對405-970nm范圍內(nèi)的19個(gè)波長的多光譜成像進(jìn)行了評估，用于無損測定草莓果實(shí)的硬度、總可溶性固體 (TSS) 含量和成熟階段。應(yīng)用偏最小二乘法 (PLS)、支持向量機(jī)(SVM) 和反向傳播神經(jīng)網(wǎng)絡(luò) (BPNN) 等幾種分析方法來開發(fā)預(yù)測完整草莓果實(shí)硬度和 TSS 的理論模型。與 PLS 和 SVM 相比，BPNN 顯著提高了多光譜成像預(yù)測硬度和總可溶性固體含量的性能，相關(guān)系數(shù) (r) 分別為 0.94 和 0.83，SEP 分別為 0.375 和 0.573，偏差分別為 0.035 和 0.056。隨后，使用支持向量機(jī)和主成分分析-反向傳播神經(jīng)網(wǎng)絡(luò)（PCA-BPNN）模型測試了多光譜成像技術(shù)基于成熟階段對水果進(jìn)行分類的能力。使用 SVM 模型實(shí)現(xiàn)了 100% 的更高分類準(zhǔn)確率。此外，所有這些模型的結(jié)果表明，光譜的 VIS 部分是草莓果實(shí)硬度測定、TSS 含量估計(jì)和成熟階段分類的主要貢獻(xiàn)者。這些結(jié)果表明，多光譜成像與合適的分析模型相結(jié)合，是一種用于快速估計(jì)草莓果實(shí)品質(zhì)屬性和成熟階段分類的有前景的技術(shù)。

圖2顯示了在三個(gè)成熟階段取樣的草莓果實(shí)在 405-970 nm 范圍內(nèi)的平均相對反射光譜。盡管處于成熟階段，但草莓果實(shí)的反射率曲線在整個(gè)光譜區(qū)域內(nèi)相當(dāng)平滑。代表草莓果實(shí)顏色特征的花青素和葉綠素先前已分別在約 520 和 680 nm 波長處鑒定。埃爾馬斯里等人。[11] 報(bào)道，在840和960nm 附近的 NIR 吸收分別與糖和水含量有關(guān)。在本研究中，由于該果實(shí)的葉綠素降解，成熟和過熟果實(shí)中幾乎沒有660nm 處的葉綠素吸收帶。同時(shí)，成熟果實(shí)和過熟果實(shí)在花青素吸收帶（525 nm）處的相對反射率遠(yuǎn)低于未成熟果實(shí)，表明成熟果實(shí)和過熟果實(shí)中的花青素含量要高得多。結(jié)果與ElMasry 等人報(bào)道的結(jié)果相似。[11]，誰表明花青素在成熟和過熟的果實(shí)高于未成熟的果實(shí)。以前的研究發(fā)現(xiàn)，總可溶性固形物含量的主要貢獻(xiàn)者是糖，糖含量占總可溶性固形物含量的57%至 82% [5]。過熟果實(shí)在糖吸收帶（850 nm）處的相對反射率遠(yuǎn)低于未成熟果實(shí)和成熟果實(shí)，這可能是由于過熟果實(shí)的總可溶性固形物含量（8.63uBx）高于未成熟果實(shí)和成熟果實(shí)水果（分別為 7.03 和 7.79uBx）。

僅使用光譜信息處理算法的結(jié)構(gòu)化選擇被證明是足夠的，因?yàn)樾?zhǔn)和驗(yàn)證集顯示了所有研究參數(shù)的均值、范圍和標(biāo)準(zhǔn)偏差的相似值。PLS、SVM和BPNN模型預(yù)測草莓果實(shí)硬度和TSS含量的預(yù)測性能如圖1所示。這些模型的性能通過相關(guān)系數(shù) (r)、SEC 和 SEP 進(jìn)行評估。通過比較預(yù)測殘差平方和 (PRESS) 的值，確定 PLS 模型的堅(jiān)固性和 TSS 的潛在因子數(shù)為 5。對于 SVM 模型，元參數(shù) C（正則化參數(shù)）和 G（RBF 核參數(shù)）的優(yōu)化是 SVM 中的關(guān)鍵步驟，因?yàn)樗鼈兊慕M合值決定了邊界復(fù)雜度和預(yù)測性能。為了獲得良好的預(yù)測性能，必須仔細(xì)選擇?SVM 中的一些參數(shù)。最好的 C 和 G硬度預(yù)測分別為?11.31 和 0.06，TSS 含量預(yù)測分別為 2 和 0.06。對于BPNN模型，在參數(shù)調(diào)整后，建模過程中的最優(yōu)參數(shù)設(shè)置如下。隱藏節(jié)點(diǎn)數(shù)、目標(biāo)誤差和迭代次數(shù)分別設(shè)置為 20、161028 和 1000。