传统的便携式光谱仪其检测效率并不能满足新疆红枣产业日益发展需求。并且高光谱分选仪受限于暗箱的大小,并不能对红枣水分快速检测。为了提高南疆红枣水分检测效率,开展了一系列高光谱偏振试验。分别从红枣的二向反射特性、暗箱红枣数据采集与建模、偏振图像在红枣分类中的应用、室内红枣水分快速检测模型进行了研究主要结论总结如下:(1)不同于暗箱均匀光源,在室内和户外进行红枣光谱数据采集时,红枣的反射率会因光源入射天顶角、探测器探测天顶角和相对方位角变化而改变。产生的红枣镜面反射参量并不反映红枣内部水分信息。使用偏振二向测量系统,测量了南疆红枣在入射天顶角(20°、30°、40°、50°、60°)、探测天顶角(30°、40°、50°、60°)和相对方位角(0°~230°)的反射率。可知在相对方位角180°,探测天顶角和入射天顶角相等时,其镜面反射率达到最大值,找到红枣的热区。由于红枣热区所提取的光谱建模误差较大,所以后续试验避开红枣热区。为后续试验摆放光源和探测器的位置提供了指导。(2)暗箱所采集的光谱具有稳定性,受到环境影响因素较小。以暗箱试验为基准,后续拓展到室内和户外试验。使用实验室的高光谱分选仪对南疆红枣进行了暗箱光谱数据采集,然后进行黑白校正。采用烘干减质量法测定红枣的含水率。使用多种光谱预处理方法对红枣原始光谱进行预处理,分别使用连续投影算法(SPA)和竞争性自适应加权算法(CARS)优选波长。最后对比偏最小二乘法(PLS)和BP神经网络建模。多次调参后,发现BP神经网络所建立的模型最优。其相关系数(R)为0.9321,校正标准偏差(RMSEC)为0.5841,预测标准偏差(RMSEP)为1.0281。但由于BP神经网络对初始权重非常敏感,极易收敛于局部极小。所以选用更为稳定的偏最小二乘法为室内快速检测模型的建模方法。(3)在户外分别使用近红外偏振高光谱分选仪和可见光偏振相机进行数据采集。分别对数据进行计算得到S0、S1、S2、Dolp和Orient图像,进行RGB合成。对强化后的图像使用支持向量机(SVM)进行分类,成功将红枣从复杂的背景中分离。总精度分别为0.9585和0.9932。为红枣水分快速检测提供了掩膜和位置光谱数据提取的技术支持。(4)根据红枣的二向反射特性,设定相机与卤素灯相对方位角40°,相机的探测天顶角30°,光源入射天顶角35°,避开红枣反射率的热区。将红枣放在室内的铁架子上,对数据进行采集。将偏振强化后的图像使用SVM分类。提取红枣的位置信息、光谱信息和建立掩膜。最后建立模型,其校正标准偏差(RMSEC)为1.0683,预测标准偏差(RMSEP)为1.0805,相对分析误差(RPD)为2.3345,相关系数(R)为0.9156,与暗箱建模精度对比满足水分检测精度要求。将所建立的最优模型应用到数据中红枣每一个像素点,得到红枣灰度图。此时红枣图像的灰度值对应其水分值。接着应用假彩色伪编码技术,使用不同的颜色在红枣上表示不同的水分值,将红枣的品质分布特征表示出来。实现红枣水分可视化和快速检测。