随着我国经济的发展与人们生活水平的提高,人们对水果的购买力大大提升。我国作为水果生产大国,但在国际水果市场上缺乏竞争力,究其根本,主要原因是我国水果商品化处理程度低,导致水果品质参差不齐。而水果内部品质检测分级是水果商品化处理的重要环节,近年来,由于快速、无损、易于实现等优点,可见/近红外(Visible/Near Infrared,Vis/NIR)光谱技术在测量水果的内部品质参数方面得到了广泛应用。然而,因为产地、品种与收获年份等的影响,水果的物化性质会发生改变。这种生物变异性会对利用Vis/NIR技术分析水果可溶性固形物含量(Soluble Solids Content,SSC)时产生较大影响,使得基于某一产地、品种或年份数据建立的模型无法准确预测其他产地、品种或收获年份水果的SSC。因此,本研究基于团队自主研发的水果内部品质智能化在线检测装备,以苹果为研究对象,开展了苹果糖度可见/近红外漫透射光谱在线检测通用模型的研究,主要研究内容与结论如下:(1)研究了产地对苹果糖度在线检测模型的影响。以产自山东栖霞,陕西洛川以及甘肃会宁的红富士苹果为研究对象,首先对三个产地的样本分别建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型,其残留预测偏差(Residual Prediction Deviation,RPD)分别为3.02,2.62与2.29,可见局部产地模型内部预测结果较好。其次,以栖霞产地为例,采用K-S算法从洛川与会宁样本集中挑选10,20,30与40个具有代表性的样本添加到栖霞模型中,更新后模型对洛川与会宁样本的预测均方根误差(Root Mean Square Error of Prediction,RMSEP)分别由从原来的0.82°Brix与1.24°Brix降低至0.69°Brix与0.86°Brix,可见添加其他产地的部分样本可以在一定程度上提升局部产地模型对其他产地样本的预测能力。最后,混合三个产地的校正集样本建立全局产地模型,对三个产地样本的RMSEP分别为0.62°Brix,0.64°Brix与0.65°Brix,预测效果相比局部模型更新有了进一步提升。在此基础上,采用无信息变量消除(Uninformative Variable Elimination,UVE)对样本的建模波长进行筛选,除了会宁样本外,所建模型对栖霞与洛川样本的RMSEP分别减小到0.50°Brix与0.63°Brix,并且在总体预测精度不变的同时,建模变量与潜变量个数分别由400与12降低为58与8。通过60个测试样本对模型实际性能进行测试,其RPD为2.33。结果表明,对苹果进行SSC在线检测时,应充分考虑产地因素,通过建立全局通用模型能够扩大不同产地之间糖度在线检测模型的预测范围,模型通用性与稳健性得到了提升,而采用适合的波长选择方法能够简化模型。(2)研究了品种对苹果糖度在线检测模型的影响。以来自洛川县某商业果园的冰糖心,普通红富士与水晶富士三种苹果为研究对象,首先对三种样本分别建立PLSR模型,其RPD分别为2.98,2.80与2.10,可见局部品种模型的内部预测结果较好。其次,以冰糖心品种为例,采用K-S算法从红富士与水晶富士样本集中挑选10,20,30与40个具有代表性的样本添加到冰糖心模型中,更新后模型对红富士与水晶富士样本的RMSEP分别由从原来的1.25°Brix与2.73°Brix降低至0.98°Brix与0.80°Brix,可见添加其他品种的部分样本可以在一定程度上提升局部品种模型对其他品种样本的预测能力。最后,混合三个品种的校正集样本建立全局品种模型,对三种样本的RMSEP分别为0.59°Brix,0.64°Brix与0.63°Brix,预测效果相比局部模型更新有了进一步提升。在此基础上,采用UVE对建模波长进行筛选,除了普通红富士样本外,所建模型对冰糖心与水晶富士的RMSEP分别减小到0.54°Brix与0.61°Brix,并且在总体预测精度不变的同时,建模变量与潜变量个数分别由398与12降低为144与10。通过68个测试样本对模型实际性能进行测试,模型的RPD为1.70。结果表明,对苹果SSC进行在线检测时,应充分考虑品种因素,通过建立全局通用模型能够扩大不同品种之间糖度在线检测模型的预测范围,模型的通用性与稳健性得到了提升,而采用适合的波长选择方法能够简化模型。(3)研究了不同年份苹果糖度在线检测模型的维护方法。以2017~2019年的洛川冰糖心苹果为研究对象,首先对2017年样本建立基础校正模型,对2017年,2018年以及2019年样本的RMSEP分别为0.64°Brix,0.94°Brix与1.38°Brix,表明初始年份建立的SSC在线检测模型对新年份样本的预测能力大大降低。其次,通过K-S法从2018年与2019年的校正集样本中挑选了5,10与20个代表性样本加入到基础模型中,更新后的模型对2018年与2019年样本的RMSEP分别减小为0.70°Brix与0.92°Brix,结果表明,通过向基础模型中添加收获年份的少量新样本可以对模型进行维护。最后,分别从2018年与2019年的校正集中随机选择5~40个样本作为标准样本集,采用斜率/截距算法(Slope/Bias,S/B)对模型进行维护。对于每个标准样本数,都进行10次选择,将10次选择计算得出的平均RMSEP作为该标准样本数下对应的最终结果。对于2018年的预测样本,当选择标准样本个数为5时,维护效果更佳,RMSEP为0.65°Brix。而对于2019年的预测样本,当选择的标准样本个数为10时,维护效果更佳,RMSEP为0.61°Brix。结果表明,采用S/B算法能够快速方便地对苹果糖度在线检测模型进行维护,对于实际生产,不仅节约了大量的成本,并且过程操作简单,无需专业化软件以及专业人员,对于生产要求不高的应用场合更加具有现实意义。