榴莲果实成熟度分类模型的近红外无损改进研究

农业中的人工智能7（2023）35榴莲果实近红外无损成熟度分类模型的改进Chanrak Ditcharoena，Panmanas Sirisomboonb，Khwantri Saengprachatanaruga，Arthit Risphaphuda，Ronnarit Rittironc，Anupun Terdwongworakuld，Chayuttapong Malaia，Chirawan Saenphona，Lalita Panduangnatea，Jetsada Posoma，a泰国孔敬大学工程学院农业工程系，40002b泰国曼谷10520蒙固国王理工学院工程学院农业工程系cKasetsart大学Kamphaengsaen工程学院食品工程系，Nakhon Pathom 73140，泰国d农业工程系，Kamphaeng Saen工程学院，Kasetsart大学，Kamphaeng Saen，Nakhon Pathom 73140，泰国a r t i c l e i nf o文章历史记录：收到2022年2023年2月13日收到修订版，2023年2023年2月22日在线提供关键词：分类榴莲果实成熟期近红外光谱无损检测方法a b s t r a c t榴莲果实的成熟状态是交易前质量的关键指标 本研究的目的是改进近红外（NIR）模型，用于榴莲果实成熟度的分类，使 用一 个完 全 无损 的 测 量 。 研 究 了 两 种 近 红 外 光 谱 仪 ： 范 围 为 450 至 1000 nm 的 短 波 长 近 红 外（SWNIR）和范围为860至1750 nm的长波长近红外（LWNIR） 供试样品分为未成熟、早熟、成熟和成熟四个阶段。在主可育叶（头部、中部和尾部）和茎上的果皮位置扫描每个果实。 使用三种监督机器学习算法：线性判别分析（LDA），支持向量机（SVM）和K-最近邻（KNN）开发分类模型。 分析结果表明，使用榴莲皮光谱只有83.15%和88.04%之间的准确度的LWNIR光谱仪，而SWNIR光谱仪提供64.73%至93.77%的准确度。将皮光谱与茎光谱相结合，可提高模型的预测精度 使用果皮和茎光谱的组合开发的LDA模型提供了最大的效率，对于LWNIR和SWNIR光谱仪分别表现出97.28%和100%的准确度。因此，LDA模型被推荐用于从平滑移动平均值（MA）+果皮位置基线获得光谱，并与MA+标准正态方差（SNV）的茎光谱组合使用。近红外光谱表明，高潜力的非破坏性估计的榴莲成熟期。 该工艺可用于榴莲出口行业的质量控制，以解决榴莲生果混熟的问题。版权所有© 2023作者。出版社：Elsevier B.V.我代表科爱通信公司，公司 这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍榴莲被誉为水果之王，是重要的农产品. 泰国是世界上最大的榴莲生产国和出口国（商务部，2020年）。特别是，孟通品种是著名的，因为它有一个甜，美味的味道。根据泰国2021年新鲜榴莲的出口统计数据，泰国是世界第一大榴莲出口国，出口量约为90万吨，价值约30亿美元。二零二一年，泰国鲜榴莲出口价值较二零二零年增加约66. 39%（鲜榴莲出口统计，二零二二年）。*通讯作者。电子邮件地址：jetspo@kku.ac.th（J. Posom）。目前，市场对榴莲的需求呈持续增长的趋势，导致高价值的出口。榴莲出口的质量根据农业和合作社部农业商品和食品标准局的农业商品标准的分类标准进行控制，以保持高质量并符合特定产品标准（榴莲农业产品标准，2013年）。出口杜丽娘果的质量是根据其物理特性和外部特征如形状、果肉量、清洁度、无污染、外部缺陷等进行分析的。（Somsri，2013年）。例如，要被认为是成熟的水果，榴莲必须在其果皮和茎的颜色从亮绿色变为棕色或深绿色时收获然而，如果果实生长在树的外部树枝上（在阳光下），则很可能会犯错误暴露在极端阳光下的水果往往是棕色，粗糙，https://doi.org/10.1016/j.aiia.2023.02.0022589-7217/© 2023作者。Elsevier B.V.代表KeAi Communications Co.提供出版服务，这是CC BY许可证下的开放获取文章（creativecommons.org/licenses/by/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/S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工36p深棕色的茎，而刺的末端比同龄的树冠果实更干燥和棕色（区域信息仓库，2023）。因此，传统的视觉排序方法容易出现潜在的错误。大部分出口的榴莲都是新鲜的。 为了运送新鲜水果，需要在适当的条件下运输水果，例如通过考虑运输距离。 如果运输距离较短，可以选择成熟的榴莲，成熟的榴莲可以在1-3天内成熟，而较长的运输距离要求榴莲处于不太成熟的阶段，以便有足够的时间让水果成熟并在到达消费者时可以 食 用 。 通 常 ， 榴 莲 在 冷 藏 条 件 下 运 输 ， 以 保 持 适 当 的 温 度（Paoumnuaywit，2019）。根据最近的一份报告，从2014年到2015年，榴莲的出口价值从69.3%下降到6.5%，因为水果的质量不符合要求的标准（Jintakanon，2020）。如果这种情况继续下去，可能会影响国际出口商业部门，使其失去现有的客户基础。如果交付的榴莲不符合要求的标准，他们将被殴打并以较低的价格出售，造成高额损失。为了控制榴莲的品质，减少榴莲幼果与成熟果实混在一起的问题，采用随机抽样的方法，测定榴莲的可溶性固形物和干物质等化学指标，全面、准确地评价榴莲的内在品质这种方法在成本方面也有限制，因为这种分析是耗时的并且需要高度熟练的操作员。因此，它不被广泛使用，不能保证100%的质量。目前，近红外（NIR）被用作替代方法，并具有预测榴莲果实品质的潜力。Talabnark和Terdwongworakul（2017）使用FT-NIR光谱（12，500从果肉光谱和整个水果光谱切片果皮光谱的PLSR模型的性能进行了比较。果肉光谱模型的rp和RMSEP分别为0.78%和3.02%，而由全果和切片果皮光谱建立的模型的rp和RMSEP分别为0.69%和3.57%。Somton等人（2015）应用近红外光谱（1100-2500 nm），根据切片的果皮和切片的茎吸收率将榴莲分为三个成熟度类别（未成熟榴莲、早熟榴莲和成熟榴莲）。他们得出结论，使用切片外皮和茎光谱数据的组合模型提供了最高的分类准确度（94.4%）。在前面的研究中，研究人员采用了最小破坏性的评价，即在扫描前去除茎并切片果皮和外皮以提供一个可观察的区域。然而，由于出口水果不应被刮伤或损坏，这种申请是不切实际的。为了解决这一研究空白，未来应开发有效的无损检测。使用近红外光谱法在线（在样品移动的情况下扫描）和在线（在样品保持静止的情况下扫描）预测杜兰果肉的甜度（Leepaitoon，2018）。在线模型由0.70的R2和4.0%的RMSEP组成同时，模型的R2为0.81，RMSEP为3.27%.近红外（NIR）高光谱图像技术用于扫描榴莲果肉，预测DM，并对榴莲果肉的成熟度进行分类（Sharma等人，2022年）。对于DM预测，该模型采用近红外光谱技术在榴莲果实和果肉的成熟度和成熟度检测中具有很高的应用价值先前的研究产生了破坏性和最小破坏性的果实。因此，本研究试图在尽可能非破坏性因此，本研究的目的是应用近红外光谱技术来分类整个榴莲果实的成熟度。扫描是在完全无损的条件下进行的，主要有两个目的：1）开发一个分类模型，用于使用SWNIR和LWNIR光谱测量整个榴莲果实的成熟期，以及2）寻找一种最佳的扫描方法，用作成熟度等级的完全无损测量。2. 材料和方法2.1. 样品收集榴莲果实（Mon Thong品种）获自Phetchabun省Nam Nao区的以开花后天数（DAB）为标准，从80 ~ 90天（40个果实）、90 ~ 100天（40个果实）、100 ~ 110天（40个果实）、110 ~ 120天（20个果实）和120 ~ 130天（20个果实）5个不同年龄段采集果实样品160个收集的榴莲果实根据DAB分为三个成熟期：未成熟期（80至100 DAB=80个果实），早熟期（101至120 DAB = 100个果实），成熟期（100至100DAB = 100个果实），成熟期（100至100 DAB = 100个果实），成熟期（100至100 DAB= 100个果实）。60个果实）和成熟（121至130 DAB= 20个果实）。样本被带到KhonKaen大学工程学院农业工程实验室系将来自早熟期的30个榴莲果实（60个果实）随机分离并放置成熟7天。他们被指定为成熟阶段（Pimten。2021; Posomboon，2020）。榴莲是一种跃变型水果。成熟受乙烯调节，果实在收获后可自行成熟（Tongdee等人，1990年）。因此，本试验的榴莲果实分为4个成熟期（未成熟期80个，早熟期30个，成熟期20个，成熟期30个）。表1显示了榴莲果实根据成熟度和样品数量分类2.2. 近红外扫描将水果样品置于25± 2 °C的室温下1小时，然后取出样品进行扫描以消除温差因素。NIR扫描系统由一个测量室和两个NIR光谱仪组成测量室包括一个尺寸为60 L × 60 W × 60 H cm的黑匣子。四个25 W的卤素灯安装在盒子的每个角落的顶部，与y轴成45°角（见图1a）。使用两个光谱仪扫描样品：长波长（LWNIR）光谱仪（AvaSpec-ULS 2048-USB2-VA-50，AVANTES，荷兰，波长范围在860和1750 nm之间）和短波长（ LWNIR ） 光 谱 仪 （ AvaSpec-ULS 2048-USB2-VA-50 ，AVANTES，荷兰，波长范围在860和1750 nm之间表1根据Thongklin（2018），基于DAB和成熟度百分比的成熟度分类用遗传算法进行变量选择，获得了最高的精度，R2为0.878，RMSEP为1.22%。对于成熟度分类，LDA算法表现出100%的准确性。榴莲（榴莲阶段成熟度（%）开花后第二天数量的样本总校准（水果）水果（Fruit）验证集（水果）zibethinus）成熟检测（未成熟，成熟和过熟）是每-使用热图像和多变量分析（PCA，KNN，未成熟早产≤747580–100101–12080306121199LDA，SVM）（Mohd Ali等人，2021年）。分类准确率为成熟81–100121–1302012893%以上的车型。SVM模型表现出最好的性能-准确率达97%。然而，这项研究被...成熟>100让榴莲成熟30237在室温下输送DAB：开花后的日子S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工37W1卤素灯光纤黑匣子（b）第（1）款图1.一、 实验设置，a）榴莲扫描的前视图，b）工具的概览扫描和组件。7-EVO，AVANTES，荷兰，波长范围在140和1100 nm之间）。光谱采集包括三个步骤：1）打开光源并保持10 min以确保稳定的光强度; 2）收集深色和白色参考; 3）使用两台光谱仪扫描样品，积分时间相同，均为200ms。在光窗下扫描每个榴莲果实样品反射率计算为R1/4Is-Id，其中Is、Id和Iw为德国）（Saechua等人，2021年）。然后称重干燥样品，并按照公式计算DM（一）.W2DM%干重×10 01kg其中W2是干燥样品的最终重量（g），W1是初始重量（g），环Iw-Id重量（g）。对每个位置进行一式三份评价并取平均值。样品（深色）和白色参比品（反射率）的光强度。然后将吸光度（A）计算为A = log（1/R）。在股骨柄处扫描样品（Somton等人， 2015），以获得平均光谱。然后在每个位置一式三份地扫描可育叶（其是贯穿果实长度的完整叶并且比其他叶大）的果皮（在头部、中部和尾部位置）并取平均值（Buasub，2007）（参见图1B）。 1b和图2）。因此，每个果实获得四个光谱：头部、中部、尾部和茎部。所开发的分类模型的示意图如图所示。二、2.3. 干物质含量测定扫描后，从果实上除去果皮，并使用干燥烘箱法测定在头部、中部和尾部采集的果肉的根据数字天平系统（ATX 224，Shimadzu，日本），每个位置的样品称重约10 g，并置于60 ℃的热空气烘箱（UF75，Memmert，2.4. 模型开发图 2显示了开发成熟度分类模型的示意图。为了寻找最佳模型，使用监督机器学习分类、线性判别分析（LDA）、支持向量机（SVM）和k-最近邻（KNN）分析总数据。 光谱预处理方法用于一阶导数（D1）（间隙= 5个点，片段= 5个点）、二阶导数（D2）（间隙= 5个点，片段= 5个点）、平滑移动平均值（MA）+标准正态方差（平滑+SNV）和MA+基线偏移的未预处理（原始光谱）和预处理光谱。 对于间隙-片段导数，间隙大小指示计算导数的点之间的间距，而片段大小指示对点进行平均的范围。向导数添加间隙和线段有助于平滑和消除导数本身产生的任何噪声45O60厘探针50厘60厘米（一短波近红外光谱仪长波红外光谱仪OnAvaSoftAvaSoftOS. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工38图二、 成熟期榴莲分类模型开发示意图。训练模型使用交叉验证（CV）创建K-Fold CV是将给定数据集分成K个部分/折叠，每个折叠在某个点用作测试集以5倍CV（K= 5）为例在第一次迭代中，第一次折叠用于测试模型，其余部分用于训练模型。在第二次迭代中，第二次折叠用作测试集，而其余部分用作训练集。重复这个过程，直到五次折叠中的每一次都完成。用作测试集（Krishni，2018）。因此，在本研究中，使用k= 5的k倍CV，其中训练集和测试数据集分别为75%和25%因此，总样本为160个，校准集为117个水果，验证集为43个水果。在第一步中，使用外皮光谱（在位置：a（头部）、b（中间）和c（尾部））开发模型，其中每个位置被分配为单独的光谱样本以选择最佳的S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工榴莲茎的SNV光谱，以及榴莲茎的每个成熟阶段的平均光谱390.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000TPFFN光谱预处理技术因此，校准集有351份样品（117 × 3光谱），验证集有129份样品（43 × 3光谱）。用原始或预处理的光谱检查果皮光谱。在此基础上，提出了适合于该光谱的预处理技术和相应的分类算法在第二步中，当最佳光谱预处理方法对于已经获得的外皮（来自第一步骤），将预处理的外皮光谱与原始茎光谱或用几种技术（D1、D2、MA+ SNV和MA+基线偏移）预处理的茎光谱合并。将果皮光谱样品与茎样品合并以形成单个样品。这些组合光谱用于再次生成分类模型LDA，SVM和KNN模型的性能进行了评估，总精度（Eq.（2））、精度（Eq.（3）），recall（Eq.（4）），和spec-1fi city（Eq.（5））。每个方程中的变量是真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）。总精度TPTN1002TPTN FP FNTP精密度±100 μm±召回数量%TP× 100×4mmTN专属性：≤ %≤TN≤ FP×100 ≤ 5mg这项工作分为四类，即。未成熟、早熟、成熟和成熟。例如，如果考虑成熟阶段的类别，则TP、TN、FP和FN可以被描述为：TP是被正确分类为成熟的样本的数量;TN是未成熟、早熟和成熟的样本的数量;FN是被错误分类为成熟、早熟和成熟的未成熟的样本的数量; FP是被错误分类为成熟的未成熟、早熟和成熟的样本此外，受试者工作特征曲线下面积（AUC-ROC）估计了分类器区分类别的潜力。AUC-ROC的范围为0至1，其中接近1的分数表示分类器可以成功地划分阳性类别图3. 榴莲LWNIR光谱仪的光谱：（a）榴莲皮的原始光谱，（b）榴莲皮的SNV光谱，（c）榴莲皮每个成熟阶段的平均光谱，（d）榴莲皮的原始光谱，（e）榴莲皮的SNV光谱，（f）榴莲皮的SNV光谱，（g）榴莲皮的SNV光谱，（S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工榴莲茎的SNV光谱，以及榴莲茎的每个成熟阶段的平均光谱40从消极的。其余三类分析方法同上。使用相同的方法生成SWNIR和LWNIR光谱分类模型，并随后比较它们的性能最后，使用不同的机器学习分类和预处理，NIR波长光谱仪和光谱位置模型（仅光谱或组合光谱）提供了最高的准确度，并且被认为是最佳模型。3. 结果和讨论3.1. 榴莲的光谱特征使用LWNIR（860-1750 nm）和SWNIR（450-1000 nm）收集的榴莲皮和茎的原始光谱示于图1A和1B中。分别为3和4。图图3a、b和c;图4a、b和c分别显示了果皮的原始光谱、SNV光谱和平均原始光谱。图3d、e、a和f; 4 d、e和f分别显示茎的原始光谱、SNV光谱和平均原始光谱。图图3a、b、d和e以及图4a、b、d和e分别示出了果皮和茎的原始光谱和SNV光谱。基线偏移通常发生在扫描榴莲果实样品时。线性基线影响吸收值的偏移随着波长的增加而系统性地向上倾斜（Haruthaithanasan，2011）。不同成熟阶段的果皮和茎的平均原始光谱，即，未成熟的，早熟的，成熟的和成熟的，在图中呈现。 3c和f以及4c和f分别用于LWNIR和SWNIR。果皮和茎的平均原始光谱第1组：未成熟期和早熟期，第2组：成熟期和成熟期，结果相似.而两组的平均原始光谱有明显差异。例如图图3c和图3f表明，两组的吸收在1250 nm波长的糖振动带处明显不同（Pu等人， 2016年）。 对于SWNIR，在花色素和叶绿素的680 nm振动带的波长处的平均原始果皮光谱（Benelli等人， 2021年），大约，显然有不同的吸收值在不同的阶段。而图4f显示，原始茎光谱的SWNIR明显具有不同的吸收曲线。如前所述，不同的吸收值在不同的成熟度阶段清楚地出现，导致分类模型具有良好的准确性。 Sharma等人的报告。（2022）示出了预处理的平均光谱SNV。在900和1200 nm波长处，榴莲 的 不 同 成 熟 度 可 使 光 谱 明 显 分 离 同 样 ， Saputro 和 Handayan（2017）图四、榴莲的SWNIR光谱：（a）榴莲皮的原始光谱，（b）榴莲皮的SNV光谱，（c）榴莲皮每个成熟阶段的平均光谱，（d）榴莲皮的原始光谱，（e）榴莲皮的SNV光谱。S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工验证集的样本数;MA平滑移动平均值;SNV标准正态变量。41图五、不同成熟期榴莲果肉干物质含量。结果表明，香蕉的反射率分布在不同成熟阶段在480、680和960 nm左右的波长处是分离3.2. 干物质含量图5为榴莲果肉不同成熟期的平均干物质。结果表明，榴莲果肉的干物质含量随DAB含量的增加而增加然而，成熟阶段的榴莲表现出较低的DM 比 成 熟 阶 段 ， 因 为 它 是 从 早 熟 自 然 成 熟 这 些 结 果 与Chuenatsadongkot等人的研究结果一致。（2018年），DM百分比与DAB的相关性显示出明显的趋势，DM百分比在此期间趋于稳步上升，从100上升到135 DAB。然而，在成熟阶段，平均干物质百分比下降小于成熟阶段，因为当榴莲非常成熟时纸浆会变脏，导致湿度比平时高这与Timkhum和Terdwongworakul（2013年）的结果一致，后者的干物质百分比值较低，因为暴雨造成的高湿度这表明湿度影响DM百分比。3.3. 分类模型表2显示了使用来自LWNIR的全波长开发的每个分类模型的验证集的准确性第一步的报告表明，成熟度分类模型是使用榴莲皮光谱结合不同的算法（即，LDA、SVM和KNN）以及原始光谱或预处理的光谱（即，D1、D2、MA+ SNV和MA+基线偏移），以找到最佳预处理及其相应的算法。模型效率基于精确度、召回率、特异性和准确性来确定。结果表明，D2最优预处理适合LDA和SVM算法，MA+ SNV适合KNN算法，验证集的精确度、召回率、特异度和总体准确率分别为71.45%、71.62%、91.61%和87.50%; 73.91%、62.45%、62.45%、62.45%。分别为73.91%、62.45%、90.21%和88.04%。很好最后，D2的最佳光谱预处理方法适合LDA和SVM，而MA+ SNV的最佳光谱预处理方法适合KNN。根据第二步的报告，将原始或预处理的茎光谱与外皮光谱（使用第一步获得的LDA和SVM的D2以及kNN的MA+ SNV进行预处理）进行匹配从这一假设可以看出，皮光谱和茎光谱的结合可以提高分类精度。表2表明，组合光谱（果皮和茎）可以提高所有算法的模型性能结果表明，以果皮（D2）+茎（MA + SNV）为特征的LDA模型分类效果最好，其分类效率、准确率、召回率、特异率和总体准确率分别为96.40%、91.88%、97.55%和97.28%。验证集的混淆矩阵见表3。表2使用LWNIR光谱仪的全波长开发的验证集的不同分类模型的准确性模型光谱皮干N精度召回Specifi city准确度5倍CV总体精度AUC-ROCLDA榴莲皮原–12959.8362.0388.1677.04± 0.6483.150.82一阶导数–12969.2770.5991.1265.96± 2.0086.960.77二阶导数–12971.4571.6291.6166.40± 1.3487.500.75MA+ SNV–12966.3465.7388.6876.00± 1.7684.780.78MA+基线偏移–12961.9364.0688.0173.18± 2.8683.150.79榴莲皮带梗组合二阶导数原12991.8585.3290.0084.80± 1.0897.830.88一阶导数12994.0492.6093.6584.60± 1.9993.480.90二阶导数12995.7493.7995.3283.14± 1.2294.570.88MA+ SNV12996.4091.8897.5582.54± 1.1997.280.86MA+基线偏移12983.6085.2795.4579.65± 2.9793.480.85SVM榴莲皮原–12967.4564.2890.9266.02± 2.3987.500.82一阶导数–12973.1763.5490.4371.82 ± 1.6988.040.85二阶导数–12973.9162.4590.2175.76± 1.2388.040.87MA+ SNV–12968.0658.1987.9771.82± 1.6985.330.85MA+基线–12960.1955.4588.3475.76± 1.2385.330.87榴莲皮带梗组合二阶导数原12991.5781.2396.1780.50± 1.0095.110.95一阶导数12990.9179.5795.6384.32± 0.9894.570.94二阶导数12987.2476.1594.6186.00± 1.3392.930.95MA+ SNV12975.8866.0091.6581.93± 2.7289.670.92MA+基线偏移12985.4582.4495.3383.35± 0.9693.480.94KNN榴莲皮原–12961.6457.6787.9953.70± 1.2585.330.71一阶导数–12955.3856.1689.4666.14± 2.7884.780.76二阶导数–12973.9162.4590.2169.82± 2.8188.040.75MA+ SNV–12958.6757.8088.1763.42± 1.4784.240.78MA+基线–12954.7055.4288.1063.18± 1.0683.150.71榴莲皮带梗组合二阶导数原12974.7765.3690.0475.18± 1.4587.500.82一阶导数12983.1678.8794.1181.70± 0.8292.390.85二阶导数12947.1948.9985.8068.88± 1.9579.350.75MA+ SNV12975.6373.1692.8279.06± 1.6490.220.83MA+基线偏移12975.8866.0091.6578.75± 1.0489.670.83S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工验证集的样本数;MA平滑移动平均值;SNV标准正态变量。42表3LWNIR光谱仪用果皮（二阶导数）+茎（MA+ SNV）开发的LDA模型的混淆矩阵表图5SWNIR光谱仪用外皮（MA+基线偏移）+主干（MA + SNV）开发的LDA模型的混淆矩阵。预测预测未成熟早产成熟成熟未成熟早产成熟成熟实际未成熟57000实际未成熟57000早产42300早产02700成熟00240成熟00240成熟20118成熟00021表4显示了使用来自SWNIR的全波长开发的每个分类模型的验证集的准确度分析方法与LWNIR相同利用榴莲果皮光谱建立了成熟度分类每种算法与原始或预处理的光谱结合用于模型开发，以找到最佳的预处理及其相应的模型效率还根据精确度、召回率、特异性和总体准确度来确定实验结果表明，最优预处理MA+基线偏移适合LDA，D1适合SVM，D2适合KNN，其精确度、召回率、特异度和总体准确率分别为84.70%、83.48%、85.30%、84.39%;95.99% ， 91.99% ， 95.56% ， 93.77%; 87.90% ， 85.62% ， 87.50% ，87.01%，分别如表4所示，可以观察到，组合光谱（果皮和茎）可以提高所有算法的模型性能用外皮（MA+基线偏移）+茎（MA+ SNV）开发的LDA模型提供了最佳的分类效率，获得了100%的精确度、召回率、特异性和总体准确度。表5展示了SWNIR光谱仪的验证集的混淆矩阵，其建模能力略高于LWNIR光谱仪。利用近红外高光谱成像系统（900（注：DAB之后该模型是用榴莲果肉光谱建立的结果显示，LDA模型可以用于分类榴莲成熟度水平，提供100%的高准确度（Sharma等人，2022年）。Talabnark和Terdwongworakul（2017年）报告称，FT-NIR光谱（800-而榴莲果肉光谱模型的预测精度高于切片光谱模型（92.5%）。Somton等人（2015）发现，使用切片外皮和切片茎光谱的组合开发的来自NIR（1000-2500 nm）的分类模型可以实现比仅从切片外皮光谱创建的模型更高的准确度（94.4%准确度）。Timkhum 和Terdwongworakul（2012）使用可见近红外光谱（350该模型实现了最佳分类准确度（83.30%），而使用切片茎光谱开发的模型提供的准确度高于切片皮光谱（94.7%）（Saputro和Handayani，2017）。这些结果得到了Praneenararat的支持，他发现杜兰茎含有与甜味一致的液体糖化合物化学分析显示，当榴莲开始成熟时，蔗糖显著增加，而葡萄糖和果糖减少（Praneenararat，2021）。因此，准确度表4使用SWNIR光谱仪的全波长开发的验证集的不同分类模型的准确度模型光谱皮干N精度召回Specifi city准确度5倍CV总体精度AUC-ROCLDA榴莲皮原–12976.3776.7978.9286.86± 1.4377.860.88一阶导数–12981.3880.7382.5586.44± 1.6281.640.87二阶导数–12974.6274.0177.2986.32± 1.8175.650.87MA+ SNV–12979.0580.7078.4590.10± 1.2479.570.87MA+基线偏移–12984.7083.4885.3090.18± 1.6284.390.88榴莲皮带梗组合MA+基线偏移原12997.8093.1897.7094.48± 1.2695.440.95一阶导数129100.00100.00100.0095.08± 1.06100.000.95二阶导数12999.4697.7399.4494.06± 1.6598.590.95MA+ SNV129100.00100.00100.0096.36± 0.99100.000.96MA+基线偏移12999.4697.7399.4493.70± 0.7398.590.94SVM榴莲皮原–12980.8372.6682.9769.02± 2.0777.810.84一阶导数–12995.9991.9995.5689.90± 0.6593.770.93二阶导数–12993.9792.6394.3189.02± 1.5293.470.94MA+ SNV–12979.7377.8680.2281.78± 0.9679.040.94MA+基线偏移–12974.6672.8976.0472.64± 1.5974.470.84榴莲皮带梗组合一阶导数原12992.6989.1892.6287.60± 1.6390.900.97一阶导数12996.5295.3596.1194.16± 0.7095.730.99二阶导数12998.4498.8198.3394.76± 0.9298.570.99MA+ SNV12995.6395.9595.4892.80± 1.0595.710.99MA+基线偏移12993.0693.5792.1488.67± 0.9692.860.97KNN榴莲皮原–12970.5153.7275.7460.46± 0.5264.730.72一阶导数–12985.8784.6185.4082.74± 2.1285.010.87二阶导数–12987.9086.5287.5086.52± 1.2487.010.88MA+ SNV–12980.4369.8877.9472.76± 1.2273.910.87MA+基线偏移–12966.4567.6664.8365.94± 1.1866.240.72榴莲皮带梗组合二阶导数原12998.4498.8198.3386.96± 1.9698.570.89一阶导数12997.9298.3397.7391.80± 0.9198.030.94二阶导数12997.9298.3397.7395.70± 0.8898.030.95MA+ SNV12998.4498.8198.3392.80± 1.0598.570.95MA+基线偏移12997.9298.3397.7388.67± 0.9698.030.92S. Ditcharoen，P.Sirisomboon，K.Saengprachatanarug等人农业人工43榴莲茎光谱模型提供的光谱与本研究的结果一致（见表2和表4），而茎与皮结合的光谱提供了较高的精度。一些先前的研究导致破坏性测量，而另一些则导致破坏性最小本研究的目的是提供一种完全无损的测量方法。近红外光谱与机器学习相结合，有可能用作非破坏性测量。近红外光谱的应用可以减少操作时间，不同位置的果皮与茎光谱相结合产生相似的性能。任何果皮位置结合茎光谱都可用于预测。结果表明，不同的果皮光谱可以得到相似的结果。通过从MA+基线果皮光谱（不同位置，即，头部、中部和尾部）和MA+ SNV茎光谱。4. 结论这项研究表明，近红外光谱技术有可能成为一个完整的非破坏性测量。该模型是使用几种机器学习技术生成的，用于成熟度的分类（四个阶段，即，未成熟的、早熟的、成熟的和成熟的）基于榴莲DAB。这项研究的优势在于样本在分类过程中没有被破坏。 LWNIR和SWNIR与LDA、SVM和KNN算法的结合给出了略有不同的性能结果。利用果皮光谱建立的LWNIR模型的总体准确度分别为87.50%、88.04%和88.04%，而利用果皮光谱建立的SWNIR模型的总体准确度分别为84.39%、93.77%和87.01%当使用组合光谱（果皮光谱+茎光谱）时，模型得到改善LDA模型是最好的分类器，当用MA+基线偏移预处理果皮光谱和用MA+ SNV预处理茎光谱时，SWNIR的分类准确率为100%建议将任意位置的果皮光谱与茎光谱结合起来使用。近红外光谱仪可用于榴莲成熟度的分类可以使用任何光谱仪仪器，因为它提供了同样的高效率，但建议使用SWNIR，因为它比LWNIR便宜CRediT作者贡献声明Ditcharoen：概念化，方法论，软件，形式分析，调查，资源，数据策展，写作Panmanas Sirisomboon：验证，资金收购。KhwantriSaengprachatanarug：验证，概念化。Arthit Rumphaphud：验证，写作&-审查编辑。Ronnarit Rittiron：验证。AnupunTerdwongworakul：验证。 ChayuttapongMalai：验证，数据管理。Chirawan Saenphon：验证，数 据 管 理 ， 方 法 学 。 LalitaPanduangnate ： 验 证 ， 数 据 管 理 。JetsadaPosom：概念化，形式化分析，数据管理，撰写竞争利益声明一个都没有。确认这项工作还得到了泰国孔敬大学研究和研究生课程的支持;泰国孔敬大学研究生院2021年支持讲师招收高潜力学生学习和研究的研究基金;农业研究发展局（公共机构）[授权号CRP 6405031580]。作者会喜欢到感谢孔敬大学工程学院农业工程系为实验提供的设备和地点，以及蒙固国王科技学院对Ladkrabang的财政支持。引用Benelli，A.，Cevoli角，Fabbri，A.，拉尼湖，2021.基于高光谱成像技术的猕猴桃成熟度评价。生物系统https://doi.org/10.1016/j.biosystemseng.2021. 八点零九分Buasub，W.，2007年农业推广学术手册（榴莲）。农业部商品。升职2022年8月1日，马云逝世。http://www.agriman.doae.go的网站。th/home/t.n/t.n1/3fruit_durian/01_durian.pdf。Chuenatsadongkot，T.，Treeamnuk，T.，Treeamnuk，K.，2018年利用光谱仪颜色值与图像处理技术评估芒通榴莲成熟度的能力比较Int. J. 机甲Prod. Eng. 问题6。http://iraj.in网站。2022 年 新 鲜 榴 莲 出 口 统 计 农 业 经 济 学 办 公 室 h t t p： / / i m p e x p .oae.go.th/service/export.php? S_YEAR=2563& E_YEAR=2565& PRODUCT_GROUP=525 2& PR OD UC T_ID= 4 9 7 7&