方法包括：
[0057] S21、获取苹果的预设部位的吸光度光谱。
[0058]可以理解的是，通过积分球漫反射方法，获取预设波段区间内的所述苹果的预设 部位的吸光度光谱。其中，扫描次数为32次，分辨率为4CHT1，所述预设波段区间为10000-4000cm- 1。
[0059] 上述的步骤S21可为下述的图中未示出的步骤S211-S212:
[0060] S211、采集多个苹果的预设部位的吸光度光谱。
[0061] 可以理解的是，为了提高建模的准确度，应当选取多个苹果作为建模的样本。
[0062] S212、对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处 理后的吸光度光谱。
[0063] 可以理解的是，采集到的吸光度光谱，往往含有仪器的随机噪音，另外，基线漂移、 光的杂散射等信息的引入，也会影响近红外光谱与可溶性固形物含量间的对应关系，造成 所建模型的可靠性和稳定性降低。
[0064] 具体来说，在本实施例中，通过对原始采集的吸光度光谱进行二阶导数处理，应用 经二阶导处理后的光谱数据进行后续的建模分析。
[0065] S22、获取所述苹果的预设部位的可溶性固形物含量。
[0066] 可以理解的是，苹果可溶性固形物含量的测定参考采用Arias 500型半自动阿贝 折光仪(Reichert Inc.，USA)〇
[0067] 具体来说，光谱采集完成后，紧接着利用传统的破坏性实验依次从苹果的果梗、赤 道及花萼采部分切下带有果皮的表层果肉，放在纱布中过滤，挤出汁液1~2滴，测定苹果的 可溶性固形物含量。
[0068] S23、根据所述吸光度光谱和所述可溶性固形物含量，结合特征波长筛选算法，建 立苹果可溶性固形物近红外光谱检测模型。
[0069] 上述的步骤S23可为下述的图中未示出的步骤S231-S232:
[0070] S231、结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹 果可溶性固形物相关的特征波长。
[0071] 可以理解的是，光谱变量之间存在大量的冗余和共线性信息，对光谱有效信息的 提取产生了较大的干扰，造成模型复杂、计算量大等问题。
[0072] 优选地，在本实施例中，基于上述多个检测部位的光谱数据，采用竞争性自适应重 加权算法，从全波段lOOOO1000 cnf 1挑选出苹果可溶性固形物含量的特征波长，用于建立苹 果可溶性固形物近红外光谱检测模型。
[0073] S232、根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可 溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
[0074] 具体来说，所述苹果可溶性固形物近红外光谱检测模型为：
[0075] Y= IAkAk+B；
[0076] 其中，Y为苹果可溶性固形物含量的估计值，k为挑选的特征波长，波长下的 吸光度光谱，Ak为Ak的回归系数，B为常数。
[0077] S24、对所述苹果可溶性固形物近红外光谱检测模型进行检验。
[0078] 上述的步骤S24可为下述的图中未示出的步骤S241-S243:
[0079] S241、获取检验苹果的吸收度光谱和可溶性固形物含量的实测值。
[0080]可以理解的是，为了验证上述所建立模型的预测精度及稳定性，可以分别选取建 模所用苹果以及新苹果作为检验苹果，获取检验苹果的吸收度光谱，并利用步骤S22的方法 获取其对应的可溶性固形物含量的实测值。
[0081] S242、根据所述检验苹果的吸收度光谱，利用所述苹果可溶性固形物近红外光谱 检测模型，获取可溶性固形物含量的估计值。
[0082]可以理解的是，根据所述检验苹果的吸收度光谱，利用模型Y=2AkAk+B，获取可溶 性固形物含量的估计值。
[0083] S243、将所述可溶性固形物含量的实测值和所述可溶性固形物含量的估计值进行 比较，获取检测评价指标，所述检测评价指标用于判断所述苹果可溶性固形物近红外光谱 检测模型的预测性能。
[0084] 可以理解的是，检测评价指标包括相关系数和均方根误差。
[0085] 本实施例通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果 可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红 外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便 携检测和在线检测奠定了理论基础。
[0086] 图3示出了本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿 系统的结构示意图，如图3所示，本实施例的一种苹果可溶性固形物近红外检测部位补偿系 统30,包括：
[0087] 第一获取单元31，用于获取苹果的预设部位的吸光度光谱；
[0088] 第二获取单元32,用于获取所述苹果的预设部位的可溶性固形物含量；
[0089]建模单元33,根据所述第一获取单元31获取的吸光度光谱和所述第二获取单元32 获取的可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检 测模型；
[0090] 其中，所述苹果预设部位包括苹果的果梗、赤道和花萼。
[0091] 在本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿系统中， [0092]所述第一获取单元31，具体用于，
[0093]采集多个苹果的预设部位的吸光度光谱；
[0094]对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的 吸光度光谱。
[0095]所述建模单元33,具体用于，
[0096] 结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶 性固形物相关的特征波长；
[0097] 根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性 固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
[0098]本实施例通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果 可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红 外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便 携检测和在线检测奠定了理论基础。
[0099]在本发明的一个具体实施例中，如下所述：
[0100]选取95个苹果作为校正集，用于建立模型;选取35个苹果作为预测集，用于所建模 型的检验。
[0101] 在室温下，如图4所示，对所有130个苹果，依次从每个苹果的果梗、赤道及花萼3个 部分采集吸光度光谱。
[0102] 光谱采集完成后，紧接着利用传统的破坏性实验依次从苹果样本的果梗、赤道及 花萼采部分切下带有果皮的表层果肉，测定苹果的可溶性固形物含量。
[0103] 对采集的吸光度光谱进行二阶导数处理，应用经二阶导数处理后的光谱数据进行 后续的建模分析。
[0104] 结合特征波长筛选算法，从全波段范围内挑选与苹果可溶性固形物相关的特征波 长，特别的，在本实例中，采用竞争性自适应重加权算法，从全波段10000-4000cnf 1挑选出66 个苹果可溶性固形物的特征波长，采用偏最小二乘算法建立基于所选特征波长的苹果可溶 性固形物近红外光谱检测模型。
[0105] 模型表达式如下：
[0106] Υ = -56525 · 898λ4〇78.7-22856 · 338λ4182.8-36943 · 720λ4269.6+56956 · 642λ4271.5+ 154815.334λ43?3.9+113330.183λ4398.8+12 9 4 0 8.2 5 5λ45〇4.8-117514.829λ4539.6-121295.514 入4541.5_121564.421λ4545.3_84672.852λ4636.ο _90901.481λ4637.9_82541.703λ47〇3.5_89625.552 ^4707.3 -104470.82〇λ4738.2_105405.841λ4769.ο_106029.872λ4786.4 _ 108989.175λ4788.3_ 107924.008λ4796.〇-104129.292λ4988.9-10 3 5 2 9.2 9 9λ499〇. 8-111549.708λ5085.3-115909.981 入549〇. 3-106618.822入5496. ι-116337.682入5498.〇+106438.398入5688.9+96029.676入581〇. 4+ 115032.8