王志豪，殷 勇，于慧春，袁云霞，薛書凝

河南科技大學食品與生物工程學院，河南 洛陽 471023

引 言

由于蘋果是呼吸躍變型水果，貯藏過程中會迅速出現(xiàn)硬度下降、 口味變淡甚至腐敗變質(zhì)等現(xiàn)象。 因此，對貯藏過程中的蘋果建立腐敗預警模型十分必要。 目前，判斷蘋果品質(zhì)變化的主要研究方法是檢測蘋果硬度、 pH值、 電導率以及含糖量等理化指標。 這些方法不僅費時，而且有時需要用到有毒有害試劑，會對檢測人員的健康產(chǎn)生不利影響。

高光譜成像技術(shù)是一種快速檢測技術(shù)。 通過對高光譜測試數(shù)據(jù)進行處理分析，可以快速對果蔬的品質(zhì)變化做出判斷。 正是由于這種優(yōu)勢，高光譜成像技術(shù)在食品質(zhì)量和安全評估領(lǐng)域越來越受到人們的重視。 當前，應用該技術(shù)在食品領(lǐng)域的研究主要集中在兩個方面： 一是對食品中有毒有害物質(zhì)的含量進行預測； 二是對食品的含糖量、 酸度、 蛋白含量等指標進行預測。 但是，在構(gòu)建食品貯藏過程中腐敗預警模型的研究還較少。

基于高光譜圖像灰度平均值作為光譜信息表征結(jié)果的果蔬腐敗預警模型構(gòu)建方法已有報道[1]； 但模型的穩(wěn)健性、 準確性不太理想。 分析認為，由于均值表征僅反映了整體光譜信息(可稱為靜態(tài)信息)，而光譜信息的變化情況(可稱為動態(tài)信息)沒有得到反映，致使高光譜信息的表征不夠充分。 高光譜圖像灰度值的方差可以表征光譜信息的波動情況，體現(xiàn)了光譜信息的動態(tài)性。 因此，擬嘗試基于均值和方差二維表征思路開展蘋果貯藏過程中腐敗預警模型構(gòu)建方法的研究，并建立蘋果巴氏距離腐敗預警模型。

1 實驗部分

1.1 材料與樣本制備

蘋果樣本于2020年10月13日購買于當?shù)氐つ崴钩?，產(chǎn)地為山東煙臺，品種為煙臺紅富士，共350 kg。 由于研究的目的是構(gòu)建蘋果腐敗預警模型，并考慮到貯藏條件不會對研究結(jié)果產(chǎn)生影響，只會加速或減緩樣本的腐敗進程[1]。 因此，為加快試驗進程，樣本貯藏室溫度設(shè)置為常溫。 試驗過程中，每日固定時間采集樣本高光譜圖像信息以及色差值和失水率數(shù)據(jù)。 貯藏室溫度在18.8～26.2 ℃之間，相對濕度在53.0%～64.9%RH之間。

每日隨機從貯藏室不同位置取出18～19個蘋果，每個蘋果在不同的部位切下2～3個測試樣本，共制備50個樣本。 切割蘋果時，將蘋果果柄向上，果蒂向下放置，并沿果柄軸線方向自上而下切下厚度為15 mm且包含果皮的切片作為測試樣本。 然后將每一個測試樣本的切割面向下，分別放在培養(yǎng)皿中，最終得到50張高光譜圖片。

1.2 光譜信息獲取

圖1是樣本的高光譜信息獲取系統(tǒng)，該系統(tǒng)主要由4部分構(gòu)成： (1)高光譜相機(光譜儀)為德國的Inno-Spec公司制造，型號是IST50-3810型，該相機可在371.05～1 023.82 nm范圍內(nèi)獲取光譜信息，每兩個波長之間間隔0.51 nm； (2)高光譜數(shù)據(jù)處理軟件(SICap-STVR V1.0.x)； (3)用于系統(tǒng)照明的鹵素燈，該燈共有4個，每個功率為500 W，由德國的Esylux公司制造，型號是RK90000420108型； (4)送樣平臺，其速度可在0～10.00 mm·s-1之間調(diào)節(jié)。 試驗中所使用高光譜系統(tǒng)由本實驗室自主設(shè)計。

為確保高光譜圖像采集質(zhì)量，通過預試驗可知，送樣平臺的輸送裝置速度設(shè)為1.75 mm·s-1，高光譜相機物距設(shè)為260 mm，每個測試樣本共獲得1 288個波長的高光譜圖像信息。

圖1 高光譜系統(tǒng)Fig.1 Hyperspectral image acquisition system

1.3 光譜信息表征與校正

研究發(fā)現(xiàn)，針對蘋果樣本，僅采用平均反射光譜信息來表征高光譜信息時所構(gòu)建的預警模型不夠穩(wěn)健、 準確。 分析認為，平均反射值光譜信息僅反映了整體光譜信息，屬于靜態(tài)信息； 而光譜信息的動態(tài)變化情況沒有得到反映，致使高光譜信息的表征不夠充分。 因高光譜圖像灰度值的方差可以表征光譜信息的波動情況，體現(xiàn)了光譜信息的動態(tài)性。 因此，擬采用高光譜圖像灰度值的平均值聯(lián)合其方差來共同表征蘋果樣本的高光譜信息，以構(gòu)建穩(wěn)健的預警模型。

1.3.1 基于均值表征的光譜曲線校正

由于試驗過程中其他光源以及暗電流的影響，需要對高光譜圖像灰度值的均值和方差分別進行黑白標定[1]。 均值表征的光譜信息校正公式如式(1)

(1)

式(1)中：R為黑白校正后樣本灰度值平均值；Rsample為樣本原始灰度值平均值；Rdark為全黑標定灰度值平均值；Rwhite為全白標定灰度值平均值。

1.3.2 基于方差表征的光譜曲線校正

基于方差表征的高光譜信息的校正方法是，先分別對高光譜圖像n個像素點在bi(i=1, 2, …, 1 288)波長下的灰度值ak(k=1, 2, …,m,m≤n×i)進行黑白校正，然后再計算校正后像素灰度值的方差值。 簡述如下：

(2)

式(2)中：V為經(jīng)黑白校正后的樣本灰度值方差；σ為樣本全波段下灰度值標準差；Rdark和Rwhite含義與式(1)一致。

1.4 感興趣區(qū)域選擇

作為示例，圖2為1個測試樣本在653.65 nm波長下的高光譜圖像灰度圖，其大小為1 032 pixel×900 pixel。 由于測試樣本其自身近似球型的幾何結(jié)構(gòu)，會使光線在其局部表面發(fā)生散射，這將嚴重影響高光譜測試數(shù)據(jù)的精確性和有效性[2]。 因此，在避開散射區(qū)域的基礎(chǔ)上，以樣本上部空間頂點為中心選擇如圖2紅色區(qū)域所示的矩形區(qū)域作為感興趣區(qū)域(ROI)，該區(qū)域大小為900 pixel×650 pixel。

圖2 蘋果樣本圖像感興趣區(qū)域提取Fig.2 Extraction of interest region in apple sample image

1.5 高光譜數(shù)據(jù)預處理

由于檢測器異?；螂娏鞑环€(wěn)定，采集的光譜會出現(xiàn)尖刺等噪聲信息。 為提高測試數(shù)據(jù)的準確性，采用Savitzky-Golary(SG)平滑[3]、 標準正態(tài)變量變換(SNV)[4]、 多元散射校正(MSC)[4]、 二階導數(shù)(Der2)[5]、 一階導數(shù)(Der1)[5]、 局部加權(quán)散點平滑(LOWESS)[6]共6種方法，分別對高光譜圖像灰度值均值和方差表征光譜曲線進行預處理，并對比預處理結(jié)果選出最優(yōu)方法。

1.6 色差和失水率的測定

蘋果表皮出現(xiàn)的顏色轉(zhuǎn)變現(xiàn)象，是其在貯藏過程中最直觀的品質(zhì)變化。 因此，選用蘋果表皮色差變化作為表征蘋果貯藏過程中品質(zhì)變化的一種理化指標，該指標也是水果成熟度判斷、 等級分類時常用的指標[7]。 已有的相關(guān)文獻中均采用一種理化指標，如可溶性固形物含量(SSC)[8]、 失水率[9]來表征樣本貯藏中的品質(zhì)變化。 分析認為，盡管色差指標屬于一種綜合指標，但也僅是從一種角度表征樣本的綜合屬性，僅采用色差一種理化指標，表征信息可能不夠充分； 同時，考慮到失水率也是蘋果在貯藏過程中變化比較直觀的一個理化指標，因此，本工作對蘋果樣本失水率變化也進行了測定。

1.6.1 色差

對固定的6個蘋果樣本測定色差值，每日固定時間使用美國X-rite公司生產(chǎn)的色差儀，測定樣本表皮的色差值，色差儀型號為X-Rite Color i5型。 每次測量色差前，都要對儀器進行黑白校正。 在每個樣本表皮的不同位置，重復3次測量，取其平均值即為樣本色差值。 根據(jù)色差值數(shù)據(jù)中的a*值、b*值，通過CIELAB顏色體系[7]中的公式可得到蘋果樣本色調(diào)值H*(也被稱為色調(diào)角)。 表1給出了樣本色調(diào)角的測試數(shù)據(jù)。 色調(diào)角越小，說明蘋果樣品表皮顏色越紅，越大說明表皮顏色越黃。 色調(diào)角計算公式如式(3)

(3)

式(3)中：a*值代表紅度，其數(shù)值越大表明顏色越紅，越小顏色越綠；b*為黃度，其數(shù)值越大表明顏色越黃，越小顏色越藍。

1.6.2 失水率

對固定的3個蘋果樣本測定失水率； 每日固定時間使用佳衡日平儀器有限公司制造的電子天平，天平型號是DT-500B型。 失水率計算公式如式(4)所示。 表2給出蘋果樣本失水率測試結(jié)果。

(4)

式(4)中：W為蘋果樣本原始重量；w為第一日之后每日的樣本重量；α為樣本的失水率(%)。

1.7 腐敗基準日的確定

1.7.1 色調(diào)角

蘋果樣本在貯藏過程中其表皮會發(fā)生一系列變化，表皮顏色會逐漸由紅色轉(zhuǎn)變?yōu)楹稚虻S色，表皮天然蠟質(zhì)會發(fā)生分解并使表皮變得油膩[10]； 同時，表皮開始逐漸出現(xiàn)黑色斑點，直至蘋果發(fā)生腐敗。 對樣本觀察發(fā)現(xiàn)，在第21日蘋果開始出現(xiàn)腐敗，因此，初步將第21日確立為蘋果樣本的腐敗基準日。 為保證后續(xù)研究數(shù)據(jù)的覆蓋性、 完整性，試驗在蘋果完全腐敗時(第27日)結(jié)束。

表1 蘋果樣本色調(diào)角變化(°)Table 1 Hue angle change of apple samples

表2 蘋果失水率變化(%)Table 2 Water loss rate change of apple samples

根據(jù)蘋果樣本的a*值、b*值以及式(3), 可得到樣本色調(diào)角隨貯藏時間變化的折線圖。 通過對折線圖和樣本實際觀察情況的綜合分析，將圖中變化趨勢出現(xiàn)轉(zhuǎn)折的數(shù)據(jù)點所在貯藏日確定為腐敗基準日。

1.7.2 葉綠素特征吸收波長

蘋果在貯藏過程中果皮發(fā)生的變化，與果皮中花青苷以及葉綠素二者含量的變化密切相關(guān)[11]。 因此，根據(jù)測得的葉綠素特征吸收波長(675 nm左右)[12]處光譜反射值，作出其均值隨不同貯藏天數(shù)的變化趨勢圖。 將圖中數(shù)值變化趨勢出現(xiàn)轉(zhuǎn)折的天數(shù)與色調(diào)角變化折線圖進行對比分析，以進一步確立腐敗基準日。

1.8 特征波長的獲取

為消除高光譜圖像灰度值的均值和方差表征光譜信息的共線和冗余信息，采用連續(xù)投影算法(SPA)[13]并結(jié)合樣本色調(diào)角和失水率，提取預處理后的光譜信息的特征波長。 色調(diào)角和失水率分別是從不同的角度反映蘋果樣本品質(zhì)的綜合屬性，為盡可能使模型具有一定的魯棒性和泛化能力，同時縮小兩種理化指標之間的差異性對模型產(chǎn)生的不利影響，選取可表征兩個理化指標的共有波長為特征波長。

1.9 預警模型的建立

巴氏距離(BD)算法可以準確計算分類差異[14]，有利于區(qū)分不同天數(shù)的光譜信息之間的差異性，因此可根據(jù)這種差異性表征不同天數(shù)蘋果樣本的品質(zhì)變化。 模型構(gòu)建時，首先確定樣本的腐敗基準日，并確定能夠表征該基準日樣本品質(zhì)屬性的特征波長； 然后，計算不同天數(shù)特征波長與該基準特征波長之間的巴氏距離值； 最后，根據(jù)對不同天數(shù)與基準日之間距離值的大小進行比較，即可有效判斷貯藏期間任意天數(shù)樣本接近腐敗的程度。 不同貯藏天數(shù)樣本與基準日樣本之間的距離值越小，說明其品質(zhì)越差。 巴氏距離計算公式如式(5)

(5)

式(5)中：Bst(s=1, 2, …, 21,t=1, 2, …, 21)為第s個貯藏日樣本特征波長與第t個貯藏日樣本特征波長之間的巴氏距離；us和ut為第s和t個貯藏日的樣本高光譜圖像灰度值均值；σs和σt為第s和t個貯藏日樣本高光譜圖像灰度值標準差。

2 結(jié)果與討論

2.1 光譜曲線預處理

通過分析比較6種數(shù)據(jù)預處理結(jié)果，發(fā)現(xiàn)SG平滑可顯著消除數(shù)據(jù)噪聲。 圖3、 圖4分別給出蘋果樣本基于均值和方差原始光譜圖及SG處理后光譜圖。 圖中均給出第1，6，11，16和第21天樣本的光譜信息。 由于1～99波段光譜反射值較高，考慮到坐標刻度對圖像視覺效果的影響，圖中僅給出100～1 288波段的光譜數(shù)據(jù)。 對比分析圖3(a，b)和圖4(a，b)表明，SG處理后光譜曲線尤其是曲線兩端的毛刺顯著減少，光譜噪聲得到了有效處理。

圖3 蘋果樣本基于均值表征的光譜值SG處理前后結(jié)果(a)： SG處理前的光譜； (b)： SG處理后的光譜Fig.3 The spectral data of apple samples based on the mean representation before and after SG treatment

圖4 蘋果樣本基于方差表征的光譜值SG處理前后結(jié)果(a)： SG處理前的光譜； (b)： SG處理后的光譜Fig.4 The spectral data of apple samples based on the variance representation before and after SG treatment

2.2 樣本腐敗基準日的確定

2.2.1 色調(diào)角的基準日

圖5給出樣本色調(diào)角在貯藏期間變化的折線圖。 貯藏期間樣本色調(diào)角隨天數(shù)增加呈上升趨勢，表明樣本表皮顏色由紅色逐漸轉(zhuǎn)變?yōu)辄S色，與實際觀察結(jié)果相符。 但第6日樣本色調(diào)角度數(shù)值異常升高，這可能是貯藏前期，樣本為應對葉綠素分解，自身形成了可以合成更多葉綠素的相關(guān)調(diào)節(jié)機制[11]。 隨著前期葉綠素的迅速合成，使得其短期內(nèi)的合成速度已經(jīng)超過了其分解速度，導致第6日葉綠素的累積含量達到最高，從而導致在樣本b*值變化不明顯的前提下，a*值大幅度降低。 此外，發(fā)現(xiàn)第4、 5和6日葉綠素特征吸收波長光譜平均反射值逐漸降至最低點的現(xiàn)象(見圖6)，同樣表明該時間段內(nèi)樣本表皮葉綠素總量在逐漸增加，吻合對圖5進行分析的結(jié)果。 由于色調(diào)角在第21日之后出現(xiàn)較大轉(zhuǎn)變，并且連續(xù)3天數(shù)值穩(wěn)定在24.40°左右，因此，擬定第21日為蘋果樣本的腐敗基準日。 第24和第27日色調(diào)角升至26°左右，說明蘋果樣本腐敗加劇。

2.2.2 葉綠素特征吸收波長的基準日

圖6給出了675.11 nm處蘋果表皮葉綠素的平均光譜反射值變化趨勢圖。 由圖6可知，貯藏前期，平均光譜反射值變化趨勢出現(xiàn)先迅速上升然后迅速下降，之后再快速上升再緩慢下降的現(xiàn)象。 這可能是由于蘋果為應對其表皮葉綠素分解而自發(fā)形成了相關(guān)的調(diào)節(jié)機制，在該機制的調(diào)節(jié)下，貯藏過程中樣本葉綠素的合成與分解同時發(fā)生，且前期葉綠素的合成量高于分解量，所以光譜信息出現(xiàn)波動。 特別是第6日，由于樣本表皮葉綠素累積量達到最高，導致光譜反射值降到最低點，這也與圖5中第6日色調(diào)角異常偏高的試驗現(xiàn)象相吻合。 由于后期調(diào)節(jié)機制逐漸失靈，蘋果品質(zhì)開始惡化，其葉綠素的合成逐漸減少，表皮葉綠素總量逐漸降至低點，所以樣品對655.11 nm的波長吸收減弱，反射升高。 從圖6可以看出，反射值在第21日出現(xiàn)明顯變化，21和22日保持在較高值0.76左右，故，將第21日設(shè)定為腐敗基準日。 第23和24日光譜反射值下降，25至27日平穩(wěn)保持在0.75左右，這可能是隨著樣品的腐敗，其表皮逐漸增多的黑色菌斑吸收了部分655.11 nm的波長。 因此，根據(jù)葉綠素特征吸收波長平均光譜反射值的變化也可確定腐敗基準，并與依據(jù)色調(diào)角變化所確定的腐敗基準是一致的。

圖5 樣本色調(diào)角隨貯藏天數(shù)的變化Fig.5 The change of hue angle of applesamples with the storage days

圖6 675.11 nm處的基于灰度值均值的蘋果樣本光譜值Fig.6 The spectral data of apple samples at 675.11 nm based on mean representation

2.3 特征波長的獲取

為更加全面的獲得表征蘋果樣本品質(zhì)屬性的特征波長，采用全波段光譜信息進行特征波長提取。 將經(jīng)SG處理后的全波段灰度值均值光譜信息結(jié)合樣本色調(diào)角和失水率，采用SPA提取特征波長。 樣本灰度值均值結(jié)合樣本色調(diào)角提取了17個波長，結(jié)合樣本失水率提取了12個； 最終確定7個二者共同波長為特征波長。 同理，蘋果樣本灰度值方差結(jié)合色調(diào)角提取了15個波長，結(jié)合失水率提取了13個波長； 最終確定8個二者共同波長為特征波長。 表3給出特征波長選取結(jié)果。 從表3可以看出，基于灰度值均值和方差所獲取的特征波長基本都集中在600～700 nm范圍內(nèi)。 這可能是因為該波段內(nèi)原始光譜曲線波動性較大，可有效體現(xiàn)不同樣本之間的區(qū)別，這也符合圖3、 圖4中光譜信息均在600～700 nm范圍內(nèi)出現(xiàn)較大波動的現(xiàn)象。

表3 特征波長Table 3 Feature wavelengths

2.4 樣本腐敗預警模型的建立

2.4.1 均值表征的建模

根據(jù)2.2已確定樣本的腐敗基準日為第21日，應用前21日(含第21日)灰度值均值表征的光譜信息來表示各貯藏日的光譜信息。 建模時，為使樣本數(shù)據(jù)盡可能反映蘋果樣本貯藏品質(zhì)變化，提高模型可靠性，每天應用50個測試樣本的特征光譜信息的平均值來表征該天的光譜信息測量結(jié)果； 那么7個特征波長下每個貯藏日光譜信息表征結(jié)果為7維向量。 圖7給出各貯藏日巴氏距離的計算結(jié)果，橫坐標為貯藏天數(shù)，縱坐標為巴氏距離值。 根據(jù)圖7可知，前期巴氏距離值出現(xiàn)較小程度的波動，這可能是樣本中含有個別受到損傷的蘋果，從而使均值表征光譜信息出現(xiàn)一定程度的波動。 中期距離值又出現(xiàn)較小程度的波動，這可能是因為此時部分樣本表皮因蠟質(zhì)分解而逐漸變得油膩，使得樣本對光線的吸收與反射受到干擾。 后期距離值變化基本趨于平緩，這可能是因為樣本中表皮變得油膩的蘋果數(shù)量在逐漸增多，從而增加了對建模結(jié)果的干擾強度。 對模型整體分析發(fā)現(xiàn)，隨著貯藏時間的增長，巴氏距離值呈下降趨勢，說明蘋果樣本越來越接近腐敗，符合蘋果樣本在貯藏過程中的實際變化情況。 但是，模型整體變化趨勢具有一定的波動性，容易造成誤判。 這可能是提取的基于均值的高光譜表征信息不能充分反映蘋果貯藏過程中的品質(zhì)變化情況，僅反映樣本變化的整體信息，而細節(jié)變化的動態(tài)信息沒有被反映出來。 所以，需補充表征信息以更充分地反映蘋果在貯藏過程中的品質(zhì)變化。

圖7 基于均值表征的高光譜信息的巴氏距離建模Fig.7 The Bhattacharyya distance results of hyperspectral information based on mean representation

2.4.2 方差表征的建模

為獲得蘋果貯藏過程中品質(zhì)變化的動態(tài)信息，采用灰度值方差表征的光譜信息來建立預警模型。 8個特征波長每個貯藏日光譜信息表征結(jié)果為8維向量。 圖8給出基于灰度值方差的各貯藏日巴氏距離計算結(jié)果。 從圖8可以看出，前6日巴氏距離值波動性較大，可能是試驗前期的樣本中含有個別受到機械損傷的蘋果，從而造成方差表征的信息出現(xiàn)較大波動(均值表征信息受此影響不顯著)。 隨著貯藏時間的延長，樣本巴氏距離值呈下降趨勢，且逐漸接近腐敗基準，與實際貯藏過程相符。 說明基于方差的光譜信息也可以表征蘋果品質(zhì)的變化，從動態(tài)信息方面予以體現(xiàn)。 對比圖7和圖8，可以發(fā)現(xiàn)圖7中在貯藏的中后期巴氏距離值偏高，這可能是試驗中后期，樣本表面的蠟質(zhì)成分開始變得油膩，并逐漸加重，使測試樣本更容易發(fā)生散射現(xiàn)象，導致樣本光譜反射率增強，從而引起巴氏距離值偏高，這也充分說明均值表征的信息屬整體信息，因此體現(xiàn)出了與方差表征信息建立巴氏距離模型所不同的變化趨勢。

圖8 基于方差表征的高光譜信息的巴氏距離建模Fig.8 Bhattacharyya distance of hyperspectral information based on variance representation

2.4.3 均值融合方差聯(lián)合表征的建模

為獲得更全面的反映蘋果貯藏中品質(zhì)變化的光譜信息，將均值表征融合方差表征的光譜信息，采用與2.4.1小節(jié)相同的方法，計算了各貯藏日的巴氏距離。 聯(lián)合表征下的特征波長為15個，那么每個貯藏日光譜信息表征結(jié)果為15維向量。 圖9給出均值融合方差二維表征光譜信息的巴氏距離計算結(jié)果。 從圖中可以看出，各貯藏日蘋果樣本的巴氏距離整體呈下降趨勢，符合蘋果樣本的實際腐敗進程。 綜合對比圖7、 圖8和圖9發(fā)現(xiàn)，圖9中模型前期的波動性得到有效減弱，說明均值融合方差聯(lián)合表征的方法可有效消除個別樣本損傷對模型準確性的影響。 但是，模型中期仍存在一定程度的波動性，這說明表皮油膩的樣本數(shù)量增加的現(xiàn)象，會對模型的建立產(chǎn)生影響。 對模型整體分析發(fā)現(xiàn)，巴氏距離整體變化趨勢的波動性減弱。 這說明均值融合方差表征的光譜信息，可以有效減少樣本預警結(jié)果的誤判，充分證明了運用二維表征光譜信息進行預警的有效性和穩(wěn)健性。

圖9 均值融合方差二維表征光譜信息的巴氏距離結(jié)果Fig.9 Bhattacharyya distance results based on 2D hyperspectral information representation with mean and variance

3 結(jié) 論

為有效、 穩(wěn)健地實現(xiàn)蘋果在貯藏過程中的腐敗預警，提出一種基于高光譜圖像灰度值均值融合方差的二維高光譜信息表征方法； 并通過SPA結(jié)合色調(diào)角與失水率提取了蘋果樣本高光譜圖像共同的特征波長，進而分別建立基于均值、 方差以及二者相融合的光譜信息表征方式下的巴氏距離腐敗預警模型。 結(jié)果表明： 貯藏期間，樣本色調(diào)角和表皮葉綠素特征吸收波長平均光譜反射值的變化趨勢，可用于確立樣本的腐敗基準； 基于方差的光譜表征信息可以表征樣品的光譜信息； 基于均值融合方差的光譜表征信息建立的預警模型相較于它們各自建立的預警模型，波動性進一步減弱，能更好的反映蘋果樣本在貯藏過程中逐漸腐敗的程度，并減少誤判現(xiàn)象的出現(xiàn)。 因此，融合灰度值均值和方差的高光譜表征信息更能全面的表征蘋果貯藏過程中的品質(zhì)變化，模型預警的穩(wěn)健性及泛化能力更強，為利用高光譜圖像信息對蘋果進行腐敗預警提供了一種新思路。