一、檢測目的與依據

1、使用400-1000nm、900-1700nm相機，采集水果提子的光譜數據；

2、驗證水果提子相同甜度值的光譜曲線特征值，明確同等甜度提子的光譜響應規律；

3、使用機器學習、深度學習等技術，對水果提子高光譜數據值進行訓練擬合，實現通過高光譜技術無損鑒別水果提子甜度的技術實驗與落地。

二、樣品類別及數量

樣本：測試實驗客戶來樣水果提子樣品；數量：0.8斤，確保樣品新鮮、無破損、無腐爛、無雜質污染，保證光譜數據的真實性與代表性

三、檢測設備與采集方式

檢測設備

1. 核心設備：400-1000nm、900-1700nm雙波段高光譜相機，可精準捕捉藍莓甜度相關的特征光譜信號，適配可見光-近紅外全波段采集需求，光譜分辨率滿足微小甜度差異的檢測的要求；

2. 輔助設備：光學暗箱（含350-2500nm光源、放樣移動平臺），提供穩定、無干擾的采集環境，減少外界光線對光譜數據的影響；

3. 輔助工具：黑色托盤（低反射率背景），避免背景反射干擾，確保光譜數據純度；

4. 輔助材料：標簽（用于標記水果提子編號，方便對水果提子光譜數據與特征曲線值相對應）。

采集方式

1、樣品擺放：

a、將水果提子樣品按如圖所示擺放

2、數據采集模式：

采用反射模式，使用反射模式，采集水果提子樣品400-1000nm、900-1700nm波段的反射率數據；

3、設備調參：

調節相機高度，使相機視場可以覆蓋所有樣品

調節鏡頭光圈到最大：F1.4

調節鏡頭焦距，使樣品圖像最清晰確保光譜信號捕捉精準；

調整曝光時間避免數據過曝，優化曝光時間，避免數據過曝或信號不足，保障原始光譜數據真實無失真。

四、采集結果

數據提供

提供以下6種格式的樣品數據文件，每個提子樣品均對應完整數據，確保數據可追溯、可用于后續甜度鑒別分析：

a、400-1000nm、900-1700nm原始數據（.dat、.hdr格式），完整保留原始采集信息，支持二次分析與模型優化，可結合光譜預處理算法提升數據利用率

b、400-1000nm、900-1700nm反射率數據（.dat、.hdr格式），經標準板校準，可直接用于模型訓練擬合，確保數據的可靠性與可比性

c、400-1000nm、900-1700nm高光譜圖像（.png格式）

d、樣品擺放實拍圖（.jpg格式），留存原始擺放狀態，便于數據追溯與異常排查，保障檢測流程的可追溯性

數據展示

實測西紅柿甜度值數據展示

實測數據規范記錄：采用高精度果蔬甜度檢測儀，嚴格按照行業標準流程操作，對0.8斤水果提子樣品逐顆開展甜度實測，精準記錄每顆提子的甜度數值（單位：°Brix），編制標準化實測數據表，明確標注樣品編號與對應甜度值，確保與高光譜數據一一對應，為后續模型訓練提供精準、可追溯的基礎實測數據。

甜度區間科學分組：基于實測甜度數據，對所有提子樣品進行合理區間劃分，重點梳理相同甜度區間的樣品，關聯其對應的高光譜曲線特征值，直觀呈現同等甜度提子的光譜特征共性，進一步驗證相同甜度提子光譜曲線特征值的一致性，為高光譜無損鑒別提子甜度提供核心支撐。

光譜與甜度關聯分析：建立實測甜度值與高光譜曲線特征值的對應關系，清晰呈現不同甜度提子在400-1000nm、900-1700nm兩個關鍵波段的光譜響應差異，明確甜度值與光譜特征峰位置、反射率波動范圍的內在關聯，為機器學習、深度學習算法的訓練擬合提供直觀且嚴謹的關聯依據。

采集參考Q/EX C 0628-2025標準