為了快速篩選不同品質的櫻桃番茄，對櫻桃番茄進行快速無損檢測。本文選取櫻桃番茄為研究對象，利用高光譜技術結合化學計量學方法進行光譜采集和化學定標，建立櫻桃番茄內部品質快速無損檢測模型、外部品質損傷判別模型。

?

主要內容和結論如下：

（1）利用高光譜技術，對櫻桃番茄可溶性固形物含量和硬度進行無損檢測，選取了120個櫻桃番茄為研究對象，采集了在900 nm~1700 nm范圍內的高光譜圖像數據，經過黑白校正后對采集的高光譜圖像選取合適大小為5*5像素的區域作為感興趣區域，提取該區域的平均光譜作為櫻桃番茄的原始數據。

針對櫻桃番茄可溶性固形物含量的研究采用了一階導數和SG平滑的方法對原始光譜數據進行預處理，使用K-S算法把櫻桃番茄樣本劃分為80的校正集和40的預測集。首先使用原始光譜和預處理后的光譜分別進行全波段建模，然后選擇了CARS、SPA兩種特征波長選擇方法，對原始光譜和預處理后的光譜分別篩選特征波段，而后建立PLSR模型。對比發現使用光譜預處理后數據進行 CARS 特征波長選擇所建立的 PLSR 模型效果最好，校正模型Rc為0.9363，預測模型Rp為0.8894。使用原始光譜進行 CARS 特征波長選擇所建立的PLSR模型效果次之，校正模型Rc為0.8354，預測模型Rp為0.8132。針對櫻桃番茄硬度的研究采用一階導數和SG平滑的方法對原始光譜數據進行預處理，使用K-S 算法把櫻桃番茄樣本劃分為90的校正集和30的預測集。使用原始光譜和預處理后的光譜分別進行全波段建模，然后選取 CARS、SPA兩種特征波長選擇方法，對原始光譜和預處理后的光譜分別篩選特征波段，建立PLSR 模型。對比發現使用全波段建模比特征波長選擇后的波段建模效果要好，而在全波段建模中通過對比發現使用光譜預處理后建立的模型比原始光譜數據要好，校正模型Rc為0.9076，預測模型Rp為0.8564。

（2）利用高光譜技術，實現對櫻桃番茄的損傷進行了無損分類判別，首先選取60個完好櫻桃番茄樣品和60個損傷櫻桃番茄樣品的同一部位作為感興趣區域，提取平均光譜數據，使用K-S算法進行樣本劃分，分別采用SG、SNV、MSC以及它們的組合多種方法對光譜數據分別進行預處理，然后分別建立PLS-DA分類判別模型進行比較，通過比較得出使用SG與 MSC 結合的預處理方法建立的模型更為穩定。利用 CARS、SPA算法選出經過預處理后的光譜數據的特征波段，基于特征波段建立分類判別模型與基于全波段光譜建立的分類判別模型，對比得出使用 SPA算法提取出的特征波長所建立的分類判別模型是最為準確的，預測集模型識別率達到100%。使用SPSS軟件中的最近鄰元素和SPSS判別分析兩種方法均可對完好的櫻桃番茄和損傷的櫻桃番茄進行判別，正確率都達90%以上。

?