摘要:在833~2500nm光譜范圍內(nèi)采集了120個(gè)獼猴桃膨大果和120個(gè)正常果的近紅外漫反射光譜,采用變量標(biāo)準(zhǔn)化方法對(duì)光譜進(jìn)行了預(yù)處理,,基于Kennard-Stone方法對(duì)樣本進(jìn)行了劃分,,分別建立了基于全光譜(FS),、主成分分析法(PCA)提取的11個(gè)主成分和連續(xù)投影算法(SPA)提取的6個(gè)特征波長(zhǎng)的偏最小二乘(PLS),、支持向量機(jī)(SVM)和誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)識(shí)別模型,。結(jié)果說(shuō)明,,所建立的9個(gè)模型對(duì)校正集和測(cè)試集中獼猴桃膨大果和正常果的正確識(shí)別率均分別大于96.7%和93.3%,。PCA提取的主成分?jǐn)?shù)和SPA提取的特征波長(zhǎng)數(shù)僅是FS中波長(zhǎng)數(shù)的0.53%和0.29%,建立的模型更加簡(jiǎn)單,,且識(shí)別效率較高。PLS和SVM模型的識(shí)別率普遍高于BP神經(jīng)網(wǎng)絡(luò)模型,。9種模型中PCA-PLS識(shí)別率最高,,其對(duì)校正集和測(cè)試集中膨大果和正常果的正確識(shí)別率均達(dá)到100%,。該研究結(jié)果表明,近紅外漫反射光譜技術(shù)可作為一種準(zhǔn)確,、高效的方法應(yīng)用于獼猴桃膨大果的無(wú)損識(shí)別中,。