图1为现场图像采集照片和对高光谱图像中的光谱进行提取和处理。文章采用SPXY法将160个样品划分为100个校正集和60个预测集，集合划分结果和指标如表1所示，图2为中熟和成熟的桃子的平均光谱反射率与标准偏差的示意图。

图2 中熟和成熟的桃子的平均光谱反射率与标准偏差

文章采用CARS算法和随机跳蛙(RF)算法提取有效波长，并基于特征波长建立可溶性固溶物含量（SSC）和硬度的多元线性回归（MLR）模型，建模效果如图3所示。其中SSC的RF-MLR预测模型较好，Rv2为0.88，RMSEV为0.54，硬度的CARS-MLR预测模型较好，Rv2为0.81，RMSEV为1.17。

在此基础上，文章采用顺序前向选择（SFS）算法提取两个有效波长（957nm，518nm）,如图4所示。随后使用LIBSVM模型对桃子的成熟度进行辨别，如图5所示，图5a为模型选取的最佳核参数C=5.7和γ=16，图5b为模型分类识别的准确率，分类识别精度达到91.7%。

图5 LIBSVM模型对桃子成熟期的判别