一、检测目的与依据

 1、使用 400-1000nm、900-1700nm 相机采集新鲜山楂的光谱数据；

 2、本次实验以新鲜山楂果实为研究对象，依托可见光-近红外高光谱成像技术，实现山楂内部内核霉变、隐性腐烂缺陷的无损、快速、精准识别。通过双波段高光谱设备采集山楂表面光谱反射信息，结合机器学习与深度学习算法构建特征识别模型，突破传统人工分拣仅能识别表面瑕疵、无法检测内部隐性霉变的痛点，实现山楂内部腐烂缺陷的智能化检测与工业化落地应用。

 3、山楂果实发生内核霉变、内部腐烂时，果肉内部水分、有机质、纤维素、微生物代谢产物会发生微观变化，直接改变果实对特定波段光谱的反射特性。通过采集 400–1000nm（可见光近红外） 与 900–1700nm（短波近红外） 双波段光谱数据，提取有效光谱特征曲线，通过算法训练拟合特征阈值，可精准区分正常山楂与内核霉变、隐性腐烂山楂，无需破损样品即可完成无损检测。

二、样品类别及数量

 样本：客户送检真实山楂样品

样品状态：自然状态新鲜山楂，涵盖正常果实、轻微隐性霉变、内核腐烂等不同品质样本，符合生鲜果品工业检测样本特征

三、检测设备与采集方式

检测设备

 1. 核心设备：400-1000nm、900-1700nm高光谱相机，具备纳米级光谱分辨率，可精准捕捉山楂的细微光谱差异

 2. 辅助设备：光学暗箱（含350-2500nm光源，配套放样移动平台），隔绝外界光线干扰，保障采集环境稳定，确保光谱数据的一致性；

 3.  辅助工具：黑色托盘（低反射率背景），降低环境反射干扰，提升光谱信号辨识度，避免背景杂光影响数据准确性；

 4. 辅助材料：所有样品进行独立编号标记，实现单一样品光谱数据、图像数据、品质状态一一对应，保障数据集可溯源、可建模训练。

采集方式

1、样品摆放：样品统一间距规整摆放，保证单果独立成像、无重叠遮挡，规避边缘成像干扰，保障单一样品光谱区域完整提取。

 a、将样品按如图所示摆放

2、数据采集模式：

 采用反射模式，采集新鲜山楂样品400-1000nm、900-1700nm的反射率数据

3、设备调参：

 调节相机高度，使相机视场可以覆盖所有样品

 调节镜头光圈到最大：F1.4

 调节镜头焦距，使样品图像最清晰

 调整曝光时间避免数据过曝，确保采集数据精准有效，符合高光谱数据采集的专业规范。

四、采集结果

数据提供

 提供数据格式，每个样品均提供6个标准格式文件，满足实验及技术落地需求，适配科研、质检等多场景应用：

 a、样本400-1000nm、900-1700nm原始数据（.dat、.hdr格式），完整保留原始采集信息，支持二次分析与模型优化；

 b、样本400-1000nm、900-1700nm反射率数据（.dat、.hdr格式），经标准板校准，可直接用于模型训练拟合，确保数据的可靠性；

 c、样本400-1000nm、900-1700nm高光谱图像（.png格式），直观呈现山楂光谱空间分布特征，便于直观观察不同产地的光谱差异；

 d、提供样品摆放实拍图（.jpg格式），留存原始摆放状态，便于数据追溯与异常排查，保障检测流程的可追溯性。

数据展示

五、数据分析与无损识别技术方案

基于采集完成的高精度双波段光谱数据集，开展山楂内核霉变腐烂无损识别研究与落地建模：

1. 光谱预处理：对原始光谱数据进行降噪、去基线、归一化处理，剔除噪声、杂光、环境干扰带来的无效数据，提纯有效特征光谱；

2. 特征波段筛选：对比正常山楂与内核霉变、内部腐烂山楂的光谱曲线差异，筛选出霉变缺陷对应的特征敏感波段；

3. 智能算法建模：采用机器学习、深度学习算法对标注数据集进行训练、拟合、验证，构建山楂内核隐性霉变、内部腐烂的高光谱识别模型；

4. 模型验证与落地：通过多批次样本迭代训练优化模型准确率，实现无需破果、全程无损、快速批量检测，达成山楂品质智能化分选的实验验证与工业化落地应用。

采集参考Q/EX C 0628-2025标准