高光谱技术提升火龙果无损检测：SSC含量的精确预测

本文主要探讨了高光谱技术在无损检测火龙果可溶性固形物（SSC）中的应用。火龙果作为一种重要的热带水果，其内部品质评估对于生产和市场流通至关重要。传统的检测方法可能破坏果实，而高光谱技术作为一种非侵入式的检测手段，能够实时获取果实内部的信息，从而实现无损检测。 研究首先以火龙果为研究对象，对光谱数据进行了预处理，这是高光谱技术应用的关键步骤，预处理包括去除噪声、校准和标准化等，以确保后续分析的准确性和可靠性。接着，作者采用连续投影算法（SPA）进行特征变量的选择，该算法能够有效地从大量的光谱数据中提取出对SSC预测最有影响力的特征变量，这有助于减少冗余信息并提高模型的效率。 进一步，研究采用了偏最小二乘法（PLS）和前馈反向传播神经网络法（BPNN）来构建预测模型。PLS是一种统计方法，通过寻找光谱特征与SSC之间的最佳线性关系，以建立预测模型。而BPNN则是一种人工智能模型，能够处理非线性关系，适用于复杂的数据分析。研究比较了这两种模型的性能，结果显示PLS模型的交叉验证相关系数（Rcv）为0.8635，交叉验证均方根误差（RMSECV）为0.6791，显示其具有较高的预测精度。而采用15个特征变量的BPNN模型，预测相关系数(RP)为0.8411，预测均方根误差(RMSEP)为0.8171，也证明了其在SSC预测上的有效性。 在模型建立过程中，果皮对预测精度的影响被纳入考虑。研究发现，完整果的PLS模型(RP)为0.8999，RMSEP为0.7208，而果肉PLS模型的RP为0.9304，RMSEP为0.5291，表明果肉的SSC模型相对于果皮有更高的预测性能。这可能是由于果肉区域的光谱特性更直接反映SSC含量，因此更适合用于无损检测。 本研究证实了基于高光谱技术采集的火龙果漫反射光谱可以有效进行SSC的无损检测，并且果肉区域的光谱信息更有助于提高预测精度。这对于火龙果产业的生产质量控制和消费者信任度提升具有重要意义，也为其他农产品的无损检测提供了新的思路和技术支持。