پدیده فیزیولوژیکی گرانوله شدن مرکبات یکی از مسائل و مشکلات کیفی در بازارهای مصرف است و با توجه به اینکه این پدیده در محصولات کشاورزی به‌صورت چشمی قابل تشخیص نیست لذا تشخیص این پدیده در حجم گسترده، نیازمند استفاده از تکنیک‌های دقیق و سریع است. یکی از روش‌های کاربردی جهت بررسی غیرمخرب بافت داخلی محصولات کشاورزی، تکنیک طیف‌سنجی مرئی و مادون‌قرمز نزدیک است که در این تحقیق روش طیف‌سنجی مرئی و مادون ‌قرمز نزدیک (Vis-NIR) و هوش مصنوعی استفاده شد. در این مقاله ابتدا سیگنال‌های مادون‌قرمز نزدیک در طول‌موج 1100-200 نانومتر برای هر نمونه به‌صورت تماسی ثبت شد. میزان بازتاب در حالت برهم‌کنش محاسبه و بعد از نرمال‌سازی سیگنال، از روش میانگین‌گیری متحرک و ساویتسکی-گولای برای هموارسازی سیگنال استفاده شد. نهایتاً از هر طیف، 7 کمیت آماری استخراج و انتخاب شدند. پنج سطح برای پدیده گرانوله شدن شامل سطوح (شدت گرانولاسیون) A، B، C،D و E تعریف شد. میزان گرانوله شدن بر اساس میزان خشکی و شکل ظاهری ناحیه خشک شده به روش مخرب تعریف شد. از ماشین بردار پشتیبان (SVM) برای تخمین محتوای رطوبتی و تشخیص سطوح گرانوله شدن پرتقال‌ها استفاده شد. بررسی سیگنال‌ها نشان داد که با توسعه گرانولاسیون در پرتقال، میزان جذب در ناحیه 400 تا 950 نانومتر به‌طور محسوسی کاهش پیدا کرد که در ناحیه 570 تا 850 نانومتر، اختلاف شدت جذب برای کلاس‌های مختلف گرانوله شدن بیشینه بود. نتایج تشخیص سطوح گرانولاسیون نشان داد که حساسیت SVM با کرنل‌ چندجمله‌ای در تشخیص سطوح A، B، C، D و E به ترتیب برابر با 0/98%، 40/91%، 30/97%، 80/96% و 70/95% بود.