摘要： 【目的】解決柚果Citrus maxima 在無損檢測中采集的光譜信息較弱、柚果內(nèi)部品質(zhì)檢測不準(zhǔn)確的問題?！痉椒ā坎捎肸EMAX 軟件對光譜無損檢測光路進行光學(xué)仿真，并搭建實物裝置進行測試與驗證。為進一步驗證該光路對柚果內(nèi)部品質(zhì)的無損檢測效果，采集400～1 100 nm 波段132 個柚果光譜數(shù)據(jù)，理化測定其可溶性固形物含量并進行訓(xùn)練建模和測試驗證?！窘Y(jié)果】最優(yōu)光路參數(shù)為：燈珠數(shù)量為7、柚果與光源間距為2 cm，探測器與柚果間距為0.5 cm。通過Savitzky-Golay （SG） 平滑和標(biāo)準(zhǔn)正態(tài)變換（Standard normal variate，SNV） 預(yù)處理，競爭自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling，CARS） 特征選擇，建立柚果糖度偏最小二乘回歸（Partial least squares regression，PLSR） 預(yù)測模型，訓(xùn)練集R2 和RMSE 分別為0.81 和0.85，測試集R2 和RMSE 分別為0.81 和0.89。【結(jié)論】本研究得到的柚果光譜無損檢測光路參數(shù)可用于柚果內(nèi)部品質(zhì)的無損檢測，檢測效果較好，也為其他大尺寸水果內(nèi)部無損檢測提供了參考。

關(guān)鍵詞： 柚果；ZEMAX；光路優(yōu)化；光學(xué)仿真；無損檢測；建模識別

中圖分類號： S666.3；TP29 文獻標(biāo)志碼： A 文章編號： 1001-411X（2024）04-0618-06

柚果Citrus maxima 是中國傳統(tǒng)水果，營養(yǎng)豐富、食味鮮美，受消費者喜愛[1-2]。對于柚果這類厚皮水果而言，體積大、皮厚、光譜透射難[3-5]，造成內(nèi)部品質(zhì)無損檢測不準(zhǔn)確[6]，是產(chǎn)業(yè)實施品質(zhì)光譜無損快速分級亟需解決的問題。由于檢測的光信號在柚果內(nèi)部組織傳輸過程復(fù)雜，需進、出2 次經(jīng)過果皮油胞層、果皮海綿層、果肉瓣，再被傳感器所接收，信噪比較低。國內(nèi)外鮮有針對柚果透射光譜進行光學(xué)特性的測定、分析與優(yōu)化研究。因此，通過優(yōu)化柚果光譜無損檢測光路實現(xiàn)柚果品質(zhì)的準(zhǔn)確無損檢測具有重要意義。

柚果內(nèi)部品質(zhì)無損檢測方法目前主要有高光譜成像技術(shù)、X 射線成像技術(shù)、近紅外光譜成像技術(shù)等，其檢測光路在不同的無損檢測方法上不盡相同。吳爽[7] 提出基于高光譜漫透射成像的光路系統(tǒng)，光源從箱體兩側(cè)射入柚果后從頂部的檢測孔射出，光譜信息被頂部的光譜儀接收，該方式采用12 盞鹵素?zé)魳?gòu)成環(huán)形光源，可以有效提升光強。張雨辰[8] 利用X 射線成像方法對蜜柚可食率進行無損檢測的光路，預(yù)測模型準(zhǔn)確率高，為厚皮水果內(nèi)部品質(zhì)無損檢測提供了新思路。由于X 射線成像技術(shù)成本高，主要用于獲取內(nèi)部結(jié)構(gòu)信息，無法對重要的風(fēng)味品質(zhì)進行識別，無法滿足產(chǎn)業(yè)化需要。孫瀟鵬等[9] 提出半透射可見/近紅外光譜無損檢測光路平臺，光源從檢測室側(cè)上方射出光線，穿透柚果后被光譜儀接收，半透射光譜只攜帶了柚果部分位置的特征信息，獲取的信息不如全透射全面，檢測結(jié)果不夠精準(zhǔn)?？傮w而言，現(xiàn)有技術(shù)中可見/近紅光譜在柚果品質(zhì)無損檢測中具有更好的應(yīng)用前景。就光譜檢測方法上而言，采用全透射光譜檢測法對水果品質(zhì)檢測是最理想的[10-11]。

柚果品質(zhì)全透射光譜無損檢測在獲取更豐富的內(nèi)部特征信息的同時，也面臨更大的信號衰減，尋找較優(yōu)光路參數(shù)是解決問題的關(guān)鍵[12]。Fraser 等[13]采用光纖探頭得出柑橘內(nèi)部不同組織結(jié)構(gòu)對光的傳播有不同的影響效果。Sun 等[14] 發(fā)現(xiàn)水果透射光譜信號強度隨著光源與探測器間距減小而增大。Qin等[15] 采用不同光源對蘋果內(nèi)部的光分布進行蒙特卡洛仿真分析，模擬光在內(nèi)部組織傳輸過程，實現(xiàn)更有效的測量配置；Sun 等[16] 研究了2 種光學(xué)幾何形狀，使用近紅外光譜對蘋果中血管褐變進行檢測，發(fā)現(xiàn)增加光程長度可改善光空間分布小的缺陷。Gobrecht等[17] 發(fā)現(xiàn)偏振光譜可以有效降低樣本散射的影響。因此，對柚果全透射光譜無損檢測光路進行全面尋優(yōu)、保障內(nèi)部品質(zhì)無損檢測精度具有重要意義。

本研究在吳爽[7] 研究的基礎(chǔ)上，通過燈珠的集成將光源中心與信號接收器中心保持在同一直線上，進而提高光能量，通過對柚果可見/近紅外全透射光譜進行光路設(shè)計與光學(xué)仿真，實現(xiàn)光譜能量的最大化收集，提升檢測信噪比與檢測精度。前期試驗與已有研究確定了燈珠數(shù)量、柚果與光源間距、探測器與柚果的間距會對透射光譜信息采集產(chǎn)生較大影響[18]。因此，以柚果為研究對象，針對上述參數(shù)進行光學(xué)特性仿真與設(shè)備搭建試驗，得出一套適合于柚果內(nèi)部品質(zhì)可見/近紅外全透射光譜無損檢測的參數(shù)，并在該參數(shù)下對柚果可溶性固形物含量進行無損檢測驗證。

1 柚果品質(zhì)無損檢測光路仿真

1.1 ZEMAX 光學(xué)仿真平臺搭建

ZEMAX 是一款專業(yè)的光學(xué)設(shè)計軟件，具有豐富的設(shè)計、分析等功能，廣泛應(yīng)用在光學(xué)系統(tǒng)參數(shù)優(yōu)化領(lǐng)域[19]。仿真設(shè)計的柚果內(nèi)部品質(zhì)無損檢測光路模型主要由光源間和信號采集間組成。其中光源間主要包括反光杯、鹵素?zé)艉驼{(diào)距臺，信號采集間包括托盤、升降臺、信號接收器和調(diào)距臺，7 顆燈珠安裝在同一燈杯內(nèi)，鹵素?zé)舫蕡A形排布，箱體內(nèi)部安裝散熱風(fēng)扇防止溫度過高損耗各個器件。其三維結(jié)構(gòu)如圖1a 所示。工作原理為：在暗箱環(huán)境下內(nèi)鹵素?zé)舭l(fā)出光線穿過擋板上50 mm 直徑的圓孔直射柚果中部，該圓孔直徑是反復(fù)調(diào)試后得到的光利用率最大且避免漏光的較優(yōu)值，光線穿透柚果后由接收器將光信號采集，然后通過光纖傳輸至光譜儀進行分析。光線仿真?zhèn)鬏斝Ч鐖D1b 所示。非序列光線追跡功能允許光線以任何次序通過光學(xué)元件，并允許光線被分裂、散射并返回已經(jīng)經(jīng)過的物體，所以本文光路的光學(xué)仿真在ZEMAX 的非序列模式[20] 下進行，選擇常用的150 W 燈珠（實際應(yīng)用中，大于該功率使用壽命會大大衰減） 及其參數(shù)（標(biāo)準(zhǔn)光通量5 000 lm、燈絲長度6 mm、燈絲直徑3.2mm、燈芯高度32 mm），燈杯采用鋁杯材質(zhì)并在每個面鍍反光膜，燈罩采用石英玻璃材質(zhì)，擋板設(shè)置為不透光材質(zhì)，確保光線只能從直徑50 mm 圓孔中通過，接收器設(shè)置為直徑13.6 mm 的圓形探測器，并緊貼柚果，根據(jù)燈珠數(shù)量和光源與柚果的間距在ZEMAX 導(dǎo)入所需要的裝配體模型，使光源中心、擋板圓孔中心和柚果中心在同一直線上。在ZEMAX軟件中按實際尺寸建立包含果皮油胞層、果皮海綿層、果肉瓣的柚果模型，柚果光學(xué)性能參數(shù)按照實際測量結(jié)果輸入，設(shè)置波長范圍400～1 100 nm，非序列性光線追跡算法主要用于對各種能量傳輸、接收光線系統(tǒng)的仿真設(shè)計[21]，通過ZEMAX 軟件非序列光線追跡功能進行追跡，追跡108 條光線，分析獲得非相干照明度圖（圖2）。

1.2 柚果光學(xué)仿真關(guān)鍵參數(shù)測定

2022 年9 月15 日從廣東省梅州市梅縣順興果園摘取25 個紅肉蜜柚，立即運送至廣東省農(nóng)業(yè)科學(xué)院開展試驗，將25 個柚果分離為果皮油胞層、果皮海綿層、果肉瓣。通過顯微透光率檢測儀（BSMT-400，百思光電，廣東東莞） 測出在400～1 100nm 波長下各組織2 層厚度（模擬光進、出2 次） 的透射率。由折射儀（WAY-2S，儀電物光，上海） 測量各組織2 層厚度的折射率。通過電子秤（ H Z -C50002C，優(yōu)科維特電子科技，江蘇昆山） 測量各組織的質(zhì)量，排水法測量體積，由密度公式計算得出各組織的密度。以25 個樣本的平均值代表柚果各組織的光學(xué)參數(shù)。

1.3 柚果內(nèi)部品質(zhì)無損檢測平臺建模試驗

將仿真設(shè)計的柚果光學(xué)檢測平臺（圖1a） 加工成型。將設(shè)備開機預(yù)熱1 5 m i n 。采用光譜儀（QEpro，海洋光學(xué)，美國） 采集樣本光譜，在采集前，采集暗電流和參考板進行光譜儀校正。柚果平躺置于托盤上，光源中心、擋板圓孔中心和柚果中心在同一直線上，設(shè)置積分時間2 000 ms、每個波長測量1 次、在波長400～1 100 nm 獲取和存儲光譜數(shù)據(jù)。

采集132 個柚果光譜數(shù)據(jù)，并采用數(shù)字光學(xué)折射儀測定其可溶性固形物含量。其中100 個柚果作為訓(xùn)練集，32 個柚果作為測試集驗證訓(xùn)練模型效果。光譜數(shù)據(jù)通過Savitzky-Golay（SG） 平滑和標(biāo)準(zhǔn)正態(tài)變換（Standard normal variate，SNV） 預(yù)處理[22]，競爭自適應(yīng)重加權(quán)采樣（Competitive adaptivereweighted sampling，CARS） 提取特征關(guān)鍵波段變量， 偏最小二乘回歸（ P a r t i a l l e a s t s q u a r e sregression，PLSR） 建立柚果可溶性固形物含量預(yù)測模型[23]。

2 結(jié)果與分析

2.1 柚果關(guān)鍵光學(xué)仿真參數(shù)測量

由測量結(jié)果可知，果皮油胞層、果皮海綿層和果肉瓣的單邊平均透射率分別為0.14、0.12 和0.09，平均折射率分別為1.80、1.65 和1.40，平均密度分別為1.08、0.39 和0.93 g/cm3，平均厚度分別為1.00、12.00 和90.00 mm。已有研究表明，柚果屬于混濁介質(zhì)，各層內(nèi)部組織結(jié)構(gòu)和成分大不相同[24]，光線穿透柚果的過程較為復(fù)雜，會發(fā)生折射、透射、散射等多種現(xiàn)象，柚果關(guān)鍵光學(xué)仿真參數(shù)包括折射率、透射率、密度和厚度[25]。

2.2 不同燈珠數(shù)量、柚果與光源間距光學(xué)仿真結(jié)果

由圖3 仿真結(jié)果可知，同一間距下，雖然8 顆燈珠的光通量大于7、6、5、4 顆燈珠的光通量，但光通量提升較少。通常相同檢測環(huán)境下，光通量越強，信噪比越高[26]，因此，增加1 顆燈珠不能顯著增強信號強度與信噪比，燈杯內(nèi)包含7 顆燈珠為較優(yōu)燈珠數(shù)。7 顆燈珠下，柚果與光源間距1 cm 時，光通量最大。由于光在傳輸路徑中透射率逐漸減小，散射率逐漸增大[27]，導(dǎo)致光通量逐漸減小。本研究不考慮間距0 cm，是因為光源過熱可能會燙傷水果，且難以散熱存在安全隱患。因此，光源仿真的最優(yōu)燈珠數(shù)量為7，柚果與光源最優(yōu)間距為1 cm。

2.3 不同探測器與柚果間距光學(xué)仿真結(jié)果

在波長范圍400～1100 nm、7 顆燈珠數(shù)量、柚果與光源間距為1 cm 條件下，對探測器與柚果間距為0.5、1.5、2.5 和3.5 cm 柚果內(nèi)部品質(zhì)光譜檢測光路進行光學(xué)仿真，光通量分別為1 4 2 . 7 、8 2 . 8 、48.5 和30.6 lm。隨著探測器與柚果間距增大，光通量減小，間距0.5 cm 時，光通量最大。由于不同柚果的結(jié)構(gòu)和組成特征差異導(dǎo)致檢測位置出射光子所攜帶的有效信息含量不同[28]，柚果檢測光強隨著探測器與柚果的間距減小而增大，但需預(yù)留間距余量使得不同果形、大小的柚果都能適應(yīng)該檢測空間。

2.4 不同燈珠數(shù)量、柚果與光源間距試驗結(jié)果

取波長范圍400～1100 nm 下非曝光穩(wěn)定點光強的平均值，由圖4 試驗結(jié)果可知，在柚果與光源間距1 cm 時，隨著燈珠數(shù)量的增加，柚果檢測光強逐漸增大，8 顆燈珠光強大于7、6、5、4 顆燈珠光強，但是當(dāng)燈珠數(shù)量從7 顆增加到8 顆時，光強提升相對較少。在柚果與光源間距分別為2、5、7 和10 cm 時燈杯內(nèi)設(shè)置不同燈珠數(shù)量，試驗結(jié)果與柚果與光源間距1 cm 時燈杯內(nèi)設(shè)置不同燈珠數(shù)量的試驗結(jié)果一致。增加1 顆燈珠提升的光能量不大，但是設(shè)備的發(fā)熱量增高、損耗增大、經(jīng)濟成本增加[29]。由此試驗結(jié)果可以判斷7 顆燈珠光源為最優(yōu)選擇，與仿真結(jié)果一致。在7 顆燈珠條件下，隨著柚果與光源間距減小，柚果檢測光強增大，柚果與光源間距1 cm 時光強最大，但在試驗過程中，鹵鎢燈進行發(fā)熱試驗必須考慮是否會燙傷柚果[30]。根據(jù)柚果檢測設(shè)備流水線通常在1 s 內(nèi)完成1 個柚果檢測，為避免樣本差異，采用7 燈珠光源在1 s 內(nèi)對同一柚果不同面進行照射試驗，柚果與光源間距分別為0、1 和2 cm。如圖5a、5b 所示，0、1 cm 情況下果皮均出現(xiàn)損傷，0 cm 果皮油胞層損傷較1 cm 更嚴(yán)重。如圖5c 所示，2 cm 情況下，果皮未出現(xiàn)損傷。如圖5d 所示，2 cm 間距下果皮海綿層也未出現(xiàn)損傷，綜上所述，柚果與光源間距實際應(yīng)用2 cm為最優(yōu)選擇。由于采樣時間短，為保證檢測穩(wěn)定性，大尺寸果在流水線上傳送速度設(shè)置通常較慢，因此動態(tài)與靜態(tài)檢測果皮油胞層和果皮海綿層損傷結(jié)果差異較小。

2.5 不同探測器與柚果間距試驗結(jié)果

在7 顆燈珠光源、柚果與光源間距為2 cm 條件下，對探測器與柚果間距為0.5、1.5、2.5 和3.5 cm柚果內(nèi)部品質(zhì)無損檢測光路進行試驗，波長范圍400～1 100 nm 下檢測非曝光穩(wěn)定點光強的平均值，光強分別為1 664.1、1 353.2、971.2 和417.3 cd。柚果檢測光強隨著探測器與柚果的間距減小而增大，間距0.5 cm 時光強最大。

2.6 最優(yōu)參數(shù)下柚果糖度無損檢測效果

在400～1 100 nm 光譜較優(yōu)光路參數(shù)下對柚果糖度進行無損檢測與建模。柚果光譜數(shù)據(jù)采用SG 平滑消除光譜信號中的隨機噪聲，提高信噪比[31]，SNV 去除柚果內(nèi)部固體顆粒大小和分布不一產(chǎn)生的散射影響[32]，CARS 篩出關(guān)鍵變量，減少無關(guān)變量[33]，PLSR 建立柚果糖度模型，結(jié)果如圖6 所示。經(jīng)過反復(fù)的模型訓(xùn)練，PLSR 主成分因子為22，訓(xùn)練集R2 和RMSE 為0.81 和0.85，測試集R2 和RMSE 為0.81 和0.89，擬合程度高，能較好地?zé)o損識別柚果糖度。

3 結(jié)論

1） 明確了果皮油胞層、果皮海綿層、果肉瓣的單邊平均透射率分別為0.14、0.12 和0.09，平均折射率分別為1.80、1.65 和1.40，平均密度分別為1.08、0.39 和0.93 g/cm3，平均厚度分別為1.00、12.00 和90.00 mm。

2） 在ZEMAX 軟件下建立了柚果內(nèi)部組織光學(xué)特性對光路的影響的仿真模型，并通過實物裝置搭建進行測試與驗證，結(jié)果表明該光路最優(yōu)燈珠數(shù)量為7、最優(yōu)柚果與光源間距為2 cm，最優(yōu)探測器與柚果間距為0.5 cm。

3） 通過采集132 個柚果光譜數(shù)據(jù)與可溶性固形物含量，進行訓(xùn)練建模和測試驗證，訓(xùn)練集R2 和RMSE 分別為0.81 和0.85，測試集R2 和RMSE 分別為0.81 和0.89。結(jié)果表明該柚果內(nèi)部品質(zhì)光譜無損檢測光路具有較好的效果。

參考文獻：

[1]HOU B， LI G. HFD： Hierarchical feature detector for

stem end of pomelo with transformers[J]. Applied Sciences，

2023， 13（8）： 4976.

[2]李小婷， 徐世榮， 潘東明， 等. 7 種柚子果實品質(zhì)分析與

模糊綜合評判[J]. 安徽農(nóng)業(yè)科學(xué)， 2016， 44（27）： 78-80.

[3]FAN S， GUO Z， ZHANG B， et al. Using vis/NIR diffuse

transmittance spectroscopy and multivariate analysis to

predicate soluble solids content of apple[J]. Food Analytical

Methods， 2016， 9（5）： 1333-1343.

[4]孫瀟鵬， 徐賽， 陸華忠. 基于光譜技術(shù)與光學(xué)仿真的柚

果在線檢測托盤設(shè)計與試驗[J]. 食品與機械， 2019，

35（12）： 56-62.

[5]ITO H， FUKINO-ITO N， HORIE H， et al. Non-destructive

detection of physiological disorders in melons using

near infrared （NIR） spectroscopy[J]. Acta Horticulturae，

2004（654）： 229-234.

[6]MAGWAZA L S， OPARA U L. Analytical methods for

determination of sugars and sweetness of horticultural

products： A review[J]. Scientia Horticulturae， 2015， 184：

179-192.

[7]吳爽. 基于高光譜漫透射和神經(jīng)網(wǎng)絡(luò)柚子內(nèi)部品質(zhì)的

無損檢測模型研究[D]. 福州： 福建農(nóng)林大學(xué)， 2021.

[8]張雨辰. 蜜柚可食率無損檢測方法與在線檢測分級裝

備研究[D]. 杭州： 浙江大學(xué)， 2022.

[9]孫瀟鵬， 劉燦燦， 陸華忠， 等. 基于可見?近紅外透射光

譜的蜜柚檢測中影響因素分析[J]. 包裝與食品機械，

2022， 40（4）： 1-7.

[10]徐賽， 陸華忠， 丘廣俊， 等. 水果品質(zhì)無損檢測研究進展

及應(yīng)用現(xiàn)狀[J]. 廣東農(nóng)業(yè)科學(xué)， 2020， 47（12）： 229-236.

[11]徐賽， 孫瀟鵬， 張倩倩. 大型厚皮水果的無損檢測技術(shù)

研究[J]. 農(nóng)產(chǎn)品質(zhì)量與安全， 2019（5）： 30-35.

[12]張海輝， 陳克濤， 蘇東， 等. 基于特征光譜的蘋果霉心病

無損檢測設(shè)備設(shè)計[J]. 農(nóng)業(yè)工程學(xué)報， 2016， 32（18）：

255-262.

[13]FRASER D G， JORDAN R B， KüNNEMEYER R， et al.

Light distribution inside mandarin fruit during internal

quality assessment by NIR spectroscopy[J]. Postharvest

Biology and Technology， 2003， 27（2）： 185-196.

[14]SUN C， AERNOUTS B， VAN BEERS R， et al. Simulation

of light propagation in citrus fruit using Monte Carlo

multi-layered （MCML） method[J]. Journal of Food Engineering，

2021， 291： 110225.

[15]QIN J， LU R. Monte Carlo simulation for quantification

of light transport features in apples[J]. Computers and

Electronics in Agriculture， 2009， 68（1）： 44-51.

[16]SUN J， KüNNEMEYER R， MCGLONE A， et al. Investigations

of optical geometry and sample positioning in

NIRS transmittance for detecting vascular browning in

apples[J]. Computers and Electronics in Agriculture，

2018， 155： 32-40.

[17]GOBRECHT A， BENDOULA R， ROGER J M， et al.

Combining linear polarization spectroscopy and the representative

layer theory to measure the beer-lambert law

absorbance of highly scattering materials[j]. Analytica

Chimica Acta， 2015， 853： 486-494.

[18]田喜， 陳立平， 王慶艷， 等. 全透射近紅外光譜的蘋果整

果糖度在線檢測模型優(yōu)化[J]. 光譜學(xué)與光譜分析，

2022， 42（6）： 1907-1914.

[19]王風(fēng)麗， 馬曉英， 侯虎， 等. 基于Zemax 軟件的光柵光

譜儀分辨能力仿真實驗[J]. 實驗室研究與探索， 2021，

40（11）： 111-116.

[20]齊先豪， 韓森， 張凌華， 等. 抑制相干噪聲的照明系統(tǒng)仿

真與誤差分析[J]. 應(yīng)用光學(xué)， 2023， 44（3）： 533-538.

[21]鄭建鋒. 激光導(dǎo)引頭中基于四象限探測器的光學(xué)設(shè)

計[J]. 光學(xué)技術(shù)， 2023， 49（1）： 11-16.

[22]高升， 徐建華. 基于近紅外光譜的紅提內(nèi)部品質(zhì)無損檢

測研究[J]. 食品工業(yè)科技， 2022， 43（22）： 7-14.

[23]張伏， 曹煒樺， 崔夏華， 等. 基于SG-CARS-IBP 的圣女

果可溶性固形物可見/近紅外光譜無損檢測[J]. 光譜學(xué)

與光譜分析， 2023， 43（3）： 737-743.

[24]吳晨凱， 張亮， 沈黃通， 等. 光在柑橘組織中的入射深度

和分布情況初探[J]. 光譜學(xué)與光譜分析， 2014， 34（3）：

601-604.

[25]孫曉林， 周童童， 孫志忠， 等. 光學(xué)特性在果蔬品質(zhì)無損

檢測中的研究進展[J]. 食品研究與開發(fā)， 2022， 43（4）：

209-218.

[26]王晨曦， 雷鳴， 雷志勇. 光通量變化對光電探測器信噪

比影響研究[J]. 國外電子測量技術(shù)， 2019， 38（1）： 102-

105.

[27]田昊. 蜜柚光學(xué)特性與可溶性固形物在線無損檢測方

法研究[D]. 杭州： 浙江大學(xué)， 2022.

[28]葛晴. 近紅外差分光譜法無創(chuàng)血糖檢測中的光源?探測

器距離優(yōu)選[D]. 天津： 天津大學(xué)， 2020.

[29]江山. 單像素計算成像的信噪比及其應(yīng)用研究[D]. 濟

南： 山東大學(xué)， 2019.

[30]鄭少鋒， 馮小軍， 韓強. 被常見光源聚光燈照射物體溫

升的分析及在標(biāo)準(zhǔn)中應(yīng)用[J]. 照明工程學(xué)報， 2012，

23（3）： 102-105.

[31]第五鵬瑤， 卞?；?， 王姿方， 等. 光譜預(yù)處理方法選擇研

究[J]. 光譜學(xué)與光譜分析， 2019， 39（9）： 2800-2806.

[32]闞相成， 李耀翔， 王立海， 等. 基于光譜預(yù)處理的低溫水

曲柳原木含水率檢測[J]. 中南林業(yè)科技大學(xué)學(xué)報，

2022， 42（11）： 154-163.

[33]劉燕德， 施宇， 蔡麗君， 等. 基于CARS 算法的臍橙可溶

性固形物近紅外在線檢測[J]. 農(nóng)業(yè)機械學(xué)報， 2013，

44（9）： 138-144.

【責(zé)任編輯 莊 延】