基于波长选择的芒果内部缺陷近红外检测方法

农业中的人工智能5（2021）43基于最佳波长选择的芒果内部缺陷近红外检测Anitha Raghavendraa，D.S.作者声明：a.饶Aa印度迈索尔Maharaja技术学院Maharaja研究基金会b印度迈索尔迈索尔大学计算机科学系a r t i c l e i nf o文章历史记录：收到2020年6月8日2021年1月15日收到修订版2021年1月16日接受在线预订2021年2月10日保留字：特征选择方法芒果内部缺陷检测NIR（近红外光谱）a b s t r a c t芒果果实的海绵状组织或内部缺陷会降低芒果果实的品质，导致生产力低下，因此需要开发一种无损检测技术来分析芒果果实的性能在这项研究中，提出了波长选择方法，以确定的波长范围的分类缺陷和健康的芒果水果。这里采用特征选择方法来实现波长的显著选择为了测量模型的优度，使用波长范围为673nm-1900 nm的NIR（近红外）光谱收集数据集 在原始特征空间和变换后的FLD（Fisher线性判别）空间中采用欧氏距离进行分类。实验结果表明，较低波段（673nm进一步表达的模型的有效性，不同的特征选择技术进行了研究，发现基于Fisher准则的技术似乎是最好的方法，有效的波长选择有缺陷的和健康的芒果水果的分类采用Fisher判别法，在702.72 ~ 752.34 nm范围内，得到了最佳波长，分类准确率为84.5%。这项研究表明，近红外系统是一个有用的技术，自动芒果水果评估，有可能被用于内部缺陷在线分拣，容易区分那些谁不符合最低质量要求。版权所有© 2021作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着城市化进程的加快，社会需求也在发生变化，并对人民的整体健康状况产生影响这导致人们倾向于更多的营养选择，如水果和蔬菜。印度已成为第二大水果生产国（4600万吨），占世界产量的近10%。印度的芒果产量约占世界总量的56%大多数国家的市场对传统芒果品种的需求不断增加进口受到限制，特别是对发达国家的进口，主要是由于它们的检疫需要，缺乏满足其要求的工具/技术缺乏一个专注于非破坏性技术的自动化交易程序来检测阿方索芒果的生理障碍，这是印度水果出口仍然很差的一个原因（Sandeep和Pradeep，2014年）。果实害虫、石象甲、海绵组织等，是一些芒果品种的内部缺陷在这些芒果出口之前，必须查明这些缺陷人眼无法看到芒果的内部缺陷，*通讯作者。电子邮件地址：anithbg@gmail.com（A. Raghavendra），dsg@compsci.uni-mysore.ac.in（D.S. Guru），maheshkrao_ece@mitmysore.in（M.K.Rao）。芒果不能用人工分拣内部有缺陷的芒果在收获时或成熟时没有外部症状只有在水果切片后才能看到受影响的部分（Manpreeth和Ramesh，2010）。出于这个原因，一些国家，特别是欧洲国家，到目前为止，禁止印度芒果。芒果果肉部分中存在海绵组织的致病因素至今尚未确定，并且没有像现在这样在成熟/收获前期间对其进行监测的经证实的自动化在这种情况下，一个快速的优先事项是使用非破坏性技术来识别芒果中的生理障碍，以便消费和出口。水果的分拣应该根据每个水果的情况来进行，以确保产品的质量为了做到这一点，应该建立具有每秒至少2至5个水果的高分选速度的在线方法（Sang等人， 2006年）。芒果内部缺陷的无损检测是一个新的研究领域，对芒果内部品质如可溶性固形物、干物质、硬度、淀粉和糖含量的检测研究很少。 为了提高我们对光穿透到果实组织中的理解，需要涉及数值模拟技术的更多研究（Bart等人， 2007年）的报告。Anitha和Mahesh（2016年）讨论了芒果的各种缺陷，如疾病、生理障碍和害虫相关的损害;并回顾了一些水果中使用的非侵入性方法，以检测https://doi.org/10.1016/j.aiia.2021.01.0052589-7217/© 2021作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/A. Raghavendra，D.S.大师和M.K.饶农业人工44内部缺陷。 在韩国首尔国立大学，开发了使用非破坏性技术检测富士苹果、韩国梨和甘薯内部故障的模型（Sang等人，2006年）。Qiang等人（2011）开发了一种覆盖408 nm至1117 nm光谱区域的可见光/近红外高光谱成像系统，用于猕猴桃果实中的瘀伤检测自1990年以来，已经进行了几项研究，以确定内部质量的某些指标，特别是总可溶性固形物含量、淀粉、酸度、叶绿素（水果和蔬菜）、蛋白质（谷物）和总氮含量（叶子），使用近红外光谱作为非破坏性技术。 已经对马铃薯、洋葱、桃 子 、 苹 果 、 橙 子 、 甜 瓜 、 木 瓜 、 木 瓜 和 枣 评 价 了 类 似 的 品质（Dospatliev等人，2013年）。NIR光谱在收获后技术中的重要性日益增加，这从最近鉴定数量的增加以及许多在线分级制造商现在已经引入NIR系统来测量各种品质属性的事实中显而易见（Bart等人，2007年）的报告。David和Carlos（1998）使用了一种非破坏性的光学方法来确定猕猴桃的内部质量，该方法基于近红外光谱技术。在一些出版物中详细描述了使用NIR光谱法对水果和蔬菜的内部质量进行“在线”评估的非破坏性技术，这些出版物已经在（Krivoshiev等人，2000年）。 Peiris等人（1998）已经成功地测定了加工番茄中的可溶性固形物含量。基于近红外的技术也已相当成功地用于确定甜瓜的成熟度Meurens和Feth（2001）进行了他们的研究，以使用可见光/近红外光谱检测苹果中的各种内部缺陷：玻璃化、粉化和内部Peirs等人（2001年）调查了7个品种和3个果园的苹果，使用非破坏性方法确定收获成熟度。使用可见光/近红外光谱测量成熟度和检测苹果内部缺陷获得了相当多的结果（Holm，2002）。一种非破坏性的方法已被开发用于测量桃“布莱克”可溶性固形物含量的有了这些知识，可以理解的是，近红外光谱可能是一个潜在的领域，可用于芒果内部缺陷跟踪，从而有助于印度的出口使用NIR光谱法，可以进行三种不同的测量设置以获得NIR光谱，例如在反射率、透射率和互作用模式下。 当选择测量设置时，重要的是要意识到进入水果组织的NIR辐射穿透随着深度呈指数下降（Lammertyn等人，2000年）。 Bart等人等人（2007）发现，对于苹果，在700-900 nm的波长范围内穿透深度高达4 mm，在900-1900nm的波长范围内穿透深度在2mm至3mm之间。 在不同的光学配置中，Fraser et al. （2000）表明，在苹果中，在700-900 nm范围内，渗透深度至少为25 mm，而在1400-1600nm范围内，渗透深度小于1 mm。有限的穿透深度限制了用于检测内部缺陷的反射率或互作用测量的潜力，并且降低了基于NIR的厚皮水果（例如柑橘的内部品质属性）的测量的性能。因此，波长范围的选择是提供良好覆盖的非常重要的任务然而，对于应用有用的波长对于域通常是唯一的，因为不同的材料将具有不同的光谱。不可能具有用于所有应用的一组通用波长（Mayank等人，2015年）。由于芒果内部缺陷的检测在以前的工作中还没有尝试过，因此本研究的任务是对健康芒果和内部缺陷芒果进行为了表达分类模型的有效性，模式识别方法被引入到近红外光谱数据的分析中，并用于选择合适鉴于上述挑战，本研究的主要目的是开发一种无损检测芒果内部缺陷的技术具体目标是在特征提取和特征提取的选择技术最终，该系统可以应用于芒果收获后程序，因为园艺中的精准农业旨在有效利用资源以实现水果的目标生产。2. 材料和方法2.1. 样品和光谱采集首先是了解是否有可能确定芒果的内部缺陷为此目的，使用海洋光学近红外光谱仪对阿方索品种的芒果进行实验NIR-Quest的规格如下：➢ 检测器-Hamamatsu G9208-512 W InGaAs线性阵列。➢ 波长范围：700nm➢ 积分时间：1ms➢ 信噪比：10000：1@100 ms积分。最初，76个芒果是从市场上随机挑选的，后来芒果的表面被擦拭。本研究与收获后时间和温度无关;因此，这些参数不用于分类目的。在本研究中，测量装置是在反射模式。在反射模式中，光源和检测器安装在特定角度下，例如，45度以避免镜面反射（Bart等人， 2007年）的报告。 STS小型近红外光谱仪的原理图如图所示。1.一、光纤的光谱使用了两条光纤一根电缆产生673 nm至1100 nm的光谱范围在673 ~ 1100 nm范围内获得了1024个波长值，其近似周期为0.5 nm;在1100 ~ 1900 nm范围内获得了经肉眼检查，芒果表面无任何内部缺陷。因此，在获得反射率值后，必须单独切割每个芒果以确认内部缺陷，如图所示。二、根据上述程序，将样本分为43个缺陷样本和33个健康样本。出于好奇，试图了解芒果深穿透能力的反射光谱，虽然研究目的只是为了区分内部缺陷和非缺陷样品。仅测量了缺陷的面积和深度，但未对其进行分析记录的数据表明，在有限数量的样品中，缺陷面积从7平方厘米到22平方厘米不等，深度从0.5厘米到0.5厘米不等。Fig. 1. STS NIR微型光谱仪的示意图。A. Raghavendra，D.S.大师和M.K.饶农业人工45图二、（a）芒果样品（b）芒果切割后发现的内部缺陷。1.5厘米我们的目标是开发一个能够对缺陷样品进行分类的系统，无论其严重程度如何，从消费者的角度来看，这并不重要所得四个光谱数据直接使用Or-作图igin软件，这是描绘图。3. 图3（a）和（b），B、C、D、E是正常样品的反射率值，F、G、H、I线是缺陷样品的反射率值从图中可以看出，与较高范围波长（1100 nm至1900 nm）相比，该图在较低范围波长（673 nm至1100 nm）中可区分缺陷和健康此外，为了表达有效性，图3. 使用origin软件绘制的缺陷和健康样本图（a）波长范围673 nm-1100 nm。（b）波长范围1100nmA. Raghavendra，D.S.大师和M.K.饶农业人工46D公司简介¼GMjDDB WAMj<$Xj<$n∑Xji，GMj<$NXjW∑ ∑K<$^1Ai∈CK我AK我AK因为AM≥GM，等式成立当且仅当XJ2J3JJJJJ！J1 =X=X=在此分类模型的基础上，介绍了近红外光谱数据的模式识别方法，以及选择合适波长的方法。3. 提出的波长提取和选择模型一旦形成具有减小的波长的B的投影向量，就可以评估FLD变换特征的性能。逆fisher的线性判别变换也可以从方程。（8）知道变换后的数据空间的正常波长针对上述问题，提出了一种基于特征提取和特征选择技术的波长选择模型特征提取方法在第3.1节（Nemirko，2016）中突出显示，特征选择技术在第3.2和3.3（Artur和Mário，2012;Chulmin和A¼BW−13.2.用于波长选择ð8ÞJihoon，2007年; Guru等人， 2018; Huan等人， 2010; Isabelle和Andre，2003; Jun等人， 2016年; Wavelodzis等人， 2003年）。由于缺陷样品和健康样品的光谱数据的平均值是可区分的，因此最初Fisher线性判别变换（FLDT）是对于二元问题（cj∈{0，1}），第j个特征被定义为。jX0X 1j采用，因为FLD分析是基于类间变量的原则进行的FiRj¼ð9Þ方差（两个类的均值之间的方差）和类内方差（两个类的方差的qv ar。ffi ffiXffiffiffiffijffiΣffiffiðffi0ffiffiÞffiffiffiþffiffiffiffiffi ffivffiffi ffiaffi ffirffiffi.ffiffiXffiffiffiffijffiΣffiffiðffiffi1ffiffiÞffi当X=0时，X=1时，var（X）（0）和var（X）（1）是相同的，j jj j3.1.波长提取使用费舍尔的线性鉴别变换设{Ai}是波长维的P个样本列向量的集合D. 其平均向量由下式给出1个PA我1/1对于每个类的模式，特征j的方差3.3. 基于色散测量的波长选择在此采用了一些著名的离散度度量来计算相关性(a) 平均绝对差（MAD），定义为MAD1nX−X10设有K个类{C1. 类K的平均向量con-保留PK成员是ju<$n∑jij其计算与平均值的绝对差的µAk1∑！A我PK Ai∈CKð2ÞMAD是一种尺度变量。(b) 算术平均值（AM）与几何平均值（GM）的比值因此，类间散布矩阵由下式给出：S2P.μ-！-μ！- 是的μ-！-μ！电子邮件¼离散度的另一种测量方法是算术平均值和3几何平均值。对于n个模式上的给定（正）特征Xj，AMB∑KAK AK1AK AGM和GM由下式给出。1N. 你好！1ð11ÞS2. ！A-μ-！-是的！A-μ-！电子邮件4i¼1Jj，j1将数据重新定位为在矩阵W中最可分离的变换矩阵，德湾W TSBW......这是什么？= X jn，则为比率。Rj<$AMj∈N1，N∞N12NT500德湾公司简介W=[W1，W2向量A到维度D的子空间的投影为B¼WTA 6利用具有最大d个本征值的广义本征向量，可以定义一个维数为d D的投影空间，当量（12）可以用作离散度测量。更高的分散性具有更高的Rj值，因此具有更相关的特征。相反，当整个特征样本具有（大致）相同的值时，Rj接近1，指示低相关性特征。(c) 平均中位数（MM）差异另一种分散性度量，称为均值-中值差，由.W=[W，W，...W ]。特征向量表示D12个dMM ¼jX−中位数。Xj13是S S−1的特征向量。下一个到降维子空间的投影向量Ad是B¼WTA 7这计算X j的平均值和中间值之间的绝对差。一旦计算了所有特征的上述分散度量，特征就以降序排序，并建议保留前m个特征。计算出的测量值被认为是验证的相关性分数。¼类内散布矩阵由下式给出：nð Þ或分量的约化子空间的D，而本征值表示幅度的方向。广义特征向量μ1/1A. Raghavendra，D.S.大师和M.K.饶农业人工47图四、使用673nm-1100nm范围内选择的不同波长数获得的准确度（a）Fisher比值（b）AMGM（c）MM（d）MAD。A. Raghavendra，D.S.大师和M.K.饶农业人工48ð¼3.4. 波长数的估计一旦特征与它们的相关性得分以降序排序，特征的选择就依赖于以下用于有效波长选择的因此，根据高相关性分数，可以通过实验固定维度来选择波长，以更好地分类。3.4.1. 累积相关性（CR）指标令ri 1............ rid是排序的相关性值，并且是top-v最相关的功能。基于混淆矩阵评价D和性能的结果4. 结果4.1. Fisher线性判别变换Fisher线性判别分析将数据样本投影到一条线上，该线保持对不同类别的数据分类有用的方向FLD给出了一个投影矩阵，该投影矩阵重塑数据集的散布以最大化类可分性，定义为类间散布矩阵与类内散布矩阵的比率。This projection de fines∑v第1页r如果14最佳区分的特征首先，在1024波长的较低范围上应用FLD变换技术，并且还在CR特征的每个步骤中，评估分类的性能。它停止添加功能，直到获得最佳性能3.4.2. 与分数中冗余的相关性令ri 1.......... rid为排序的相关性值。如果rif=rid对于f，d=1，2，.v，可以针对这些特征来评估性能。 基于这两个特征的最高性能，只能考虑一个特征。如果r如果r id，则可以保留两个对应的特征。3.4.3. 分级波长令ri 1........... rid是来自各个特征的排序的相关性值选择技术从所有特征选择技术和评估中仅选择开始时排名前1的特征，以验证模型的性能然后将排名靠后的功能添加到排名靠前的功能，并继续累积添加性能可以在功能添加的每个阶段进行评估3.4.4. 单个波长选择对于所有的特征选择技术，性能可以通过一次考虑单个特征来评估，而不是累积添加特征，直到达到前五个最相关的特征（从第3.3.1获得）。因此，所选择的特征提供了性能的峰值，并且随后可以对所有特征执行相同的评估3.5.性能分析一旦估计了特征的数量，样本被划分为T1%用于训练，T2%用于测试样本。 假设训练样本被认为是X i个样本，i=1，2，3......N，具有d个波长，Yj是测试样本，j=1，2，3......M，具有d个波长。使用欧几里德距离度量进行距离测量。在更高的512个波长范围内。之后，从1024个波长中得到了525个本征值非零的本征波长，从512个波长中得到了260个本征值非零的本征波长通过选择非零本征波长和非负本征波长，使用FLD子空间计算波长的较低范围和较高范围的分类精度然而，673 nm至1100 nm波长范围的准确度结果为70%，1100 nm至1900 nm波长范围的准确度结果为62%对FLD进行了逆变换，并利用FLD变换得到的本征值映射计算了映射的原始波长的准确度，作为分类结果，低范围和高范围的准确度分别达到80.71% 和 68% 由 于 穿透深 度 在 较 低 波 长 处 较 高 （ Fraser 等 人 ，2000），则必须使用较低的波长进行分析。通过考虑较低范围波长获得的成功结果，即，对于673nm-4.2. 使用滤波器技术的波长选择此外，针对较低范围波长实施特征选择滤波器技术，以进行有效波长选择。图 4示出了针对波长673 nm-1100 nm范围的四种特征选择技术的比较。从Fisher比率，观察到对于135个波长获得84.78%的准确度从AMGM，74.85%的准确度获得了464个波长。从MM，获得82.71%的准确度为1024波长和MAD，获得81.85%的准确度为590波长。选择了135个来自Fisher比率的波长、464个来自AMGM的波长、1024个来自MM的波长和590个来自MAD的波长，因为它在个体特征选择技术中提供了最高的准确度 这些波长是随机选择的，并绘制在图中。5以了解波长在633 nm-1100nm范围内的分布情况。一旦计算出相关性分数按降序排列，据观察，ZsdX−Y2Where，i1、2、3 N15分中 没有冗余，因为相关性分数不相同。i∑rir1里1/4。. . . ......你好。......你好。.仅考虑前1名计算分类准确度从不同的特征选择技术中排列波长，然后上述等式涉及计算对应样本之间的差异的平方和的平方根。使用上述等式在每个测试样品Y与N个训练样品之间进行欧几里得距离测量。（C1）Ifm inZiC1¼累积地添加排名前2的波长，并且可以继续表1所示如图1所示，前1级波长的分类准确率为79.07%，前1级和前2级波长融合的分类准确率为77.64%，前1级、前2级和前3级波长融合的分类准确率为75.2%。第六章注意到在分级的波长之间没有波长的重叠计算单个波长的准确度，而不是图1所示的累积波长。第七章在第一种方法中，准确率为80.71%。DC2IfminZiC2ð16Þ对于在波长处识别峰在第二种方法中，仅用选择和组合波长，来自测试集的所有样本均使用欧几里德距离度量从方程（十五）、混淆矩阵是基于准确率80%。在第三种方法中，84.5%的准确度是在723.35 nm处，其在最高峰处被确定考虑c/fA. Raghavendra，D.S.大师和M.K.饶农业人工49图五、 波长分布在633nm-1100nm的范围内使用费舍尔的比率和不同的色散技术。最高峰波长与相邻三个波长（722.88 nm和723.82 nm）的融合准确率为83.71%5. 讨论基于有效波长选择的特征提取和特征选择技术，建立了芒果内部缺陷和健康的分类模型。利用原始特征对低量程波长和高量程波长的分类准确率分别为82.71%和64.86%。在此基础上，采用了FLD变换和基于滤波器的 特 征 选 择 技 术 ， 取 得 了 较 好 的 效果 。 据 观 察 ， 对 于 较 低 范 围（673nm-1100 nm），分类准确率为70%，其中525个表1fisher比值、AMGM、MM和MAD的前1和前2级波长特征选择技术前1级波长前2级波长费雪比率715.84 nm716.31 nmAMGM1123.73 nm1114.26纳米MM1122.24 nm1121.74 nm疯1124.75 nm1125.73 nm本征波长和62%的更高的范围（1100 nm至1900 nm）与215个非零本征波长使用FLD变换。对于通过计算反FLD变换识别的波长，该模型对低范围波长的准确度为80.71%，对高范围波长的准确度为68%因此，人们注意到，较低范围的近红外光谱波长适合于识别芒果的内部缺陷为了选择合适的波长范围，考虑更低范围的波长用于进一步的特征选择技术。图第六章 通过前1、前2和前3排名波长的累积增加来分类性能。A. Raghavendra，D.S.大师和M.K.饶农业人工50图第七章使用Fisher准则对单个波长进行性能分析。为了进一步分析，四个基于滤波器的特征选择技术用于较低的波长范围，即673 nm-1100 nm。然而，从图中可以看出。 4、Fisher比技术优于离散测度技术。因为基于其相关性得分，使用135个累积波长的Fisher比率结果表明，Fisher准则是最佳的技术，并进一步确定了有效波长，采用了一种优化的波长选择方法从图5（a）中，基于Fisher准则发现了两个波长范围。一个波长范围为702.72 nm至752.34 nm，具有105个波长，另一个波长范围为764.34 nm至752.34 nm。778.07 nm，具有30个波长。对105个波长的分类准确率为81.28%，对30个波长的分类准确率为74.14%。 在整个特征选择技术中，Fisher准则似乎是从近红外光谱中选择波长用于健康芒果和有缺陷芒果分类的最佳方法。此外，为了根据NIR光谱设计任何型号的NIR相机，需要适当的波长范围;因此，可以使用Fisher准则进行有效的波长选择6. 结论从近红外光谱中提出了适当的波长选择方法，数据范围为673 nm-1900 nm，用于健康芒果和内部缺陷芒果的分类波长选择提出了基于特征提取和特征选择的方法实验结果表明，相对于1100 nm~ 1900 nm的波长范围，673 nm~ 1100 nm的波长范围更适合于内部缺陷的检测。使用基于滤波器的特征选择技术，并且与其他选择技术相比，选择菲舍准则作为最佳波长选择技术。在有效波长下，最高准确度为84.5%根据Fisher准则，确定了最佳测定波长范围为该研究为进一步开发芒果海绵组织近红外检测相机/模型奠定了基础。然而，进一步调整我们的分类模型以预测缺陷的严重程度将有助于我们将缺陷样品进一步分类为较少缺陷、中等缺陷和严重缺陷，并且这项工作将作为我们未来的研究工作。这方面的未来研究将有助于为大型数据集建立更有效的模型，包括有效的分类算法，加快数据处理速度，达到实时检测芒果内部缺陷的目的信贷作者声明易易工作室-各种在线工具，站长网志，以及多个应用项目。D.S. 导师-监督，验证，可视化，写作-审查和编辑马赫什。利益冲突我们的研究中没有利益冲突致谢迈索尔的大君研究基金会（MRF）支持这项研究工作。我们感谢基金会的支持。我们也感谢Shwetha和Jayakumar，Comtek Scienti fi cPvt。有限公司、 班加罗尔提供近红外光谱收集数据集。此外，我们还要感谢所有的审稿人，他们分享了他们的批评意见，使我们的手稿更具可读性，并提高了内容的质量引用Anitha，Raghavendra，Mahesh，Rao，2016. 水果内部缺陷的非侵入式检测方法研究。Int.J. Latest Trends Eng. Technol. 6（3），343-34 8.Artur，J. Ferreira，Mário，A.T. Figueiredo，2012. 有效的特征选择过滤器用于高维数据.模式识别Lett. 33（13），1794-1804。Bart，M.尼古拉、卡特琳、比伦、埃尔斯、博布林、安、皮尔斯、赛斯、沃特、卡伦、我。Theron，Jeroen，Lammertyn，2007. 近红外光谱技术在果蔬品质无损检测中的应用哈佛毕业后Biol. Technol. 46，99- 118.Chulmin，Yun，Jihoon，Yang，2007.特征子集选择方法的实验比较。IEEE国际会议数据最小值https://doi.org/10.1109/ICDMW.2007.77网站。戴维角Slaughter，Carlos，H1998年，克里索斯托猕猴桃内部品质的近红外光谱无损评价。Sem等食物分析3，131-14 0.多斯帕特利耶夫湖Katrandzhiev，N.，Kostadinova，G.，2013. 近红外光谱技术在某些水果和蔬菜内部质量评估中的应用。For. Sci. Technol.3，39-48.F ra ser r，D. G. 、K unnem eyerr、R. ，McGlone，V. A. ，Jordan，R. B. ，2000。 没有一个人把酒精渗透到苹果里。Postharvest Biol.Technol. 22，191-194.导师，博士，Mahamad，Suhil，Lavanya，Narayana，Raju，Vinay，Kumar，N.，2018年基于单变量过滤器的文本分类特征选择的一种替代框架。 帕特你好Lett. 103，23-31。A. Raghavendra，D.S.大师和M.K.饶农业人工51Holm，F.，2002年。欧洲食品质量检测传感器开发合作组织 创新工作坊。用于在线监测食品 质 量 的 先 进 传 感 器 设 备 ， 请 访 问 http://www.ceeri.res.in/main/x-ray%20imaging.pdf。Huan，Liu，Hiroshi，Motoda，Rudy，Setiono，Zheng，Zhao，2010. 特征选择：数据挖掘中不断发展的前沿。JMLR：Workshop Conf. Proc. 10，4-13.Isabelle，Guyon，Andre，Elisseeff，2003. 介绍变量和特征选择。J.马赫学习. Res. 3，1157-1182.Jun，Chin，Ang Andri，Mirzal，Habibiran，Haron，Haza，Nuzly，Hamed，Abdull，2016. 监督、无监督和半监督特征选择：基因选择综述。IEEE/ACM Trans.ComputBiol Biofinform. 13（5），971-98 9.Krivoshiev，G.，Chalucova河，Moukarev，M.，两千可见/近红外光谱法无损检测果蔬内在品质时消除果皮干扰的可能性。生存主义聪明Technol. 33，344-34 9.Lamme rtyn，J er oe n，Ann，Pe ir s，Joss，DeB aerdemae ker，Bart，Nicolai，20 0 0. 近红外辐射在水果品质无损检测中的应用Postharvest biol. Technol. 18（2），121-132.Manpreeth，Singh，Ramesh，Kumar，2010. 芒果品质参数及其无损检测技术的研究进展。食品科学与技术杂志。47（1），1-14。Mayank，Go el，E ri c，Wh itmi re，A lex，Mariak a k is，S cott，S ap on a s T.， Ne el，Josh i，Dan，Moris，Brain，Guenter，Marcel，Gavriliu，Gaetano，Borriello，Shwetak，N.帕特尔，2015年。HyperCam：用于普适计算应用的高光谱成像。p p .145-156 UbiComp'15。Meurens ， M. ， Feth ， F. ， 2001. 可 见 / 近 红 外 透 射 光 谱 法 检 测 苹 果 内 部 缺 陷www.inapg.inra.fr/ens_rech/siab/asteq/ab-stract_3rdagm.Nemirko，A.P.，2016年。基于Fisher线性判别的特征空间变换帕特你好图像分析。 26（2），257-26 1.Peiris，K.，一九九七年。近红外光谱法无损测定桃的固形物含量。用于测量新鲜水果和蔬菜质量的无损检测传感器。 无损检测用传感器国际会议论文集。Peiris，K.，Dull，G.，Lef Fahler，R.，凯斯，S.，1998年 近红外光谱技术无损检测加工番茄中可溶性固形物含量。J. Amer. Soc. Hort. Sci 123，1089-1093。Peirs，A.，感人的KSchenk，A.，Nicolai，B.，2001年傅立叶变换近红外光谱法评价苹果采摘期。《园艺学报》553，477-480。Qiang ， Lu ， Ming ， Jie ， Tang ， Jian ， Cai ， Rong ， Zhao ， Jie-wen ， Saritporn ，Vittayapadung，2011.可见光/近红外高光谱成像用于检测猕猴桃上隐藏的瘀伤。 捷克食品科学杂志29（6），595-602。Sandeep，S. Musale，Pradeep，M.帕蒂尔，2014年。缺陷芒果与健康芒果的数据库开发。国际农业环境高级杂志Eng.1（1），2349-2531。Sang，Ha，Kyu，N.O.H.，CHOI，Hong，2006.果蔬品质无损评价技术。国际研讨会，以提高。提高亚洲水果出口竞争力国际研讨会Wodzis，DawawDuch，Tomasz，Winiarski，Jacek，Biesiada，Adam，Kachel，2003. 特征选择和排序过滤器。 人工神经网络与神经信息处理– ICANN/ICONIP