霉心病是苹果生长过程中多见的病害之一,其在果树生长初期、成熟期和贮藏期分别会导致果树落果、果实品质下降和果实腐烂,甚至还会引起相邻的健康果实病变等一系列现象,不仅影响了食品安全,还会影响苹果的市场价值。目前,苹果外部品质分级检测技术相对成熟,并且得到了普遍应用,但对于其内部品质的检测技术相对较差。为实现苹果霉心病的无损检测,本研究提出了利用苹果光谱特征结合密度特征的多元信息检测方法,主要研究内容如下:(1)采用MPA近红外光谱仪采集光谱,根据苹果自身特点,对苹果样品的赤道部位每隔120°进行1次光谱扫描,取3条光谱的平均光谱作为苹果样品的原始光谱,从而有效消除了光谱采集位置不同产生的误差,使得模型预测效果更准确。采用佳能相机800D进行图像采集,拍照完毕后将苹果旋转90°,再进行拍照,每个苹果共进行4次拍照。(2)利用卷积平滑法和均值中心化法进行光谱原始数据的预处理。上述两种预处理方法对苹果样品在4000-12500 cm-1的波数范围内进行光谱原始数据的预处理。截取预处理后的部分光谱数据进行主成分分析,将分析后的数据采用Fisher判别模型进行比较:发现利用卷积平滑预处理后的光谱数据分类精度更高,因此选择卷积平滑预处理为最佳预处理方法。(3)采用自适应阈值法——Otsu和K-means聚类算法相结合的方法,准确提取样品苹果的目标区域并计算出其体积。建立数字图像算法体积和真实体积之间的关系模型,利用该模型计算出苹果样品的真实体积,最后通过部分样本对该方法进行了验证,结果表明本方法对苹果体积的计算误差为6.52%,实现了苹果体积的较精确计算。根据公式利用体积和质量计算出苹果密度。(4)将光谱与密度信息结合,分别建立了 SVM模型、PSO-SVM模型和BP神经网络模型。采用校正集训练模型,测试集测试模型准确度。结果表明,将密度+光谱信息作为输入,PSO-SVM作为训练模型时,准确率最高,为93.33%,其预测能力优于其他模型,可以为后续检测苹果霉心病患病状况提供科学的指导。本文基于近红外光谱和密度特征对苹果霉心病的检测方法进行了研究,对苹果的无损检测做出了一些新的探索,并且准确率基本可以满足要求,为日后便携式的苹果霉心病测量仪器的设计和开发提供了理论支持。