引用本文
罗正飞, 龚正礼, 杨坚, 杨崇山, 董春旺. 基于近红外的掺糖红茶快速无损检测方法[J]. 光谱学与光谱分析, 2023,43(8): 2649-2656.
LUO Zheng-fei, GONG Zheng-li, YANG Jian, YANG Chong-shan, DONG Chun-wang. Rapid Non-Destructive Detection Method for Black Tea With Exogenous Sucrose Based on Near-Infrared Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2023,43(8): 2649-2656.
Doi:10.3964/j.issn.1000-0593(2023)08-2649-08  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于近红外的掺糖红茶快速无损检测方法
罗正飞1, 龚正礼1,2, 杨坚1,2,*, 杨崇山2,3, 董春旺3,*
1.滇西科技师范学院生物技术与工程学院, 云南 临沧 677000
2.西南大学工程技术学院, 重庆 400715
3.山东省农业科学院茶叶研究所, 山东 济南 250100
*通讯作者 e-mail: dongchunwang@163.com

作者简介: 罗正飞, 1982年生, 滇西科技师范学院生物技术与工程学院副教授 e-mail: luophy@126.com

收稿日期: 2022-04-07 修回日期: 2022-09-07 接受日期: 2022-09-07
基金: 国家自然科学基金项目(31972466)资助
摘要

为实现成品红茶中外源蔗糖含量的快速有效检测, 将凤庆大叶种红茶作为研究样本, 采用近红外光谱技术, 构建了成品红茶中外源蔗糖含量的定量预测模型。 首先, 制作不同外源蔗糖含量(0、 250、 500和750 g)成品红茶样品并采集其近红外光谱数据。 为提高模型预测精度, 选取标准正态变换(SNV)、 多元散射校正(MSC)、 平滑(Smooth)和中心化(Center)4种不同的预处理方法降噪处理后建立偏最小二乘回归(PLSR)模型, 根据模型效果, 优选出最佳的SNV预处理方法, 其校正集相关系数( Rc)为0.907, 预测集相关系数( Rp)为0.826, 相对标准偏差(RPD)为1.75。 为减少光谱中冗余信息对模型运算速度的影响, 利用竞争性自适应加权算法(CARS)、 混合蛙跳算法(SFLA)、 迭代空间收缩算法结合迭代保留信息变量算法(VCPA-IRIV)和变量迭代空间收缩算法(VISSA)等方法从SNV预处理后的光谱中提取对蔗糖敏感的特征波长, 利用主成分分析(PCA)将全光谱和所筛选的特征波长降维处理后, 分别建立线性PLSR和非线性的支持向量回归(SVR)、 随机森林(RF)定量预测模型。 结果表明, 经过SNV预处理后, 非线性的SVR和RF模型性能优于线性的PLSR模型, 其中VCPA-IRIV-SVR为最优模型, 其 Rc值为0.950, Rp值为0.924, RPD值为2.51。 研究表明近红外光谱技术对于红茶加工过程中掺杂蔗糖含量的定量预测是可行的, 为实现红茶安全质量的无损检测提供了支撑。

关键词: 红茶; 掺糖; 近红外光谱; 无损检测
中图分类号:TS272.2 文献标志码:A
Rapid Non-Destructive Detection Method for Black Tea With Exogenous Sucrose Based on Near-Infrared Spectroscopy
LUO Zheng-fei1, GONG Zheng-li1,2, YANG Jian1,2,*, YANG Chong-shan2,3, DONG Chun-wang3,*
1. School of Biotechnology and Engineering, West Yunnan Normal University of Science and Technology, Lincang 677000, China
2. School of Engineering and Technology, Southwest University, Chongqing 400715, China
3. Tea Research Institute, Shandong Academy of Agricultural Sciences, Jinan 250100, China
*Corresponding authors
Abstract

In order to realize the rapid and effective detection of exogenous sucrose content in finished black tea, Fengqing large-leaved species tea was used as a research sample, and a quantitative prediction model for exogenous sucrose content in finished black tea was constructed by using near-infrared spectroscopy. First, near-infrared spectral data were collected during the production of finished black tea samples with different exogenous sucrose contents (0, 250, 500 and 750 g). When processing the data, in order to improve the prediction accuracy of the model, four different preprocessing methods, standard normal transformation (SNV), multivariate scattering correction (MSC), smoothing (Smooth) and centering (Center), were selected to reduce noise and establish partial least squares regression ( PLSR) model, according to the effect of the model, the best SNV preprocessing method was selected, the correction set correlation coefficient ( Rc) was 0.907, the prediction set correlation coefficient ( Rp) was 0.826, and the relative percent deviation (RPD) was 1.75. In order to reduce the impact of redundant information in the spectrum on the model operation speed, the competitive adaptive reweighted sampling (CARS), shuffled frog leaping algorithm(SFLA), variable combination population analysis iteratively retaining informative variables (VCPA-IRIV) and variable iterative space shrinkage algorithm (VISSA) to extract the characteristic wavelengths sensitive to sucrose from the SNV preprocessed spectrum. After the full spectrum and the selected characteristic wavelengths were dimensionally reduced by principal component analysis (PCA), linear PLSR and nonlinear support vector regression (SVR) and random forest (RF) quantitative prediction models were established respectively. The results show that after SNV preprocessing, the performance of the nonlinear SVR and RF models is better than that of the linear PLSR model, among which VCPA-IRIV-SVR is the optimal model, its Rc value is 0.950, Rp value is 0.924, and RPD value is 2.51. The research shows that near-infrared spectroscopy is feasible for the quantitative prediction of sucrose content in black tea processing, which provides a theoretical support for the non-destructive testing of black tea safety and quality.

Keyword: Black tea; Adding exogenous sucrose; Near-infrared spectroscopy; Non-destructive testing
引言

红茶因其口味独特且含有茶多酚、 可溶性糖等多种有益成分, 贸易量居世界首位。 2021年中国红茶产量为33.88万吨, 同比增长7.97%。 随着红茶产业的兴起和迎合市场需求, 高端红茶销售量逐年增加。 红茶内含有极少量的可溶性糖[1], 为了获取更多经济效益, 不法商贩在红茶加工揉捻阶段会掺入蔗糖提高红茶的色泽和风味, 以期获得更好的条形、 香气和口感, 达到以次充好的目的, 影响了茶叶市场的秩序, 危害了茶农的利益。 此外, 加糖红茶还具有吸潮、 易变质和易滋生细菌的特点, 具有严重的安全隐患。 对于消费者来说, 加糖红茶难以辨别。 传统液相色谱法可以检测, 但具有成本高、 操作复杂和周期长等缺陷, 难以满足实际需求, 故急需一种稳定可靠地快速检测方法实现对红茶加工中含糖量的预测。

近红外光谱技术摒弃了传统检测技术耗时、 费力和成本高的弊端, 在农产品加工生产和成品质量检测等环节应用广泛。 Liu等[2]为预测名优绿茶摊青过程中的水分含量, 采集了不同摊青时刻中的近红外光谱数据, 通过偏最小二乘回归模型从标准正态变量(standard normal variable, SNV)、 均值中心化(mean centering, MC)、 最大最小归一化(max-min)、 去趋势(detrend)和Savitzky-Golay滤波(SG FIR)几种方法比较确定了SG为最佳的预处理方法, 随后使用迭代空间收缩算法结合迭代保留信息变量算法(variables combination population analysis and genetic algorithm, VCPA-GA)提取特征波长并建立(support vactor regression, SVR)定量预测模型, 预测准确率达到了0.97。 Dong等[3]为了预测工夫红茶发酵过程茶黄素与茶红素的比例, 采集发酵过程中的近红外光谱数据, 使用协同区间偏最小二乘回归(synergy interval PLS, Si-PLS)和竞争自适应重加权抽样(competitive adaptive reweighted sampling, CARS)筛选11个关键波长变量, 将极限学习机(extreme learning machines, ELM)结合自适应boosting (ADABOOST)算法构建TF/TR的非线性预测模型, 模型的预测精度R2达到了0.90。 Li等[4]为检测绿茶中是否含有糖和糯米粉等添加物, 利用近红外光谱技术对475份纯茶、 掺糖和掺糯米粉的绿茶样品进行扫描, 结合迭代保留信息变量(iterative retained information variable algorithm, IRIV)进行变量筛选, 随后分别建立支持向量机模型, 判别率为97.47%, 预测相关系数达到了0.94, 取得了较为满意的效果。 综上所述, 近红外光谱技术在茶叶智能化加工领域已得到初步探索, 然而, 该方法在红茶加工过程中掺糖含量预测方面的研究较少。 利用红外光谱区有蔗糖分子中含氢基团的振动合频和各级倍频的吸收特性, 结合化学计量学方法, 克服传统的化学检测技术缺陷, 解决掺糖红茶中含糖量无法准确、 快速预测难题, 为实现茶叶智能化加工奠定基础。

1 实验部分
1.1 仪器设备

光谱设备为IAS-3100近红外光谱仪(无锡迅杰光远科技有限公司); 测样方式为下照漫反射, 采样间隔为1 nm次· s-1, 波长范围为900~1 700 nm。 水分测定装置为AKD-S5快速卤素水分测定仪(扬州艾科瑞德仪器仪表有限公司), 全自动测量, 实时显示水分梯度变化。 茶叶萎凋装置为6CL W-10型多层连续式茶叶萎凋机(安溪永兴机械有限公司); 揉捻装置为40型揉捻机(福建佳友茶叶机械智能科技股份有限公司); 发酵装置为6CMK-20/40FJ型红茶发酵机(长沙湘丰智能装备股份有限公司); 烘干装置为6CMK-10/20HG茶叶烘干模块(长沙湘丰智能装备股份有限公司)。

1.2 样品制备

实验所用茶叶采摘于云南省凤庆县, 嫩度为一芽一叶, 品种为凤庆大叶种。 采摘后的鲜叶放萎凋机萎凋失水14 h后, 茶叶含水率降至61%(经水分测定仪测量三次取平均数)视为萎凋完成, 揉捻工序中掺入外源蔗糖, 为使模型与实际不同含糖样本预测结果拟合较高, 将样品划分为不同的含糖梯度, 即无添加蔗糖的茶叶, 每10 kg揉捻叶中分别掺入25、 50和75 g· kg-1蔗糖。 揉捻用时总计50 min, 具体过程为空揉15 min→ 轻揉5 min→ 中揉5 min→ 重揉5 min→ 空揉5 min→ 轻揉5 min(掺入蔗糖)→ 中揉5 min→ 重揉5 min→ 轻揉5 min。 揉捻结束, 转至发酵阶段, 发酵在红茶发酵室内进行, 温度保持在30 ℃, 湿度≥ 90%, 发酵时间总计4小时[5]。 最后进行茶叶烘干, 分两次进行, 毛火烘干时设置温度为120 ℃, 使含水率降至23%(经水分测定仪测量三次取平均数), 触摸叶子时会有柔软、 刺手的感觉, 足火烘干时设置温度为90 ℃, 使含水率降至6%(经水分测定仪测量三次取平均数), 此时叶子用力捻则呈粉末状, 烘干后, 得到待分析的样品[6]。

1.3 近红外光谱数据采集

实验前, 将仪器预热30 min保证其具备平稳的检测性能, 并进行仪器自检, 自检内容包括能量测试, X轴频率校正和Y轴重复性测试。 自检完成后, 分别称取(20± 0.5) g待测样本, 平整地铺放于ϕ 70 mm× 10 mm石英培养皿中, 茶叶铺放量为皿体总容量的2/3左右, 确保检测时光谱无法透过茶叶采集空气信息。 采集时, 以空气作为参比, 每个样品扫描30次, 每次扫描完对茶叶进行翻拌处理, 共获得120条光谱数据, 近红外光谱数据采集与分析流程如图1所示[7]。

图1 近红外光谱采集流程图Fig.1 Flow chart of near infrared spectrum acquisition

1.4 数据分析

1.4.1 光谱数据预处理与特征变量筛选

近红外光谱数据采集中, 由于叶面不平整导致数据产生随机噪声, 为了降低干扰因素的影响, 提高模型的准确性, 使用标准正态变换标准正态变换(standard normal variable, SNV)[8]、 多元散射校正(multiplicative scatter correction, MSC)、 平滑(Smooth)[9]、 中心化(Center)[10]4种方式对原始光谱预处理, 对原始光谱作校正处理。 预处理后, 虽减少了干扰信息对模型的影响, 但是某些对蔗糖敏感的波段能被其他波段共同解释或替代, 为提高运算速度, 采用竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)[11]、 混合蛙跳算法(shuffled frog leaping algorithm, SFLA)[12]、 迭代空间收缩算法结合迭代保留信息变量(variables combination population analysis and iterative retained information variable algorithm, VCPA-IRIV)[13]和较新的变量迭代空间收缩算法(variable iterative space shrinkage approach, VISSA)[14]选取对蔗糖敏感的特征变量。

1.4.2 主成分分析

主成分分析(principal component analysis, PCA)是进行特征提取的主要方法, 该方法不仅可以保证光谱主要特征不丢失, 而且可以降低数据集的维数, 将多特征转化为少量主要特征的方法。 主成分分析通过将原始变量转换为一组成分(PCs)的线性不相关的新变量来汇总数据, 累积贡献率表示相应的主成分解释原始变量的能力。 本研究采用前10个PCs建立定量预测模型[15, 16]。

1.4.3 建模方法与模型性能

使用Kennard-Stone(K-S)算法对120个样品按照随机概率划分训练集与预测集, 划分后训练集样本数为90个, 预测集为30个[17]。 采用偏最小二乘回归(partial least squares regression, PLSR)、 非线性预测模型支持向量回归(support vector regression, SVR)和随机森林(random forest algorithm, RF)对加糖红茶中含糖量进行定量预测, 以模型校正集相关系数(correlation coefficient of calibration set, Rc)、 交互验证均方根误差(root mean square error cross-validation, RMSECV)和预测集的相关系数(correlation coefficient of the prediction set, Rp)、 预测均方根误差(root mean square error of predication, RMSEP)分别作为训练集与预测集评价指标, 相对偏差(RPD)作为模型性能指标[18, 19, 20]。 模型预测的Rc与Rp值越接近1以及RMSEC和RMSEP值越低, 表示模型性能越好, 当模型预测的RPD值大于1.4时, 表示模型可以实际应用, RPD值越高, 模型鲁棒性越高, 抗干扰能力越好。 数据提取与分析均在Matlab 2019a中完成。

2 结果与讨论
2.1 预处理方式优选

图2(a)为不同含糖量茶叶样本(0~750 g)的一组平均光谱曲线, 由于不同含糖量样品的表面色泽和蔗糖成分导致其吸光度发生改变, 可以通过吸收峰(1 200、 1 470 nm)和波段1 120和1 300 nm明显地看出不同含糖量样本的的光谱差异。 从图2(a)平均光谱曲线中可以看出, 采集的近红外光谱曲线在900~1 658 nm共759个近红外光谱数据, 但是后端光谱存在明显的噪声, 降低模型的误差率, 故将含有噪声误差的光谱部分去掉, 使用900~1 639 nm的光谱波段进行建模处理。 图2(b)为采集的含糖红茶的原始光谱, 虽不同光谱在吸光度值上呈现细微差异, 但很难直观地区分不同含糖量的红茶样品的光谱信息, 所以需对光谱作后续的建模处理。 为了使模型精度提升, 建模前对原始光谱进行不同预处理, 校正后的光谱如图2(c)、 (d)、 (e)和(f)所示。 为了选取较优的预处理算法, 将原始光谱和预处理后的光谱数据建立PLSR模型, 结果如表1所示。 由表可知, 使用预处理方法后, PLSR模型的预测性能均得到了明显的提高, 其中SNV为掺糖红茶样品的最佳预处理方法。

图2 不同预处理方法对光谱的影响
(a): 平均光谱; (b): 原始光谱; (c): 中心化预处理; (d): 平滑预处理; (e): 标准正态变量变换预处理; (f): 多元散射校正预处理Fig.2 Effects of different pretreatment methods on spectra
(a): Average spectra; (b): Raw spectra; (c): Centerlization; (d): Smoothing; (e): SNV; (f): MSC

表1 基于全波段建立的不同模型对工夫红茶发酵品质程度的预测结果 Table 1 Judgment results of fermentation quality of Gongfu black tea based on different models established in the full ban
2.2 特征波长优选和线性模型预测

将采集的不同含糖量的样品光谱预处理后, 为提取与蔗糖有关的特征波段, 使用不同的变量筛选算法去除光谱中的冗余信息, 并结合PLSR算法, 建立红茶加工过程中对掺杂外源蔗糖的样本含糖量预测的定量分析模型, 结果如图3所示, CARS、 SFLA、 VISSA和VCPA-IRIV对原始数据筛选后的变量数分别为23、 45、 89和18个, 压缩率达到了88%以上, 数据优选后所建模型效果均优于全波段模型。 筛选出的特征波长表2所示。 CARS算法通过自适应重加权采样技术从PLSR模型中选择出回归系数绝对值大的波长点, 利用10折交互验证选出RMSECV指最低的子集, 除去权重较小的波长点[21]。 SFLA算法是一种较新的群体进化算法, 具有高效的全局搜索能力, 根据波段数较小的RMSEP值来筛选特征波长[22]。 VISSA算法基于模型集群分析的思想, 在每次迭代过程中逐步优化变量空间, 最终达到选择最优变量组合的目的[23]。 VCPA-IRIV作为一种新型混合变量筛选算法, 对每个变量进行逐步分析, 并进行多次迭代, 直到剩下的变量中没有干扰变量[24]。 对于加糖红茶样品而言, VCPA-IRIV算法筛选的特征波长数量更少, 并且建立的模型表现出优异的预测性能, 结果如表3所示。

图3 不同算法对含糖红茶样本光谱的变量筛选结果
(a): 竞争性自适应加权; (b): 混合蛙跳; (c): 变量迭代空间收缩; (d): 不同筛选方法得到的特征波长Fig.3 Variable screening results of spectra of sugar-containing black tea samples by different algorithms
(a): CARS; (b): SFLA; (c): VISSA; (d): Characteristic wavelength variables selected by different methods

表2 不同变量筛选方法筛选出的特征波段 Table 2 Screening results of characteristic variables
表3 掺糖红茶中对含糖量的模型预测效果 Table 3 Prediction effect of model on sugar content in sweetened black tea
2.3 模型优选

为获取预测精度较高的模型以实现对掺糖红茶含糖量进行快速预测, 对原始光谱预处理和变量筛选后, 使用RF、 SVR非线性建模方法及PLSR线性建模方法预测结果进行比较。 SVR算法对于高维数据进行超平面运算, 运算时保证距离超平面最近点的距离绝对值尽量大, 由超平面确定的分类器即支持向量机。 RF算法主要是由决策树构成, 属于集成算法, 训练多个弱模型打包起来组成一个强模型, 随机森林将内部多个决策树的预测结果取平均得到最终的结果[18], 由表2可知, SVR和RF模型均能够实现加糖红茶含糖量的预测, 相比而言, SVR模型预测效果更优。

SVR算法选用RBF作为模型的核函数, 将PCA处理后的前10个主成分结果作为模型的输入, 蔗糖含量作为模型的输出。 因SVR模型中惩罚因子(c)和核函数参数(g)对预测效果产生较大影响, 模型内部采用交叉验证函数tunelsssvm进行参数优化, 选取最佳参数获得模型最优结果, 参数寻优图如图4(a)、 图4(b)所示, 由图可知, 在含糖量检测模型中, 当c=181.019, g=0.005 52时, 模型的RMSEC值最小(0.109), 其预测集的Rp, RMSEP和RPD值分别为0.924, 0.113和2.51, 预测值和实测值的关系如图4(c)所示。

图4 基于SVR算法的模型优化结果Fig.4 Model optimization results based on SVR algorithm

3 结论

(1)研究了近红外光谱技术对红茶加工过程中添加外源蔗糖应用的可能性, 红茶在揉捻阶段添加外源蔗糖后, 其色泽和糖类成分发生明显地变化, 不同含糖量样本的平均光谱呈现明显的差异, 这种差异产生的原因红外光谱区域与糖类中含氢基团振动的合频和各级倍频的吸收区保持一致, 扫描该样品就能得到糖类分子中含氢基团的特征信息, 故对蔗糖含量的预测表现出良好的效果。

(2)将采集的原始光谱使用不同预处理、 变量筛选和建模方法对不同含糖量的红茶样本进行分析, 结果表明, 相比较于原始光谱建模, 预处理后能有效提高模型精度。 为了降低光谱噪声的影响, 经MSC、 Smooth、 Centering和SNV分别对原始光谱预处理后, 采用PLSR模型进行优选, 发现经SNV预处理建立的模型训练集和预测集分别达到了0.907和0.826, 相较于未预处理和其他预处理方法建模精度明显提高, 故选取SNV为红茶含糖量检测的最佳预处理算法。

(3)比较了基于CARS、 SFLA、 VCPA-IRIV和VISSA变量筛选后经PCA降维分析建立的PLSR、 SVR和RF模型性能, 其中VCPA-IRIV结合PCA建立的SVR模型效果最好, 变量压缩率为97.56%, 训练集和预测集预测精度达到了0.95和0.92。 具体原因可能是虽然在加工过程中添加红糖的含量呈现线性关系, 但是红茶在揉捻过后进行发酵时, 其主要内质成分形成转化受外部环境因素影响较大, 茶叶中原有的糖类物质变化复杂, 可能遵循非线性的变化关系, 故要求模型在预测茶叶含糖量时对复杂程度的计算能力要高, 能够准确地贴切不同样本的真实含糖量, 所以非线性模型SVR性能最优。

参考文献
[1] PAN Ke, FANG Shi-mao, LIU Zhong-ying, et al(潘科, 方仕茂, 刘忠英, 等). Journal of Fujian Agriculture and Forestry University(Natural Science Edition)[福建农林大学学报(自然科学版)], 2021, 50(4): 490. [本文引用:1]
[2] Liu Zhongyuan, Yang Chongshan, Luo Xin, et al. Journal of Food Process Engineering, 2021, 44(11): e13853. [本文引用:1]
[3] Dong Chunwang, Li Jia, Wang Jinjin, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 205: 227. [本文引用:1]
[4] Li Luqing, Jin Shanshan, Wang Yujie, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 247: 119096. [本文引用:1]
[5] Yang Chongshan, Zhao Yan, An Ting, et al. LWT- Food Science and Technology, 2021, 141: 110975. [本文引用:1]
[6] ZHOU Tian-shan, MI Xiao-ling, YU You-ben, et al(周天山, 米晓玲, 余有本, 等). Journal of Northwest Forestry University(西北林学院学报), 2016, 31(5): 154. [本文引用:1]
[7] Liu Z, Zhang R, Yang C, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2022, 271. [本文引用:1]
[8] Grisanti E, Totska M, Huber S, et al. Journal of Spectroscopy, 2018: 1. [本文引用:1]
[9] WU Jian-ping, MING Yue-hong, ZENG Rong-shen, et al(吴建平, 明跃红, 曾融生, 等). Acta Seismologica Sinica(地震学报), 2001, (1): 49. [本文引用:1]
[10] BAO Min-ze, HU Xiu-ting, XIE Yu-ying, et al(包敏泽, 胡秀婷, 谢玉莹, 等). Computer Engineering and Science(计算机工程与科学), 2020, 42(6): 1127. [本文引用:1]
[11] Sun Hongmin, Huang Yu, Wang Yan, et al. Journal of Northeast Agricultural University(English Edition), 2020, 27(4): 88. [本文引用:1]
[12] XIAO Shi-jie, WANG Qiao-hua, LI Chun-fang, et al(肖仕杰, 王巧华, 李春芳, 等). Smart Agriculture[智慧农业(中英文)], 2021, 3(4): 77. [本文引用:1]
[13] WANG Sheng-lin, YANG Chong-shan, LIU Zhong-yuan, et al(王盛琳, 杨崇山, 刘中原, 等). Journal of Tea Science(茶叶科学), 2021, 41(2): 251. [本文引用:1]
[14] LONG Yan, MA Min-juan, WANG Ying-yun, et al(龙燕, 马敏娟, 王英允, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(11): 172. [本文引用:1]
[15] Paymode A S, Malode V B. Artificial Intelligence in Agriculture, 2022 , 6: 23. [本文引用:1]
[16] Raghavendra A, Guru D S, Rao M K. Artificial Intelligence in Agriculture, 2021, 5: 43. [本文引用:1]
[17] ZHAO Peng, LI Yue(赵鹏, 李悦)). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(11): 3525. [本文引用:1]
[18] YIN Xiao-jun, LI Man-chun, ZHAO Si-feng, et al(尹小君, 李满春, 赵思峰, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2012, 43(2): 175. [本文引用:2]
[19] Jin S, Su Z, Xu Z, et al. Journal of Northeast Agricultural University (English Edition), 2019, 26(1): 53. [本文引用:1]
[20] WANG Kai, WANG Ju-xiang, XING Zhi-na, et al(王凯, 王菊香, 邢志娜, 等). Application Research of Computers(计算机应用研究), 2018, 35(10): 3000. [本文引用:1]
[21] TANG Hai-tao, MENG Xiang-tian, SU Xun-xin, et al(唐海涛, 孟祥添, 苏循新, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(2): 105. [本文引用:1]
[22] WANG Yuan-zhong, ZHAO Yan-li, ZHANG Ji, et al(王元忠, 赵艳丽, 张霁, 等). Food Science(食品科学), 2016, 37(4): 169. [本文引用:1]
[23] LONG Yan, MA Min-juan, WANG Ying-yun, et al(龙燕, 马敏娟, 王英允, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(11): 172. [本文引用:1]
[24] HUANG Jun-shi, WANG Dong-xin, XIONG Ai-hua, et al(黄俊仕, 王冬欣, 熊爱华, 等). Acta Agriculturae Universitatis Jiangxiensis(江西农业大学学报), 2020, 42(6): 1270. [本文引用:1]