«——【·介绍·】——»

猕猴桃是一种商业园艺产品，在几个国家种植，主要是中国，新西兰，意大利，希腊和伊朗。其理想的味道，以及由于巨大的营养和药用价值而显着的健康益处，使猕猴桃在世界范围内变得非常受欢迎，因为它被称为水果之王。

根据粮农组织的统计数据，2010年全球猕猴桃产量达到2.84兆吨，2021年约为4.46兆吨。伊朗在猕猴桃生产国中排名第五，2021年超过0.29兆吨。关于猕猴桃生产和储存的一个重要问题是它容易受到真菌病害的影响，这可能导致大量的作物储存损失。

灰霉菌是导致猕猴桃采后腐烂的最广泛和最令人不安的病原体。猕猴桃中超过20%的腐败是由于灰霉病产生的灰霉病。如果不加以适当控制，这种腐烂会使大约三分之一的果实变质。因此，猕猴桃中灰霉菌感染的早期诊断至关重要。

以便采取适当措施防止作物严重恶化和经济损失。灰霉菌感染对猕猴桃品质指数有负面影响。其中三个重要的质量指标是硬度、可溶性固形物含量和可滴定酸度。硬度是一种物理测量，取决于水果的内部细胞结构。

硬度损失是水果保质期结束的重要指标。SSC和TA与猕猴桃的甜度和酸度高度相关[13]，已被报道为猕猴桃味道和风味评估和消费者可接受性的重要指标。 因此，正确监测这些理化参数对于有效控制猕猴桃采后贮藏非常重要。

高光谱成像是一种发展中的方法，它将光谱学和图像捕获技术结合在一个系统中，以无损和可靠的方式同时获得电磁反射和像素级信息。HSI在几个农业食品工业相关领域的成功应用已有报道，并在最近的有价值的综述文章中进行了总结。

就水果而言，Çetin 等人使用 HSI 技术根据 386-1028 nm 的光谱反射率监测苹果在不同收获时间的定性属性。决定系数值分别高达0.910和SSC预测值为0.684。在另一项研究中，通过偏最小二乘判别分析对柿子果实的隐形损伤，准确率为99.4%。

还有其他与HSI在水果中的使用相关的研究，例如苹果品种的鉴定，监测中国矮樱桃总黄酮含量的采后变化，秋葵荚的成熟度测定，巴纳尼托果实和猕猴桃的成熟度评估.真菌病原体因真菌孢子形成、色素脱失、病变、坏死等影响而改变农业材料的光谱反射特征。

可用于疾病监测。利用像素级光谱成像的优势，HSI技术在农产品早期疾病检测方面具有很高的潜力。HSI已被应用于检测水果的真菌感染。该技术用于基于685 nm至1000 nm的影响光谱带区分健康和早期成型的蓝莓果实，其中PLS-DA模型以99%的比率区分患病蓝莓。

HSI方法还用于检测柑橘类水果，储存苹果果和草莓果实中的真菌感染。适当的高光谱数据分析是实现适当模型开发目标的基础。关于高光谱图像，应适当解决的一些挑战包括传感器噪声、光谱数据集的高维和冗余信息。

化学计量学算法是处理和分析HSI系统中提供的多变量数据的实用工具，通过删除不适当和多余的变量来减少计算时间，增强模型性能并提高鲁棒性。这些技术在Saha和Manickavasagan的一篇评论文章中进行了翔实的描述，其中一些将在本手稿中讨论和使用。

尽管对研究的回顾表明使用HSI检测某些农产品中的真菌病害是可行的，但据我们所知，没有关于高光谱数据检测和跟踪猕猴桃灰霉病污染的有效性的报告。因此，本研究旨在探讨HSI结合不同数据处理方法和化学计量学对猕猴桃霉菌灰质感染症状前检测的能力。

开发了数据处理和特征选择方法，然后采用建模方法跟踪疾病并预测由于灰霉菌真菌感染而导致海沃德猕猴桃中一些定性指数的变化。

为了制备所需的样品，在伊朗桂兰省福曼市附近的一个果园中，总共采摘了225个大小几乎相同且没有任何缺陷或伤害的新鲜海沃德猕猴桃。水果用无菌水仔细清洗。以随机选择的方式提供15批次样品，每批由15个猕猴桃组成。

第一次数据收集是在第一天对一批猕猴桃进行的。7批次猕猴桃样品接种灰霉病菌，其他7批次未受污染。在实验过程中，所有样品均保持在20°C培养箱内的黑暗环境中。为了制备七批受污染的样品，从桂兰大学植物保护系实验室获得了灰霉菌的培养物。

真菌孢子污染了通过去除蒂制成的伤口区域的7批次果实。接种程序根据Liu等人。猕猴桃采后品质的三个重要属性是TA、硬度和SSC。根据Ghasemnejad等人的说法，使用尖端半径为8毫米的便携式刺入仪测定水果的硬度。

MWS可以减少高光谱数据中的局部噪声。在本研究中，MWS滤光片的光谱窗口大小设置为五个波段。SG算法也是一种移动窗口方法，但该方法计算的不是光谱平均值，而是窗口内光谱的多项式最小二乘拟合。

导数是在应用多项式拟合 后计算的。本研究采用窗口大小为5个点和二次多项式的SG滤波。MSC和SNV方法消除了光散射引起的不希望的变化，而不会改变原始波长的曲线。MSC和SNV之间的主要区别在于，MSC使用来自所有数据集的数据来标准化频谱，而SNV方法使用每个特定频谱的数据来规范该频谱。

来自猕猴桃样品的记录信息包含大量宽波长范围内的反射率数据。除了有用的信息外，这些数量的光谱特征可能包含冗余、非信息和多共线信息。因此，有必要对原始光谱数据进行波长选择，以去除无用的信息，提高建模效率和性能。

为了选择信息量最大的波长，对光谱数据应用了三种不同的变量选择方法，即无信息变量消除、竞争性自适应重加权采样和连续投影算法。UVE通过设置偏最小二乘回归系数阈值来消除那些没有或很少提供信息的波长，从而选择有效波长。

本研究基于其可靠性指数方法选择显著的UVE特征，Wang等人对此进行了解释。生成与光谱数据大小相同的人工噪声矩阵并将其添加到频谱矩阵中。UVE是在包含光谱和噪声的数据上实施的。

确定噪声数据的绝对折射率值后，剔除绝对折射率值小于噪声矩阵最大绝对折射率值的波长。CARS通过在基于蒙特卡洛采样方法得出的N特征子集上建立PLS模型来进行波长选择。然后，根据模型交叉验证的最小均方根误差选择最优变量组合。

CARS方法的方法由Wang等人提出。在SPA方法中，针对波长矢量的几个子集形成多元线性回归模型，并将RMSE最小的波长指定为最有价值的波长。

简而言之，结果表明萨维茨基-戈莱1圣衍生物-CARS-PLSR排列是猕猴桃样霉灰感染期间品质属性的最成功预测因子，基于高光谱数据，R.2在校准和预测数据集上分别超过 0.96 和 0.92。

虽然之前没有关于利用高光谱数据检测和跟踪猕猴桃真菌病害的研究，但据报道，PLSR和HSI的整合可有效辅助水果的品质属性。

R型2据报道，PLSR模型的预测基于高光谱图像的海沃德猕猴桃在成熟过程中的SSC和硬度测量值分别为0.94和0.92。其他论文也报道了不同波长范围的高光谱数据在预测猕猴桃内部品质方面的成功应用。

本研究的结果符合文献报道应用HSI和机器学习对蜂蜜桃、草莓、梨[和蓝莓等腐烂水果的缺陷进行早期检测和质量参数监测。考虑到本研究获得的高模型性能，将HSI和机器学习技术相结合可以成为构建准确，无损，快速的系统来检测和跟踪猕猴桃灰霉病感染的有前途的方法。

«——【·结论·】——»

研究了高光谱成像和化学计量学策略在海沃德猕猴桃采后贮藏期间早期检测灰霉菌感染的应用。采用不同的光谱波长预处理算法和多种波长选择方法，为未受污染和受污染的猕猴桃样品进行分类，预测实验过程中猕猴桃理化属性的变化，准备了合适的输入数据。

据观察，萨维茨基-戈莱1圣导数方法有效去除了散射干扰和背景噪声。此外，CARS选择的波长是预测实验中猕猴桃品质属性变化的最优化特征。最终，萨维茨基-戈莱 1圣衍生物-CARS-PLSR模型结构在监测猕猴桃硬度、SSC和TA变化时预测性能最高。

R.2在交叉验证中分别为 0.9722、0.9317、0.9500。此外，LDA能够基于SNV过滤光谱对受污染和未受污染的猕猴桃样品进行分类，准确率为96.67%。本研究结果证明了高光谱成像和化学计量学方法在检测猕猴桃灰霉菌感染和监测猕猴桃理化属性因感染而发生的变化方面具有巨大的应用潜力。

«——【·参考数据·】——»

夏尔马，《尼泊尔猕猴桃的生产、销售及未来展望》，国际应用科学生物技术杂志.2020

平华，《各国猕猴桃产量》，粮农统计数据库，2022.

戴彦， 《猕猴桃采后真菌腐烂的环保管理》，食品科学营养修订，2021.