低温通过调节与木质素合成相关的基因，促使甜樱桃发生木质化过程

《Postharvest Biology and Technology》：Low temperature induces lignification in sweet cherry by modulating lignin synthesis-related genes

早期苹果压痕检测通过融合三维点云与高光谱数据，结合自适应核函数几何校正模型，有效改善边缘区域光谱失真问题。实验表明，该方法在三个苹果品种的测试中使边缘检测准确率提升26%，整体检测精度达93%，显著优于传统Lambert校正方法。

　　近年来，随着农业自动化和智能化的不断推进，非破坏性检测技术在农产品质量评估中发挥着越来越重要的作用。苹果作为全球重要的水果之一，其在采摘后运输过程中极易受到机械损伤，尤其是早期碰撞造成的伤痕。这些伤痕不仅影响苹果的外观质量，还可能加速其生理老化和腐烂过程。因此，准确检测苹果的早期伤痕对于提高农产品的品质控制和减少损耗具有重要意义。传统的检测方法依赖人工视觉观察，效率低下且难以识别早期伤痕。而近年来，超光谱成像技术因其能够获取丰富的空间和光谱信息，成为早期伤痕检测的重要工具。然而，由于苹果表面的曲率变化，不同区域与固定光源之间的入射角差异会导致边缘区域的光谱反射率出现畸变，从而影响检测效果。

为了解决这一问题，本文提出了一种融合3D点云数据与超光谱信息的苹果伤痕检测方法。该方法通过同步采集异构数据，构建了一种融合架构，实现了对超光谱图像和点云数据的联合注册。注册过程引入了空间几何约束，从而建立了像素与空间特征之间的映射模型。在此基础上，进一步提出了一种参数自适应的Lambert几何影响校正方法，通过引入自适应多项式核函数，对每个像素的校正系数进行动态调整，从而实现更精确的像素级校正。该方法不仅提高了光谱反射率的均匀性，还有效提升了边缘区域的伤痕检测准确率。

本文的创新点在于，针对传统方法在处理复杂曲面和不同光照条件下效果不佳的问题，提出了一种基于空间-光谱特征融合的自适应校正模型。该模型通过分析点云数据，计算出每个像素点的表面法向量，并结合双光源几何光学模型，确定入射角。随后，通过自适应多项式核函数对光谱数据进行校正，从而实现对不同入射角区域的动态校正。这种方法克服了传统固定参数校正模型的局限性，能够更灵活地捕捉非理想Lambert面的非线性光谱特征。通过构建一个包含三个评价指标的综合目标函数，对校正参数进行优化，以平衡光谱相关性、光谱形状保持性和光谱强度校正效果。

实验结果显示，该方法在多个苹果品种的边缘区域，将伤痕检测准确率提升了高达26%。这一结果表明，通过融合空间与光谱信息，可以有效解决苹果表面曲率变化引起的光谱畸变问题，为几何不规则农产品的质量检测提供了新的技术思路。此外，实验还验证了该方法在不同苹果品种上的通用性和鲁棒性，表明其不仅适用于苹果，还具有推广到其他农产品的潜力。

本文的研究为非破坏性检测技术的发展提供了新的方向。在农业领域，水果的形状和表面特性多种多样，因此，开发一种能够克服几何影响、实现高效和精确检测的技术具有重要的理论和实际意义。未来的研究可以进一步探索水果表面特性与光谱和热辐射信号之间的物理关系，拓展该方法的应用范围，为智能和精确的农产品质量检测技术奠定基础。