1.基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，步骤如下：将未损伤芒果样品分成对照组和实验组，实验组分成多个子组后分别从多个不同高度进行跌落实验，形成实验组受损与对照组未受损两类样品；

用近红外高光谱成像系统扫描受损与未受损样品，采集样品高光谱图像；

采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定，获得样品可溶性固形物含量值；

选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区，从样品高光谱图像中提取平均光谱，获得原始光谱；

使用多元散射校正对所述原始光谱预处理后，采用竞争性自适应重加权算法提取原始光谱的特征波长，形成特征光谱；

利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵，建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型，然后对该线性回归模型校正并预测评估，建立预测模型；

采集待测受损伤芒果样品高光谱图像，提取特征光谱，将特征光谱矩阵输入预测模型，得到样品果肉的可溶性固形物含量值。

2.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，所述线性回归模型的建立方式如下：利用偏最小二乘算法将因子分析和回归分析相结合，对特征光谱矩阵X和可溶性固形物含量值矩阵Y同时进行主成分分解，求取潜在变量，并采用留一法交叉验证计算预测残差平方和，再根据潜在变量的累积贡献率和预测残差平方和，寻找所需潜在变量个数，将特征光谱矩阵X和可溶性固形物含量矩阵Y关联，建立两者的线性回归模型。

3.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，对该线性回归模型校正并预测评估，最终建立预测模型的步骤如下：先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正；然后把剩下样品的特征光谱值与可溶性固形物含量值数据输入校正后模型进行预测，根据预测结果评估模型，最终建立预测模型。

4.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，所述近红外高光谱成像系统扫描时，光谱范围为900-1700nm，相关参数设置如下：光谱分辨率为3nm，曝光时间为20ms，移动台前进速度为1.4cm/s，镜头与样本距离为

42cm；

采用手持式折光计对每个样品榨出的1mL芒果果汁进行测定，手持式折光计显示的读数即为样品可溶性固形物的数值，单位为oBrix。

5.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，采用竞争性自适应重加权算法提取原始光谱的特征波长共19个，分别为938，

941，944，965，1031，1037，1046，1051，1436，1439，1445，1448，1451，1454，1457，1592，1595，

1637，1640，单位为nm。

6.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于，采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下：(1)蒙特卡罗采样，每次波长变量采样从建模样本集随机抽取80％-90％的样本，建立偏最小二乘回归模型；

(2)基于指数衰减函数去除不符合要求的波长变量；

(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选；

(4)N次蒙特卡罗采样后得到N个波长变量子集，比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差，误差值最小的变量子集为最优波长变量子集。

7.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法，其特征在于,建立线性回归模型的步骤如下：(1)将特征光谱矩阵X和可溶性固形物含量值矩阵Y按下式(1)、(2)同时分解：X＝TP+E  (1)

Y＝UQ+F  (2)

式中，T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵，U和Q分别为可溶性固形物含量值矩Y的得分矩阵和载荷矩阵，E和F为模型拟合特征光谱矩阵X和可溶性固形物含量值矩Y时引进的误差矩阵；

(2)利用下式(3)，建立T和U线性回归关系：

U＝TB  (3)

式中，B是回归系数矩阵；

(3)对未知待测样本Xun的待测可溶性固形物含量值Yun进行预测：Yun＝TunBQ+F  (4)

式中，Tun为根据P矩阵求出的未知待测样本Xun的得分矩阵。