高光谱影像的鲜桃可溶性固形物含量预测模型

杨宝华，高志伟，齐 麟，朱 月，高 远

安徽农业大学信息与计算机学院，安徽 合肥 230036

引 言

鲜桃是一种营养丰富和风味甜香的水果，可溶性固形物含量(soluble solids content, SSC)作为影响鲜桃风味的重要成分，也成为衡量鲜桃品质的重要参考标准，因此，精准估测SSC对于鲜桃分级和评价具有重要的研究意义和应用价值。

目前，随着传感器和数据分析技术的快速发展，无损估测水果可溶性固形物含量被广泛研究及应用。其中，近红外光谱、多光谱、荧光谱、电子鼻等已经成功地检测鲜果SSC[1-4]。然而，目前大部分研究基于单一特征检测，从而限制了水果SSC预测模型的进一步探究。近年来，高光谱影像(hyperspectral image, HSI)不仅提供光谱维信息，还提供空间维信息，常常被广泛用来检测水果的SSC[5]。Fan等融合了光谱特征和纹理特征成功检测苹果的SSC[6]，Li等利用高光谱影像估测鲜桃的SSC[7]。结果表明，基于高光谱影像特征估测SSC的可行性。然而，大部分研究仅基于光谱维信息，容易导致SSC估测模型过拟合。

随着深度学习在不同领域的应用，为鲜桃SSC预测提供了新思路和新方案。堆叠自动编码器(stacked auto-encoder，SAE)[8]作为深度学习方法，具有较强的特征能力，从而提高预测模型的精确性。因此，在这项研究中设计不同结构的堆叠自动编码器，分别提取高光谱影像的光谱维、空间维及空-谱维信息的深层特征，为鲜桃SSC的定量分析提供技术路径。

1 实验部分

1.1 数据获取

1.1.1 鲜桃样本及SSC数据采集

2019年6月，在市场上购买了不同品种的成熟鲜桃样本120个(黄金蜜桃、蟠桃和油桃各40个，单果重量在160～240 g之间)。……