拉曼光谱仪

一项针对218个辣椒样本的研究表明，高光谱成像结合多特征融合，可实现健康、轻度和重度日灼的三级识别，最&优模型在预测集上的总体准确率达到97.2%。

强光和高温天气下，辣椒果实可能出现黄斑、组织坏死和结痂。这种“日灼"属于非侵染性生理障碍，会影响果实外观和商品价值。实际生产中，日灼程度主要依靠人工观察判断；对于症状较轻或处于等级边界的果实，分级结果容易受到经验与观察条件影响。

近期，某研究团队利用高光谱成像与光谱特征融合，探索辣椒日灼的无损三级识别。

研究团队以新疆阿拉尔地区种植的“湘辣702"辣椒为对象，获得218个有效样本：

其中147个样本用于建模，71个样本用于预测验证。研究重点关注轻度日灼的识别，因为这类果实的损伤表现相对轻微，更容易与相邻等级混淆。

实验使用推扫式高光谱成像系统，在受控照明条件下采集果实图像。相机检测范围为390—1712 nm，研究实际选取592—1531 nm的数据进行分析。

研究人员在每个果实表面选取4个感兴趣区域，避开果柄、阴影边缘和明显反光，再以平均光谱代表该样本。经过黑白参考校正和小波去噪后，团队观察到不同日灼等级之间的光谱差异：随着损伤加重，650—750 nm附近的红边曲线，以及约980 nm和1430 nm附近的吸收特征均发生变化。

这些现象为分级提供了线索。不过，论文没有独立测量果实色素含量和组织含水量，因此不能将光谱变化直接等同于相应生理指标的定量变化。3

高光谱图像包含大量连续波段，既有丰富信息，也有重复和噪声。研究团队采用三种方法提取特征：

• PCA（主成分分析）概括光谱的整体变化。前两个主成分累计解释约97%的光谱方差。

• 2DCOS（二维相关光谱）分析光谱随日灼等级变化的关联，识别出778 nm、1071 nm和1381 nm三个敏感波长。

• CARS（竞争性自适应重加权采样）筛选有助于分级的波段，最终获得24个特征波长。

随后，团队比较了完整光谱、单一特征、两两融合和三特征融合方案，并分别使用支持向量机（SVM）、随机森林（RF）和K近邻（KNN）建立分类模型。

实验结果：最&优模型准确率达97.2%

PCA＋2DCOS＋CARS三特征融合结合SVM取得本研究中的最佳结果。在71个样本的预测集上，总体准确率为97.2%，宏平均F1值为0.963，Kappa系数为0.956。健康和轻度日灼样本的召回率均为100%，重度日灼样本的召回率为90.9%。

在相同的三特征融合输入下，RF和KNN模型的总体准确率分别为95.8%和94.4%。从分类结果看，主要混淆发生在轻度与重度日灼之间；最&优SVM模型正确识别了预测集中的全部轻度样本，仍有少量重度样本被判为轻度。

这里的“轻度识别"是对已出现轻微可见症状的果实进行识别，并不意味着模型已经实现症状出现前的预警。

这项研究给出了一条清晰的技术路径：样本采集—高光谱成像—光谱特征筛选—分级模型建立—场景验证。对于不同作物、不同损伤类型和不同使用环境，设备配置与算法模型都需要围绕具体任务设计。

奥谱天成可面向园艺作物品质检测和损伤分级需求，提供定制化技术服务：

• 采集方案设计：结合辣椒、番茄、柑橘等样品的尺寸、形态和检测目标，配置适合的高光谱成像设备、光源与运动平台。ATH8100等实验室高光谱成像系统可用于样本采集和前期方法研究。

• 光谱分析与模型开发：围绕客户样本开展反射率校正、区域提取、特征波长筛选和分类建模，并根据任务比较SVM、随机森林等方法。

• 应用流程定制：根据实验室研究、采后分级或产线检测等场景，设计数据采集、结果展示及软件对接流程，并开展针对实际样本的测试与优化。

定制方案的关键是先明确检测对象与分级标准，再用客户真实样本验证效果。论文中的97.2%来自单一辣椒品种、一次采样和实验室受控照明条件，不能直接视为其他品种、田间环境或奥谱天成设备的检测性能。后续应用还需验证跨批次稳定性、采集效率和现场适应性。