一、檢測目的與依據

 1、使用 400-1000nm、900-1700nm 相機采集新鮮山楂的光譜數據；

 2、本次實驗以新鮮山楂果實為研究對象，依托可見光-近紅外高光譜成像技術，實現山楂內部內核霉變、隱性腐爛缺陷的無損、快速、精準識別。通過雙波段高光譜設備采集山楂表面光譜反射信息，結合機器學習與深度學習算法構建特征識別模型，突破傳統人工分揀僅能識別表面瑕疵、無法檢測內部隱性霉變的痛點，實現山楂內部腐爛缺陷的智能化檢測與工業化落地應用。

 3、山楂果實發生內核霉變、內部腐爛時，果肉內部水分、有機質、纖維素、微生物代謝產物會發生微觀變化，直接改變果實對特定波段光譜的反射特性。通過采集 400–1000nm（可見光近紅外） 與 900–1700nm（短波近紅外） 雙波段光譜數據，提取有效光譜特征曲線，通過算法訓練擬合特征閾值，可精準區分正常山楂與內核霉變、隱性腐爛山楂，無需破損樣品即可完成無損檢測。

二、樣品類別及數量

 樣本：客戶送檢真實山楂樣品

樣品狀態：自然狀態新鮮山楂，涵蓋正常果實、輕微隱性霉變、內核腐爛等不同品質樣本，符合生鮮果品工業檢測樣本特征

三、檢測設備與采集方式

檢測設備

 1. 核心設備：400-1000nm、900-1700nm高光譜相機，具備納米級光譜分辨率，可精準捕捉山楂的細微光譜差異

 2. 輔助設備：光學暗箱（含350-2500nm光源，配套放樣移動平臺），隔絕外界光線干擾，保障采集環境穩定，確保光譜數據的一致性；

 3.  輔助工具：黑色托盤（低反射率背景），降低環境反射干擾，提升光譜信號辨識度，避免背景雜光影響數據準確性；

 4. 輔助材料：所有樣品進行獨立編號標記，實現單一樣品光譜數據、圖像數據、品質狀態一一對應，保障數據集可溯源、可建模訓練。

采集方式

1、樣品擺放：樣品統一間距規整擺放，保證單果獨立成像、無重疊遮擋，規避邊緣成像干擾，保障單一樣品光譜區域完整提取。

 a、將樣品按如圖所示擺放

2、數據采集模式：

 采用反射模式，采集新鮮山楂樣品400-1000nm、900-1700nm的反射率數據

3、設備調參：

 調節相機高度，使相機視場可以覆蓋所有樣品

 調節鏡頭光圈到最大：F1.4

 調節鏡頭焦距，使樣品圖像最清晰

 調整曝光時間避免數據過曝，確保采集數據精準有效，符合高光譜數據采集的專業規范。

四、采集結果

數據提供

 提供數據格式，每個樣品均提供6個標準格式文件，滿足實驗及技術落地需求，適配科研、質檢等多場景應用：

 a、樣本400-1000nm、900-1700nm原始數據（.dat、.hdr格式），完整保留原始采集信息，支持二次分析與模型優化；

 b、樣本400-1000nm、900-1700nm反射率數據（.dat、.hdr格式），經標準板校準，可直接用于模型訓練擬合，確保數據的可靠性；

 c、樣本400-1000nm、900-1700nm高光譜圖像（.png格式），直觀呈現山楂光譜空間分布特征，便于直觀觀察不同產地的光譜差異；

 d、提供樣品擺放實拍圖（.jpg格式），留存原始擺放狀態，便于數據追溯與異常排查，保障檢測流程的可追溯性。

數據展示

五、數據分析與無損識別技術方案

基于采集完成的高精度雙波段光譜數據集，開展山楂內核霉變腐爛無損識別研究與落地建模：

1. 光譜預處理：對原始光譜數據進行降噪、去基線、歸一化處理，剔除噪聲、雜光、環境干擾帶來的無效數據，提純有效特征光譜；

2. 特征波段篩選：對比正常山楂與內核霉變、內部腐爛山楂的光譜曲線差異，篩選出霉變缺陷對應的特征敏感波段；

3. 智能算法建模：采用機器學習、深度學習算法對標注數據集進行訓練、擬合、驗證，構建山楂內核隱性霉變、內部腐爛的高光譜識別模型；

4. 模型驗證與落地：通過多批次樣本迭代訓練優化模型準確率，實現無需破果、全程無損、快速批量檢測，達成山楂品質智能化分選的實驗驗證與工業化落地應用。

采集參考Q/EX C 0628-2025標準