圖1為現(xiàn)場圖像采集照片和對高光譜圖像中的光譜進(jìn)行提取和處理。文章采用SPXY法將160個(gè)樣品劃分為100個(gè)校正集和60個(gè)預(yù)測集，集合劃分結(jié)果和指標(biāo)如表1所示，圖2為中熟和成熟的肥城桃子的平均光譜反射率與標(biāo)準(zhǔn)偏差的示意圖。

圖2 中熟和成熟的肥城桃子的平均光譜反射率與標(biāo)準(zhǔn)偏差

文章采用CARS算法和隨機(jī)跳蛙(RF)算法提取有效波長，并基于特征波長建立可溶性固溶物含量（SSC）和硬度的多元線性回歸（MLR）模型，建模效果如圖3所示。其中SSC的RF-MLR預(yù)測模型較好，Rv2為0.88，RMSEV為0.54，硬度的CARS-MLR預(yù)測模型較好，Rv2為0.81，RMSEV為1.17。

在此基礎(chǔ)上，文章采用順序前向選擇（SFS）算法提取兩個(gè)有效波長（957nm，518nm）,如圖4所示。隨后使用LIBSVM模型對肥城桃子的成熟度進(jìn)行辨別，如圖5所示，圖5a為模型選取的最佳核參數(shù)C=5.7和γ=16，圖5b為模型分類識(shí)別的準(zhǔn)確率，分類識(shí)別精度達(dá)到91.7%。

圖5 LIBSVM模型對肥城桃子成熟期的判別

參考文獻(xiàn)：Shao Y, Wang Y , Xuan G , et al. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager[J].Bigosystem Engineering, 212(2021):115-125.