森林工程

作者：孙枭雄,刘大洋,朱良宽

单位：1.东北林业大学 计算机与控制工程学院，哈尔滨 150040；,2.内蒙古民族大学 计算机科学与技术学院，内蒙古 通辽 028000；,3.东北林业大学 机电工程学院，哈尔滨 150040；

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

基金：国家自然科学基金项目(32202147),黑龙江省博士后科研基金项目(LBH-Q13007)

可溶性固形物含量（soluble solids content，SSC）是衡量水果内部质量的重要指标，为此，提出一种基于高光谱图谱融合的无损检测方法，用于预测蓝莓的SSC。采用3种典型的波长降维算法，包括蒙特卡罗无信息变量消除（monte carlo uninformative variable elimination，MC-UVE）、竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）和连续投影算法（successive projections algorithm，SPA），用于筛选有效波长。此外，提出一种结合局部二值模式（local binary patterns，LBP）和灰度共生矩阵（gray level co-occurrence matrix，GLCM）提取图像特征的策略。基于光谱特征、图像特征和融合特征，分别建立偏最小二乘（partial least squares，PLS）、反向传播神经网络（back propagation neural network，BPNN）和支持向量机（support vector machine，SVM）模型进行SSC预测。研究结果表明，利用CARS算法提取的光谱特征融合LBP+GLCM算法提取的图像特征建立的BPNN模型，具有最佳的预测精度。该模型的决定系数（R 2）为0.926 1，均方根误差（root mean square error of prediction，RMSEP）为0.364 1。该研究表明高光谱图谱融合技术在无损预测蓝莓SSC中具有较大应用潜力。

来源：2025年第3期

《森林工程》期刊编辑部

查看森林工程杂志2025年第3期