苹果内外品质在线无损检测分级系统设计与试验

李 龙，彭彦昆，李永玉

（中国农业大学工学院，国家农产品加工技术装备研发分中心，北京 100083）

0 引 言

中国是世界上最大的苹果产出国和消费国[1]。随着人们生活水平的提高以及苹果产量的增长，传统的人工分级的方法越来越不能满足人们对新鲜苹果的要求，且传统的人工对苹果的检验方法存在破坏性、耗时、成本高以及主观性强的缺点[2]。经过几十年的发展，机器视觉技术在农业自动化领域中得到了广泛的应用，具有实时、客观、无损的优点[3-6]。但其只能检测出农产品的外部品质信息，比如说大小、颜色等，而不能反映农产品的内部信息。近红外光谱分析技术也是一种应用非常广泛的无损检测技术，它能够快速无损地对果蔬内部品质参数做出预测[7-11]，但不能兼顾外部品质。目前中国市场上现存的苹果无损检测设备功能比较单一，主要分为内部成分检测和外部特征信息检测2种，且结构比较复杂，价格昂贵，一般适用于大型企业，并不能适用于广大农户[12-13]。

国外的水果自动化检测分级设备已经比较先进[14]，1992年Alle Electronics公司在圣佛朗西斯科展览会上就展示了可分选水果、蔬菜、果仁的装置，装置应用机器视觉技术，能够准确识别移动速度为 2.9 m/s、面积为1 mm2的缺陷[15]。McGlone等[16]利用所搭建的近红外漫透射在线检测系统，对比了2种系统，确定了LAS系统对于检测苹果内部褐变精度较高。Matthias等[17]，利用自行搭建的可控制苹果旋转的装置，采集了苹果样本在1 000～2 500 nm下的漫反射光谱曲线，减小了样本的预测误差，但检测的速度较慢。国内关于水果自动化分级研究起步较晚，但发展速度较快。Sun等[18]利用近红外光谱分析技术，对在线检测翠冠梨可溶性固形物的运动速度进行了优化，结果表明，当样本的运动速度为0.3 m/s下预测效果最好。刘燕德等[19]利用漫透射原理实现了丰水梨的套网无损在线检测，其中对于36个验证样本，分级的正确率达到了94.4%。赵娟等[20]利用自行搭建的机器视觉在线检测平台，实现了对苹果的外部缺陷的检测。欧阳爱国等[21]应用近红外漫透射光谱检测技术实现了对不知火杂柑可溶性固形物的在线检测，研究所建立的偏最小二乘模型，预测集相关系数为0.956，预测集均方根误差为0.380。刘燕德等[22]通过采集健康鸭梨和有黑心病鸭梨的可见/近红外漫透射光谱，建立3种判别模型，其中偏最小二乘判别模型效果最好，检测正确率为100%，检测速度为5个/s。郭志明等[23]利用近红外漫反射光谱技术开发了苹果品质在线检测系统，试验表明，对于苹果可溶性固形物，蚁群算法建立起的模型效果最优，预测集相关系数为0.935 8，预测集均方根误差为0.261 9。李江波等[24]基于照度-反射模型实现了对脐橙表面缺陷的检测，检测正确率超过 99%。目前研究大多是对水果的内部品质或者外部品质进行研究，指标较为单一，且部分机械结构较为复杂，价格较贵，国内针对苹果内外品质同时检测设备研究较少。

针对现有苹果分级设备存在的指标单一、机械结构复杂且成本较高的问题。本文基于图谱融合技术研制了小型便于移动的苹果在线检测分级系统。该系统可对苹果的外观和内部品质综合进行评定，并且具有体积小，结构简单且自动化程度高的优点，可满足农户以及中小型果蔬加工企业的需求。

1 硬件设计

1.1 总体结构设计

本研究所设计的小型便于移动式苹果在线检测系统主要由哑铃式滚子、机器视觉外部品质检测模块、近红外内部品质检测模块以及控制系统组成。其中控制系统包括计算机、光电传感器 1～4、单片机和光电传感器。整机尺寸为1 600 mm×500 mm×1 500 mm，其结构如图1所示。

图1 苹果内外品质在线检测分级系统示意图Fig.1 Apple internal and external quality inspection and classification system diagram

工作原理如图 2所示。哑铃式滚子位于传送带的上方并与传送带有一定的压力，而由于两者摩擦力的作用哑铃式滚子可在前进的同时完成自转。苹果在哑铃式滚子的支撑下经过机器视觉外观检测模块时，由于苹果和哑铃式滚子之间摩擦力，苹果在前进的过程中也可完成自转。上位机软件触发相机采集每个苹果不同运动状态的 3幅图像，再由自行设计的自动分割合成算法融合每个苹果的 3幅图像的检测信息，综合进行评判。机器视觉部分主要对苹果的大小信息以及外观有无碰伤进行检测。外观品质检测完成后，苹果继续向前运动，当经过近红外内部品质检测机构时，由上位机软件完成对苹果的光谱信息的采集以及模型带入。随后，上位机软件融合机器视觉检测的苹果外观品质信息和近红外模块检测的苹果内部品质信息，并综合图谱信息对苹果做出等级评价。最终，上位机软件将等级信息传递给分级模块，控制电机动作完成分级。为提高分级效率，在系统运行的过程中，分级动作并行执行。

图2 苹果内外品质在线检测分级系统工作流程图Fig.2 Apple internal and external quality inspection and classification system workflow diagram

1.2 基于机器视觉的外部品质检测系统模块设计

苹果在进入到机器视觉检测模块时，由链传动带动向前运动的同时完成自转，每个样本采集不同运动状态下的 3幅图像，尽可能的避免了由于哑铃式滚子的遮挡而导致外观品质提取不完整的问题。机器视觉系统模块主要对苹果的大小信息以及外部是否有碰伤进行检测，为了增大样本与背景之间的对比度，对光源的选择设计了试验探究。

1.2.1 机器视觉光源的确定

试验样品为产自山东栖霞市的栖霞红富士苹果，样品于北京美廉美超市采购，共40个，其中有碰伤的样本为20个其余为无碰伤样本。

图 3a为利用现有的高光谱检测系统所采集到的 40个苹果有碰伤位置和无碰伤位置的平均反射率光谱曲线，图3b所示为无碰伤位置处的反射率光谱减去有碰伤位置处的反射率光谱得到的差值光谱曲线。其中，波长点 730 nm处，两者的差异最大，并且从图 3c所示的730 nm下的样本图像可以得到，碰伤部位可以很好的和无碰伤部位以及背景区分出。730 nm处于红光波段，故系统所采用的机器视觉光源为波长 730 nm的红色 LED光源。

图3 苹果有无碰伤光谱和图像对比Fig.3 Spectral and image contrasts of bruised and no bruised apples

1.2.2 机器视觉外部品质检测模块总体结构

机器视觉外部品质检测模块主要由相机，上光源，下光源，支架，皮带传动模块以及暗箱模块组成，其总体结构如图 4所示。其中，上光源主要用于照亮苹果的上部，由于苹果是一种类球形水果，相机在采集过程中，会出现中间亮四周暗的现象，故布置有下光源起到补光的作用。上光源由 4条 LED条形光源组成，总功率为64 W，下光源由4条LED灯条组成，总功率为16 W。

图4 机器视觉检测模块结构图Fig.4 Machine vision inspection module structure diagram

1.3 基于近红外光谱的内部品质检测系统模块设计

1.3.1 近红外光谱采集布置方式

近红外内部品质检测系统模块用于检测苹果的可溶性固形物的含量，并以此评价苹果的内部品质等级。其整体结构主要包括2个对称布置的10 W卤钨灯杯（欧司朗MR11卤钨灯），用于安装近红外探头的近红外探头支架，暗箱以及光谱仪（Ocean Optics USB2000+）组成。暗箱主要起到遮挡环境光的作用，聚焦透镜用于汇聚反映苹果内部品质的反射光信息。为了提高近红外内部品质检测系统模块对苹果可溶性固形物含量的检测精度，基于反射率光谱对光源和探头的布置方式做了相应试验探究，对比了将探头和光源布置在上和布置在下的建模效果并将其试验结果作为内部品质检测系统模块的设计依据，其中近红外整体结构如图5所示，图5a为将探头和光源布置在下，图5b为将探头和光源布置在上。

图5 近红外检测模块结构图Fig.5 Near infrared detection module structure diagram

试验样品为产自山东栖霞市的栖霞红富士苹果，样品于北京美廉美超市采购，共70个，用于对苹果可溶性固形物的检测研究，其中随机选取53个作为校正集建立模型，17个作为预测集验证模型效果。从表1所示的基于原始光谱建立的偏最小二乘模型的效果来看，将探头布置在下所采集的光谱对苹果可溶性固形物的预测效果明显较好，其预测集相关系数为0.903 1，预测集均方根误差为0.519 0%。故在设计时采用图5a的将探头和光源布置在下的方式。

表1 近红外光源探头不同布置方式建模效果对比Table 1 Comparison of modeling effects of different arrangements of light source and probes

1.3.2 近红外检测模块传动方式的设计

在近红外检测模块部分，由于整机的传动方式以链传动为主，而近红外检测部分的链传动无支撑部分比较长，链传动本身有一定的垂度会造成苹果经过近红外检测模块时产生上下抖动，进而影响反射率光谱的采集。故在近红外检测模块的后方布置一对链条支撑轮用以避免由于链条垂度过大而造成的抖动问题。其结构如图 6所示，主要由传送链条、近红外检测结构下暗箱、轴承座以及支撑链轮组成。可解决由于链条抖动带来的检测误差。

图6 链条支撑轮布置方式Fig.6 Chain support wheel arrangement

1.4 控制系统设计

控制系统主要实现控制整机的启动和关闭，触发检测，以及控制分级模块完成分级动作的功能，其组成如图7所示。主要由计算机、STC15单片机、继电器、光电传感器、电机以及串口模块组成。通过点击上位机软件的开始检测按钮，控制继电器吸合，整机上电开始动作。光电传感器1用于感应苹果的到位信号，当苹果到达检测位置时，光电传感器通过 STC15单片机向上位机发送检测命令触发检测。上位机软件完成对图像以及光谱信息处理后，融合苹果的内外品质信息，对等级做出评判。当苹果继续运动到判定等级的对应料斗位置时，相应光电传感器通过 STC15单片机触发分级电机动作，完成分级。其中，由于RS485通讯距离远且抗干扰能力强[25-26]，考虑到系统复杂的工作环境，故加入RS232转RS485模块，整机的通讯接口采用RS485标准方式传输。

图7 控制系统组成图Fig.7 Control system composition diagram

1.5 分级模块的设计

分级模块主要由步进电机为凸轮提供动力，电机自转一圈完成一次动作。凸轮驱动拨指做抬起和拨出的动作，将苹果样本从哑铃式滚子上推入料斗中完成分级动作。该结构控制和机械结构简单且成本较低。为了避免拨指动作时对苹果造成损伤，在拨指的前端布置厚度为5 mm的橡胶皮垫。并且在料斗的底部也同样布置有5 mm的橡胶皮垫。其中，分级模块结构图如图8所示。

图8 分级模块结构图Fig.8 Grading module structure diagram

2 人机交互软件的设计

人机交互软件主要完成对采集到的苹果图像信息和光谱信息进行处理和融合，并在界面中显示的功能，其界面组成如图 9所示。苹果内外品质在线检测分级系统软件是在Windows平台上开发。在机器视觉外观品质检测部分，主要基于 OpenCV库编写相应算法，可检测样本的大小以及有无碰伤。在近红外检测部分，主要利用C++科学计算库（GNU scientific library, GSL）编写光谱处理程序，并带入模型得出内部品质的预测结果。最后融合苹果的图谱信息，综合评判苹果的等级并在界面上显示检测结果。

图9 计算机软件界面图Fig.9 Computer software interface diagram

3 系统整机试验

3.1 试验样本

验证试验样品为产自山东省栖霞市的红富士苹果，于北京美廉美超市采购。其中，对于机器视觉外部品质检测部分，无碰伤样本为100个，有碰伤样本同样为100个，共 200个苹果。对于近红外内部品质检测部分，样本共63个，并随机选取47个苹果为校正集用于在线模型的建立，16个苹果为验证集，用于验证模型的预测效果。为了消除温度的影响苹果购买后置于室温 24 h，然后进行光谱采集，并根据 NY/T2637-2014[27]测定苹果的可溶性固形物的含量用于分析。试验得出，整机对单个苹果的检测时间为0.71 s。

3.2 机器视觉模块检测算法试验

当苹果到达机器视觉检测位时，软件首先将所采集到的图像进行分割和合成，确保合成后的图像包含尽可能多的单个苹果样本的外观品质信息。随之对合成后包含单个苹果 3个运动状态下的图像进行高斯滤波，滤除噪点，再利用大津法[28-29]进行二值化处理。二值化图像首先进行轮廓提取完成有无碰伤的判断，当判断为有碰伤时，直接剔除样本不再后续处理。最终对无碰伤的样本轮廓进行圆拟合处理，利用拟合圆直径来评判苹果的大小。

图10为在线检测中有碰伤苹果的检测效果图。其中图 10a为单个苹果3个不同运动状态的合成图，图 10b为QTSU法二值化后的图像，图10c为苹果及伤痕轮廓提取图，当轮廓大于 3个时，上位机软件自动判断该苹果为有碰伤样本，并向下位机发送剔除指令。

图10 有碰伤苹果检测效果图Fig.10 Bruised apple detection effect diagram

苹果碰伤检测算法验证结果见表2，从表2试验结果来看，对于苹果的碰伤检测200个样本188个判断正确，总体正确率为 94%，其中有碰伤样本和无碰伤样本的检测正确率分别为91%和97%。

表2 苹果碰伤检测算法验证结果Table 2 Apple bruised detection algorithm verification results

对上述无碰伤的50个苹果样本再进行圆拟合处理，利用拟合圆直径来评价苹果的大小指标，通过拟合圆直径得到苹果 3个运动状态下的尺寸，再以其均值作为苹果的大小检测结果。图11为无碰伤苹果的大小检测效果图。其中图11a为无碰伤苹果3个运动状态合成图，图11b为大津法二值化后的图像，图11c为圆拟合图像。

图11 无碰伤苹果大小检测效果图Fig.11 No bruised apple size detection effect diagram

苹果实际尺寸由游标卡尺测得，从图12所示的苹果大小检测的结果来看，其测量值和真实值的相关系数 r为0.964 6，均方根误差RMSE为2.281 mm。综合试验结果，机器视觉外观品质检测算法可满足本系统的需要。

3.3 近红外检测模块试验

模型的预测效果以校正集相关系数rc、预测集相关系数 rp校正集均方根误差 RMSEc、和预测集均方根误差RMSEp评判模型的好坏，试验为在线条件下采集的苹果反射率光谱曲线，其原始光谱如图13所示。其中反射率的计算方法为公式（1）。

式中R1为样品的光谱反射率，%；I为样品的反射光谱强度，cd；Iw为白参考的反射光谱强度，cd；Ib为黑参考的反射光谱强度，cd。

图12 苹果大小检测效果Fig.12 Apple size detection result

图13 苹果原始光谱Fig.13 Original apple spectrum

在建模方法中分别对比了原始光谱利用偏最小二乘建模（original-partial least squares，Original-PLS）、竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）[30-32]筛选特征波长再进行偏最小二乘建模（CARS-partial least squares，CARS-PLS）以及连续投影算法（successive projections algorithm，SPA）[33-35]筛选特征波长再进行偏最小二乘建模（successive projections algorithm-partial least squares，SPA-PLS）3种建模方式。建模结果见表3。

表3 可溶性固形物建模效果比较Table 3 Comparison effect of soluble solids content model

从表3所示的建模结果来看，以CARS-PLS模型最优，其中校正集相关系数为0.950 8，校正集均方根误差为0.342 6%，预测集相关系数为0.949 2，预测集均方根误差为 0.448 7%，这表明竞争性加权自适应算法可在提高模型预测效果的基础上，简化模型，变量的数目从原1 777个下降到了108个。图14为苹果校正集和预测集的模型效果，其中图14a为校正集，图14b为预测集。

图14 可溶性固形物验证试验结果Fig.14 Soluble solids content validation test results

4 结 论

1）基于静态试验对比和验证，设计了可用于检测苹果内外部品质的在线无损检测系统，该系统主要包括有哑铃式滚子、机器视觉检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统。

2）机器视觉外观品质检测部分，为了增加苹果有碰伤部位和无碰伤部位之间的对比度，根据所采集的40个样本有碰伤部位和无碰伤部位之间的光谱差异，确定在730 nm处光谱的差异最大，并以此为依据选定了730 nm波长下的红色光源作为机器视觉模块的光源部分。在此基础上设计了机器视觉外观检测算法，其中为了减少果托对苹果的遮挡，设计有皮带输送模块使得苹果在前进的过程中完成自转。为获得苹果整个表面的品质信息，相机共采集单个苹果样本3个运动状态下的图像。之后，对包含单个苹果 3个不同运动状态下的合成图像依次经过高斯滤波，大津法二值化以及轮廓提取处理。当该苹果判断为有碰伤样本时，直接向下位机发送剔除指令。当该苹果判断为无碰伤样本时，继续对提取轮廓进行圆拟合处理并以拟合圆直径来得到苹果的大小品质信息。

3）近红外内部品质检测部分主要用于对苹果的可溶性固形物进行检测，对比了将光源和探头布置在上和布置在下的建模效果。从建模效果来看，将探头和光源布置在下检测效果较好，基于原始光谱所建立的偏最小二乘模型校正集的预测集相关系数为0.903 1，预测集均方根误差为0.519 0%。

4）基于OpenCV视觉库以及GSL科学计算库，利用C/C++语言编写了上位机软件。主要完成对图像信息和光谱信息的处理和融合，并根据等级信息控制分级模块分级。

5）对系统的性能进行试验验证，其中机器视觉外观品质检测部分，对于苹果有无碰伤检测正确率为94%，大小检测的相关系数为0.964 6，均方根误差为2.281 mm。近红外内部品质检测部分，对于苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8，校正集均方根误差为0.342 6%，预测集相关系数为0.949 2，预测集均方根误差为 0.448 7%。单个苹果的检测时间为 0.71 s。

本研究根据静态条件下采集的图像和光谱信息，通过前期试验，设计了可用于苹果内外品质同时检测分级的在线系统。整机尺寸小，结构简单。可满足广大农户和中小型企业的需求。

[参 考 文 献]

[1] 陈学森，韩明玉，苏桂林，等. 当今世界苹果产业发展趋势及我国苹果产业优质高效发展意见[J]. 果树学报，2010，27(4)：598－604.Chen Xuesen, Han Mingyu, Su Guilin, et al. Discussion on today’s world apple industry trends and the suggestions on sustainable and efficient development of apple industry in China[J]. Journal of Fruit Science, 2010, 27(4): 598－604.(in Chinese with English abstract)

[2] 刘燕德. 水果糖度和酸度的近红外光谱无损检测研究[D].杭州：浙江大学，2006.Liu Yande. Study on Methods of Nondestructive Measurement of Sugar Content and Acidity in Fruits Using Near-infrared Spectroscopy[D]. Hangzhou: Zhejiang University, 2006. (in Chinese with English abstract)

[3] 王福娟. 机器视觉技术在农产品分级分选中的应用[J]. 农机化研究，2011，33(5)：249－252.Wang Fujuan. Application of computer vision technique in farm produce classification and selection[J]. Journal of Agricultural Mechanization Research, 2011, 33(5): 249－252.(in Chinese with English abstract)

[4] 陈艳军，张俊雄，李伟，等. 基于机器视觉的苹果最大横切面直径分级方法[J]. 农业工程学报，2012，28(2)：284－288.Chen Yanjun, Zhang Junxiong, Li Wei, et al. Grading method of apple by maximum cross-sectional diameter based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(2): 284－288. (in Chinese with English abstract)

[5] 李理，殷国富，刘柯岐. 田间果蔬采摘机器人视觉传感器设计与试验[J]. 农业机械学报，2010，41(5)：152—157，136.Li Li, Yin Guofu, Liu Keqi. Design and experiments of vision sensor for harvest robots in field[J]. Transactions of The Chinese Society for Agricultural Machinery, 2010, 41(5):152－157, 136. (in Chinese with English abstract)

[6] 张茅. 计算机技术在现代农业中的应用[J]. 农业工程学报，2011，1(4)：26－28.Zhang Mao. Application of computer technology in modern agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011,1(4): 26－28. (in Chinese with English abstract)

[7] 刘燕德，应义斌，傅霞萍. 近红外漫反射用于检测苹果糖度及有效酸度的研究[J]. 光谱学与光谱分析，2005，25(11)：1793－1796.Liu Yande, Ying Yibin, Fu Xiaping. Study on predicting sugar content and valid acidity of apples by near/infrared diffuse reflectance technique[J]. Spectroscopy and Spectral Analysis, 2005, 25(11): 1793－1796. (in Chinese with English abstract)

[8] Yuan L M, Sun L, Cai J R, et al. A preliminary study on whether the soluble solid content and acidity of oranges predicted by near infrared spectroscopy meet the sensory degustation[J]. Jounal of Food Process Engineering, 2015,38(4): 309－319.

[9] 樊书祥，黄文倩，张保华，等. 便携式苹果糖度光谱检测仪的设计与试验[J]. 红外与激光工程，2014，43(增刊1)：219－224.Fan Shuxiang, Huang Wenqian, Zhang Baohua, et al. Design and experiment on portable apple soluble solidscontent spectrometer[J]. Infrared and Laser Engineering, 2014,43(Supp.1): 219—224. (in Chinese with English abstract)

[10] 郭志明，陈全胜，张彬，等. 果蔬品质手持式近红外光谱检测系统设计与试验[J]. 农业工程学报，2017，33(8)：245－250.Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)

[11] 王加华，孙旭东，潘璐，等. 基于可见/近红外能量光谱的苹果褐腐病和水心鉴别[J]. 光谱学与光谱分析，2008(9)：2098－2102.Wang Jiahua, Sun Xudong, Pan Lu, et al. Discrimination of brownheart and watercore of apples based on energy spectrum of visible/near infrared transmittance[J]. Spectroscopy and Spectral Analysis, 2008(9): 2098－2102. (in Chinese with English abstract)

[12] 王瑞庆，徐新明，冯建华，等. 果实品质无损伤检测研究进展[J]. 果树学报，2012，29(4)：683－689.Wang Ruiqing, Xu Xinming, Feng Jianhua, et al. An overview of nondestructive determination technology of fruit quality[J]. Journal of Fruit Science, 2012, 29(4): 683－689.(in Chinese with English abstract)

[13] 潘圆媛，刘燕德，孙旭东. 水果内部品质近红外动态在线检测研究进展[J]. 激光与红外，2010，40(8)：805－810.Pan Yuanyuan, Liu Yande, Sun Xudong. Research progress of on-line detection of fruit quality using near infrared spectroscopy[J]. Laser and Infrared, 2010, 40(8): 805－810.(in Chinese with English abstract)

[14] 王东亭. 基于大通量分级系统的脐橙质量安全追溯技术与装置[D]. 杭州：浙江大学，2015.Wang Dongting. Technology and Instrument for Quality and Safety Traceability of Navel Oranges Using a High Throughput Sorting System[D]. Hangzhou: Zhejiang University, 2015. (in Chinese with English abstract)

[15] 高海生，赵希艳，李润丰. 果蔬采后处理与贮藏保鲜技术研究进展[J]. 农业工程学报，2007(2)：273－278.Gao Haisheng, Zhao Xiyan, Li Runfeng. Review of postharvest treatment and preservation technologies of fruit and vegetable[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2007(2): 273－278. (in Chinese with English abstract)

[16] McGlone V A, Martinsen P J, Clark C J, et al. On-line detection of brownheart in braeburn apples using near infrared transmission measurements[J]. Postharvest Biology and Technology, 2005, 37(2): 142－151.

[17] Matthias S, Christian W H. Automatic sample rotation for simultaneous determination of geographical origin and quality characteristics of apples based on near infrared spectroscopy(NIRS)[J]. In Vibrational Spectroscopy, 2014, 72: 97－104.

[18] Sun T, Lin H, Xu H, et al. Effect of fruit moving speed on predicting soluble solids content of 'Cuiguan' pears (Pomaceae pyrifolia Nakai cv.Cuiguan) using PLS and LS-SVM regression[J]. Postharvest Biology and Technology, 2009,51(1): 86－90.

[19] 刘燕德，吴明明，孙旭东，等. 丰水梨套网无损在线检测方法研究[J]. 光谱学与光谱分析，2017，37(8)：2546－2550.Liu Yande, Wu Mingming, Sun Xudong, et al. Study on nondestructive detection with net for intact hosui pear by online spectroscopy[J]. Spectroscopy and Spectral Analysis,2017, 37(8): 2546－2550. (in Chinese with English abstract)

[20] 赵娟，彭彦昆，Sagar Dhakal，等. 基于机器视觉的苹果外观缺陷在线检测[J]. 农业机械学报，2013，44(增刊1)：260－263.Zhao Juan, Peng Yankun, Sagar Dhakal, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.1): 260－263. (in Chinese with English abstract)

[21] 欧阳爱国，吴明明，王海阳，等. 不知火杂柑可溶性固形物在线检测模型建立及优化[J]. 光谱学与光谱分析，2017，37(5)：1497－1501.Ouyang Aiguo, Wu Mingming, Wang Haiyang, et al.Establishment and optimization of online model for detecting soluble solids content in hybrid “skiranui tangerine” citrus[J].Spectroscopy and Spectral Analysis, 2017, 37(5): 1497－1501. (in Chinese with English abstract)

[22] 刘燕德，李轶凡，龚志远，等. 鸭梨黑心病可见/近红外漫透射光谱在线检测[J]. 光谱学与光谱分析，2017，37(12)：3714－3718.Liu Yande, Li Yifan, Gong Zhiyuan, et al. The discrimination of blackheart pears research based on visible/near-infrared diffuse transmission spectrum on-line detector[J]. Spectroscopy and Spectral Analysis, 2017, 37(12): 3714－3718. (in Chinese with English abstract)

[23] 郭志明，黄文倩，陈全胜，等. 近红外光谱的苹果内部品质在线检测模型优化[J]. 现代食品科技，2016，32(9)：147－153.Guo Zhiming, Huang Wenqian, Chen Quansheng, et al.Model optimization for the on-line inspection of internal apple quality by shortwave near-infrared spectroscopy[J].Modern Food Science and Technology. 2016, 32(9): 147－153. (in Chinese with English abstract)

[24] 李江波，饶秀勤，应义斌. 基于照度-反射模型的脐橙表面缺陷检测[J]. 农业工程学报，2011，27(7)：338－342.Li Jiangbo, Yao Xiuqin, Ying Yibin. Detection of navel surface defects based on illumination-reflectance model[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(7): 338－342. (in Chinese with English abstract)

[25] 耿立中，王鹏，马骋，等. RS485高速数据传输协议的设计与实现[J]. 清华大学学报(自然科学版)，2008(8)：1311－1314.Geng Lizhong, Wang Peng, Ma Cheng, et al. Design and implement of RS485 high speed data communications protocol[J]. Journal of Tsinghua University (Science and Technology), 2008(8): 1311－1314. (in Chinese with English abstract)

[26] 杨颀，孟志强，彭永进. 基于 MAX1044和 MAX485的RS232—RS485转换器[J]. 湖南大学学报(自然科学版)，2002(增刊 1)：84－88.Yang Qi, Meng Zhiqiang, Peng Yongjin. Converter Between RS232 and RS485 based on MAX1044 and MAX485[J].Journal of Hunan University(Natural Sciences Edition),2002(Supp.1): 84－88. (in Chinese with English abstract)

[27] 中华人民共和国农业部. 水果和蔬菜可溶性固形物含量的测定折射仪法：NY/T 2637—2014[S]. 中国：中国标准出版社，2015.

[28] 赵晓霞，张铁中，陈兵旗，等. 自然环境下桃子图像分割算法[J]. 农机化研究，2009，31(2)：107－111.Zhao Xiaoxia, Zhang Tiezhong, Chen Bingqi, et al. Study on the segmentation algorithm for peach in natural scene[J].Journal of Agricultural Mechanization Research, 2009, 31(2):107—111. (in Chinese with English abstract)

[29] 袁欣智，江洪，陈芸芝，等. 一种应用大津法的自适应阈值水体提取方法[J]. 遥感信息，2016，31(5)：36—42.Yuan Xinzhi, Jiang Hong, Chen Yunzhi, et al. Extraction of water body information using adaptive threshold value and QTSU algorithm[J]. Remote Sensing Information, 2016,31(5): 36－42. (in Chinese with English abstract)

[30] 孙通，许文丽，林金龙，等. 可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物[J]. 光谱学与光谱分析，2012，32(12)：3229－3233.Sun Tong, Xu Wenli, Lin Jinlong, et al. Determination of soluble solids content in navel oranges by Vis-NIR diffuse transmission spectra combined with CARS medthod[J].Spectroscopy and Spectral Analysis, 2012, 32(12): 3229－3233. (in Chinese with English abstract)

[31] 刘燕德，姜小刚，熊松盛，等. 基于CARS算法的脐橙果园土壤有机质近红外检测[J]. 中国农机化学报，2016，37(2)，240－244.Liu Yande, Jiang Xiaogang, Xiong Songsheng, et al. Using CARS to predict the content of soil organic matter based on Vis-NIR spectra[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(2): 240－244. (in Chinese with English abstract)

[32] 刘燕德，施宇，蔡丽君，等. 基于CARS算法的脐橙可溶性固形物近红外在线检测[J]. 农业机械学报，2013，44(9)：138－144.Liu Yande, Shi Yu, Cai Lijun, et al. On-line NIR detection model optimization of soluble solids content in navel orange based on CARS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 138－144. (in Chinese with English abstract)

[33] 袁莹，王伟，褚璇，等. 光谱特征波长的SPA选取和基于SVM 的玉米颗粒霉变程度定性判别[J]. 光谱学与光谱分析，2016，36(1)：226－230.Yuan Ying, Wang Wei, Chu Xuan, et al. Selection of characteristic wavelengths using SPA and qualitative discrimina of mildew degree of corn kernels based on SVM[J]. Spectroscopy and Spectral Analysis, 2016, 36(1):226－230. (in Chinese with English abstract)

[34] 廖宜涛，樊玉霞，成芳，等. 连续投影算法在猪肉 pH值无损检测中的应用[J]. 农业工程学报，2010，26(增刊1)：379－383.Liao Yitao, Fan Yuxia, Cheng Fang, et al. Application of successive projections algorithm to nondestructive determination of pork pH value[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(Supp.1): 379—383. (in Chinese with English abstract)

[35] 李江波，郭志明，黄文倩，等. 应用CARS和SPA算法对草莓 SSC含量 NIR光谱预测模型中变量及样本筛选[J].光谱学与光谱分析，2015，35(2)：372－378.Li Jiangbo, Guo Zhiming, Huang Wenqian, et al. Nearinfrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J].Spectroscopy and Spectral Analysis, 2015, 35(2): 372－378.(in Chinese with English abstract)