关键词：可溶性固形物含量；无损检测；信息融合；特征提取；机器学习 中图分类号：TS255.7；O439；TP183 文献标识码：A DOI： 10.7525/j.issn.1006-8023.2025.03.017

Abstract： Soluble solids content （SSC）is akey indicatorfor assessing the internal qualityoffruits.This study proposes anon-destructive detection method based on hyperspectral image fusion to predict the SSCof blueberries.Three widely used wavelength dimensionalityreduction algorithms areemployed：Monte Carlo uninformative variable elimination（MCUVE），Competitive Adaptive Reweighted Sampling（CARS），and Successive Projections Algorithm（SPA），，to identify optimal wavelengths.Additionally，astrategy integrating Local Binary Paterns（LBP）and GrayLevel Co-occurrence Matrix（GLCM） is proposed for feature extraction.Using spectral features，image features，and fused features，Partial Least Squares （PLS），Backpropagation Neural Network （BPNN），and Support Vector Machine（SVM） models are developed for SSC prediction.Theresults demonstrate that the BPNN model，utilizing spectral features extractedvia the CARS algorithm and image featuresderived from the LBP+GLCM algorithm，yields the highest prediction accuracy.The model'scoefficient of determination（ ）isO.9261，while the Root Mean Square Error ofPrediction（RMSEP）is 0.3641.Thisstudyindicates that hyperspectral image fusion technology holds significant potential forthenon-destructiveprediction of blueberry SSC.

Keywords：Soluble solidcontent；non-destructive assessment； information fusion；feature extraction;machine learning

0 引言

蓝莓作为重要的林下经济作物，因其独特的风味和丰富的营养，深受消费者喜欢[1-2]。可溶性固形物含量（solublesolidscontent，SSC）是评估蓝莓新鲜度的一项重要指标[3]。传统的蓝莓SSC检测方法是通过折射仪测量水果汗液的折射率。然而，该方法费时费力，并且检测后的蓝莓受到不可逆转的损坏，无法投入市场中进行销售。因此，有必要采用一种快捷可靠且无破坏性的方法对蓝莓SSC进行测定。

无破坏性的蓝莓SSC测定方法主要包括超声波法、拉曼光谱法、核磁共振成像和高光谱成像（hyper-spectralimaging，HSI）。其中，超声波法通过检测水果内部结构的变化来推测SSC，但测量精度较差。拉曼光谱法采用拉曼光谱技术来分析水果SSC，但对设备要求较高，难以用于生产线上。核磁共振技术通过分析水果内部的水分和其他化学成分来推测SSC，但设备昂贵，也不适用于生产线上。

HSI技术可以同时提供待测样本的空间和光谱信息，在不接触水果的情况下检测成分含量，具有较高的精度和深度信息，适用于大规模检测，常用于评估新鲜果蔬的内部质量特性。张立秀等4利用HSI技术结合离散二进制粒子群（discretebinaryparticle swarmoptimization，DBPSO）算法对久保桃SSC进行预测，采用DBPSO算法、竞争性自适应重加权采样（competi-tiveadaptivereweighted sampling，CARS）、连续投影算法（successive projections algorithm，SPA）和无信息变量消除（uninformativevariableelimination，UVE）对特征波长进行提取。为提高单一算法建模中的鲁棒性，提出组合模式的特征波长提取方法，最后分别建立最小二乘支持向量机和遗传算法优化的支持向量机模型。……