← 返回笔记目录 · 油温检测论文
文献：Li A. & Cui J.-S.，Non-destructive detection of specific enzyme activities in tomato plants using visible-near infrared spectroscopy，Optical Engineering 63(7), 074101 (2024)，16 页，长春理工大学
讲解定位：本组文献中与你论文技术路线最同构的一篇——"光谱数据 → 预处理 → 特征选择 → 回归建模 → 独立验证"的完整闭环，是你建模章节的直接范本
用 370–1715 nm 高光谱图像采集番茄叶片/茎秆的反射光谱，配合化学法"金标准"测出三种酶（POD、PAL、α-淀粉酶）的真实活性，再用遗传算法（GA）选波段 + 偏最小二乘（PLS）回归建立预测模型，最终 GA-PLS 在叶片 NIR 波段取得平均决定系数 R̄p = 0.815、RMSEP = 1.659 的最优预测效果。
酶本身不直接被光谱看到。逻辑链条是：
酶活性变化 → 影响生化反应 → 改变糖/有机酸/色素等化学成分含量
→ 这些成分在特定波长有特征吸收/反射 → 光谱间接反映酶活性
这与你项目的逻辑完全平行：
油浓度变化 → 改变 NIR 吸收与油滴散射 → 改变 PD1 透射 / PD2-PD3 散射信号
→ 用 T、S90、F15、Q 建立回归 → 反推油浓度
四部分：步进电机平移台 + 相机架（距样品 50 cm）+ 两台高光谱相机（Specim FX10/FX17）+ 双照明系统。采集前用白板/黑板校正：
$$R = \frac{i_{raw} - i_{dark}}{i_{white} - i_{dark}}$$
[!note] 与你项目的对应
这就是"亮场/暗场扣除"的高光谱版本——你项目文档里 V1-V4 亮场电压和暗场电压的归一化公式与它同构，论文里可以引用说明该方法的标准性。
化学法（双抗体夹心法 + TMB 显色，450/470 nm 测吸光度）给出真实酶活，作为光谱模型的标定真值。酶活单位定义为 ΔOD470（或 ΔOD450）·min⁻¹·g⁻¹FW。
[!note] 与你项目的对应
你项目文档"用实验室标准方法给出真实含油量"就是这一步——任何光谱回归模型都必须有独立于光谱的真值来源，这是评审必查点。
100 株番茄、1–8 周不同生长期采集；化学法统计（表 1）给出均值/标准差/极差，证明样本浓度梯度足够宽（覆盖建模需求）。
370–430 nm、880–940 nm、1640–1715 nm 噪声大 → 直接截去，保留 430–880 与 940–1640 nm。
借鉴：你系统三个波长（850/940/1050 nm）的窗口选择也要给出类似的信噪比论证。
变量标准化（每波长归一到均值 0、方差 1）+ 截断 + 离群样本剔除。预处理后的光谱曲线明显更平滑，建模指标更好。
用 GA 选出的波段分别喂给 4 个模型：GA-PLS、GA-SVM、GA-PSO-BP、GA-RF，按 R̄p 和 RMSEP 横向比较。结论：GA-PLS 最优（PLS 能把高维光谱投影到低维正交空间，天然抗多重共线性）。
| 模型 | 最优配置 | 测试集 R̄p / RMSE | 验证集 R̄p / RMSEP |
|---|---|---|---|
| GA-PLS | 叶片-NIR | 0.834 / 1.564 | 0.815 / 1.659 |
| GA-SVM | 叶片-NIR | 0.805 / 1.588 | 0.799 / 1.773 |
| GA-PSO-BP | 叶片-NIR | 0.865 / 1.005 | 0.832 / 1.559（测试集占优但整体不稳） |
| GA-RF | 叶片-NIR | 0.798 / 1.887 | 0.786 / 1.859 |
三条结论：① GA 优于 SPA；② 叶片优于茎秆、NIR 优于 VIS（NIR 波段对成分变化更敏感）；③ 校准集与验证集指标接近 → 无过拟合。
1. "系统 → 金标准 → 预处理 → 特征选择 → 建模 → 独立验证"六段式方法章节，是你论文 Section 3-4 的直接模板；
2. 两个维度的横向对比表（算法 × 部位/波段），展示工作的系统性——你可以做"特征量（T/S90/F15/Q/温度）× 回归方法"的对应表；
3. 验证集不参与建模的声明 + 散点图（预测值 vs 真实值），Fig. 8 的三张验证散点图形式你可以直接照搬（换成油浓度）；
4. Discussion 里解释"为什么 GA 好、为什么 NIR 好"，不是只报指标——你的论文也要解释"为什么前向散射特征对粒径敏感"。