阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。
前言
苹果被认为是最重要的水果之一，其中的维生素、矿物质和生物活性化合物等营养，可以提供许多健康益处。
而苹果与其他水果一样，是高度易腐烂的农产品，需要适当保存以减少宏量和微量营养素的降解，并延长其保质期。
通常被包装的苹果必须保持在32-39°F，也就是0°C至4°C的范围内，只有这样才是理想的低温。
在收获后过程运输和长期储存期间，就可以使用不同的冷藏系统，通常这种调节可减少和延迟微生物生长和酶促反应，从而提高整体苹果质量。
那可以减少质量损失吗？又该如何延长其保质期呢？
鳕鱼蛾
鳕鱼蛾是美国苹果产业最成问题的害虫，如果不加以控制，可能会产生巨大的经济影响，所以便有学者研究了非破坏性（NDT）检测和分选CM感染的苹果的方法，具有高精度。
由于在大多数国际目的地，特别是亚洲和美国苹果对CM的发生持零容忍态度，因此对无损检测方法更感兴趣，如果货物中夹带CM等害虫，可能会禁止进口，冷藏是用于降低可能的害虫侵扰风险的系统方法之一。
高光谱成像（HSI）成为检测苹果质量的一种有前途的工具，因为它结合了成像和光谱技术，可同时提供样品的空间和光谱信息，通过这种集成，HSI可以检测样品的外部和内部质量特征。
HSI技术基于光散射，结构和生物组织纹理特性之间的关系，使用高度聚焦的光束生成散射图像，以增强其对果实品质的评估。
更有不少专家评价了两种苹果品种的SSC和硬度，即金黄色美味和红色美味。
同时也可以使用人工神经网络（ANN）模型对数据进行分析，发现决定系数的SSC和硬度预测分别为0.79和0.76。
对于金色美味和红色美味苹果的结论：对红色美味苹果的预测相对较差，可能是由于其不规则的果实形状，这可能对散射测量产生负面影响。
高光谱图像采集
短波近红外HSI系统包括波长范围为900至1700nm，光谱分辨率为3nm的NIR光谱仪，由步进电机驱动的移动平台。
一个150W卤素灯垂直安装在样品台上的InGaAs相机，以及一台带有数据采集和分析软件的计算机。
高光谱成像系统示意图
将样品载物台速度、相机曝光时间、卤素灯角度、镜头与样品垂直距离等参数，分别调整为10mm/s、40ms、45°和25cm，以获得清晰的图像。
HSI图像采集后，立即进行破坏性测试，进行苹果硬度测量，这是在每个苹果赤道地区的三个位置使用质构分析仪，带有6mm扁平探头，穿刺深度为5mm，穿刺速度为25mm/min。
从力位移曲线中，以峰值力作为N中的硬度值，计算三个测量值的平均值以表示样品的硬度，可溶性固形物含量被认为是评估苹果甜度的指标。
然后再使用便携式折光仪，以白利糖度为单位测定，从每个测试位置切出苹果果肉以提取汁液以放置在折光仪样品玻璃上进行测量。
之后更是提取的果汁用于在10±25°C室温下，通过数字pH计测定pH值，为了测量苹果片的水分含量，使用精度为20g的数字天平称量。
每个样品的0.01g，并在105°C的烤箱中干燥24小时，然后通过将最终重量除以初始重量来计算湿基MC。
数据处理
在采集和校正HSI后，为了获取光谱数据，在图像中每个苹果的赤道区域附近分割了三个感兴趣区域（ROI）作为10×10像素的矩形，然后再提取每27个ROI内所有像素的平均光谱信息，并以反射强度与波长的形式表示为样品的光谱数据。
执行波长调整最大归一化，平滑和标准法态变量的预处理步骤，以去除每个光谱边缘的噪声波长缩放数据，并补偿粒径散射和路径长度差异效应。
为了分析光谱中与储存时间和侵扰效应相关的方差，使用了方差函数分析，此方法通过将每个观测值表示为函数来适应传统的方差分析。
许多学者都表明：化学计量学中的函数方法，在建立预测模型和分析光谱数据中的方差来源方面具有一些优势，在这种方法中，样品的光谱是不同化学成分的反射和吸收峰的结果。
其中光谱信息由总体平均值和主效应表示，本研究以贮藏时间和CM侵染效应为主要影响因素，对于每个主效应，如果p≤0.05则组效应显著。
波长选择是光谱数据分析的重要组成部分，它的功能是消除频谱中包含的冗余信息，保留与当前任务相关的数据信息，然后减少数据维度。
苹果在储存过程中的质量变化
在三种不同温度下冷藏期间测量的苹果品质属性的变化，即SSC，pH，MC和硬度。FANOVA结果表明：苹果pH值和硬度随贮藏时间发生显著变化。
而SSC和MC在储存过程中没有显示出显著的变化，苹果的pH值在冷藏期间先下降，然后在冷藏期间升高，在3°C、81°C±0°C的样品的前两个月，02.3±79.0、02.3±70.0和09.3下降到53.0±±24.3、62.0±11.3和51.023.0。
贮藏结束时，pH值的增加与代谢活动有关，尤其是消耗有机酸的呼吸，这是水果pH值的主要因素，不同温度下贮藏的苹果pH值无显著差异，贮藏期间呈相似趋势。
虽然对照苹果和受感染苹果的其他品质属性没有显着差异，但FANOVA的结果表明：对照和受感染苹果果实的pH值存在显着差异。
不同温度下对照苹果冷藏期间pH值
（a）SSC
（b）硬度
（c）水分含量
（d）变化
对于SSC没有观察到随时间或温度的显着变化，这是因为使用的苹果已经完全成熟，结果与发现一致。
SSC的价值在低成熟苹果中经历了近13%的最高变化，而完全成熟的苹果只有2%，这是因为低成熟度苹果的初始淀粉含量较低。
随着苹果果实的成熟，淀粉含量会转化为糖，导致储存期间SSC值发生变化。
由于当前研究中使用的苹果处于高成熟度水平，因此SSC值的变化最小，有学者提出的结果显示：在180°C下储存10天期间，成熟Gala苹果的总可溶性固体，SSC和淀粉浓度也没有显着变化。
苹果在4°C和10°C下的SSC值首先趋于增加，在储存两个月左右达到峰值，然后下降直到最后。
0°C和5°C保存的样品苹果硬度随贮藏时间显著降低，但0°C苹果的硬度随时间变化不显著，储存期间硬度的降低与细胞中的水分流失、细胞壁变薄以及细胞壁材料和果胶的降解有关。
甚至还有结果表明：温度对苹果硬度有显著影响，温度越高，硬度值越小。
显示了所有被测苹果的测量反射光谱，在900至1700nm之间的区域，以及原始光谱形式和使用平滑和SNV预处理后。
光谱中在950、1200和1400nm附近有一些明显的吸收谷，约950和1200nm处的吸收与水分子中波段的第一个泛音有关，1400nm附近的吸收归因于第二泛音和第一泛音的组合。
通过对照和感染样品在储存期间的平均光谱获得的光谱曲线
（a）以及Savitzky-Golay与SNV预处理相结合
（b）预测储存期间控制和受感染苹果的质量
为研究生物变异性对光谱的影响，采用单因素方差分析CM侵染对光谱的影响，结果表明：CM对光谱的侵染效应显著，p≤0.05。
CM感染的苹果吸收更多，特别是在峰值点，受感染苹果的吸光度较高，可以通过感染引起的化学和质地变化来解释。
虽然所有光谱都具有相似的形状和趋势，但对照和受感染苹果的平均光谱之间存在显著差异，这种可变性会影响预测模型的性能。
CM感染和对照苹果的原始数据的平均光谱
应该注意的是，尽管所有光谱都具有非常相似的形状，但在每类的某些波段处，吸光度存在很大差异。
针对对照、感染和合并样品，建立了用于预测pH值的回归模型，这是因为方差分析结果显示对照样品和感染样品在pH值方面存在显著差异。
虽然对照样品中的pH预测模型给出了高达0.97的高相关预测系数，但感染模型和组合模型的准确性并不令人满意，可能是因为光谱变化很大，以及受感染苹果与健康苹果的化学特性和细胞结构的差异。
结果表明：许多生物变异性来源，如品种、收获季节和产地，以及成熟度和保质期，极大地影响了果实品质特性，以及预测这些特性的模型的准确性和稳健性。
因此对照样本和感染样本组合的预测模型不佳，可能是由于没有考虑这些变异性，这主要是因为来自对照和感染样本的光谱明显不同，而预测效果不佳。
当通过分离对照和感染样本从数据中排除这些变异源时，与合并数据相比，对照的结果有了相当大的改善。
为了预测苹果的质量属性，只有对照样本才会被认为具有准确和稳健模型的倾向，显示了回归模型对储存在4°C下的对照样品。
质量属性的预测性能，PLSR模型在大多数质量属性的Rc和Rp值较高，较低的情况下表现出良好的预测性能。
而SVR显示出不同的结果，Rc和Rp值较低，某些属性的RMSEC和RMSEP值较高，PLSR表现出良好的预测性能，而SVR表现出不同的准确性，表明PLSR可能是预测4°C保存的对照样品质量属性的更可靠方法。
在10°C下储存20周的样品预测模型，对除SSC以外的所有属性都具有高性能，在类似的工作中，使用了900-1700nm范围内的NIR高光谱反射成像。
通过PLS回归，最小二乘支持向量机和反向传播网络建模，预测富士苹果的SSC、硬度、MC和pH值在13周的储存期内，虽然他们所有的模型都未能预测硬度，但LSSVM模型在预测SSC，MC和pH方面提供了更好的准确性。
Rp分别为0.961，0.984和0.882，其中模型预测数据集的pH值、SSC、硬度和MC值与实际值，所有质量在测量和预测之间都呈现了良好的数据拟合。
这些结果表明：利用PLSR可以从近红外反射，HSI准确预测这些苹果品质参数。
硬度PLSR预测模型使用957、1164、1184、1248、1321、1324和1477nm波长，仅占全光谱的02%，实现了相对最优的预测效果。
出于多种原因，在光谱建模中选择特定波长可能是有利的，所以便可以使用选定的波长降低模型的复杂性，因为涉及的变量更少，这可以导致更简单和更可解释的模型。
再有就是所选波长可能对应于与目标分析物，相关的特定分子或化学信息，这可以提高模型在预测目标特性方面的特异性和灵敏度。
同时还可以使用选定的波长，有助于减轻来自不相关光谱区域的噪声或干扰的影响，从而提高模型的鲁棒性和准确性。
此外使用选定的波长还可以减少计算负担和处理时间，因为需要分析的数据点更少，因此PLSR是在这种情况下进行硬度预测的最佳模型。
用于校准和预测集的0°C苹果pH
（a）SSC
（b）硬度
（c）MC
（d）测量值与预测值
结论
三种不同贮藏条件下，健康和受感染的“Gala”，有机苹果的质量以及利用结合机器学习，对这些品质属性的无损预测，使用方差分析生物变异性对测量光谱的影响。
这表明储存时间和CM侵扰显着影响了光谱，导致预测模型的可变性，而当分离侵染样品和对照样品数据时，0°C保存的对照样品对苹果品质属性的预测效果最好。
SSC的Rp值为0.92，硬度为0.95，pH值为0.97，MC为0.91，同时也采用了CARS算法选择最优波长，开发性能满意的多光谱模型。
研究表明：其中方法可用于不同条件下的采后苹果品质预测，具有较高的准确性，在线苹果分选中具有潜在的应用前景。
如果你喜欢我的写的文章，麻烦请点个“关注”，欢迎在评论区与我一同探讨，谢谢。
END