文中数据与结果来自原论文，不代表本公司设备的测试表现。
苹果碰伤点式检测能否通过减少波长实现更简洁的模型？研究用人工碰伤样本比较分类器，并压缩所需光谱变量。报告的精确率与总体准确率不同，引用时需保留原指标口径；人工碰伤条件也不能覆盖全部实际机械损伤。
概要
研究对多品种苹果施加受控碰伤，采集非接触近红外反射谱，比较选波及分类器。少量波长模型的测试精确率与全谱相近，但精确率不是总体正确率。人工碰伤未覆盖全部机械损伤，优选波长还包含目标短波范围以外的信息。
（AI 场景概念图，用于科普配图；不是论文数据、研究设备实拍或产品图解）
研究价值
为苹果碰伤抽检提供保留样品的光谱开发路径。
实验方法与参考测量
购得Golden Delicious、Granny Smith、Royal Gala共214个苹果，钢球从三个高度落下造成碰伤。Matrix-F非接触发射头在果体两侧采800–2500 nm漫反射谱，每次64扫描平均。标准化后以RFE/SFS选波，对多种分类器测试。
关键波段与采集参数
| 波段 / 参数 | 原文含义与使用说明 |
|---|---|
| 800–2500 nm | 原研究建模范围；完整波长选取见方法与结果。 |
主要结果
线性分类方法和SVM选用不超过40个波长，测试precision为0.79–0.86，与全谱模型误差范围相当。precision为精确率，不是总体正确率。
研究局限与解读
报告precision是精确率而非总体准确率；人工碰伤不覆盖所有机械损伤，选波结果包含约1900 nm。
波段与模型边界：波段重叠：原研究800–2500 nm，包含1700 nm以上信息；仅用于应用启发，未证明目标区间单独维持性能。
图像版权归论文原作者。许可：CC BY 4.0。
论文来源
Nturambirwe JFI, Hussein EA, Vaccari M, Thron C, Perold WJ, Opara UL. (2023). Feature Reduction for the Classification of Bruise Damage to Apple Fruit Using a Contactless FT-NIR Spectroscopy with Machine Learning. Foods (Basel, Switzerland). https://doi.org/10.3390/foods12010210
欢迎联络
便携式设备能否用于类似检测，需要结合样品和实验条件评估，具体效果仍需通过实际测试验证。欢迎联系威视佰科，交流您的样品与检测需求，共同评估实验方案，探讨使用本公司设备开展实测与验证的可行性。
- 电子邮箱：contact@vispek.cn
- 官方网站：https://www.vispek.cn
本公司产品展示，非论文所用设备