨勢算法對光譜處理后所得模型的Rcv均大于0.8且大于原始光譜模型Rcv（0.708 2），表明經(jīng)光譜預(yù)處理后所建PLS模型效果有所提升；比較上述6 種較佳預(yù)處理方法可知，SNV法不僅Rcv最大，為0.839 5且RMSECV最小，僅為16.248 2。表明SNV法處理原始光譜后，可有效降低光譜曲線不重復(fù)和基線漂移等誤差因素的影響，顯著提升建模效果，故本實(shí)驗(yàn)選定SNV法為最佳光譜預(yù)處理方法。SNV法預(yù)處理得到的優(yōu)化圖譜及原始光譜見圖1。

表1 不同預(yù)處理方法的長棗VC含量PLS校正模型Table 1 PLS calibration models for predicting VC content in jujubes with different pretreatment methods

圖1 原始反射光譜（A）和SNV處理后反射光譜（B）Fig. 1 Original reflection spectra (A) and SNV-processed spectra (B)

2.2 樣本集的劃分

為了提高模型的預(yù)測精度，本實(shí)驗(yàn)采用Kennard-Stone（K-S）[30]法從測試完畢的100 個(gè)棗果樣本中隨機(jī)選取20 個(gè)用于檢驗(yàn)?zāi)Ｐ偷倪m用性，以3∶1的比例對剩余80 個(gè)樣本進(jìn)行樣本集和驗(yàn)證集劃分，最終選擇校正集樣本60 個(gè)，驗(yàn)證集樣本20 個(gè)。樣本統(tǒng)計(jì)結(jié)果見表2。

表2 校正集與預(yù)測集樣本VC的統(tǒng)計(jì)結(jié)果Table 2 Statistical results of VC contents in calibration set and predication set

由表2可見，校正集和預(yù)測集的樣本范圍分別為344.42～435.11 mg/100 g和360.58～421.89 mg/100 g，校正集較好的涵蓋了預(yù)測集，表明樣本劃分合理。

2.3 有效信息提取

2.3.1 GA提取有效信息

圖2 長棗光譜的GA篩選圖Fig. 2 GA screening for feature wavelengths

如圖2所示，不同波點(diǎn)被篩選的頻次越高表示該點(diǎn)適應(yīng)性越強(qiáng)[31]，與長棗VC相關(guān)性越高。GA運(yùn)算過程中，設(shè)定遺傳代數(shù)為100，以最小的RMSECV和最高的R2組合作為篩選標(biāo)準(zhǔn)；經(jīng)過20 次隨機(jī)搜索后，最終選定特征波點(diǎn)12 個(gè)，占原始光譜信息的9.6%。

2.3.2 SPA提取有效信息

圖3 長棗介電譜的SPA篩選圖（A）和光譜被選中波點(diǎn)（B）Fig. 3 SPA screening of dielectric spectra (A) and selected wavelength points (B)

應(yīng)用SPA對頻譜數(shù)據(jù)進(jìn)行有效信息提取，結(jié)果如圖3所示。SPA運(yùn)算過程中，設(shè)定變量數(shù)選擇范圍為1～10，步長為1，根據(jù)RMSEC隨變量個(gè)數(shù)的變化確定最佳特征變量數(shù)；如圖3A所示，當(dāng)變量個(gè)數(shù)為5時(shí)，RMSEC最小為24.25；變量個(gè)數(shù)大于5時(shí)，其RMSEC不再減小，最終選定特征波點(diǎn)5 個(gè)，占原始光譜信息的4%。

2.3.3 CARS算法提取有效信息

圖4 長棗光譜的CARS算法篩選圖Fig. 4 CARS screening of spectra

如圖4所示，本研究設(shè)定蒙特卡羅采樣50 次，采用5折交叉驗(yàn)證法計(jì)算，因每次運(yùn)行CARS結(jié)果具有隨機(jī)性，故在每個(gè)設(shè)定的蒙特卡洛抽樣次數(shù)條件下運(yùn)行20 次，取20 次所建立的PLS模型中最小RMSECV作為結(jié)果篩選標(biāo)準(zhǔn)。由圖4可知，在1 次CARS算法中，由于衰減指數(shù)函數(shù)的作用，隨著采樣次數(shù)的增加，在采樣前期變量數(shù)快速減少，隨著采樣次數(shù)的增加，變量減少的速度減慢，表明算法“粗選”和“精選”的過程。并且，隨著采樣次數(shù)的增加，單個(gè)PLS模型的5折交叉驗(yàn)證RMSECV呈現(xiàn)由大到小再到大的變化，采樣次數(shù)為11 次時(shí)RMSECV最小為25.01。最終從125 個(gè)波點(diǎn)中選定26 個(gè)波點(diǎn)作為特征波譜組合，占原始光譜信息的20.8%。經(jīng)各算法提取的特征波點(diǎn)見表3。

表3 特征波點(diǎn)列表Table 3 List of characteristic wavelengths

2.4 模型建立

2.4.1 長棗VC預(yù)測模型的建立

將各算法提取的特征波點(diǎn)作為輸入量，長棗VC含量作為應(yīng)變量，建立PLS和LSSVM模型，如表4所示。

表4 基于長棗特征波點(diǎn)建立的VC含量預(yù)測模型Table 4 Prediction models for VC content based on characteristic wavelengths

由表4可知，比較PLS模型效果，原始光譜-PLS模型Rc和Rp分別為0.785 1和0.796 3，R均小于0.8，代表模型效果稍差；而經(jīng)GA、SPA、CARS處理后的模型中，僅SPA-PLS模型Rc為0.756 2，小于原始光譜-PLS模型Rc；原因可能為SPA最終僅從125 個(gè)全光譜波點(diǎn)中挑選出5 個(gè)有效波點(diǎn)，雖然大大減少了冗余信息對模型效果的干擾，但同時(shí)亦剔除了部分有效信息，致使模型效果低于原始光譜。GA-PLS和CARS-PLS模型Rc、Rp分別為0.823 5、0.815 3和0.896 2、0.889 2，CARS-PLS模型校正能力明顯優(yōu)于GA-PLS模型，對比RMSEC值和RMSEP，CARSPLS模型分別為10.746 2%和12.145 3%，明顯低于GAPLS模型的17.335 4%和18.463 7%，表明CARS-PLS模型預(yù)測精度高于GA-PLS模型，雖然CARS處理原始光譜后得到的有效波點(diǎn)數(shù)稍高于GA法，但該法卻能在降低光譜信息共線性影響的同時(shí)，極大程度的保留原始光譜中的有效信息，故選定CARS-PLS模型為最優(yōu)PLS模型。

比較LSSVM模型效果，原始光譜-LSSVM模型Rc和Rp分別為0.746 7和0.732 1，R均小于0.8，代表模型效果稍差；而經(jīng)GA、SPA、CARS處理后的模型中，僅GALSSVM和CARS-LSSVM模型效果有所提升，Rc分別上升到0.755 9和0.832 1；而CARS-LSSVM模型在模型校正及預(yù)測能力方面又明顯優(yōu)于GA-LSSVM模型，故選定CARS-LSSVM模型為最優(yōu)LSSVM模型。

比較CARS-PLS和CARS-LSSVM模型可知，前者Rc和Rp分別為0.896 2和0.889 2，兩者較為接近且均大于后者的0.832 1和0.791 5，且CARS-PLS模型的RMSEC和RMSEP均小于CARS-LSSVM模型的16.202 8和22.580 1，充分說明CARS-PLS在模型校正精度、預(yù)測精度、模型穩(wěn)定性方面均優(yōu)于CARS-LSSVM模型。綜上可知，CARSPLS模型為最優(yōu)長棗VC含量預(yù)測模型。

2.4.2 模型驗(yàn)證結(jié)果

圖5 CARS-PLS模型驗(yàn)證Fig. 5 Validation of CARS-PLS model

將隨機(jī)選出的20 個(gè)未參與建模的樣本作為獨(dú)立預(yù)測集，驗(yàn)證CARS-PLS模型的適用性，結(jié)果如圖5所示。實(shí)測值與預(yù)測值點(diǎn)呈對角線分布且以小幅度在對角線上下波動；t檢驗(yàn)表明，各項(xiàng)指標(biāo)預(yù)測值與實(shí)測值無顯著差異。

3 結(jié) 論

本實(shí)驗(yàn)以鮮摘靈武長棗為研究對象，在400～1 000 nm波長范圍內(nèi)，優(yōu)選出SNV法為最優(yōu)原始光譜預(yù)處理方法，其所建PLS模型Rcv和RMSECV分別為0.839 5和16.248 2；對經(jīng)SNV法處理后的原始光譜通過GA、SPA、CARS法提取有效信息，分別獲得僅占原始光譜9.6%、4%、20.8%的特征波點(diǎn)；對上述各法建立PLS和LSSVM模型并比較其效果可發(fā)現(xiàn)，CARS法不僅能對原始光譜有效降維且可獲得最優(yōu)PLS模型效果，CARSPLS模型Rc、Rp和RMSEC、RMSEP分別為0.896 2、0.889 2和10.746 2%、12.145 3%。模型驗(yàn)證后發(fā)現(xiàn)，長棗VC實(shí)測值與預(yù)測值無顯著差異，表明基于高光譜成像技術(shù)對靈武長棗VC含量的無損檢測是可行的。

[1] 任玉鋒, 任賢, 雷茜. 靈武長棗采后生理及貯藏保鮮技術(shù)研究進(jìn)展[J]. 河北農(nóng)業(yè)科學(xué), 2009, 13(1): 13-15. DOI:10.16318/j.cnki.hbnykx.2009.01.027.

[2] 李書靜, 李可, 姚新建, 等. 2,6-二氯靛酚鈉法測定果汁飲料中的維生素C[J]. 光譜實(shí)驗(yàn)室, 2011, 28(5): 2391-2394. DOI:10.3969/j.issn.1004-8138.2011.05.058.

[3] 羅陽, 何建國, 賀曉光, 等. 農(nóng)產(chǎn)品無損檢測中高光譜成像技術(shù)的應(yīng)用研究[J]. 農(nóng)機(jī)化研究, 2013, 6(6): 1-6. DOI:10.13427/j.cnki.njyi.2013.06.011.

[4] YU K Q, ZHAO Y R, LIU Z Y, et al. Application of visible and nearinfrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology, 2014, 7(11): 3077-3087.DOI:10.1007/s11947-014-1357-z.

[5] ARIANA D P, LU R. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J].Computers and Electronics in Agriculture, 2010, 74(1): 137-144.DOI:10.1016/j.compag.2010.07.008.

[6] 周竹, 李小昱, 陶海龍, 等. 基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(21): 221-228. DOI:10.3969/j.issn.1002-6819.2012.21.031.

[7] 黃文倩, 陳立平, 李江波, 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(1): 272-277.DOI:10.3969/j.issn.1002-6819.2013.01.036.

[8] LI J B, RAO X Q, YING Y B. Detection of common defects on oranges using hyperspectral reflectance imaging[J]. Computers and Electronics in Agriculture, 2011, 78(1): 38-48. DOI:10.1016/j.compag.2011.05.010.

[9] EL MASRYA G, WANG N, CLéMENT V, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345.DOI:10.1016/j.lwt.2007.02.022.

[10] 張保華, 黃文倩, 李江波, 等. 基于高光譜成像技術(shù)和MNF檢測蘋果的輕微損傷[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1367-1372.DOI:10.3964/j.issn.1000-0593(2014)05-1367-06.

[11] PIOTR B, WOJCIECH M, JOANNA W. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355. DOI:10.1016/j.jfoodeng.2011.12.038.

[12] QIN J W, CHAO K L, KIM M S, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J].Journal of Food Engineering, 2013, 118(2): 157-171. DOI:10.1016/j.jfoodeng.2013.04.001.

[13] LORENTE D, ALEIXOS N, GóMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology,2012, 5(4): 1121-1142. DOI:10.1007/s11947-011-0725-1.

[14] 高俊峰, 張初, 謝傳奇, 等. 應(yīng)用近紅外高光譜成像技術(shù)預(yù)測甘蔗可溶性固形物含量[J]. 光譜學(xué)與光譜分析, 2015, 35(8): 2154-2158.DOI:10.3964/j.issn.1000-0593(2015)08-215-05.

[15] 張若宇. 番茄可溶性固形物和硬度的高光譜成像檢測[D]. 杭州:浙江大學(xué), 2014. DOI:10.3964/J.ISSN.1000-0593(2015)08-2154-05.

[16] 吳龍國, 何建國, 劉貴珊, 等. 基于近紅外高光譜成像技術(shù)的長棗含水量無損檢測[J]. 光電子: 激光, 2014(1): 135-140. DOI:10.16136/j.joel.2014.01.011.

[17] CRISTINA M, SILVIA G, EMANUEL J N M, et al. Vitamin C distribution in acerola fruit by nearinfraredectral maging[J]. Journal of Spectral Imaging, 2016, 12(6): 1-4. DOI:10.1255/jsi.2016.a6.

[18] 劉燕德, 陳興苗, 孫旭東. 可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(10): 2318-2319.DOI:103964/jissn.1000-0593(2008)10-2318-03.

[19] 夏俊芳, 李小昱, 李培武. 基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(6): 170-173.DOI:10.3321/j.issn:1002-6819.2007.06.033.

[20] 徐爽, 何建國, 易東, 等. 基于高光譜圖像技術(shù)的長棗糖度無損檢測[J]. 食品與機(jī)械, 2012, 28(6): 168-170. DOI:10.3969/j.issn.1003-5788.20122.06.041.

[21] 丁佳興, 吳龍國, 何建國, 等. 高光譜成像技術(shù)對靈武長棗果皮強(qiáng)度的無損檢測[J]. 食品工業(yè)科技, 2016, 37(24): 58-62. DOI:10.13386/j.issn1002-0306.2016.24.003.

[22] 趙曉梅, 江英, 吳玉鵬. 果蔬中VC含量測定方法的研究[J]. 食品科學(xué),2006, 27(3): 197-198. DOI:10.3321/j.issn:1002-6630.2006.03.046.

[23] 蔣雪松, 周宏平. 基于遺傳算法的農(nóng)產(chǎn)品品質(zhì)無損檢測研究進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué), 2013, 41(12): 17-19. DOI:10.15889/j.issn.1002-1302.2013.12.038.

[24] YE S F, WANG D, MIN S G. Successive projections algorithm combined with uninformative variable elimination for spectral variable selection[J]. Chemometrics and Intelligent Laboratory Systems, 2008,91(2): 194-199. DOI:10.1016/j.chemolab.2007.11.005.

[25] 李江波, 彭彥昆, 陳立平, 等. 近紅外高光譜圖像結(jié)合CARS算法對鴨梨SSC含量定量測定[J]. 光譜學(xué)與光譜分析, 2014, 35(5): 1264-1269. DOI:10.3964/J.ISSN.1000-0593(2014)05-1264-06.

[26] WOLD S, RUHE A, WOLD H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses[J]. SIAM Journal on Scientific and Statistical Computing,2006, 5(3): 735-743. DOI:10.1137/0905052.

[27] SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.DOI:10.1023/A:1018628609742.

[28] 劉燕德, 周延睿, 彭彥穎. 基于近紅外漫反射光譜檢測雞蛋品質(zhì)[J].光學(xué)精密工程, 2013(1): 40-45. DOI:10.3788/OPE.20132101.0040.

[29] 蔣蘋, 羅亞輝, 胡文武, 等. 基于高光譜的油茶籽內(nèi)部品質(zhì)檢測最優(yōu)預(yù)測模型研究[J]. 農(nóng)機(jī)化研究, 2015(7): 56-60. DOI:10.13427/j.cnki.njyi.2015.07.013.

[30] 潘國鋒. 基于K-S算法的水質(zhì)硝酸鹽含量光譜檢測方法研究[J]. 光譜實(shí)驗(yàn)室, 2011, 28(5): 2700-2704. DOI:10.3969/j.issn.1004-8138.2011.05.132.

[31] 熊瓊, 葛蓁, 劉志剛. 基于遺傳算法和EDA技術(shù)的果蔬采摘機(jī)器人設(shè)計(jì)[J]. 農(nóng)機(jī)化研究, 2016, 38(8): 214-217. DOI:10.3969/j.issn.1003-188X.2016.08.045.