基于高光谱的农产品无损检测研究进展：
《农业机械学报》2025年第4期收录了兰州理工大学杨忠泮等人的名为“关于基于高光谱成像的加料烟叶丙二醇含量无损检测与可视化分析”的论文。烟叶加料作为烟草加工制丝工艺中的关键环节，对改善烟叶的物理和化学特性，以及提升产品品质具有重要意义，但现有加料精度检测主要集中在用量监控，缺乏加料后效果的评估。其文针对加料后烟叶的微量添加物含量的无损检测及可视化分析，构建了基于高光谱成像和卷积神经网络（CNN）方法的烟叶微量添加物含量检测模型、光谱预处理方法与特征波长选择技术优化开展建模探究。通过高光谱成像系统采集添加不同比例丙二醇烟叶样本的光谱数据，分别采用标准正态变换（SNV）、多元散射校正（MSC）、Savitzky-Golay滤波平滑3种数据预处理方法对比，并通过竞争性自适应重加权算法（CARS）、主成分分析（PCA）筛选特征波长以及光谱曲线波谷点对应波长，确定了1 146、1 614、2 511、2 517、2 522、1 941 nm 6个共同的一致关键波长。分别构建CNN、随机森林（RF）、偏最小二乘回归（PLSR）模型进行加料烟叶微量添加物丙二醇含量的检测。结果表明，NV-PCA-CNN模型在训练集和测试集中的检测效果最佳，取前4个主成分数量累计贡献率可达99%，训练集决定系数RC2为0.988 0、均方根误差RMSE为0.002 0 kg/kg，测试集决定系数RP2为0.989 6、均方根误差RMSE为0.002 1 kg/kg，具备优良的拟合与泛化能力，深度学习CNN模型在测试集上的表现显著优于机器学习RF和PLSR方法。因此基于高光谱成像的CNN模型能够对加料烟叶微量添加物丙二醇含量及可视化进行准确检测及评估。 本研究成果进一步推进了基于高光谱的农产品无损检测研究。