能量代谢参与了中国橄榄在不同采收日期下对冷害的反应

《Postharvest Biology and Technology》：Energy metabolism participates in the responses of Chinese olives at different harvest dates to chilling injury

检测几何不规则水果边缘瘀伤的融合方法及自适应光谱校正模型。

　　近年来，随着农业智能化和无损检测技术的发展，苹果等水果的机械损伤检测成为了研究的热点。苹果等水果的表面曲率变化导致了不同区域与固定光源之间的入射角差异，从而引起反射光谱的失真。这种失真严重影响了早期损伤的识别，特别是在边缘区域，使得传统检测方法难以准确识别。因此，本研究提出了一种融合三维点云数据与高光谱数据的苹果损伤检测方法，旨在通过引入参数自适应的几何影响校正模型，解决由几何效应引起的光谱失真问题，提高边缘区域的损伤检测精度。

传统的苹果损伤检测方法主要依赖于人工视觉观察，但这种方法效率低下且难以准确识别早期损伤。随着技术的进步，高光谱成像技术因其能够获取丰富的空间和光谱信息，逐渐成为早期损伤检测的重要工具。然而，由于苹果表面的曲率变化，入射光与表面法线之间的夹角不一致，导致相同组织在不同位置表现出不同的光谱响应。这种现象在边缘区域尤为显著，使得光谱分析方法在识别损伤特征时面临较大挑战，严重影响了检测的准确性和可靠性。

为了克服这一问题，研究人员开始探索将空间信息与光谱信息融合的新方法。这种融合技术在苹果等曲面水果的损伤检测中发挥了关键作用。例如，通过引入三维重建技术，研究人员可以获取完整的几何信息，从而为光谱校正提供支持。此外，一些研究尝试使用空间频率域成像技术，有效解决曲面反射问题。另一些研究则结合近红外高光谱成像与几何影响校正，实现了对苹果边缘区域的3D损伤可视化。

本研究提出的解决方案，是在传统兰伯特反射模型的基础上，引入一种参数自适应的多项式核函数校正方法。这种方法通过动态调整校正系数，实现了对不同入射角区域的自适应校正，克服了传统固定参数校正方法的局限性。通过构建多目标优化函数，该方法综合考虑了光谱相关性、光谱形状和光谱强度等多个指标，以达到校正效果的平衡。此外，研究还采用随机森林算法进行损伤区域识别，通过空间-光谱特征融合，实现了更精确的损伤检测。

本研究的创新点在于构建了一种基于高光谱和双目结构光深度相机的多模态数据融合机制。这种机制通过空间几何约束校正算法对原始多模态数据进行处理，建立了一个映射模型。在此基础上，进一步提出了基于光谱几何影响校正的参数自适应兰伯特模型，实现了像素级别的动态补偿，提高了光谱均匀性。该方法在实验中表现出显著的优势，例如在边缘区域的损伤检测精度提高了26%。

在实验部分，研究人员对三种不同品种的苹果进行了测试。通过对比不同校正方法在光谱强度均匀性、校正效果、分类精度等方面的表现，验证了所提出方法的有效性。实验结果表明，所提出的核函数校正方法在减少光谱差异和提高分类精度方面表现优异。特别是在非损伤区域，该方法显著降低了由于观察角度不同而导致的光谱差异，从而提高了光谱数据的稳定性。此外，在损伤区域与非损伤区域之间的光谱差异被显著放大，为后续的分类提供了更具区分性的输入特征。

通过采用随机森林算法进行损伤检测，研究人员进一步验证了校正方法的实用性。实验结果显示，该方法在检测精度、召回率和F1分数等方面均优于传统方法。特别是在边缘区域，所提出的校正方法显著提高了损伤检测的准确率，从67.3%提升至88.8%，召回率也从39.1%提升至73.9%。这些结果表明，所提出的校正方法在处理边缘区域的损伤检测问题上具有显著优势。

此外，研究还对计算成本和资源使用进行了评估。在标准研究工作站上进行的实验表明，该方法的平均处理时间为每颗苹果约29秒，且在处理过程中GPU内存消耗约为1.2-1.8GB，主机内存消耗约为2-3GB。这些结果表明，该方法在实际应用中具有良好的可扩展性和实用性。

综上所述，本研究提出了一种融合三维点云数据与高光谱数据的苹果损伤检测方法，有效克服了由几何效应引起的光谱失真问题，显著提高了边缘区域的损伤检测精度。实验结果表明，该方法在多种苹果品种上均表现出良好的性能，为农业产品的无损检测提供了新的技术思路和研究方向。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，并将其应用扩展到更广泛的农业产品检测领域，为开发智能化和高精度的质量检测技术奠定基础。