李敏

（樂(lè)山師范學(xué)院 物理與電子工程學(xué)院，四川 樂(lè)山 614000）

1 引言

我國(guó)雖然是水果生產(chǎn)大國(guó)，但自1993年以來(lái)水果儲(chǔ)藏能力只有10% ，爛果率高達(dá)25%，出口總量不到總產(chǎn)量的3%，遠(yuǎn)低于9%～10%的世界平均水平[1～3]。以上原因造成果農(nóng)賣(mài)果難，增收難。要解決這些問(wèn)題，必須發(fā)展水果深加工，擴(kuò)大鮮果出口。阻礙我國(guó)鮮果出口的一個(gè)重要因素是果品分選、檢測(cè)能力弱，檢測(cè)速度慢，檢測(cè)人員的素質(zhì)低，果品篩選達(dá)不到國(guó)際上水果進(jìn)出口市場(chǎng)的要求。國(guó)內(nèi)早期的水果內(nèi)部品質(zhì)檢測(cè)方法主要是化學(xué)分析法，該方法不僅可靠性和穩(wěn)定性較差，而且在測(cè)試時(shí)還必須破壞水果，測(cè)試過(guò)程繁瑣，只能通過(guò)少量樣本的測(cè)定，來(lái)評(píng)價(jià)整批次水果的品質(zhì)。鑒于以上原因，無(wú)損檢測(cè)技術(shù)應(yīng)運(yùn)而生。無(wú)損檢測(cè)技術(shù)具有無(wú)損、快速、準(zhǔn)確性高和實(shí)時(shí)性強(qiáng)等特征。目前的無(wú)損檢測(cè)技術(shù)主要有針對(duì)水果光學(xué)特性、電學(xué)特性、聲學(xué)特性、力學(xué)振動(dòng)特性等眾多性質(zhì)進(jìn)行的各種檢測(cè)，且大多還處于試驗(yàn)研究階段[2]。

近紅外光譜技術(shù)（Near Infrared Spectroscopy Technology，NIST）是一種利用物質(zhì)對(duì)光的吸收、散射、反射和透射等特性來(lái)確定其成分含量的一種無(wú)損檢測(cè)技術(shù)，具有快速、非破壞性、無(wú)試劑分析、安全、高效、低成本及同時(shí)測(cè)定多種組分等特點(diǎn)[4]。隨著現(xiàn)代光譜技術(shù)的發(fā)展，且憑借其快速、方便、準(zhǔn)確和無(wú)損傷等特點(diǎn)，應(yīng)用近紅外光譜分析技術(shù)對(duì)水果品質(zhì)進(jìn)行無(wú)損檢測(cè)已成為近年來(lái)的研究熱點(diǎn)。本文主要介紹2000年后，近紅外光譜分析在果實(shí)成熟期檢測(cè)和品質(zhì)檢測(cè)兩方面的研究進(jìn)展。

2 近紅外光譜技術(shù)在水果成熟期監(jiān)測(cè)中的應(yīng)用研究

近紅外與可見(jiàn)光結(jié)合的無(wú)損檢測(cè)技術(shù)具有適應(yīng)性強(qiáng)、靈敏度高、對(duì)人體無(wú)害、成本低和容易實(shí)現(xiàn)等優(yōu)點(diǎn)，被廣泛用于水果成熟度的無(wú)損檢測(cè)。2002年，McGlone等利用VIS／NIR技術(shù)，依據(jù)果實(shí)成熟過(guò)程中葉綠素減少的趨勢(shì)，深入探測(cè)了“Royal Gala”蘋(píng)果在采摘前和儲(chǔ)藏后各品質(zhì)指標(biāo)，光譜圖如圖1所示，在蘋(píng)果早采收、適中采收、晚采收的典型吸光度光譜對(duì)比中，發(fā)現(xiàn)在680nm波長(zhǎng)處，葉綠素吸光度有明顯的變化，早采收果實(shí)的吸光度明顯高于適中采收和晚采收果實(shí)，因此認(rèn)為該波長(zhǎng)可用于區(qū)別蘋(píng)果的成熟度[5]。Lur等人用近紅外光譜檢測(cè)蘋(píng)果的硬度和含糖量，通過(guò)有損與無(wú)損相結(jié)合的方式建立了預(yù)測(cè)蘋(píng)果內(nèi)部品質(zhì)的數(shù)學(xué)模型[6]。

圖1 蘋(píng)果不同時(shí)期的近紅外吸光度光譜

2005年，Ann Peirs等人在前人研究的基礎(chǔ)上研究了蘋(píng)果自然特性對(duì)可見(jiàn)近紅外模型預(yù)測(cè)采摘期成熟度精確性的影響。研究表明，近紅外光譜與成熟度有一定相關(guān)關(guān)系，其Rr＞0.94，RMSEP＜7.7。研究表明蘋(píng)果成熟度不只與果皮顏色相關(guān)，而且還受到內(nèi)部品質(zhì)的綜合影響[7]。

2007年，Yongni Shao等人用可見(jiàn)光與近紅外檢測(cè)技術(shù)結(jié)合硬度、糖度和酸度等指標(biāo)檢測(cè)番茄的成熟度，得到了各自的相關(guān)系數(shù)，分別為0.83、0.81和0.83，表明可見(jiàn)光與近紅外技術(shù)無(wú)損檢測(cè)水果成熟度的方法是可行而且實(shí)用的[8]。

3 近紅外光譜技術(shù)在水果品質(zhì)檢測(cè)中的應(yīng)用研究

利用近紅外光譜（NIR）檢測(cè)水果品質(zhì)早已成為國(guó)際研究熱點(diǎn)之一。2003年，Clark等利用700～900nm的透射光檢測(cè)了褐心貝賓（Braeburn）蘋(píng)果，探討了投射測(cè)量時(shí)蘋(píng)果的最佳位置[9]。國(guó)內(nèi)的相關(guān)研究也如雨后春筍般涌現(xiàn)出來(lái)，研究的水果有柑橘、蘋(píng)果、梨、桃、枇杷等，檢測(cè)的品質(zhì)涉及糖度、酸度、可溶性固形物、維生素、堅(jiān)實(shí)度、色澤及單果重量、褐變、模式識(shí)別等。

3.1 糖度檢測(cè)

2006年，應(yīng)義斌等利用小波變換結(jié)合近紅外光譜技術(shù)檢測(cè)水果糖度，小波變換濾波技術(shù)能有效地消除蘋(píng)果近紅外光譜中的噪聲，在采用小波變換尺度為3時(shí)WT－SMLR法建立的校正模型精度明顯優(yōu)于采用SMLR法建立的模型[10]。周文超等建立贛南臍橙內(nèi)部糖度的近紅外投射PLS模型，r＝0.9032，RMSEP＝0.2421[11]。劉春生等利用可見(jiàn)／近紅外漫反射光譜結(jié)合PLS建立南豐蜜桔糖度校正模型，預(yù)測(cè)集r＝0.9133，RMSEP ＝0.5577，平均預(yù)測(cè)偏差為－0.0656[12]。

3.2 酸度檢測(cè)

應(yīng)義斌等建立蘋(píng)果有效酸度的近紅外漫反射PLS模型，最佳 PC＝3，r＝0.959，SEC＝0.076，SEP＝0.525，Bias＝0.073[13]。劉燕德等應(yīng)用近紅外漫反射光譜結(jié)合光線(xiàn)傳感技術(shù)建立蘋(píng)果有效酸度模型，預(yù)測(cè)值和真實(shí)值r＝0.906，SEC＝0.0562、SEP＝0.0562，Bias＝0.0115[14]。董一威等采用CCD近紅外光譜系統(tǒng)結(jié)合偏最小二乘回歸（PLSR）建立蘋(píng)果酸度預(yù)測(cè)模型，r＝0.8151，SEC＝0.0120，SEP＝0.0204[15]。

3.3 可溶性固形物檢測(cè)

2006年，李建平等應(yīng)用近紅外漫反射光譜定量分析技術(shù)對(duì)2個(gè)產(chǎn)地3個(gè)品種枇杷的可溶性固形物進(jìn)行無(wú)損檢測(cè)研究，發(fā)現(xiàn)在波長(zhǎng)1400～1500nm和1900～2000nm兩段范圍，樣品的可溶性固形物與光譜吸光度之間的相關(guān)系數(shù)較高，最終建立的可溶性固形物含量預(yù)測(cè)模型的校正集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.96和0.95[16]。

2008年，劉燕德等應(yīng)用近紅外光譜（350～1800nm）及偏最小二乘法回歸、主成分回歸和多元線(xiàn)性回歸對(duì)梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回歸算法之前先用一階微分對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，研究表明果實(shí)中間部位的預(yù)測(cè)結(jié)果較為理想；近紅外漫反射光譜可以作為一種準(zhǔn)確、可靠和無(wú)損的檢測(cè)方法用于評(píng)價(jià)梨果實(shí)內(nèi)部指標(biāo)可溶性固形物[17]。

2009年，周麗萍等采用可見(jiàn)光與近紅外光結(jié)合技術(shù)對(duì)蘋(píng)果的可溶性固形物含量的檢測(cè)進(jìn)行了研究，他們結(jié)合主成分分析（PCA）和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立蘋(píng)果SSC預(yù)測(cè)模型；采用DPS數(shù)據(jù)處理系統(tǒng)對(duì)蘋(píng)果樣本的漫反射光譜（345～1039nm波段），進(jìn)行主成分分析，獲得累計(jì)可信度大于95%的5個(gè)新主成分；建立一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)模型，并將這5個(gè)新的主成分作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入量，其結(jié)果是98%以上預(yù)測(cè)樣本的預(yù)測(cè)相對(duì)誤差在5%以下[18]。

3.4 堅(jiān)實(shí)度檢測(cè)

2006年，傅霞萍等采用傅里葉漫反射近紅外光譜技術(shù)研究了水果堅(jiān)實(shí)度的無(wú)損檢測(cè)方法，他們對(duì)不同預(yù)處理方法和不同波段建模對(duì)模型的預(yù)測(cè)性能進(jìn)行分析對(duì)比，建立了利用偏最小二乘法進(jìn)行水果堅(jiān)實(shí)度與漫反射光譜的無(wú)損檢測(cè)數(shù)學(xué)模型，同時(shí)結(jié)果表明應(yīng)用近紅外漫反射光譜檢測(cè)水果堅(jiān)實(shí)度是可行的，為今后快速無(wú)損評(píng)價(jià)水果成熟度提供了理論依據(jù)[19]。

2009年，史波林等采用近紅外光譜技術(shù)結(jié)合遺傳算法分別對(duì)去皮前后蘋(píng)果堅(jiān)實(shí)度無(wú)損檢測(cè)進(jìn)行研究，他們采用光譜附加散射校正（MSC）、微分處理（Derivative）、直接正交信號(hào)校正（DOSC）等預(yù)處理方法和基于遺傳算法（GA）的有效波段選擇方法來(lái)消除果皮對(duì)模型精度的影響，結(jié)果表明，蘋(píng)果果皮對(duì)近紅外光譜分析模型的預(yù)測(cè)能力有很大影響，但僅通過(guò)常規(guī)的光譜預(yù)處理方法（MSC、Derivative）很難有效消除。他們提出的遺傳算法結(jié)合直接正交信號(hào)校正（GA－DOSC）方法能有效消除果皮的影響，不但使所建模型的波長(zhǎng)點(diǎn)和最佳主因子數(shù)分別由1480和5降到36和1，相關(guān)系數(shù)r由0.753提高到0.805，更重要的是模型的預(yù)測(cè)相對(duì)誤差RSDp從16.71%顯著下降到12.89%，并接近采用蘋(píng)果果肉建模的預(yù)測(cè)性能（12.36%），達(dá)到對(duì)蘋(píng)果硬度的近紅外無(wú)損檢測(cè)要求[20]。

3.5 色澤及單果重量檢測(cè)

2008年，劉燕德等采用可見(jiàn)／近紅外漫反射光譜對(duì)梨表面色澤進(jìn)行無(wú)損檢測(cè)研究，采用多元線(xiàn)性回歸（MLR）、主成分回歸（PCR）和偏最小二乘法回歸（PLSR）三種數(shù)學(xué)校正算法，在350～1800nm光譜區(qū)間，結(jié)合梨的原始吸收光譜和標(biāo)準(zhǔn)化光譜進(jìn)行了定量對(duì)比分析。原始吸收光譜應(yīng)用PLSR建立的定標(biāo)模型對(duì)24個(gè)未知樣品的預(yù)測(cè)結(jié)果是：L＊、a＊、b＊均方差分別為1.4251、0.4569 和 0.9497，相對(duì)預(yù)測(cè)偏差分別為3.7404%、3.3571%和2.5877%，表明可見(jiàn)／近紅外光譜技術(shù)對(duì)梨表面色澤的無(wú)損檢測(cè)具有可行性[21]。李鑫等采用偏最小二乘法（PLSR）建立單果的數(shù)學(xué)模型。蘋(píng)果梨透射光譜如圖2所示，光譜經(jīng)歸一化處理后建立的模型穩(wěn)定性最好，相關(guān)參數(shù)為：SEP＝18.01，Rc＝0.70，RMSEC＝18.68，PC＝5[22]。

圖2 蘋(píng)果梨投射光譜（產(chǎn)地吉林，奇異樣本號(hào)100，111）

3.6 水心、褐腐檢測(cè)

韓東海等采用可見(jiàn)／近紅外連續(xù)投射光譜研究蘋(píng)果內(nèi)部褐變，正確判別率達(dá)95.65%[23].王加華等直接采用可見(jiàn)／近紅外能量光譜對(duì)蘋(píng)果褐腐病和水心進(jìn)行鑒別，建立的偏最小二乘判別法（PLSDA）模型總判別率達(dá)98.1%，RMSEC＝0.449、RMSEP＝0.392；圖3為水心蘋(píng)果、褐腐蘋(píng)果和正常蘋(píng)果的絕對(duì)能量平均光譜圖[24]。

圖3 水心、正常、褐腐蘋(píng)果絕對(duì)能量平均光譜

3.7 維生素檢測(cè)

夏俊芳等采用偏最小二乘法交叉驗(yàn)證法（PLCCV）建立臍橙VC含量數(shù)學(xué)模型，預(yù)測(cè)值與真實(shí)值的r＝0.9575、內(nèi)部交叉驗(yàn)證均方差 RMSECV＝3.9mg／100g，主成分?jǐn)?shù)PC＝8[25]。

劉燕德等建立南豐蜜桔VC含量的可見(jiàn)／近紅外漫反射主成分分析（PCA）定標(biāo)模型，預(yù)測(cè)r＝0.813，RMSEP＝2.112mg／100g，預(yù)測(cè)偏差PE＝－0.810mg／100g[26]。

3.8 品種鑒別

趙杰文等采用支持向量機(jī)（SVM）建立蘋(píng)果不同品種、不同產(chǎn)地的分類(lèi)模型，預(yù)測(cè)識(shí)別率精度比傳統(tǒng)的判別分析法提高5%左右，均達(dá)到100%；回判識(shí)別率分別為100%和87%[27]。何勇等提出了一種用近紅外光譜技術(shù)快速鑒別蘋(píng)果品種的新方法，該方法應(yīng)用主成分分析結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立了蘋(píng)果品種鑒別的模型，該模型的預(yù)測(cè)效果很好，識(shí)別率達(dá)到100%[28]。

4 存在的問(wèn)題

近紅外光譜技術(shù)具有檢測(cè)速度快速、檢測(cè)方法簡(jiǎn)便、檢測(cè)準(zhǔn)確性高及同時(shí)可測(cè)定多種成分的優(yōu)點(diǎn)，使它在果品在線(xiàn)分選檢測(cè)中有較好的應(yīng)用前景。雖然近紅外光譜技術(shù)在水果成熟期預(yù)測(cè)和內(nèi)部品質(zhì)檢測(cè)方面的研究已有10年的時(shí)光，有些檢測(cè)技術(shù)已趨于成熟，但目前來(lái)看該技術(shù)仍存在一些問(wèn)題，比如怎樣找出不同水果光譜的特性波段，怎樣實(shí)現(xiàn)果品快速在線(xiàn)檢測(cè)和分選，怎樣實(shí)現(xiàn)對(duì)水果的成熟度、硬度、糖度和內(nèi)部缺陷等同時(shí)檢測(cè)，具體來(lái)說(shuō)近紅外光譜技術(shù)在水果品質(zhì)或成熟期檢測(cè)研究中主要存在以下幾方面問(wèn)題。

4.1 水果成熟期預(yù)測(cè)中存在的問(wèn)題

（1）近紅外光譜技術(shù)在水果成熟期預(yù)測(cè)中，光譜波段的選擇尤為重要；建立預(yù)測(cè)模型時(shí)有必要對(duì)光譜波段進(jìn)行優(yōu)選和組合[29]。

（2）利用近紅外光譜預(yù)測(cè)果實(shí)成熟期時(shí)，既要保證預(yù)測(cè)模型的精確度，還需考慮模型的通用性，即還需進(jìn)一步研究水果果實(shí)的不同光學(xué)特性與果實(shí)成熟期的相關(guān)性，提高預(yù)測(cè)的效率和準(zhǔn)確性。

4.2 水果品質(zhì)檢測(cè)中存在的問(wèn)題

（1）在水果品質(zhì)的光譜檢測(cè)中，光譜儀自身的信噪比等性能會(huì)極大地影響預(yù)測(cè)模型的精確度?？梢?jiàn)，在光譜預(yù)處理方面，選擇合適的消噪方法將成為今后近紅外光譜技術(shù)在水果內(nèi)部品質(zhì)及成熟期預(yù)測(cè)中的另一個(gè)研究重點(diǎn)[30]。

（2）在利用NIST對(duì)水果品質(zhì)進(jìn)行檢測(cè)的過(guò)程中，建立數(shù)學(xué)模型是最困難的，因?yàn)榻t外光譜很容易受到果品樣本個(gè)體因素如溫度、檢測(cè)部位不同等因素的影響；同時(shí)由于檢測(cè)環(huán)境條件、儀器的精度和穩(wěn)定性等復(fù)雜因素的影響，使得數(shù)學(xué)模型適應(yīng)性差。在線(xiàn)檢測(cè)過(guò)程中，樣品是運(yùn)動(dòng)的，近紅外光譜受到很大的影響，如何在果品運(yùn)動(dòng)的狀態(tài)下獲得較穩(wěn)定的近紅外光譜仍是一個(gè)很大的難題。

（3）建立用于水果品質(zhì)光譜分析的校正模型與開(kāi)發(fā)用于水果品質(zhì)檢測(cè)的軟件系統(tǒng)是近紅外光譜技術(shù)能否用于水果品質(zhì)檢測(cè)的最關(guān)鍵問(wèn)題，但當(dāng)前大部分研究只是進(jìn)行可行性探索，沒(méi)有進(jìn)行深入研究；在實(shí)際生產(chǎn)生活中使用的便攜式水果品質(zhì)無(wú)損檢測(cè)儀器非常罕見(jiàn)。

5 發(fā)展趨勢(shì)

目前水果市場(chǎng)，或者水果生產(chǎn)者在田間分析水果品質(zhì)都需要一種小型便捷的、可移動(dòng)式的近紅外光譜分析儀器。同時(shí)這些儀器還需要操作簡(jiǎn)單，對(duì)普通常見(jiàn)的水果都具有適用性。因此，便攜式的、能夠和電腦隨時(shí)連接的類(lèi)USB或PDA的近紅外水果分析儀將會(huì)成為市場(chǎng)新寵。

當(dāng)今水果加工過(guò)程中非常需要一種能夠根據(jù)水果品質(zhì)指標(biāo)（如可溶性固形物、酸度、硬度等）進(jìn)行快速在線(xiàn)分級(jí).光纖技術(shù)與近紅外技術(shù)結(jié)合必然使近紅外在線(xiàn)檢測(cè)技術(shù)廣泛應(yīng)用于水果以及其他各個(gè)領(lǐng)域，并在今后的發(fā)展中逐步形成成熟的在線(xiàn)檢測(cè)裝備投放于市場(chǎng)。隨著近紅外光譜分析技術(shù)的不斷推廣和深入應(yīng)用，未來(lái)它將與網(wǎng)絡(luò)技術(shù)結(jié)合，更方便快捷地實(shí)現(xiàn)分析模型的在線(xiàn)更新與升級(jí)。

目前，水果的近紅外光譜無(wú)損檢測(cè)中還存在檢測(cè)指標(biāo)單一、實(shí)時(shí)性差、檢測(cè)效率低等問(wèn)題。為了解決上述問(wèn)題，開(kāi)展高效并行圖像處理算法和多指標(biāo)綜合檢測(cè)技術(shù)的研究非常必要，并將成為研究熱點(diǎn)。為了更快速、更準(zhǔn)確地得到測(cè)量結(jié)果，結(jié)合近紅外光譜分析技術(shù)、高光譜成像技術(shù)，及紫外、紅外光技術(shù)，從多信息融合技術(shù)的不同層次：數(shù)據(jù)層、特征層和決策層選擇最優(yōu)的融合方法，在水果成熟期和品質(zhì)檢測(cè)領(lǐng)域?qū)⒂袕V闊的研究前景。近紅外光譜技術(shù)將會(huì)在更多領(lǐng)域更廣泛范圍為人類(lèi)帶來(lái)便利。

[1]蘇東林，近紅外光譜分析技術(shù)在我國(guó)大宗水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用研究[J].食品工業(yè)科技，2012，6（33）：460～464.

[2]賀艷楠，水果成熟度無(wú)損檢測(cè)技術(shù)研究進(jìn)展[J].北方園藝，2010（3）：208～212.

[3]莫潤(rùn)陽(yáng)，無(wú)損檢測(cè)技術(shù)在水果品質(zhì)評(píng)價(jià)中的應(yīng)用[J].物理學(xué)和高新技術(shù)，2004，33（11）：848～851.

[4]毛莎莎，曾 明，何紹蘭，等，近紅外光譜技術(shù)在水果成熟期預(yù)測(cè)中的應(yīng)用（綜述）[J].亞熱帶植物科學(xué)，2010，39（1）：82～89.

[5]McGlone V A，et al.VIS／NIR estimation at harvest of pre－and post－storage quality indices for ‘Royal Gala’apple [J].Postharvest Biology and Technology，2002，25：135～144.

[6]Lu R，et al.A Near－infeared sensing technique for measuring internal quality of apple fruit[J].Trans of the ASAE，2002，18（5）：585～590.

[7]Ann Peirs，et al.Effect of natural variability among apples on the accuracy of VIS－NIR calibration model for optimal harvest date prediction[J].Postharvest Biology and technology，2005，35：1～13.

[8]Yongni Shao，et al.Visible／near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J].Journal of Food Engineering，2007，81：672～678.

[9]Clark C J，McGlone V A，Jordan R B，et al.Detection of brown－h(huán)eart in‘braeburn’apple by transmission NIR spectroscopy[J].Post－h(huán)arvest Biology and Technology，2003（28）：87～96.

[10]應(yīng)義斌，基于小波變換的水果糖度近紅外光譜檢測(cè)研究[J].光譜學(xué)與光譜分析，2006，26（1）：63～66.

[11]周文超.近紅外投射光譜無(wú)損檢測(cè)贛南臍橙糖度的研究[J].農(nóng)業(yè)化研究，2009（5）：161～163.

[12]劉春生.偏最小二乘法——可見(jiàn)／近紅外光譜測(cè)定南豐蜜桔糖度的研究[J].河北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，32（6）：788～790，797.

[13]應(yīng)義斌.蘋(píng)果有效酸度的近紅外漫反射無(wú)損檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（6）：124～126，141.

[14]劉燕德.近紅外漫反射用于檢測(cè)蘋(píng)果糖度及有效酸度的研究[J].光譜學(xué)與光譜分析，2005，25（11）：1793～1796.

[15]董一威.蘋(píng)果中糖酸度的CCD近紅外光譜分析[J].食品科學(xué)，2007，28（8）：376～380.

[16]李建平，傅霞萍，周 瑩.近紅外光譜定量分析技術(shù)在枇杷可溶性固形物無(wú)損檢測(cè)中的應(yīng)用[J].光譜學(xué)與光譜分析，2006，26（9）：1606～1609.

[17]劉燕德.近紅外漫反射光譜檢測(cè)梨內(nèi)部指標(biāo)可溶性固形物的研究[J].光譜學(xué)與光譜分析，2008，28（4）：797～800.

[18]周麗萍.蘋(píng)果可溶性固形物含量的檢測(cè)方法[J].農(nóng)業(yè)化研究，2009，4（4）：104～106.

[19]傅霞萍.水果堅(jiān)實(shí)度的近紅外光譜檢測(cè)分析實(shí)驗(yàn)研究[J].光譜學(xué)與光譜分析，2006，26（6）：1038～1041.

[20]史波林.應(yīng)用GA－DOSC算法消除果皮影響近紅外漫反射光譜分析蘋(píng)果硬度的研究[J].光譜學(xué)與光譜分析，2009，29（3）：665～675.

[21]劉燕德.梨子表面色澤的可見(jiàn)／近紅外漫反射光譜無(wú)損檢測(cè)研究[J].紅外與毫米波學(xué)報(bào)，2008，27（4）：266～268.

[22]李 鑫.蘋(píng)果梨單果重的近紅外無(wú)損檢測(cè)研究[J].安徽農(nóng)業(yè)科學(xué)，2008，36（4）：1297～1298.

[23]韓東海.蘋(píng)果內(nèi)部褐變的光學(xué)無(wú)損傷檢測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37（6）：86～88，93.

[24]王加華.基于可見(jiàn)／近紅外能量光譜的蘋(píng)果褐腐病和水心鑒別[J].光譜學(xué)與光譜分析，2008，28（9）：2098～2102.

[25]夏俊芳.基于小波變換的柑橘維生素C含量近紅外光譜無(wú)損檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：170～174.

[26]劉燕德.可見(jiàn)／近紅外漫反射光譜無(wú)損檢測(cè)南豐蜜桔維生素C的研究[J].光譜學(xué)與光譜分析，2008，28（10）：2310～2320.

[27]趙杰文.支持向量機(jī)在蘋(píng)果分類(lèi)的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（4）：149～152.

[28]何 勇.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋(píng)果品種鑒別方法研究[J].光譜學(xué)與光譜分析，2006，26（5）：850～853.

[29]鄭麗敏.近紅外光譜波段優(yōu)化選擇在驢奶成分分析中的應(yīng)用[J].光譜學(xué)與光譜分析，2007，27（11）：2224～2227.

[30]夏俊芳.基于小波消噪柑橘內(nèi)部品質(zhì)近紅外光譜的無(wú)損檢測(cè)[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，26（1）：120～123.