基于可见-近红外光谱的新梅轻度碰伤光谱演化特征OA

为解决新梅果实在采后分选与运输过程中轻度碰伤难以及时识别、内在碰伤随时间累积进而影响品质的问题,该研究基于反射式可见-近红外光谱建立新梅轻度碰伤识别与时间演化表征方法。首先,利用自制碰撞装置制备轻度碰伤样本,并对比反射模式与透射模式两种采集方式,确定反射式可见-近红外光谱(visible and near-infrared spectroscopy,Vis-NIR)为光谱获取手段;在标准白板反射率控制原则与控制变量法基础上,优化积分时间、光源与样本距离、光谱平滑度及采集姿态等参数,以保证光谱重复性。其次,采集碰伤后1、6、24、48 h 4个时段的反射光谱,并设置完好果实为对照;采用平均光谱曲线分析,结合主成分分析(principal component analysis,PCA)与统一流形近似与投影(uniform manifold approximation and projection,UMAP)进行降维可视化,刻画不同时间点的光谱差异;进一步构建支持向量机(support vector machine,SVM)、随机森林(random forest,RF)与极端梯度提升(extreme gradient boosting,XGBoost)分类模型,对比识别性能与泛化能力。结果表明,轻度碰伤样本在700~950 nm波段反射率随时间变化显著,且24 h时与对照组差异最为突出;在多元散射校正(multiplicative scatter correction,MSC)、去趋势(detrending,DT)与连续小波变换(continuous wavelet transform,CWT)预处理条件下,SVM模型分类准确率均超过92.00%,其中连续小波变换-无信息变量消除-支持向量机(CWT-UVE-SVM)在24 h节点的识别准确率为96.67%。基于轻度碰伤样本训练的模型在迁移验证中对中、重度碰伤仍保持良好泛化性能,对重度碰伤识别准确率达99.17%;引入时间标签后模型准确率由94.17%提升至97.78%。综上,该研究揭示了轻度碰伤新梅的光谱时间响应规律,可为采后动态识别与分选策略优化提供方法参考与数据支撑。