Non-destructive estimates information on the desired properties of fruit without damaging them. The objective of this work is to present an algorithm for the automatic and non-destructive estimation of four maturity stages (unripe, half-ripe, ripe, or overripe) of Fuji apples (Malus Malus pumila) using both colour and spectral data from fruit. In order to extract spectral and colour data to train a proposed system, 170 samples of Fuji apples were collected. Colour and spectral features were extracted using a CR-400 Chroma Meter colorimeter and a custom set up. The second component a ∗ of La ∗ b ∗ colour space and near infrared (NIR) spectrum data in wavelength ranges of 535–560 nm, 835–855 nm, and 950–975 nm, were used to train the proposed algorithm. A hybrid artificial neural network-simulated annealing algorithm (ANN-SA) was used for classification purposes. A total of 1000 iterations were conducted to evaluate the reliability of the classification process. Results demonstrated that after training the correction classification rate (CCR, accuracy) was, at the best state, 100% (test set) using both colour and spectral data. The CCR of the four different classifiers were 93.27%, 99.62%, 98.55%, and 99.59%, for colour features, spectral data wavelength ranges of 535–560 nm, 835–855 nm, and 950–975 nm, respectively, over the test set. These results suggest that the proposed method is capable of the non-destructive estimation of different maturity stages of Fuji apple with a remarkable accuracy, in particular within the 535–560 nm wavelength range.

中文翻译：

---

基于颜色 (Vis) 和光谱 (NIR) 数据的果园富士苹果 (Malus Malus pumila) 果实成熟度的自动无损视频估计

无损估计有关水果所需特性的信息，而不会损坏它们。这项工作的目的是提出一种算法，用于使用果实的颜色和光谱数据对富士苹果 (Malus Malus pumila) 的四个成熟阶段（未成熟、半成熟、成熟或过熟）进行自动和无损估计。 . 为了提取光谱和颜色数据来训练建议的系统，收集了 170 个富士苹果样本。使用 CR-400 色度计色度计和自定义设置提取颜色和光谱特征。La * b * 颜色空间的第二个分量 a * 和波长范围为 535-560 nm、835-855 nm 和 950-975 nm 的近红外 (NIR) 光谱数据用于训练所提出的算法。混合人工神经网络模拟退火算法（ANN-SA）用于分类目的。总共进行了 1000 次迭代以评估分类过程的可靠性。结果表明，在使用颜色和光谱数据训练后，在最佳状态下，校正分类率（CCR，准确度）为 100%（测试集）。四种不同分类器的 CCR 分别为 93.27%、99.62%、98.55% 和 99.59%，对于颜色特征，光谱数据波长范围分别为 535-560 nm、835-855 nm 和 950-975 nm。测试集。这些结果表明，所提出的方法能够以显着的精度对富士苹果的不同成熟阶段进行无损估计，特别是在 535-560 nm 波长范围内。总共进行了 1000 次迭代以评估分类过程的可靠性。结果表明，在使用颜色和光谱数据训练后，在最佳状态下，校正分类率（CCR，准确度）为 100%（测试集）。四种不同分类器的 CCR 分别为 93.27%、99.62%、98.55% 和 99.59%，对于颜色特征，光谱数据波长范围分别为 535-560 nm、835-855 nm 和 950-975 nm。测试集。这些结果表明，所提出的方法能够以显着的精度对富士苹果的不同成熟阶段进行无损估计，特别是在 535-560 nm 波长范围内。总共进行了 1000 次迭代以评估分类过程的可靠性。结果表明，在使用颜色和光谱数据训练后，在最佳状态下，校正分类率（CCR，准确度）为 100%（测试集）。四种不同分类器的 CCR 分别为 93.27%、99.62%、98.55% 和 99.59%，对于颜色特征，光谱数据波长范围分别为 535-560 nm、835-855 nm 和 950-975 nm。测试集。这些结果表明，所提出的方法能够以显着的精度对富士苹果的不同成熟阶段进行无损估计，特别是在 535-560 nm 波长范围内。准确度）在最佳状态下使用颜色和光谱数据为 100%（测试集）。四种不同分类器的 CCR 分别为 93.27%、99.62%、98.55% 和 99.59%，对于颜色特征，光谱数据波长范围分别为 535-560 nm、835-855 nm 和 950-975 nm。测试集。这些结果表明，所提出的方法能够以显着的精度对富士苹果的不同成熟阶段进行无损估计，特别是在 535-560 nm 波长范围内。准确度）在最佳状态下使用颜色和光谱数据为 100%（测试集）。四种不同分类器的 CCR 分别为 93.27%、99.62%、98.55% 和 99.59%，对于颜色特征，光谱数据波长范围分别为 535-560 nm、835-855 nm 和 950-975 nm。测试集。这些结果表明，所提出的方法能够以显着的精度对富士苹果的不同成熟阶段进行无损估计，特别是在 535-560 nm 波长范围内。