青岛理工大学研究生招生官网，青岛理工大学研究生招生官网2023
红提的可溶性固形物含量（Solube Solids Content，SSC）、总酸（Total Acid，TA）、pH、硬度（Firmness Index，FI）和含水率（Moisture Content，MC）等内部品质指标直接影响着果实的口感及品质，同时也是水果成熟度的评判标准。为快速获得上述内部品质指标，且避免不必要的检测损耗，本文提出了一种新的红提无损检测模型。以生长期红提为研究对象，利用Antaris II近红外光谱仪采集了360个样本的近红外光谱信息。对采集到的光谱信息分别用SNV等算法进行预处理并通过建模确定了最优预处理方法。然后通过降维算法提取光谱信息的特征波长，最后基于偏最小二乘回归算法（Partial Least Squares Regression，PLSR）分别建立了红提的SSC、TA、pH、FI和MC的检测模型。红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型，pH的最优检测模型为MA-CARS-SPA-PLSR模型，FI和MC的最优检测模为SG-CARS-PLSR模型。所建立的红提SSC、TA、pH、FI和MC的最优PLSR模型的预测集的相关系数Rp分别为0.9787、0.9811、0.9870、0.9568、0.9329，残差预测偏差RPD分别为4.8637、4.9006、6.0939、3.4453、2.5825，表明以上模型具有较高的检测精度。本文所建的红提内部品质检测模型可为红提内部品质的检测提供可靠的方法。
青岛理工大学信息与控制工程学院高升*等以生长期红提为研究对象，利用近红外光谱技术分别建立准确检测红提各内部指标（SSC、TA、pH、FI和MC）的最优无损检测模型，所建最优模型可为生长期红提内部品质SSC、TA、pH、FI和MC的无损快速检测提供新的方法。
1光谱预处理
由图1可知，样本光谱曲线中存在4个明显波谷，分别为4520、6000、7900、9350 cm−1。为消除噪声等干扰信息，本研究选择标准正态变量变换（Standard Normal Variable transformation，SNV）等预处理方法对原始光谱（RAW）进行处理。采用不同预处理方法对RAW进行处理后所建PLSR检测模型的结果如表1所示。
对于SSC、TA、FI、MC来说，经过SG预处理后的原始光谱所建PLSR模型的Rc（每个模型对应的Rc值分别为0.9834、0.9799、0.9241、0.9223）和Rp（每个模型对应的Rp值分别为0.9444、0.9697、0.9155、0.8812）较大，且校正集和预测集的均方根误差较小。因此，针对SSC、TA、FI、MC四个指标，下文选取SG预处理后进行优化。对于pH经MA预处理后所建PLSR效果较好，选取MA预处理后进行优化。
2样本集划分
实验中每个指标各采集360个样本，利用SPXY算法按照3:1比例划分为校正集和预测集。SSC、pH、TA、FI和MC分布范围、校正集及预测集的平均值如表2所示。SSC、pH、TA、FI和MC校正集的分布范围大于预测集的分布范围，证明通过SPXY算法划分后校正集的样本更具有代表性，校正集样本分布的范围更广对根据校正集所建模型的稳定性及准确性都会有所提升，利用SPXY算法划分样本集达到了较好的效果。
3特征波长的提取
将经过光谱预处理的原始光谱利用CARS算法、SPA算法和UVE算法提取特征波长，以下以SSC特征波长提取过程举例说明。
CARS的提取过程见图2，蒙特卡罗采样设置为50次，5折交叉验证。当RMSECV值达到最小值时，为所建PLSR模型的最优结果，当运行为图中竖线的位置时，RMSECV值最小值时，采样运行了18次。
SPA算法提取过程见图3，根据RMSE的变化来确定被选取的特征变量，随着变量个数的增加，RMSE先迅速下降，表明光谱中的无用信息被高效剔除，然后趋于平稳。图4（a）中RMSE取得最小值24为选定的波长个数，最终选取的波长点索引见图3（b），模型取得最好的效果。
UVE提取特征波长的后选取的结果见图4，设定噪声矩阵最大稳定性绝对值的99%作为剔除阈值，左侧黄色曲线为光谱信息，右侧红色曲线为添加的噪声信息，只保留两条虚线外侧的有用信息。
4 红提内部品质检测模型的检测结果
对于红提SSC、TA和pH，CARS-SPA组合降维算法提取特征波长效果最佳；对于红提FI和MC，一次降维算法CARS提取特征波长效果最佳。在特征波长提取的基础上建立的红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型，pH的最优检测模型为MA-CARS-SPA-PLSR模型，FI和MC的最优检测模型为SG-CARS-PLSR模型。所建立的红提的SSC、TA、pH、FI和MC的最优PLSR模型的RPD值均大于2.5，说明模型检测效果较好。图5为样本的检测效果图，五个模型的Rc的值分别为：0.9811、0.9816、0.9878、0.9579、0.9384，五个模型的Rp的值分别为：0.9787、0.9811、0.9870、0.9568、0.9329，五个模型的RPD的值分别为：4.4837、4.9006、6.0939、3.4453、2.5825。
6讨论与展望
利用近红外光谱技术对生长期的红提进行光谱实验采集后，不同生长期红提的光谱曲线都呈现出相同的变化趋势，波峰及波谷的位置比较固定，光谱曲线的变化产生的原因为红提内部物质，主要是含氢基团的物质对不同波段光谱的吸收和反射特性不同，SSC、TA、pH、FI和MC等指标因内部各物质的不同而有所差异。说明光谱在进行红提内部各指标检测时光谱曲线比较稳定，也从另外一个方面说明了用近红外光谱技术进行检测的可靠性和稳定性。红提生长过程中内部品质的变化会引起光谱曲线的变化，可通过本文建立的最优模型实现对红提各内部品质指标的无损检测。在红提生长过程中内部物质会发生一定的转化，SSC、TA、pH、FI和MC等指标因内部各物质的不同而有所差异，随着果实的成熟，SSC和pH逐渐的增加，TA、FI和MC逐渐的减小，说明果实品尝的甜度会慢慢增加，果实逐渐成熟。后期将在本文的研究基础上，深入探究红提成熟度各内部指标的转化特性，建立红提成熟度与近红外光谱特征波长的对应关系模型。
7 结论
本文选取生长期内的红提作为研究对象，利用Antaris II近红外光谱仪采集了360个红提样本的近红外光谱信息。通过光谱预处理和各种降维算法提取光谱信息的特征波长建立了红提的SSC、TA、pH、FI和MC的最优PLSR检测模型。得到的结论如下：
对于红提SSC、TA和pH，CARS-SPA组合降维算法提取特征波长效果最佳；对于红提FI和MC，一次降维算法CARS提取特征波长效果最佳。
红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型，pH的最优检测模型为MA-CARS-SPA-PLSR模型，FI和MC的最优检测模为SG-CARS-PLSR模型。
红提SSC、TA、pH、FI和MC的最优检测模型的RPD的值分别为：4.4837、4.9006、6.0939、3.4453、2.5825，各指标最优检测模型的Rp都大于0.93，RPD均高于2.5，表明以上模型均具有较好的检测效果，实现了各内部指标的准确检测。本文建立的各指标检测模型可为生长期红提内部品质的无损快速检测提供新的方法。
青岛理工大学研究生招生官网(青岛理工大学研究生招生官网2023)
