180 quả lê thơm Korla được thu hoạch từ vườn tại Korla, Tân Cương và bảo quản ở 20 ± 1 ℃, độ ẩm 90–95% để tạo ra phân bố rộng về độ cứng và SSC. Mỗi quả được quét ảnh hyperspectral phản xạ bằng hệ thống Vis/NIR tự chế, gồm camera CCD, máy quang phổ, nguồn sáng halogen và bàn trượt. Ảnh hyperspectral được hiệu chỉnh bằng ảnh trắng và ảnh đen, sau đó trích xuất phổ trung bình từ vùng ROI và 1000 phổ điểm ảnh ngẫu nhiên cho mỗi quả.

Phổ trung bình được dùng để xây dựng mô hình PLSR và LS-SVM, trong khi phổ điểm ảnh được dùng để huấn luyện SAE. SAE gồm nhiều lớp auto-encoder, trích xuất đặc trưng phổ sâu, sau đó kết hợp với FNN để dự đoán độ cứng và SSC. Các mô hình được đánh giá bằng R², RMSEP và RPDp. Kết quả cho thấy SAE-FNN vượt trội hơn PLSR và LS-SVM, đặc biệt khi số lượng đặc trưng sâu là 50 cho độ cứng và 40 cho SSC.

Phân tích phổ cho thấy các vùng hấp thụ chính nằm ở 500–550 nm (xanh lá), 625–740 nm (đỏ), 750–900 nm (O-H), và 900–980 nm (C-H và O-H). SPA được sử dụng để chọn bước sóng tối ưu, giúp cải thiện hiệu suất mô hình. Tuy nhiên, SAE-FNN vẫn cho kết quả tốt nhất nhờ khả năng học đặc trưng phi tuyến từ dữ liệu lớn.

Kết luận: phương pháp SAE-FNN kết hợp với ảnh hyperspectral là công cụ tiềm năng để kiểm tra chất lượng quả lê thơm Korla sau thu hoạch, có thể mở rộng cho các loại trái cây khác. Nghiên cứu đề xuất cải tiến tốc độ quét ảnh để ứng dụng thực tế.