基于高光谱成像的软枣猕猴桃SSC检测研究

为探究软枣猕猴桃采后后熟过程中可溶性固形物含量(soluble solids content,SSC)变化和分布规律,利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化。首先,采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据,并测定其SSC。其次,采用不同预处理方法对光谱数据进行处理,确定最佳预处理方法;然后,基于3种特征波段提取方法优选特征波段,构建偏最小二乘回归(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和粒子群优化的极限学习机(parti⁃cle swarm optimization-extreme learning machine,PSO-ELM)可溶性固形物含量预测模型。结果表明:基于竞争性自适应重加权采样算法(competitive adaptive reweighted sampling,CARS)提取特征波长的PSO-ELM模型的预测效果最佳,测试集R_(p)^(2)为0.934,RMSEP为0.952,RPD为2.277。最后,基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC,生成可视化分布图,直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征,为软枣猕猴桃的品质评价和贮运销售提供重要参考。