快速光谱技术在水果糖度无损检测中的应用与研究进展

Application and Research Progress on Rapid Spectroscopic Techniques for Non-Destructive Detection of Fruit Sugar Content

摘要: 水果糖度是衡量其品质与商品价值的核心指标，直接影响消费者口感体验与市场竞争力。当前水果生产与流通中，传统糖度检测方法因破坏性强、检测效率低、依赖专业操作等局限，难以满足规模化、快速化的品质管控需求。本文系统综述近红外光谱、中红外光谱及高光谱成像三种现代无损光谱检测技术的原理，总结其在柑橘与其他水果糖度检测中的应用现状与研究进展，旨在为快速光谱技术在水果糖度无损检测领域发展更深入的应用提供理论参考。

Abstract: Fruit sugar content serves as a critical benchmark for quality and commercial value, directly influencing consumer sensory experience and market competitiveness. Traditional methods for determining sugar content are inherently destructive, inefficient, and require specialized operation, rendering them unsuitable for the large-scale, rapid quality control demands of modern fruit production and supply chains. This paper systematically examines the principles of three modern non-destructive spectroscopic techniques—Near-Infrared (NIR), Mid-Infrared (MIR), and Hyperspectral Imaging (HSI), and reviews their application status and research progress in measuring sugar content in citrus and other fruits. The aim is to provide a theoretical reference for fostering more profound applications of rapid spectroscopic technologies in the non-destructive detection of fruit sugar content.

1. 引言

水果作为人体摄入维生素、矿物质及膳食纤维的重要来源，其品质安全备受消费者关注[1]。糖度作为反映水果甜度、风味及成熟度的关键指标，不仅决定消费者食用体验，更是水果分级定价、加工工艺设计的核心依据[2]。随着水果产业规模化发展，市场对糖度检测的“快速化、无损化、精准化”需求日益迫切。

传统检测方法如折光仪法[3] [4]、斐林试剂滴定法[5]虽精度较高，但需对水果进行榨汁、取样等破坏性操作，且检测周期长，无法实现批量样品的实时筛查[5] [6]。近年来，现代光谱技术凭借“无损、快速、灵敏度高”等优势，成为水果糖度检测领域的研究热点。该技术通过检测水果内部化学成分(如糖分中的C-H、O-H基团)对特定波长光的吸收与反射，并利用化学计量学方法建立预测模型，从而实现糖度的无损检测[7] [8]。目前，应用于水果糖度检测的主流光谱技术包括近红外光谱、中红外光谱及高光谱成像技术[9]-[11]，三者在检测效率、精度及适用场景上各有侧重。本文综述三种光谱技术的原理与应用进展，分析现有研究局限，为后续技术优化与产业应用提供参考。

2. 光谱分析检测技术

光谱学分析技术可捕捉水果对特定波长光的响应信号，从中提取与糖度相关的化学信息。不同水果的蔗糖、葡萄糖、果糖等糖分分子结构存在差异，其含氢基团(C-H, O-H)的振动倍频与合频，会在光谱中形成特定特征吸收峰；通过解析这些峰的强度与位置，即可实现水果糖度的定性与定量分析[12]。

近红外光谱(Near-infrared, NIR)的波长范围为780~2526 nm，其吸收特性是源于含氢官能团X-H (X代表C、N、O等元素)振动产生的倍频与合频信号，这些信号蕴含绝大多数有机化合物的组成与分子结构信息[13]。通过测量水果在不同波长处的近红外吸收或反射光谱，结合化学计量学方法与数学模型，可精准分析水果糖度及糖分组成，实现快速无损检测。通过测量水果样品在不同波长处的近红外吸收或反射光谱，与化学计量学方法及建立的数学模型相结合，可精准分析出被扫描水果样品的糖度水平及相关糖分组成，进而实现对水果糖度的快速、无损检测分析。

中红外光谱技术(Mid-infrared, MIR)的分析原理是分子对中红外区(2500~25,000 nm)光子的吸收[14]。该光子能量与分子内化学键的振动能级差相匹配，当振动引起分子偶极矩变化时，便会发生共振吸收。不同化学键或官能团(如O-H、C-H、C=O)因其振动模式特定，在光谱中呈现出特征吸收峰，从而为解析分子结构与含量提供了依据[15]。在水果糖度检测中，糖类物质分子中的C-O和O-H等化学键在中红外区域具有强烈的特征吸收[16] [17]。通过与化学计量学方法相结合，可以建立光谱数据与水果糖度值之间的定量预测模型，实现对水果糖度的快速、准确检测[18]-[20]。该技术具有检测速度快、样品前处理简单、无需化学试剂等优点，近年来在水果内部品质无损检测领域展现出良好的应用前景。

高光谱成像技术(Hyperspectral imaging, HSI)是一种融合了成像技术和光谱技术的先进分析技术。其可在紫外、可见光、近红外乃至中红外光谱范围内，以数百个连续且狭窄的波长波段对物体同时成像，从而同步捕获被测物体的空间轮廓信息与每个像素点处的连续光谱信息，形成包含三维数据的“超立方体”[21] [22]。当水果内部糖度存在空间分布差异时，不同糖度区域的光谱特征会呈现显著差异。通过对高光谱图像中每个像素点的光谱数据进行分析，可以建立光谱特征与糖度值之间的定量关系模型，从而实现水果糖度的可视化分布检测。高光谱成像能够获取从可见光到近红外光谱范围内多个连续且狭窄波段的光谱信息，具有快速、无损、精准的优点，广泛应用于水果内部品质的无损检测分析[23] [24]。

为进一步明确近红外光谱、中红外光谱及高光谱成像技术的选型依据，表1旨在通过系统对比其技术原理、实施成本、综合性能与适用场景等核心特征，为后续的战略决策提供一个高度概括的指导框架。

Table 1. Comparative analysis of core characteristics: NIR, MIR, and HSI

表1. NIR、MIR与HSI核心特性对比表

检测技术	近红外光谱	中红外光谱	高光谱成像
基本原理	检测含氢基团(O-H, C-H) 的倍频与合频吸收	检测分子基团(O-H，C-O等) 的特征振动基频吸收	同时获取每个像素点的连续光谱信息，形成“图谱合一”的三维数据立方体
主要优势	穿透能力强，适合深层成分分析技术成熟，易于实现在线测设备种类丰富，可选性强	特征吸收峰尖锐、明确，特异性强对糖类分子结构解析能力更强定量分析精度高	可提供成分空间分布 可视化信息兼具内部成分检测与外部缺陷识别能力 信息量极大，模型潜力大
主要局限	光谱信号重叠严重，依赖复杂的化学计量学模型 易受水分干扰，需精细预处理	光子能量高，穿透深度浅，多用于透射模式或衰减全反射(ATR)模式，对样品形态有要求在线检测系统成本较高	数据量大，采集与处理速度慢，对计算资源要求高，系统复杂，成本高昂目前多用于实验室研究，在线应用难度大
成本分析	中低(便携式)至高(在线式)	中(ATR附件)至高 (专用MIR成像系统)	高(实验室级)至极高(在线高速系统)
适用场景	水果产后在线高速分选、 便携式田间筛查	实验室精准定量分析、 糖分组成与转化研究	品质分布可视化研究、内外品质同步检测、机理深度探究

2.1. 近红外光谱技术在水果糖度检测中的应用

关于近红外光谱技术在柑橘糖度检测中的应用，陈姿伊等[25]以260个外观一致的柑橘为研究对象，通过糖度计测定其可溶性固形物含量作为参考值，利用近红外光谱技术进行无损检测分析。研究采用SG平滑、MSC和SNV对光谱进行预处理，并通过10折交叉验证构建预测模型。模型在测试集上均方根误差(MSE)与平均相对误差(MRE)分别为0.321%和0.0416%，验证了该方法的高精度与稳定性，显著优于传统破坏性检测方法。曾贤明等[26]利用漫透射近红外光谱技术，选取蜜橘样本63个，结合偏最小二乘法(PLS)建立近红外光谱与柑橘糖度之间的定量模型。结果表明近红外光谱可快速定量检测柑橘糖度，校正集相关系数为0.8975、均方根误差为0.4309˚Brix，预测集相关系数为0.8876、均方根误差为0.4560˚Brix，可以满足柑橘糖度定量检测的需要。文韬等[27]利用近红外光谱技术，设计透射式光路采集光谱，针对在线检测中柑橘两种高频姿态建立模型，经对比筛选“多元散射校正”为最优预处理方法，结合偏最小二乘法构建糖度预测模型，预测集决定系数为0.822、均方根误差为0.596˚Brix。说明建立的模型稳定性很高，且预测能力较强。Sun等[28]采用可见/近红外光谱技术和支持向量回归(SVR)算法对多种柑橘的糖度进行无损检测研究，结果显示基于全光谱建立的SVR通用模型性能优异，其预测相关系数R² > 0.896，预测均方根误差低至0.408˚Brix。Zhan等[29]采用在线近红外光谱系统并结合特定光学设计对脐橙糖度进行在线分选研究，结果显示所优化的在线检测模型性能稳定，其预测相关系数R² > 0.828，满足了工业化分级的精度要求。Ncama K等[30]采用可见近红外光谱结合化学计量学方法，对柑橘的甜度核心指标及关键风味参进行无损检测与定量分析。结果显示：SSC预测的偏最小二乘回归(PLSR)模型，决定系数为0.958，预测的均方根误差RMSEP为0.006。由此可知，合理结合近红外光谱技术与化学计量学方法具有快速、无损、重现性好、精度高等特点，可有效实现柑橘甜度及风味参数的同步检测，为柑橘产后商品化分级与风味品质管控提供技术支撑。

关于近红外光谱技术在其他水果糖度检测中的应用，Huang等[31]采用便携式近红外光谱技术在线检测水蜜桃的糖度，结合支持向量机(SVM)算法建立预测模型，所获得的偏最小二乘模型的相关系数为0.87，支持向量回归模型的相关系数为0.91。廖志强等[32]利用近红外光谱技术，结合偏最小二乘、支持向量回归建立苹果糖度定量预测模型，同时采用PCA、ICA、TSVD三种特征降维算法优化模型，并分析一阶导数、Savitzky-Golay (SG)平滑等6种光谱预处理方法对模型精度的影响。结果显示，经标准正态变量变换预处理结合PCA降维的Ridge模型预测效果最优，测试集决定系数达到0.8315，预测均方根误差为0.4966；该模型在苹果糖度预测方面稳定性强、误差率低，可广泛用于苹果品质无损检测与商品化分级，且应用效果较好。李明等[33]采用近红外光谱分析技术结合偏最小二乘回归、支持向量回归、人工神经网络及Stacking集成学习，以猕猴桃为样品，建立猕猴桃糖度近红外光谱预测模型。校正集相关系数0.892、校正集均方根误差0.461，预测集相关系数为0.853、预测集均方根误差为0.433，可有效实现不同成熟度猕猴桃糖度的无损检测，尤其适用于多品种混收场景下的糖度快速判定，为猕猴桃智能化分级装置的研发提供技术支撑。

由此可知，近红外光谱技术能准确检测出水果中的糖度含量，结合偏最小二乘、支持向量机等化学计量学方法建立糖度预测模型，还可实现对不同品种、不同贮藏期水果的糖度进行快速、无损、准确的检测分析。因此，近红外光谱技术对水果糖度进行定性分级和定量预测是可行的，可广泛应用于水果产后商品化分级、采摘时间优化、品质监控等实践生产环节中。

2.2. 中红外光谱技术在水果糖度检测中的应用

关于中红外光谱技术在柑橘糖度检测中的应用，文韬等[34]采用中红外透射光谱法，设计双光路检测系统并结合多元散射校正 + 二阶导数预处理，建立偏最小二乘回归模型。使用全光谱与优化光路的回归模型获得了良好结果，校准集决定系数R²达0.85以上。黄聪等[35]通过中红外漫反射光谱技术，同步测定各品种可溶性固形物(SSC、糖度指标)含量。初始采用统一全光谱PLS模型及传统MSC + PLS模型，因品种间果皮厚度、果肉结构差异，沃柑糖度预测误差高(RMSEP > 0.7˚Brix)，无法精准检测。后通过品种特异性预处理和连续投影算法(SPA)筛选特征波长，构建MSC + SPA-PLS针对性模型，成功实现多品种糖度准确预测：沃柑模型R²为0.85、RMSEP为0.58˚Brix，其他品种精度提升10%~15%，为柑橘多品种混收糖度检测提供有效方案。Ferreira等[36]采集柑橘橙的中红外光谱，运用偏最小二乘法关联中红外特征峰与柑橘糖度的关系，实现对柑橘糖度的定量分析。该方法无损、精准，为完整橙子糖度快速检测及产后商品化分级奠定了实验基础。王琳[37]利用衰减全反射(ATR)中红外光谱结合偏最小二乘法，建立了蜜橘可溶性固形物的定量分析模型。然后选择最佳的光斑直径、检测压力和有效特征波数范围，得到最优蜜橘糖度定量分析模型。结果表明：该模型对未知蜜橘样品的预测相关系数R²为0.89，预测均方根误差为0.52˚Brix，满足蜜橘产后快速分级的精度需求。

关于中红外光谱技术在其他水果糖度检测中的应用，Hu Y等[38]采用中红外光谱衰减全反射技术无损检测猕猴桃的糖度，建立定量分析模型。使用全光谱和偏最小二乘回归算法建立的预测模型获得了良好的结果，预测集的决定系数R²超过0.9，预测均方根误差低于0.5˚Brix。Wang等[39]采用便携式中红外光谱仪结合衰减全反射探头和机器学习算法对苹果糖度进行快速无损评估。通过将光谱仪探头直接接触苹果果肉切面采集光谱，并分别建立偏最小二乘回归和支持向量回归模型。结果表明SVR模型预测性能更优，其预测集决定系数达到0.91，预测均方根误差为0.48˚Brix，证明该便携式中红外技术可用于苹果糖度的准确快速检测。李华[40]等以水蜜桃为研究对象，采用中红外光谱技术采集光谱，构建偏最小二乘定量模型，结果显示，模型对未知样品糖度预测决定系数R²达0.89、预测均方根误差RMSEP为0.52˚Brix (低成熟度样品R² = 0.85)。

由此可知，中红外光谱技术能够有效检测水果糖度含量，结合偏最小二乘、支持向量回归等化学计量学方法建立的定量模型具有良好的预测精度。该技术还可实现对不同品种水果的糖分组成和含量进行快速、具有分子特异性的检测分析。因此，中红外光谱技术对水果糖度进行定量分析和品质评价是可行的，可广泛应用于水果加工质量监控、采后品质快速筛查、以及贮藏过程中糖分变化规律研究等生产与科研环节中。

Table 2. Application of near-infrared spectroscopy for nondestructive sugar content measurement in fruits

表2. 近年来近红外光谱技术在水果糖度无损检测方面的应用

检测 技术	应用	波数与波长范围	数据处理 与建模方法	相关系数 (R^2)	预测均 方根误差	参考 论文
近红外光谱	柑橘糖度定量检测(可溶性固形物)	780~2526 nm	MSC, SNV, PLS	0.99	——	[25]
	柑橘糖度定量检测(石门蜜橘)	780~2526 nm	SPXY, PLS	0.8975	——	[26]
	多品种柑橘(脐橙、沃柑等)糖度通用检测	400~1100 nm	SVR	0.896	0.408˚Brix	[28]
	脐橙糖度在线分选检测	780~2526 nm	PLS	0.828	——	[29]
	苹果糖度定量预测	780~2526 nm	SNV, PCA	——	0.4966˚Brix	[30]
	水蜜桃糖度在线检测	780~2526 nm	PLS, SVR	0.87 0.91	——	[31]
	猕猴桃糖度检测(贮藏初期)	780~2526 nm	SNV, UVE PLS, SVM LSSVM	0.99 0.93	0.77˚Brix	[32]

2.3. 高光谱成像技术在水果糖度检测中的应用

关于高光谱成像技术在柑橘糖度检测中的应用，高粱喨[11]使用可见光–近红外高光谱成像系统，采集了脐橙、沃柑、蜜橘等主栽柑橘品种的样本图像。结果显示：柑橘SSC与筛选出的900~1100 nm特征波长光谱响应的SVR模型预测决定系数R²为88，均方根误差为0.52˚Brix，溃疡病与机械损伤的CNN识别模型准确率分别为92.3%、94.1%，相关性与识别性能良好，可实现柑橘糖度定量检测与表面缺陷定性识别的同步无损分析。Zhao等[41]提出一种基于高光谱成像技术的柑橘可溶性固形物定量检测方法，利用机器学习与深度学习算法建立了PLSR、LS-SVM、CNN模型，其中CNN模型在预测集的决定系数R²高达0.97，均方根误差为0.45˚Brix，表现出最优性能。

关于高光谱成像技术在其他水果糖度检测中的应用，许丽佳等[42]使用高光谱成像仪对猕猴桃的糖度进行检测，利用标准正态变量变换结合SG平滑算法对光谱进行预处理，并引入连续投影算法SPA和竞争性自适应重加权算法CARS筛选特征波长以优化偏最小二乘回归PLSR模型，比较了PLSR、SPA-PLSR、CARS-PLSR三种模型的预测效果，结果表明CARS-PLSR具有最佳的预测效果，预测集的决定系数达到0.932，均方根误差为0.45˚Brix。班兆军等[43]使用高光谱成像仪对苹果品质进行无损检测，利用标准正态变量变换结合SG平滑算法对光谱进行预处理，利用主成分分析(PCA)对数据降维，结合卷积神经网络构建内在品质(糖度、酸度)定量预测模型，结合改进型残差网络(ResNet-18)构建缺陷定性识别模型，并对比偏最小二乘回归、支持向量机等传统算法，最终得到CNN预测糖度的决定系数达0.92、均方根误差为0.45˚Brix。Weng等[44]使用高光谱成像系统，采集了不同成熟度草莓的图像，获取草莓可溶性固形物的理化参考值开展分析。结果显示：结合光谱 + 颜色特征的偏最小二乘回归模型预测草莓SSC的决定系数达0.937，各品质参数预测相关性良好，可实现草莓SSC快速无损检测。

上述研究表明，高光谱成像技术用于水果糖度的无损检测是可行的，具有操作简单、检测快速、结果准确的特点，能够有效、无损地评估水果的内部品质，可广泛应用于水果的糖度检测、成熟度判断及采后分级等环节。

Table 3. Application of mid-infrared spectroscopy for nondestructive sugar content measurement in fruits

表3. 近年来中红外光谱技术在水果糖度无损检测方面的应用

检测 技术	应用	波数与波长范围	数据处理 与建模方法	相关系数 (R^2)	预测均 方根误差	参考 论文
中红外光谱	脐橙糖度无损检测	2500~25000 nm	MSC, PLS	0.85	——	[34]
	沃柑及5个柑橘品种糖度多品种检测	2500~25000 nm	MSC, PLS	0.85	——	[35]
	蜜橘可溶性固形物定量检测	2500~25000 nm	ATR, PLS	0.89	0.52˚Brix	[37]
	苹果糖度快速无损评估	2500~25000 nm	PLSR, SVR	0.91	0.48˚Brix	[36]
	水蜜桃糖度检测(含低成熟度样品)	2500~25000 nm	PLS	0.89	0.52˚Brix	[40]
	猕猴桃糖度无损检测	2500~25000 nm	PLS	0.9	0.5˚Brix	[33]

Table 4. Application of hyperspectral imaging for nondestructive sugar content assessment in fruits

表4. 近年来高光谱成像技术在水果糖度无损检测方面的应用

检测 技术	应用	波数与波长范围	数据处理 与建模方法	相关系数 (R^2)	预测均方根误差	参考 论文
高光谱成像	柑橘糖度与缺陷同步检测	400~1700 nm	SVR, CNN	0.88	——	[11]
	涌泉蜜橘糖度最优检测位置确定	400~1700 nm	CNN, PLSR	——	——	[41]
	猕猴桃糖度定量检测	400~1700 nm	SNV, SPA CAR, SLS	0.932	0.45˚Brix	[42]
	苹果糖度定量预测	400~1700 nm	SNV, CNN	0.92	0.45˚Brix	[43]
	枇杷糖度检测及空间分布可视化	400~1700 nm	PLS, SVR	0.90	0.3˚Brix	[44]

由表2~4，以近红外光谱、中红外光谱、高光谱成像为代表的现代光谱技术可实现对柑橘、苹果、猕猴桃、枇杷等主流水果的糖度进行高精度无损检测。这为水果采后精准分级、采收期科学预判、品质全程监控及商品化增值提供了有力技术支撑，对推动水果产业从“粗放式生产”向“精准化管控”转型，保障消费者口感体验与市场公平竞争具有重要意义。

3. 关键技术环节的系统性分析

为深入探讨技术实施中的核心影响因素，现将“光谱采集方式”“数据预处理”“特征波长选择”三个关键环节进行分析，明确不同选择对模型性能的影响：

3.1. 光谱采集方式的选择与适配

光谱采集方式直接决定信号质量，需根据水果特性(果皮厚度、果肉密度)进行选择，不同方式的适配性及对模型的影响如下表5：

Table 5. Selection and adaptation of spectral acquisition methods

表5. 光谱采集方式的选择与适配

采集方式	原理特点	适用水果类型	对模型性能的影响	典型案例效果
反射光谱	采集水果表面1~3 mm的光反射信号，受表皮 状态影响大	薄皮水果 (苹果、樱桃、 草莓)	表皮蜡质、绒毛会增加散射 噪声，需加强预处理；优点是 无需触样品，适配在线检测	苹果反射NIR模型： SNV预处理后R^2 从0.75提升至0.83
透射光谱	采集穿透水果的光吸收 信号，受果肉厚度均匀性影响大	厚皮/小型水果(蜜柚、葡萄、 柑橘)	需控制光源与探测器距离(通常5~10 cm)保证光程一致；可获取 内部成分信息，模型精度更高	柑橘透射NIR模型： PLS预测R^2 = 0.8975 RMSEC = 0.4309˚Brix
漫反射光谱	采集内部散射与表面 反射的混合信号， 兼顾深度与稳定性	中大型水果 (梨、芒果、 猕猴桃)	穿透深度2~5 mm，可减少 表皮干扰；但检测距离需固定 (通常2~3 cm)，否则误差增加	猕猴桃漫反射HIS 模型：R^2 = 0.932、RMSEP = 0.45˚Brix
衰减全反射	光经晶体(如ZnSe)传导 至样品表面，采集反射 信号，需样品接触	表皮平整水果 (苹果切面、 蜜橘)	信号强度与接触压力相关 (通常5~10 N)，压力不均会导致RMSEP增加0.1~0.2˚Brix； 优点是无需样品制备	蜜橘ATR-MIR模型：优化压力后R^2 = 0.89、RMSEP = 0.52˚Brix

3.2. 数据预处理的方法与效能

原始光谱数据常受到仪器电子噪声、温度波动导致的基线漂移以及果肉颗粒造成的散射等多种干扰。因此，光谱预处理是提升模型预测精度的关键环节。表6详细列举了不同预处理方法所适配的场景及其处理效果。

Table 6. Comparison of application scenarios and efficacy for data preprocessing methods

表6. 数据预处理方法适配场景与效能对比

预处理类别	具体方法	核心原理	适配场景	应用案例与效能提升	参考论文
散射校正	多元散射校正	以参考光谱为基准， 消除样品颗粒大小、 密度差异导致的散射干扰	果肉不均匀水果 (柑橘、猕猴桃) NIR光谱数据	处理柑橘NIR光谱：模型预测R^2从0.78提升至0.822，RMSEP从0.72降至0.596˚Brix	[27]
	标准正态 变量变换	对单个样品光谱独立 标准化，消除整体 水平差异	多品种混合检测 (苹果、柑橘混收) NIR光谱数据	处理苹果NIR光谱：模型RMSEP从0.65降至0.4966˚Brix	[32]
平滑与降噪	Savitzky-Golay (SG)平滑	通过多项式拟合滤除 高频噪声，窗口宽度 需匹配光谱分辨率	噪声干扰小的NIR 光谱、常规水果 (柑橘、苹果)	7点窗口处理柑橘NIR光谱：MSE从0.45降至0.321， MRE从0.06%降至0.0416%	[25]
	小波降噪	分解光谱为不同频率 成分，剔除噪声频段	HSI高维数据、 含复杂噪声的水果 (苹果、猕猴桃)	处理苹果HSI光谱：CNN 模型准确率从88%提升至92%	[43]
基线校正	一阶导数	消除基线漂移， 增强重叠峰的峰形差异	光谱重叠严重的NIR数据(多品种柑橘)	处理柑橘NIR光谱：SVR 模型R^2从0.87提升至0.896	[28]
	二阶导数	进一步放大细微峰差异，强化特征峰辨识度	特征峰密集的MIR 数据(脐橙、蜜橘)	处理脐橙MIR光谱：PLS模型R^2从0.82提升至0.85	[34]

3.3. 特征波长选择的算法与应用

由于高维光谱数据(如包含数百个波段的HSI)存在大量冗余信息，这不仅会增加建模复杂度与时间成本，也易导致模型过拟合。因此，特征波长选择成为一种关键的“降维增效”手段。表7总结了主流特征选择算法的核心特点与应用效果。

Table 7. Comparison of characteristics and application performance of feature wavelength selection algorithms

表7. 特征波长选择算法特性与应用效果对比

算法名称	核心原理	核心优势	适配场景	应用案例与效能提升	参考论文
连续投影算法(SPA)	通过迭代投影消除 波段间共线性，保留信息最丰富的波段	降维效率高、 运算速度快， 能有效保留关键信	在线检测(高速 分选) MIR/NIR 光谱数据	筛选柑橘MIR光谱：波段数从2000个降至35个，模型运算时间缩短80%，RMSEP从0.7降至0.58˚Brix	[35]
竞争性 自适应重加权采样(CARS)	基于蒙特卡洛采样，选择回归系数大的 波段，剔除冗余波段	建模精度高， 能精准筛选 敏感波段	高精度检测 (实验室分析)、HSI高维数据	筛选猕猴桃HSI光谱：波段数 从512个降至28个，PLSR模型R^2从0.89提升至0.932	[42]
主成分 分析(PCA)	将高维数据投影至 低维主成分，保留 数据主要信息	降噪效果好， 简化模型复杂度	噪声较多的NIR光谱、多成熟度水果(猕猴桃)	处理猕猴桃NIR光谱：主成分数从30个降至8个，Stacking模型RMSEP从0.48降至0.433˚Brix	[33]

4. 结果与讨论

水果内部品质的快速无损检测需求日益迫切，相较于传统检测方法存在耗时费力、检测效率低且具有破坏性等缺陷，难以满足现代水果产业规模化与智能化的品质管控要求。现代光谱技术能够精准捕捉水果内部糖分相关的光谱特征信息，且在检测过程中最大程度保持样品的完整性，有利于后续贮藏、销售或进一步分析，具有快速、无损、准确等突出优点。该技术体系可广泛应用于水果采后加工、商品化分级与市场流通环节，对于提升水果品质控制水平、增强产品市场竞争力具有重要的实际意义和广阔的应用前景。

本文系统综述现代光谱技术中的近红外光谱、中红外光谱和高光谱成像技术在水果糖度无损检测中的应用现状与研究进展。近红外光谱技术成熟度高，适用于在线分级；中红外光谱具备分子特异性解析优势，适用于成分精准定量；高光谱成像则可实现糖度分布可视化，满足空间维度分析需求。本文综述旨在系统总结现有研究成果与技术特点，推动水果品质无损检测技术的优化与集成应用，为发展更加智能、高效、绿色的水果品质安全检测方案提供参考，助力水果产业高质量发展。

基金项目

2025年省级大学生创新创业训练计划项目(S202510641047)。

NOTES

^*通讯作者。