冰糖橙果实品质无损伤在线检测分级技术的建立与应用

【目的】冰糖橙果实外观分级与内部品质不一致极大地影响了其市场声誉,建立冰糖橙果实品质分级标准和果实快速规模化无损伤品质检测分级技术,并进行在线应用,为快速分选不同糖酸度冰糖橙产品提供技术支持。【方法】在利用常规果实品质分析方法对主产区的冰糖橙果实进行多年品质分析的基础上,找出果实外观和内在品质的相关性,确定不同果型横径与糖酸度含量的关系,形成冰糖橙果实分级标准。在此基础上,采集710-960 nm波段近红外透射光谱建立果实无损伤检测模型,利用常规品质分析数据对原始光谱反复进行校正并验证,确定无损伤检测的准确性,并在分级线上进行应用;调查统计应用无损伤检测生产线分级后各级冰糖橙的产量、销售单价和销售额。【结果】（1）根据果实横径大小进行初选分级,68-74 mm为大果型,62-67 mm为中果型,56-61 mm为小果型,再按果实的糖度（可溶性固形物Brix度）和酸度不同将冰糖橙划分为4个等级：糖度≥14、酸度≤0.4%为特级果;12≤糖度＜14、酸度≤0.4%为一等果;糖度≥14、0.6%≥酸度＞0.4%为二等果;糖度＜12、酸度≤0.4%为合格果。通过反复矫正,建立了冰糖橙果实品质分级标准。（2）通过多次进行单果糖度和酸度的分析矫正,建立了冰糖橙果实糖度和酸度的检验线。第1次建立的冰糖橙糖度检量线检测范围为10.1-14.9 Brix,再利用常规品质分析验证无损伤检测结果,合格率仅为26%。第2次建立的糖度检量线延长高糖检测范围,为10.1-16.2 Brix,经验证后合格率达90%。第3次建立的糖度检量线扩大低糖检测范围,为9.8-16.2 Brix,经验证后合格率为90%。第1次建立的冰糖橙酸度检量线检测范围为0.1%-1.26%,再利用常规品质分析验证无损伤检测结果,合格率仅为64%。第2次建立的酸度检量线延长高酸检测范围,为0.1%-1.37%,经验证后合格率达94%。第3次建立的酸度检量线继续扩大高酸检测范围,为0.1%-1.53%,经验证后合格率为92%。（3）新建立无损伤糖酸度校正和验证模型,糖度有效检测范围为8.7-15.1 Brix,酸度有效检测范围为0.14%-2.0%,经验证后糖度合格率达到98%,酸度合格率为98%。应用该分级技术,分选速度达到10个冰糖橙/秒,品质分级后最高单价48元/kg,年产量4 500 t,实现产值9 122万元。【结论】研究结果预测糖酸度准确,测量范围全面涵盖冰糖橙商品果的糖酸度,能大批量、快速、高质量和无损伤在线鉴别冰糖橙果实内在品质,结合外观品质分级标准,分选出内外品质均一的产品。     

近红外在线检测装置参数对苹果糖度模型适用性的影响

目的 近红外(Near-infrared)光谱在线检测装置的检测速度和积分时间等因素会影响所建立苹果糖度模型的性能,本文旨在分析检测速度和积分时间对模型适用性的影响,以提高在线检测的精度。方法 近红外光谱在线检测装置检测速度和积分时间分别设置为0.3 m/s+100 ms、0.5 m/s+70 ms、0.5 m/s+100 ms、0.5 m/s+120 ms、0.5 m/s+150 ms,共5个实验组,试验所用苹果样本共180个,在350~1 150 nm波长下采集5个试验组苹果的近红外光谱,应用偏最小二乘法(Partial least squares,PLS)建立苹果可溶性固形物含量(Soluble solid content,SSC)的预测模型。结果 近红外在线检测装置积分时间对苹果糖度的检测存在阈值,当积分时间低于70 ms时,模型预测性能较差。预测模型中建模集与预测集的检测速度与积分时间相同时的预测效果优于二者不同时的。检测速度和积分时间会影响在线检测的精度,不同检测速度和积分时间下,光线在苹果内部的传输路线不同,会导致光纤探头获得的内部信息有所差异,使预测性能变差。在0.3 m/s+100 ms、0.5 m/s+100 ms、0.5 m/s+120 ms和0.5 m/s+150 ms 4个试验组中使用Kennard-Stone算法挑选出135个具有代表性的样本光谱,建立了混合检测速度和积分时间的预测模型,其预测集相关系数(R_P)均在0.85以上,预测集均方根误差(RMSE_P)均低于0.65。结论 本研究建立的混合检测速度和积分时间的预测模型可对苹果的糖度达到更好的预测,满足不同检测装置参数下苹果糖度在线检测的要求。     

基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究

为了实现蓝莓内部品质快速、准确检测,采用高光谱成像技术对蓝莓的糖度和硬度多指标同时进行检测研究。提出多阶段特征波长选择方法,即采用连续投影法(SPA)和逐步多元线性回归(SMLR)等特征波长选择方法同时将糖度和硬度的特征波长选择出来。通过高光谱成像系统(400~1000nm)采集了200幅蓝莓图像,首先对高光谱图像进行多元散射校正、标准正态变量变换和Savitzky-Golay平滑等光谱预处理,选取最优的预处理方法。然后利用SPA或者SMLR选择出糖度的几个特征波长,在此基础上再利用SPA或者SMLR选择出硬度的几个特征波长,从而形成四个特征波长选择方法 (SPA-SPA、SMLR-SMLR、SPA-SMLR和SMLR-SPA),采用4种多阶段特征波长选择方法提取同时反映蓝莓糖度和硬度的特征波长的组合。最后以全波长光谱信息(FS)和4种多阶段特征波长选择方法得出的光谱信息作为BP神经网络模型的输入矢量,建立了蓝莓糖度和硬度的预测模型。结果表明:Savitzky-Golay平滑为最优的预处理方法 ,结合BP神经网络,采用SPA-SPA多阶段特征波长选择方法所得的预测性能最优,糖度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.959和0.318°Brix,硬度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.956和0.153°Brix。糖度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.952和0.391°Brix,硬度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.953和0.234°Brix。该研究表明,应用高光谱成像技术可以对蓝莓糖度和硬度多指标同时进行检测研究,所获得的特征波长可为开发多光谱成像的蓝莓品质检测和分级系统提供参考。     

利用荧光高光谱图像技术无损检测猕猴桃糖度

将405nm激光照射到猕猴桃样品上,当激光透过样品内部时,部分单色光被样品内部成分吸收,释放出荧光,再用高光谱成像系统采集诱导出的荧光散射图像.在荧光散射图像上选取感兴趣荧光区域(ROIs),提取感兴趣区域在波长400～1000nm范围内的特征变量.当提取12个特征变量时,建立的猕猴桃糖度多元线性回归(MLR)模型的校正集相关系数Rc为0.932,预测均方根误差(RMSEC)为0.4764°Brix,预测集相关系数Rp为0.8227,预测均方根误差(RMSEP)为0.5645°Brix.研究结果表明,采用激光诱导荧光成像技术无损检测猕猴桃糖度是可行的.     

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响，进一步提高水果分选模型精度，应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱，对光谱进行多种预处理后，分别建立苹果可溶性固形物的偏最小二乘法模型，再用苹果果径75~85 mm组中的建模集预测苹果果径分别为65~75、85~95 mm组中的预测集样品，最后用果径组65~75、75~85、85~95 mm中的建模集和预测集，分别作为混合苹果尺寸糖度预测模型的建模集和预测集，并利用特征光谱选择算法对模型进行简化，建立苹果糖度通用预测模型。结果显示：与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比，其相关系数R_p由0.805提高至0.943，预测集均方根误差值RMSEP由0.778减小至0.480，RPD由0.96增加至3.05，再对建立的通用模型进行简化，可以降低苹果尺寸对苹果糖度模型的影响，提高模型预测性能。     

脐橙糖度近红外光谱在线检测的建模变量优选

【目的】采用小波压缩结合遗传算法,优选脐橙糖度近红外光谱在线检测的建模变量,提高在线检测精度。【方法】利用近红外光谱检测装置采集脐橙样品的光谱,并将其转换为反射比光谱,在700.28～933.79 nm波段,利用小波变换将一阶微分处理后的近红外反射比光谱变量压缩成小波系数变量。经遗传算法优选后,建立偏最小二乘法（PLS）模型,并对该模型的预测结果进行评价。【结果】利用小波压缩结合遗传算法优选变量建立的脐橙糖度PLS模型,预测效果最优,模型的相关系数为0.759,模型预测均方根误差为0.468 °Brix。【结论】采用小波压缩结合遗传算法对变量进行优选,可提高脐橙糖度近红外光谱在线检测的精度。     

基于高光谱图像和3D-CNN的苹果多品质参数无损检测

[目的]为解决水果品质无损检测中成本、效率、精度问题,提出了一种基于高光谱图像和三维卷积神经网络(3D-CNN)的苹果高光谱多品质参数同时检测方法。[方法]使用高光谱成像系统获取400～1 000 nm波段的苹果样本的高光谱反射图像并使用S-G平滑法对原始图像进行去噪处理,在此基础上,对采集到的高光谱图像通过多感兴趣位置的选取以及间隔波段抽取重组的方法进行样本扩充,再利用三维卷积神经网络建立样本扩充后的苹果高光谱图像与苹果糖度、硬度、含水量的多任务学习模型,通过该模型实现对苹果的糖度、硬度、含水量等品质参数的无损检测。[结果]采集245个苹果的高光谱图像及其对应的品质参数信息,通过样本扩充的方法将原始数据集扩充至9 800个样本后进行建模和验证。结果表明:本算法建立的苹果糖度、硬度、水分的分类模型,在糖度类间隔为1°Brix、硬度类间隔为0.5 kg·cm~(-2)、含水量类间隔为10%的情况下,糖度、硬度、水分的预测准确率分别为93.97%、92.29%和93.36%,回归模型糖度、硬度和水分的相关系数最高分别达到0.827、0.775和0.862,比最优的传统算法分别提高15.0%、17.0%和17.2%。[结论]本算法能够较准确实现苹果高光谱多品质参数同时检测,且相对传统方法预测精度有较大提升。     

滑皮金桔糖度的近红外光谱无损检测技术

[目的]采用近红外光谱技术对滑皮金桔的糖度开展无损检测技术研究,为今后实现滑皮金桔在线糖度品质分级分选提供参考依据.[方法]以NIR Magic 1100型便携式果品近红外光谱分析仪为主要研究设备,对采集的滑皮金桔光谱分别进行S-G卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)处理,结合偏最小二乘法建立滑皮金桔糖度预测模型并进行验证.[结果]建模的最佳光谱波段为720~920 nm;光谱采用SG-smooth处理后建立模型的校正集相关系数为0.9531,校正集均方根误差为0.6436,相对分析误差为3.55,均优于采用SNV和MSC处理建立的模型效果.对预测模型进行验证显示,糖度预测值与实际值的相关系数为0.9582,均方根误差为0.5187,相对分析误差为3.24.[结论]采用近红外光谱快速检测滑皮金桔糖度可行,建立的预测模型稳定性好、精度较高,可为滑皮金桔在线分选及无损检测设备的开发提供技术参考.     

苹果糖度无损检测模型研究

【目的】对套袋和不套袋苹果分别建立反射光谱与糖度预测模型,并对模型的精度进行比较分析,为构建苹果品质分级系统提供理论支撑。【方法】采用美国ASD公司的便携式光谱仪和数显折光计分别测量套袋和不套袋烟富3号红富士苹果,以苹果赤道位置4个取样点的反射率光谱和对应位置的糖度为数据源,原始光谱经多元散射校正后,与糖度数据一同用偏最小二乘回归算法,分别建立套袋和不套袋苹果的反射率光谱糖度模型,进行糖度预测。【结果】(1)套袋苹果校正集相关系数Rc=0.76,均方根误差RMSEP=0.8375 Brix;预测集相关系数Rv=0.72,均方根误差RMSEP=0.8702 Brix;(2)不套袋苹果校正集相关系数Rc=0.69,均方根误差RMSEP=0.9040 Brix;预测集相关系数Rv=0.63,均方根误差RMSEP=0.9134 Brix。【结论】不套袋苹果的模型精度低于套袋苹果模型精度。相对复杂的表面情况导致不套袋苹果模型精度较差,不套袋苹果的无损检测误差会高于套袋苹果。     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于CNN-Transformer的视觉缺陷柑橘分选方法

针对产线分拣缺陷柑橘费时费力等问题,以柑橘加工生产线输送机上随机旋转的柑橘果实为研究对象,开发了一种基于卷积神经网络（CNN）的检测算法Mobile-citrus,用于检测和暂时分类缺陷果实,并采用Tracker-citrus跟踪算法来记录其路径上的分类信息,通过跟踪的历史信息识别柑橘的真实类别。结果显示,跟踪精度达到98.4%,分类精度达到92.8%。同时还应用基于Transformer的轨迹预测算法对果实的未来路径进行了预测,平均轨迹预测误差达到最低2.98个像素,可用于指导机器人手臂分选缺陷柑橘。试验结果表明,所提出的基于CNN-Transformer的缺陷柑橘视觉分选系统,可直接应用在柑橘加工生产线上实现快速在线分选。     

基于统计复杂性测度、多重分形谱等方法的柑橘品质分级

为精确地度量柑橘品质分级,研究了病虫害为害状冰糖橙缺陷果实复杂性测度机器识别、脐橙果实周长-面积分形维数与分段色调单位坐标化多重分形谱高度/宽度的形状和颜色分级及糖酸度无损检测。对冰糖橙生理性缺硼、锈壁虱、油胞凹陷病3种常见病虫害果实为害状缺陷在0°—50°主色调区域实施长度为1°的分段,统计各分段色调区间像素分布概率,并计算统计复杂性测度C(Y)与Shannon信息熵H(Y),以C(Y)与H(Y)为检索词计算机查询果实病虫害检索表来进行病虫害缺陷果机器识别,平均正确识别率为93.33%。对脐橙果实果梗面与侧面在相垂直的2个投影面上的图像进行去背景与边界轮廓提取操作,计算边界轮廓周长-面积分形维数,以此为指标检索果实信息字典进行脐橙形状分级,正确率100%。以脐橙果实相对的2个侧面图像为研究对象,去其背景,将30°—120°主色调区域进行30°—50°、50°—70°、70°—90°和90°—120°的区间分割,生成4幅色调图像,计算此图像多重分形谱质心坐标、高度与宽度,对该高度与宽度进行单位质心坐标化处理,一方面以单位质心坐标化多重分形谱高度与宽度为指标检索果实信息字典进行脐橙颜色分级,正确率98%;另一方面以单位质心坐标化多重分形谱高度与宽度为参数通过糖酸度偏最小二乘模型映射果实糖酸度,糖度与酸度标准差分别在0.77及0.36以内,与实际值的相关系数分别在0.8及0.7以上。试验结果表明:统计复杂性测度、周长-面积分形维数、单位质心坐标化多重分形谱高度与宽度较精确地反映了柑橘分级中需识别的冰糖橙果实病虫害缺陷的特征、脐橙果实形状与颜色特性及内部糖酸度无损检测映射参数特点。     

一种便携式苹果糖度无损检测仪的研制

糖度是判断苹果质量好坏的一个重要参考标准,针对苹果糖度的检测问题,设计了一种以Cortex-A9为内核、以自研发的可见-近红外光谱仪(波长范围400~1 000 nm)作为光谱检测装置、以Linux为操作系统的便携式苹果糖度无损检测仪。以山东烟台的100个红富士苹果为材料,采集了漫透射检测方式下基于自收发光机构的苹果漫透射光谱曲线,结合化学计量学方法,对样本的全光谱曲线使用了平均法和Savitzky-Golay卷积平滑光谱预处理方法,将预处理后的光谱数据按波峰位置划分区间,并分别按照全光谱范围和所划分区间的波段范围建立PLS模型来预测苹果的糖度含量。结果表明,经预处理后的全光谱数据所建立的PLS模型预测效果最好,优于按波峰划分区间所建立的PLS模型,其校正相关系数为0.96、预测相关系数为0.87,校正均方根误差为0.31、预测均方根误差为0.34。同时对仪器工作时的预测稳定性进行了测试,测试结果得出检测精度可控制在±0.2 Brix以内,模型预测精度满足现场快速检测应用要求。     

基于边缘计算的柑橘果实识别系统的设计

针对当前柑橘果实目标检测模型多数需在服务器上运行,难以直接在果园部署且识别实时性较差等问题,设计了基于边缘计算设备的便携式柑橘果实识别系统。该系统由优化的目标检测模型和嵌入式智能平台组成;通过扩展YOLOv4–Tiny目标检测算法,将所有批量归一化层合并到卷积层,加快模型前向推理速度;采用多尺度结构并使用K–means聚类方法获得柑橘数据集的先验框大小,使网络模型对柑橘果实识别具有更强的鲁棒性;使用GIOU距离度量损失函数,使网络模型更加关注柑橘图像中重叠遮挡的区域。将改进算法部署到嵌入式平台Jetson nano,试验结果表明,识别系统对柑橘果实的识别平均准确率达93.01%,单幅图片的推断时间约为150 ms,对视频的识别速率为16帧/s。     

便携式苹果品质快速无损检测系统设计

为可移动、快速、便携的利用可见/近红外光谱技术检测苹果糖度,基于嵌入式系统和可见/近红外光谱检测技术,开发了便携式苹果品质快速无损检测系统。以ARM11处理器为核心,以卤素灯光源和USB2000+可见/近红外光谱仪为光谱检测平台,在ARM11内嵌的Win CE6.0系统上,采用VS2005编程工具,设计出人性化的软件系统,并实现苹果的糖度值输出到LCD触摸屏上。以寒富苹果样本作为研究的对象,采集寒富苹果样本的可见/近红外光谱数据值,采取二阶微分、多元散射校正、平滑等方法对光谱进行预处理,选取485.01~900.71nm共1231个波长点建立寒富苹果糖度的偏最小二乘数学模型,预测模型决定系数R~2=0.9852,预测均方根误差RMSEP(0.0958)校正均方根误差RMSEC(0.1172),偏差值Bias=-0.0133。经过试验验证,绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内,绝对偏差值很小,表明该监测检测系统能比较好地满足苹果糖度的快速无损检测要求,实现可便携的苹果糖度的快速无损检测,对寒富苹果产中和产后的管理提供依据。同时,该检测系统可以将经过试验研究得到的不同品种的果蔬糖度、酸度、色度(L*,A*,B*)模型导入该检测系统,实现不同品种果蔬多品质参数的同时检测。     

基于高光谱技术的哈密瓜果实物候期判别模型

以新和地区种植的大田哈密瓜为研究对象,采集不同物候期哈密瓜果实样本,采集高光谱数据并通过Savitzky-Golay一阶导数(SG-1)、Savitzky-Golay二阶导数(SG-2)、标准正态变换(SNV)、多元散射校正(MSC)4种光谱预处理方法进行预处理,建立广义回归神经网络(GRNN)和概率神经网络(PNN)2种哈密瓜物候期判别模型,以模型判别正确率为评价指标,结果显示,所建模型均能很好地识别哈密瓜果实物候期。将采集到的4个时期的哈密瓜果实样本光谱组合成10组具有输入变量的光谱样本,分别建立GRNN和PNN判别模型,以模型运行时间作为模型评价指标,得出以3个时期的哈密瓜样本光谱所建立的SG-1-GRNN和SNV-PNN模型为最优,运行时间为0.046 9 s,运行速率最多可提高57%。     

基于可见/近红外光谱对不同产地晋虞1号桃SSC含量的检测研究

[目的]本文利用可见/近红外光谱定量检测山西省不同产区晋虞1号桃的可溶性固形物(Soluble solids content,SSC)含量,旨在建立一个简单有效、适应性能好的校正模型为后续在线检测设备的开发与利用提供模型参考。[方法]采集3个产区桃的可见/近红外漫反射光谱,选择不同的预处理方法消除客观因素对原始光谱的影响,比较发现SG平滑+多元散射校正(multiplicative scatter correction,MSC)预处理方法建模结果最优。采用Kennard-Stone算法以3∶1比例划分样品集,其中校正集270个用于建立PLS模型,预测集90个用于评价模型性能。为了简化模型运算量、提高模型预测性能使用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MCUVE)与连续投影算法(Successive projection algorithm,SPA)相结合筛选有效特征波长。最后,比较了偏最小二乘(Partial least squares,PLS)算法所建单一产地和混合产地下晋虞1号桃SSC含量可见/近红外光谱模型的预测能力。[结果]与单一产地和两两混合产地模型相比,混合3产地桃校正集样本建立的模型预测效果最好,预测的相关系数(Rp)和预测的均方根误差(RMSEP)分别为0.949和0.652°Brix。[结论]利用多个产地的晋虞1号桃样本建立的混合模型具有较强的包容性,可提高对晋虞1号桃SSC含量的预测精度,减小产地差异对SSC含量可见/近红外光谱检测的影响。本文可为山西省内晋虞1号桃内部品质SSC含量的无损检测模型提供了理论基础。     

基于小波变换与LS-SVR 的柑橘叶片磷含量高光谱监测模型

快捷、准确、无损地监测柑橘磷(P)含量,对柑橘树磷肥的精准喷施及动态管理有重大意义。高光谱技术的快速发展使柑橘磷含量的快速无损监测成为可能。以117株园栽萝岗橙为试验对象,分别在壮果促梢期和采果期两个不同发育阶段采集234个样本数据,高光谱反射数据构成描述样本的多元矢量,硫酸-双氧水消煮-钼锑抗比色法测得的磷含量值作为样本标签值。在对高光谱反射数据小波去噪的基础上,用LS-SVR算法建立柑橘叶片磷含量监测模型。模型分别在验证集和校正集上进行评估,分别取得模型决定系数0.907和0.953,均方误差0.004和0.002,平均相对误差2.76%和1.77%。结果表明:用高光谱技术进行柑橘叶片磷含量监测是可行的。     

基于可见/近红外光谱西葫芦硬度的无损检测模型的建立

利用近红外光谱(350～2 500 nm)系统采集180个西葫芦样本的光谱数据,运用多种预处理方法对原始光谱数据进行处理,建立西葫芦果肉硬度的PCR、SMLR和PLSR预测模型;并通过对不同的建模模型进行分析,对西葫芦硬度进行快速检测,实现可见/近红外光谱技术对西葫芦的硬度品质在线无损检测。结果表明,经过卷积平滑法和标准正态变换(S-G+SNV)处理建立的PLSR硬度预测模型效果最好,校正集相关系数为0.979,预测集相关系数为0.976;验证模型结果预测相关系数为0.886,预测均方根误差为0.126。运用可见/近红外光谱技术对西葫芦硬度指标的预测研究具有可行性,研究结果可为今后在线快速无损检测果蔬硬度提供理论依据。     

基于GA-LSSVM的苹果糖度近红外光谱检测

【目的】结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性。【方法】在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数。【结果】相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix。【结论】GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的。