为了快速筛选不同品质的樱桃番茄，对樱桃番茄进行快速无损检测。本文选取樱桃番茄为研究对象，利用高光谱技术结合化学计量学方法进行光谱采集和化学定标，建立樱桃番茄内部品质快速无损检测模型、外部品质损伤判别模型。

主要内容和结论如下：

德彩网（1）利用高光谱技术，对樱桃番茄可溶性固形物含量和硬度进行无损检测，选取了120个樱桃番茄为研究对象，采集了在900 nm~1700 nm范围内的高光谱图像数据，经过黑白校正后对采集的高光谱图像选取合适大小为5*5像素的区域作为感兴趣区域，提取该区域的平均光谱作为樱桃番茄的原始数据。

针对樱桃番茄可溶性固形物含量的研究采用了一阶导数和SG平滑的方法对原始光谱数据进行预处理，使用K-S算法把樱桃番茄样本划分为80的校正集和40的预测集。首先使用原始光谱和预处理后的光谱分别进行全波段建模，然后选择了CARS、SPA两种特征波长选择方法，对原始光谱和预处理后的光谱分别筛选特征波段，而后建立PLSR模型。对比发现使用光谱预处理后数据进行 CARS 特征波长选择所建立的 PLSR 模型效果最好，校正模型Rc为0.9363，预测模型Rp为0.8894。使用原始光谱进行 CARS 特征波长选择所建立的PLSR模型效果次之，校正模型Rc为0.8354，预测模型Rp为0.8132。针对樱桃番茄硬度的研究采用一阶导数和SG平滑的方法对原始光谱数据进行预处理，使用K-S 算法把樱桃番茄样本划分为90的校正集和30的预测集。使用原始光谱和预处理后的光谱分别进行全波段建模，然后选取 CARS、SPA两种特征波长选择方法，对原始光谱和预处理后的光谱分别筛选特征波段，建立PLSR 模型。对比发现使用全波段建模比特征波长选择后的波段建模效果要好，而在全波段建模中通过对比发现使用光谱预处理后建立的模型比原始光谱数据要好，校正模型Rc为0.9076，预测模型Rp为0.8564。

（2）利用高光谱技术，实现对樱桃番茄的损伤进行了无损分类判别，首先选取60个完好樱桃番茄样品和60个损伤樱桃番茄样品的同一部位作为感兴趣区域，提取平均光谱数据，使用K-S算法进行样本划分，分别采用SG、SNV、MSC以及它们的组合多种方法对光谱数据分别进行预处理，然后分别建立PLS-DA分类判别模型进行比较，通过比较得出使用SG与 MSC 结合的预处理方法建立的模型更为稳定。利用 CARS、SPA算法选出经过预处理后的光谱数据的特征波段，基于特征波段建立分类判别模型与基于全波段光谱建立的分类判别模型，对比得出使用 SPA算法提取出的特征波长所建立的分类判别模型是最为准确的，预测集模型识别率达到100%。使用SPSS软件中的最近邻元素和SPSS判别分析两种方法均可对完好的樱桃番茄和损伤的樱桃番茄进行判别，正确率都达90%以上。