高光譜成像技術(shù)在水果品質(zhì)檢測(cè)中的應(yīng)用研究進(jìn)展

譚濤 馮樹南 溫青純 黃人帥 孟慶龍 尚靜

摘要：高光譜成像技術(shù)結(jié)合成像技術(shù)和光譜技術(shù)，可以從樣本中獲取其空間和光譜信息。因此，高光譜成像技術(shù)能夠識(shí)別和檢測(cè)水果的各種化學(xué)成分及其空間分布，在水果品質(zhì)的檢測(cè)中備受關(guān)注。本文首先綜述了高光譜成像原理及系統(tǒng)裝置，并展開討論了高光譜圖像的校正方法、多種光譜預(yù)處理、數(shù)據(jù)降維和樣本集劃分方法，從定量和定性角度對(duì)模型的構(gòu)建方法和性能評(píng)估進(jìn)行了分析。其次，總結(jié)了高光譜成像技術(shù)在水果內(nèi)部品質(zhì)（可溶性固形物含量、酸度、硬度、水分含量）和外部品質(zhì)（損傷、缺陷和紋理）檢測(cè)和分級(jí)中的最新研究進(jìn)展。最后，對(duì)高光譜成像技術(shù)在水果品質(zhì)檢測(cè)與分級(jí)中的應(yīng)用前景提出展望，以期為優(yōu)化水果品質(zhì)的檢測(cè)方法提供理論依據(jù)。同時(shí)，也指出了當(dāng)前可能存在的挑戰(zhàn)和局限性。

關(guān)鍵詞：高光譜成像；水果品質(zhì)；缺陷；物理化學(xué)屬性；無(wú)損檢測(cè)

中圖分類號(hào)：TS255.7；S127文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）06-0011-08

收稿日期：2023-06-07

基金項(xiàng)目：中央引導(dǎo)地方科技發(fā)展資金（編號(hào)：黔科中引地[2022]4050）；貴州省科技計(jì)劃（編號(hào)：黔科合基礎(chǔ)[2020]1Y270）；貴州省普通高等學(xué)校青年人才成長(zhǎng)項(xiàng)目（編號(hào)：黔教合KY字[2020]081）；貴陽(yáng)市科技計(jì)劃（編號(hào)：筑科合同[2021]43-15號(hào)）；貴陽(yáng)學(xué)院碩士研究生科研基金（編號(hào)：GYU-YJS[2022]-53）；大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃（編號(hào)：S202210976046）。

作者簡(jiǎn)介：譚 濤（1998—），男，貴州銅仁人，碩士研究生，主要從事農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)研究。E-mail：gyu_tt@163.com。

通信作者：尚 靜，碩士，副教授，主要從事基于高光譜成像技術(shù)的農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)研究。E-mail：shji0124@163.com。

在人們的飲食中新鮮的水果占據(jù)著重要的作用，水果中富含糖分、有機(jī)酸、蛋白質(zhì)、維生素、總黃酮、花青素、多酚等成分，其中的抗氧化劑和植物化學(xué)物質(zhì)具有巨大的潛在益處，這些物質(zhì)可以幫助清除體內(nèi)的自由基，減緩細(xì)胞老化和氧化損傷，預(yù)防多種慢性疾病的發(fā)生^[1]。隨著人們生活水平的快速提高，人們對(duì)水果品質(zhì)的要求也在不斷提高，這些要求不再局限于水果外觀和保質(zhì)期長(zhǎng)等；相反，味道和高營(yíng)養(yǎng)價(jià)值已成為吸引消費(fèi)者和增加消費(fèi)的重要因素。然而，水果的品質(zhì)受果實(shí)的品種、產(chǎn)地、采前和采后條件、成熟度、采摘時(shí)間和溫度的影響，果實(shí)品質(zhì)參差不齊，品質(zhì)好的水果不僅可以直接食用，還可以用于產(chǎn)品的開發(fā)，如制作果汁、果干等，水果品質(zhì)是決定水果市場(chǎng)價(jià)值的一個(gè)非常重要的因素^[2]。此外，水果在運(yùn)輸和儲(chǔ)存過(guò)程中常常受到機(jī)械損壞，尤其是早期損傷是難以通過(guò)肉眼識(shí)別的。機(jī)械損壞不僅會(huì)降低產(chǎn)品質(zhì)量，還會(huì)對(duì)消費(fèi)者的購(gòu)買決策產(chǎn)生負(fù)面影響^[3]。因此，確定水果品質(zhì)最佳的檢測(cè)及評(píng)估方法尤為重要。

新鮮或者加工水果的品質(zhì)由一系列外部特征來(lái)定義，這些屬性包括其大小、質(zhì)量、形狀、顏色、狀況或是否存在缺陷、損傷，以及一系列內(nèi)在特性，如糖度、酸度、含水量、質(zhì)地、硬度等。它們涵蓋了影響水果外觀、營(yíng)養(yǎng)和感官品質(zhì)或保存適宜性的所有因素。因此，在競(jìng)爭(zhēng)激烈的新鮮水果市場(chǎng)里，對(duì)水果內(nèi)部和外部品質(zhì)的評(píng)估變得至關(guān)重要^[4]。傳統(tǒng)的檢測(cè)方法大部分以人工檢測(cè)為基礎(chǔ)，以化學(xué)分析方法為輔助，這些方法既耗時(shí)又費(fèi)力，且無(wú)法實(shí)現(xiàn)大規(guī)模檢測(cè)^[5]。隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，水果品質(zhì)的無(wú)損檢測(cè)與分級(jí)研究取得了一系列重要成果。通過(guò)對(duì)水果品質(zhì)的無(wú)損檢測(cè)與分級(jí)，不僅可以提升水果的市場(chǎng)價(jià)值，還能保障消費(fèi)者的健康。為了提高其檢測(cè)和分級(jí)效率，減少人為誤差，并降低分析成本，研究人員進(jìn)行了大量分析，以找到快速、準(zhǔn)確和無(wú)損檢測(cè)水果品質(zhì)的解決方案^[6-8]。機(jī)器視覺(jué)技術(shù)在水果收獲前和收獲后產(chǎn)品質(zhì)量、安全檢測(cè)、分級(jí)和過(guò)程自動(dòng)化領(lǐng)域正變得越發(fā)重要，利用該技術(shù)可以識(shí)別物體的大小、形狀、顏色和紋理。機(jī)器視覺(jué)技術(shù)具有準(zhǔn)確性高、無(wú)破壞性的優(yōu)點(diǎn)，有助于評(píng)估水果的外部屬性，但它對(duì)檢測(cè)果皮下的損傷沒(méi)有幫助，也不能用于評(píng)估水果的內(nèi)部質(zhì)量^[9]。高光譜成像技術(shù)是一項(xiàng)基于光學(xué)原理的成像技術(shù)，可以同時(shí)獲取多個(gè)波長(zhǎng)范圍內(nèi)的數(shù)據(jù)，以獲得目標(biāo)物體的分光學(xué)信息。與傳統(tǒng)成像技術(shù)不同，高光譜成像技術(shù)的成像過(guò)程是將物體的光譜特性轉(zhuǎn)化為像素點(diǎn)的顏色或灰度值，從而獲得比傳統(tǒng)成像技術(shù)更多的詳細(xì)信息。由于其簡(jiǎn)單、連續(xù)、無(wú)干擾、準(zhǔn)確性高、大范圍的成像能力和高效的分析速度等特點(diǎn)，在評(píng)估水果品質(zhì)方面顯示出巨大的潛力。它結(jié)合成像技術(shù)和光譜學(xué)技術(shù)，從樣本中獲取空間和光譜信息，可以大大增強(qiáng)識(shí)別和檢測(cè)水果的各種化學(xué)成分及其空間分布的能力，能夠同時(shí)測(cè)量和實(shí)現(xiàn)可視化水果中的物理化學(xué)成分^[10]。

本文綜述了高光譜成像技術(shù)在水果品質(zhì)檢測(cè)及分級(jí)方面的研究進(jìn)展。首先，綜述了高光譜成像系統(tǒng)及其原理，并對(duì)高光譜數(shù)據(jù)處理與分析方法展開討論。然后，總結(jié)了高光譜成像技術(shù)在水果外部品質(zhì)和內(nèi)部品質(zhì)檢測(cè)中的評(píng)估及其應(yīng)用。最后，對(duì)高光譜成像技術(shù)在水果品質(zhì)檢測(cè)與分級(jí)中的應(yīng)用前景提出展望。

1 高光譜成像原理和系統(tǒng)裝置

1.1 高光譜成像原理

高光譜成像技術(shù)中成像和光譜的結(jié)合性質(zhì)使該系統(tǒng)能夠通過(guò)光譜分析同時(shí)提供樣本的物理和幾何特征以及樣本的化學(xué)成分，從而在相對(duì)較寬范圍的連續(xù)波長(zhǎng)下生成一系列高分辨率圖像^[11]。如圖1-b所示，成像技術(shù)使樣本能夠顯示在二維圖像平面上，從這些二維圖像中獲得的全高光譜圖像構(gòu)成了一個(gè)包含空間（x，y）和光譜（λ）維度的三維數(shù)據(jù)立方體。如圖1所示，圖1-a是從680 nm的超立方體中提取的圖像，在680 nm處的吸收峰是由水果中葉綠素吸收引起的^[12]。從某個(gè)像素點(diǎn)中提取光譜，提取的光譜是對(duì)應(yīng)像素的唯一光譜特征，可以用來(lái)描繪樣品的化學(xué)成分（圖1-c）。

1.2 高光譜成像系統(tǒng)裝置

高光譜成像系統(tǒng)（GaiaField-F-V10，圖2）由4個(gè)部分組成：成像單元、照明源、樣品平臺(tái)和帶有相應(yīng)控制軟件的計(jì)算機(jī)^[13]。成像單元是構(gòu)建目標(biāo)樣品光譜和空間信息的核心部分，由標(biāo)準(zhǔn)變焦鏡頭、高靈敏度和特異性攝譜儀以及CCD相機(jī)或互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）相機(jī)組成。攝譜儀的功能是將捕獲的光分散到一定的連續(xù)光譜范圍內(nèi)。光源作為有效探測(cè)目標(biāo)物理結(jié)構(gòu)和化學(xué)成分的光學(xué)探針，在高光譜成像系統(tǒng)中具有重要意義。暗箱能防止其他光源干擾。

2 高光譜數(shù)據(jù)處理與分析方法

高光譜成像系統(tǒng)采集圖像時(shí)，點(diǎn)掃描的采集樣

品比較耗時(shí)，因此無(wú)法進(jìn)行實(shí)時(shí)檢測(cè)。目前，線掃描由于其快速的檢測(cè)速度和二維陣列檢測(cè)器的可用性，是研究和應(yīng)用中最廣泛使用的采集方式^[14]。為了從高光譜數(shù)據(jù)立方體中提取有用的空間信息，需要涉及圖像校準(zhǔn)和圖像處理。高光譜成像評(píng)價(jià)水果品質(zhì)的流程如圖3所示。

2.1 高光譜圖像校正及光譜預(yù)處理

CCD相機(jī)光電探測(cè)器中存在暗電流，采集到的圖像會(huì)產(chǎn)生許多干擾，如譜線、雜散光等，同時(shí)在不同波段下，由于檢測(cè)樣本形狀大小的差異以及背景光源強(qiáng)度分布不均衡等會(huì)產(chǎn)生干擾，故需要對(duì)高光譜圖像進(jìn)行黑白校正，以去除背景、平滑和噪聲的干擾，從而提高圖像質(zhì)量，高光譜圖像的校正方法^[15]如下：

式中：I為樣本的原始高光譜圖像；W為白板圖像；B為暗圖像；R為校正后的高光譜圖像。

高光譜成像系統(tǒng)采集圖像時(shí)會(huì)伴隨光散射、路徑長(zhǎng)度變化和由可變物理樣本屬性或儀器效應(yīng)產(chǎn)生的隨機(jī)噪聲，使得光譜數(shù)據(jù)表現(xiàn)不佳，因此，想要構(gòu)建具有較好檢測(cè)能力的穩(wěn)定模型，有必要使用一些光譜預(yù)處理方法來(lái)提高光譜數(shù)據(jù)的質(zhì)量?；瘜W(xué)計(jì)量學(xué)方法是高光譜成像技術(shù)數(shù)據(jù)分析的一個(gè)重要手段，將化學(xué)測(cè)量法與光譜信息相互聯(lián)系起來(lái)，高光譜圖像中提取的光譜數(shù)據(jù)運(yùn)用化學(xué)計(jì)量學(xué)方法能夠?qū)υ脊庾V數(shù)據(jù)進(jìn)行處理，以校正噪聲的影響。使用最廣泛的預(yù)處理方法^[16]包括一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、光譜濾波、均值中心化、歸一化、正交信號(hào)校正（OSC）、多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）等，其目的是校正光譜，消除異常樣本數(shù)據(jù)，去除無(wú)關(guān)方差，消除基線偏移、乘法散射效果和其他不必要的系統(tǒng)變化的影響，從而簡(jiǎn)化光譜，使光譜更平滑，修正感興趣的質(zhì)量特征之間的關(guān)系，提高校準(zhǔn)模型的魯棒性。光譜數(shù)據(jù)的有效預(yù)處理有助于數(shù)據(jù)分析中提取有用的化學(xué)信息，并獲得可靠、準(zhǔn)確和穩(wěn)健的預(yù)測(cè)模型。

2.2 高光譜數(shù)據(jù)降維

高光譜成像系統(tǒng)采集的數(shù)據(jù)立方體有廣泛的波段范圍，包含幾十到幾百個(gè)波段，許多波長(zhǎng)包含不相關(guān)信息，并沒(méi)有提升模型性能，反而增加了信息分析的復(fù)雜性^[17]。因此，對(duì)光譜數(shù)據(jù)進(jìn)行降維處理可以簡(jiǎn)化模型過(guò)程，選擇與目標(biāo)變量相關(guān)性高的最佳關(guān)鍵波長(zhǎng)能夠提高預(yù)測(cè)模型的準(zhǔn)確性和可靠性。被廣泛用于數(shù)據(jù)降維的方法^[18]有連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、主成分分析法（PCA）、無(wú)信息變量消除法（UVE）、回歸系數(shù)（RC）、遺傳算法（GA）以及隨機(jī)蛙跳算法（RF）等。在數(shù)據(jù)降維時(shí)，通?；谧罴杨A(yù)處理方法結(jié)合不同降維算法以獲取最佳預(yù)測(cè)模型^[19]。

2.3 高光譜數(shù)據(jù)樣本集的劃分

通常使用最廣泛的劃分方法有隨機(jī)取樣法（RS）、Kennard Stone（KS）算法、光譜-理化值共生距離算法（SPXY）^[20]。隨機(jī)取樣就是隨機(jī)在樣本中抽取樣本，排除了人的主觀隨意性和能動(dòng)性，但當(dāng)總樣本數(shù)量較大時(shí)，隨機(jī)采樣抽得的樣本代表性差、隨意性大、不具有典型性^[21]。KS算法是基于歐幾里德距離的算法，它的計(jì)算主要選取所有樣本中與其他樣本距離最遠(yuǎn)的樣本，接著選取離所選樣本盡可能遠(yuǎn)的樣本，直至達(dá)到所選樣本數(shù)，這樣能涵蓋整個(gè)樣本空間，但是建模集不能涵蓋預(yù)測(cè)集^[22]。SPXY算法是在KS算法的基礎(chǔ)上將光譜數(shù)據(jù)和樣本距離同時(shí)考慮在分類參考里，有效地覆蓋多維向量空間，是對(duì)KS算法的進(jìn)一步精確，能夠保證模型建模集中樣本均勻分布，使得劃分的樣本集具有代表性，以提高模型的穩(wěn)定性^[23]。

2.4 模型的構(gòu)建與驗(yàn)證

在高光譜成像技術(shù)的實(shí)際應(yīng)用中，最常見(jiàn)的高光譜數(shù)據(jù)分析方法是回歸（用于預(yù)測(cè)水果的物理化學(xué)屬性）和分級(jí)（用于對(duì)水果分級(jí)和檢測(cè)水果的缺陷）。為了創(chuàng)建用于回歸和分級(jí)的數(shù)據(jù)模型，需要使用多變量方法分析和建立光譜數(shù)據(jù)與水果的特定的質(zhì)量屬性之間的關(guān)系。通常來(lái)說(shuō)，多變量分析方法有定量分析和定性分析2種形式^[24]。

對(duì)于定量分析，其核心在于建立一種光譜數(shù)據(jù)與水果特定屬性之間的回歸關(guān)系，以實(shí)現(xiàn)對(duì)水果品質(zhì)的無(wú)損檢測(cè)。定量分析方法包括線性分析和非線性分析^[25]。廣泛使用的非線性分析有支持向量機(jī)（SVM）、支持向量回歸（SVR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）。線性分析方法有逐步線性回歸（SLR）、偏最小二乘回歸（PLSR）、主成分回歸（PCR）和多元線性回歸（MLR）。經(jīng)過(guò)定量分析，常用于評(píng)估模型性能優(yōu)劣的指標(biāo)包括相關(guān)系數(shù)（R）和決定系數(shù)（R²）、均方根誤差（RMSE）和殘差預(yù)測(cè)偏差（RPD）。

一般較好的模型具有較大的校正集相關(guān)系數(shù)（R_C）、校正集決定系數(shù)（R²_C）和預(yù)測(cè)集相關(guān)系數(shù)（R_P）、預(yù)測(cè)集決定系數(shù)（R²_P）以及較小的校正集均方根誤差（RMSEC）和預(yù)測(cè)集均方根誤差（RMSEP）。R_C、R_P、R²_C、R²_P、RMSEC、RMSEP和RPD計(jì)算公式如下所示：

式中：n_C和n_P分別為校正集和預(yù)測(cè)集中的樣本數(shù)；y_act和y_mean分別為樣本參考值實(shí)測(cè)值和平均值；y_cal和y_pre分別為校正集和預(yù)測(cè)集中樣本預(yù)測(cè)值；SD表示預(yù)測(cè)集中參考值的標(biāo)準(zhǔn)偏差。

對(duì)于定性分析，有2種，即監(jiān)督分類和無(wú)監(jiān)督分類^[26]。監(jiān)督分類，需要預(yù)定義類標(biāo)簽，常用于光譜數(shù)據(jù)分析的監(jiān)督分類方法包括K近鄰（KNN）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、線性判別分析（LDA）、支持向量機(jī)（SVM）和偏最小二乘判別分析（PLS-DA）；而用于分析光譜數(shù)據(jù)的無(wú)監(jiān)督分類方法包括主成分分析（PCA）、層次聚類和K均值。

3 水果品質(zhì)檢測(cè)的應(yīng)用現(xiàn)狀

隨著人們生活水平的快速提高，對(duì)高質(zhì)量的水果的需求也迅速增加，為了保證水果的營(yíng)養(yǎng)與質(zhì)量，開發(fā)快速準(zhǔn)確的水果品質(zhì)檢測(cè)方法至關(guān)重要。在光學(xué)技術(shù)的快速發(fā)展下，高光譜成像技術(shù)在水果質(zhì)量分析中應(yīng)用越來(lái)越廣泛。本文綜述了高光譜成像技術(shù)在水果內(nèi)部品質(zhì)和外部品質(zhì)檢測(cè)中的最新應(yīng)用進(jìn)展，在表1中總結(jié)了高光譜成像技術(shù)對(duì)不同類型水果品質(zhì)的分析，通過(guò)研究分析水果內(nèi)、外部的特征屬性（可溶性固形物含量、酸度、硬度、水分含量、損傷、缺陷和紋理）等來(lái)對(duì)水果品質(zhì)進(jìn)行檢測(cè)和分級(jí)。

3.1 水果外部缺陷屬性分析

水果外部品質(zhì)是通過(guò)大小、形狀、顏色和表面缺陷等屬性來(lái)評(píng)估，在市場(chǎng)上這些屬性是水果分級(jí)與銷售的重要依據(jù)之一^[38]。傳統(tǒng)的機(jī)器視覺(jué)可以對(duì)水果的大小和形狀進(jìn)行評(píng)估，但是對(duì)于顏色較深的水果以及隱藏在水果表皮下的損傷和缺陷，很難通過(guò)機(jī)器視覺(jué)來(lái)判別^[39]。高光譜成像能夠?qū)崿F(xiàn)水果顏色、表面缺陷的預(yù)測(cè)，現(xiàn)今采用高光譜成像技術(shù)檢測(cè)水果的外部品質(zhì)的應(yīng)用研究非常廣泛。

孟慶龍等采用高光譜成像技術(shù)結(jié)合閾值分割技術(shù)和數(shù)學(xué)形態(tài)學(xué)方法實(shí)現(xiàn)了獼猴桃表面疤痕的快速無(wú)損識(shí)別，正確識(shí)別率分別達(dá)到98.3%和95.0%，表明高光譜技術(shù)能夠?qū)崿F(xiàn)獼猴桃表面疤痕的快速識(shí)別^[40]。他們選取的樣本比較少，之后的研究中，可以增加樣本量，來(lái)提高識(shí)別準(zhǔn)確率。張立秀等利用高光譜成像技術(shù)對(duì)桃的外部缺陷展開了研究，在建立偏最小二乘回歸（PLSR）模型的過(guò)程中，采用了5種預(yù)處理方法，發(fā)現(xiàn)經(jīng)過(guò)中值濾波預(yù)處理的模型性較其他方法更為優(yōu)越，在特征波長(zhǎng)的提取階段，他們采用了回歸系數(shù)法和競(jìng)爭(zhēng)性重加權(quán)算法，隨后，利用網(wǎng)格搜索法、遺傳算法和粒子群算法對(duì)支持向量機(jī)（SVM）模型進(jìn)行優(yōu)化，并進(jìn)行了詳細(xì)的分析比較。研究結(jié)果顯示，經(jīng)過(guò)網(wǎng)格搜索法優(yōu)化的支持向量機(jī)模型在預(yù)測(cè)效果上表現(xiàn)最為出色，該模型在訓(xùn)練集上的判別率達(dá)到93.33%，在預(yù)測(cè)集上的判別率為96.77%，驗(yàn)證集的判別準(zhǔn)確率達(dá)到91.94%，該模型能夠?qū)崿F(xiàn)桃外部缺陷的檢測(cè)^[41]。但他們只對(duì)一個(gè)品種進(jìn)行了缺陷檢測(cè)，接下來(lái)的研究中可以采集不同品種，提高模型的穩(wěn)健性和通用性。歐陽(yáng)愛(ài)國(guó)等運(yùn)用高光譜成像系統(tǒng)獲取毛桃果實(shí)的圖像信息和光譜信息，探究了毛桃不同碰傷時(shí)間（12、24、36、48 h）對(duì)分類效果的影響。選取圖像100個(gè)像素點(diǎn)的平均光譜作為毛桃果實(shí)的光譜，基于主成分分析（PCA）對(duì)毛桃圖像進(jìn)行降維，最后基于最小二乘支持向量機(jī)（LS-SVM）算法建立毛桃碰傷時(shí)間的判別模型。結(jié)果表明，徑向基核函數(shù)建立的圖像特征結(jié)合光譜特征的模型預(yù)測(cè)效果最好，對(duì)碰傷12、24、36、48 h的識(shí)別正確率分別為83.33%、96.67%、100%、100%，圖像與光譜特征相結(jié)合能較好地實(shí)現(xiàn)對(duì)毛桃碰傷時(shí)間的評(píng)估^[42]。該研究選取100個(gè)像素點(diǎn)作為感興趣區(qū)域，缺乏果實(shí)的完整信息，之后的研究可以選取更大的感興趣區(qū)域，提高信息的完整性。Wang等利用高光譜成像技術(shù)實(shí)現(xiàn)了櫻桃果實(shí)缺陷的無(wú)損檢測(cè)，通過(guò)分析3種類型的缺陷和未損壞樣本圖像，得出通過(guò)光譜信息建立的CARS-LS-SVM模型的識(shí)別準(zhǔn)確率達(dá)到了91.43%，而通過(guò)圖像信息建立的CARS-PCA模型對(duì)櫻桃果實(shí)缺陷特征的位置和面積的檢測(cè)準(zhǔn)確度為88.57%，該研究采用高光譜成像技術(shù)可實(shí)現(xiàn)對(duì)櫻桃果實(shí)無(wú)損樣品和天然缺陷的快速識(shí)別^[43]。但他們只是選取部分感興趣區(qū)域，接下來(lái)的研究可以采集櫻桃整個(gè)樣本作為感興趣區(qū)域，提高模型的準(zhǔn)確性。

3.2 水果內(nèi)部物理化學(xué)屬性分析

水果的內(nèi)部品質(zhì)（可溶性固形物含量、硬度、糖度、酸度、維生素和礦物質(zhì)等）直接反映其營(yíng)養(yǎng)價(jià)值，能夠?yàn)橄M(fèi)者提供指導(dǎo)作用^[44]。但這些理化指標(biāo)無(wú)法輕易通過(guò)目測(cè)檢測(cè)出來(lái)，需要破壞性的物理化學(xué)分析，如高效液相色譜、紫外分光光度法、質(zhì)譜法等，使用化學(xué)方法分析水果質(zhì)量，能夠獲取準(zhǔn)確的結(jié)果，但是存在許多缺點(diǎn)，如耗時(shí)長(zhǎng)、破壞樣本、效率低。運(yùn)用高光譜成像技術(shù)快速無(wú)損檢測(cè)水果內(nèi)部品質(zhì)已作了大量研究。

高升等通過(guò)高光譜成像技術(shù)獲取紅提的光譜和圖像信息，對(duì)紅提酸度和硬度進(jìn)行預(yù)測(cè)及分布可視化，首先運(yùn)用5種不同的方法對(duì)原始光譜數(shù)據(jù)預(yù)處理，然后采用一次降維和組合降維方法對(duì)光譜信息進(jìn)行特征變量提取，最后基于提取的特征變量分別建立紅提總酸和硬度的偏最小二乘回歸最優(yōu)預(yù)測(cè)模型，并根據(jù)最優(yōu)的預(yù)測(cè)模型實(shí)現(xiàn)了紅提總酸和硬度的分布可視化^[45]。但他們只運(yùn)用了1種建模方法即PLSR，之后的研究中可以運(yùn)用多種建模方法進(jìn)行對(duì)比分析，以確定最優(yōu)的預(yù)測(cè)模型。李雄等使用高光譜成像技術(shù)結(jié)合偏最小二乘判別法（PLS-DA）和偏最小二乘支持向量機(jī)（LS-SVM）算法對(duì)酥梨貨架期進(jìn)行了研究，實(shí)現(xiàn)了對(duì)酥梨貨架期的檢測(cè)和判別，同時(shí)也為水果新鮮度判別方法提供了研究方向^[46]。但他們運(yùn)用圖像建立的模型效果比較差，可以增加樣本量來(lái)提高圖像建模的精度。葛春靖等運(yùn)用高光譜成像儀采集玉露香梨的光譜信息，探究了玉露香梨可溶性固形物含量（SSC）的預(yù)測(cè)方法，采用6種不同的預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，發(fā)現(xiàn)經(jīng)過(guò)中值濾波（MF）預(yù)處理后的結(jié)果最佳，然后，分別建立遺傳算法（GA）優(yōu)化的反向傳播（BP）神經(jīng)網(wǎng)絡(luò)和PLSR預(yù)測(cè)模型，結(jié)果表明，MF-GA-BP建立的模型性能最佳，其預(yù)測(cè)集決定系數(shù)為0.98，均方根誤差為0.20，經(jīng)過(guò)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型能夠快速準(zhǔn)確地預(yù)測(cè)玉露香梨SSC^[47]。他們僅對(duì)1個(gè)品種進(jìn)行研究，之后的研究中可以采集不同的品種，提高模型的通用性。Huang等采用高光譜成像系統(tǒng)獲取了油桃的圖像和光譜信息，探究了一種檢測(cè)油桃內(nèi)外部品質(zhì)的無(wú)損檢測(cè)方法，根據(jù)內(nèi)部質(zhì)量與外部質(zhì)量指標(biāo)，分別建立了不同的外部質(zhì)量判別模型和內(nèi)部質(zhì)量預(yù)測(cè)模型^[48]。他們構(gòu)建的模型在區(qū)分其他水果方面的通用性較低，之后研究可以提高缺陷類型和物理化學(xué)指標(biāo)的多樣性，找到更加適用和準(zhǔn)確的判別算法。Xu等運(yùn)用高光譜成像技術(shù)采集葡萄的圖像信息和光譜信息，分別比較了深度學(xué)習(xí)的堆疊自編碼器（SAE）算法、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法和連續(xù)投影算法篩選特征波長(zhǎng)，發(fā)現(xiàn)SAE提取的特征波長(zhǎng)更具潛力；然后，基于提取的特征光譜分別建立偏最小二乘法（PLS）和最小二乘支持向量機(jī)（LS-SVM）預(yù)測(cè)葡萄總可溶性固形物（TSS）和可滴定酸度（TA）的模型，結(jié)果表明，SAE-LS-SVM深度學(xué)習(xí)模型能夠?qū)崿F(xiàn)葡萄TSS和TA的快速無(wú)損檢測(cè)^[49]。他們僅研究了1種葡萄的同一成熟度預(yù)測(cè)模型，在未來(lái)可以對(duì)不同品種、不同成熟度的葡萄進(jìn)行研究，以構(gòu)建更穩(wěn)健的評(píng)估模型。孫靜濤等運(yùn)用高光譜技術(shù)結(jié)合連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)性重加權(quán)算法（CARS）和SPA-CARS 3種提取特征波長(zhǎng)方法對(duì)哈密瓜可溶性固形物含量和硬度進(jìn)行特征波長(zhǎng)的篩選，基于支持向量機(jī)（SVM）模型預(yù)測(cè)哈密瓜可溶性固形物含量、硬度及判別成熟度，結(jié)果表明，構(gòu)建的MSC-CARS-SPA-SVM模型對(duì)可溶性固形物和硬度的預(yù)測(cè)性能最優(yōu)，其可溶性固形物的R_p、RMSEP和RPD分別為0.940 4、0.402 7、2.941，硬度的R_p、RMSEP和RPD分別為0.825 3、35.220 0、1.771，該模型能夠?qū)崿F(xiàn)哈密瓜可溶性固形物含量和硬度的預(yù)測(cè)，但對(duì)于硬度的預(yù)測(cè)效果良好，準(zhǔn)確性有待進(jìn)一步提高^[50]。Tian等利用可見(jiàn)光和近紅外（400～1 000 nm）高光譜成像技術(shù)對(duì)芒果品質(zhì)進(jìn)行評(píng)估，結(jié)果顯示，在比較了5種光譜預(yù)處理方法后，發(fā)現(xiàn)經(jīng)過(guò)SNV預(yù)處理的方法相對(duì)較好，基于CARS方法篩選的特征變量建立的偏最小二乘法（PLS）回歸模型展現(xiàn)出最佳性能，其預(yù)測(cè)集決定系數(shù)高達(dá)0.900 1，均方根誤差為0.616 2。該模型能夠有效預(yù)測(cè)芒果的SSC^[51]。但他們僅運(yùn)用1種建模方法，還可以增加更多的建模方法，比較不同建模結(jié)果，得出最佳預(yù)測(cè)模型。

4 總結(jié)與展望

從本文對(duì)前人研究的總結(jié)可以清楚地看出，高光譜技術(shù)在水果內(nèi)外部品質(zhì)的檢測(cè)中得到了廣泛的應(yīng)用。檢測(cè)的目標(biāo)質(zhì)量屬性也是全面的，不僅包括了水果外部顏色、表皮缺陷、損傷，而且也能檢測(cè)分析物理化學(xué)屬性，這些成功的應(yīng)用表明，高光譜成像技術(shù)具有快速、準(zhǔn)確的優(yōu)點(diǎn)，可以成為一種分析水果品質(zhì)的快速、無(wú)損檢測(cè)手段。

高光譜成像技術(shù)是將機(jī)器視覺(jué)技術(shù)與光譜技術(shù)相結(jié)合，獲得三維光譜數(shù)據(jù)。它具有檢測(cè)能力強(qiáng)、圖像分辨率高、多波段、光譜信息豐富等優(yōu)點(diǎn)，盡管高光譜成像技術(shù)有許多優(yōu)點(diǎn)，但仍然存在許多挑戰(zhàn)，高光譜數(shù)據(jù)在選取感興趣區(qū)域時(shí)，沒(méi)有可以廣泛用于選擇水果樣本的感興趣區(qū)域；大量的冗余數(shù)據(jù)影響高光譜數(shù)據(jù)的處理速度和在線分析，同時(shí)多重共線性影響高光譜數(shù)據(jù)分析的準(zhǔn)確性。與室內(nèi)觀察相比，基于高光譜成像技術(shù)的室外果實(shí)品質(zhì)檢測(cè)的研究較少，特別是在果園進(jìn)行實(shí)時(shí)監(jiān)測(cè)，因?yàn)樾枰@取和處理數(shù)十到數(shù)百個(gè)波長(zhǎng)的大量圖像數(shù)據(jù)，高光譜儀器自身成本較高，難以從實(shí)驗(yàn)室轉(zhuǎn)移到產(chǎn)業(yè)自動(dòng)檢測(cè)，實(shí)現(xiàn)條件復(fù)雜的室外檢測(cè)還需更加有效的數(shù)據(jù)處理方法來(lái)提高預(yù)測(cè)模型的穩(wěn)定性和精確性。

因此，在之后的研究中，可以進(jìn)行不同地區(qū)樣本的采集，使得模型應(yīng)用更廣泛、準(zhǔn)確、穩(wěn)定。在處理大量數(shù)據(jù)方面，可以針對(duì)化學(xué)計(jì)量學(xué)方法和機(jī)器學(xué)習(xí)方法的研究，開發(fā)出更精準(zhǔn)、快速的技術(shù)和算法，實(shí)現(xiàn)高精度的數(shù)據(jù)分析，建立精度高的模型，同時(shí)研究更先進(jìn)和便攜式的設(shè)備讓高光譜成像技術(shù)在市場(chǎng)中普遍使用，為水果品質(zhì)檢測(cè)實(shí)現(xiàn)快速高效的無(wú)損檢測(cè)。

參考文獻(xiàn)：

[1]Pathmanaban P，Gnanavel B K，Anandan S S. Recent application of imaging techniques for fruit quality assessment[J]. Trends in Food Science & Technology，2019，94：32-42.

[2]徐 賽，陸華忠，丘廣俊，等. 水果品質(zhì)無(wú)損檢測(cè)研究進(jìn)展及應(yīng)用現(xiàn)狀[J]. 廣東農(nóng)業(yè)科學(xué)，2020，47（12）：229-236.

[3]田有文，吳 偉，盧時(shí)鉛，等. 深度學(xué)習(xí)在水果品質(zhì)檢測(cè)與分級(jí)分類中的應(yīng)用[J]. 食品科學(xué)，2021，42（19）：260-270.

[4]張保華，李江波，樊書祥，等. 高光譜成像技術(shù)在果蔬品質(zhì)與安全無(wú)損檢測(cè)中的原理及應(yīng)用[J]. 光譜學(xué)與光譜分析，2014，34（10）：2743-2751.

[5]武琳霞，李 玲，習(xí)佳林，等. 桃品質(zhì)的無(wú)損檢測(cè)技術(shù)研究進(jìn)展[J]. 食品科學(xué)，2022，43（15）：367-377.

[6]周 偉，徐穎若. 基于PLC和圖像處理的水果分類智能控制系統(tǒng)[J]. 農(nóng)機(jī)化研究，2021，43（5）：235-239.

[7]郝瑞龍，魯任翔，王 哲，等. 基于近紅外光譜的芒果采后品質(zhì)與貯放潛力預(yù)判的無(wú)損檢測(cè)模型[J]. 熱帶作物學(xué)報(bào)，2022，43（9）：1918-1927.

[8]Li Y F，F(xiàn)eng X Y，Liu Y D，et al. Apple quality identification and classification by image processing based on convolutional neural networks[J]. Scientific Reports，2021，11：16618.

[9]馬佳佳，王克強(qiáng). 水果品質(zhì)光學(xué)無(wú)損檢測(cè)技術(shù)研究進(jìn)展[J]. 食品工業(yè)科技，2021，42（23）：427-437.

[10]Lu B，Dao P，Liu J G，et al. Recent advances of hyperspectral imaging technology and applications in agriculture[J]. Remote Sensing，2020，12（16）：2659.

[11]Wang B，Sun J F，Xia L M，et al. The applications of hyperspectral imaging technology for agricultural products quality analysis：a review[J]. Food Reviews International，2023，39（2）：1043-1062.

[12]黃文倩，陳立平，李江波，等. 基于高光譜成像的蘋果輕微損傷檢測(cè)有效波長(zhǎng)選取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（1）：272-277.

[13]Sun J F，Shi X J，Zhang H，et al. Detection of moisture content in peanut kernels using hyperspectral imaging technology coupled with chemometrics[J]. Journal of Food Process Engineering，2019，42（7）：e13263.

[14]鞠 皓，姜洪喆，周宏平. 油料作物與產(chǎn)品品質(zhì)近紅外光譜及高光譜成像檢測(cè)研究進(jìn)展[J]. 中國(guó)糧油學(xué)報(bào)，2022，37（9）：303-310.

[15]Wu D，Sun D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment：a review—Part Ⅰ：fundamentals[J]. Innovative Food Science & Emerging Technologies，2013，19：1-14.

[16]Jiao Y P，Li Z C，Chen X S，et al. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics，2020，34（11）：e3306.

[17]賈夢(mèng)夢(mèng)，殷 勇，于慧春，等. 高光譜成像融合特征波長(zhǎng)篩選監(jiān)測(cè)番茄貯藏中品質(zhì)變化的方法[J]. 光譜學(xué)與光譜分析，2023，43（3）：969-975.

[18]Zou X B，Zhao J W，Povey M J W，et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta，2010，667（1/2）：14-32.

[19]盧 偉，蔡苗苗，張 強(qiáng)，等. 高光譜和集成學(xué)習(xí)的黑枸杞快速分級(jí)方法[J]. 光譜學(xué)與光譜分析，2021，41（7）：2196-2204.

[20]Tian H，Zhang L N，Li M，et al. Weighted SPXY method for calibration set selection for composition analysis based on near-infrared spectroscopy[J]. Infrared Physics & Technology，2018，95：88-92.

[21]Morais C L M，Santos M C D，Lima K M G，et al. Improving data splitting for classification applications in spectrochemical analyses employing a random-mutation Kennard-Stone algorithm approach[J]. Bioinformatics，2019，35（24）：5257-5263.

[22]Zhang L N，Li G，Sun M X，et al. Kennard-Stone combined with least square support vector machine method for noncontact discriminating human blood species[J]. Infrared Physics & Technology，2017，86：116-119.

[23]Li Z G，Lv H，Li T H，et al. Reagent-free simultaneous determination of glucose and cholesterol in whole blood by FTIR-ATR[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2017，178：192-197.

[24]Quelal-Vásconez M A，Lerma-García M J，Pérez-Esteve é，et al. Fast detection of cocoa shell in cocoa powders by near infrared spectroscopy and multivariate analysis[J]. Food Control，2019，99：68-72.

[25]Elmasry G，Kamruzzaman M，Sun D W，et al. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products：a review[J]. Critical Reviews in Food Science and Nutrition，2012，52（11）：999-1023.

[26]Liu J Y，Zeng L H，Ren Z H. Recent application of spectroscopy for the detection of microalgae life information：a review[J]. Applied Spectroscopy Reviews，2020，55（1）：26-59.

[27]Li J，Huang B H，Wu C P，et al. Nondestructive detection of kiwifruit textural characteristic based on near infrared hyperspectral imaging technology[J]. International Journal of Food Properties，2022，25（1）：1697-1713.

[28]王廣來(lái)，王恩鳳，王聰聰，等. 基于高光譜圖像技術(shù)與遷移學(xué)習(xí)的水晶梨早期損傷檢測(cè)[J]. 光譜學(xué)與光譜分析，2022，42（11）：3626-3630.

[29]Munera S，Gómez-Sanchís J，Aleixos N，et al. Discrimination of common defects in loquat fruit cv.‘Algerie using hyperspectral imaging and machine learning techniques[J]. Postharvest Biology and Technology，2021，171：111356.

[30]劉燕德，王 舜. 基于圖像和光譜融合的臍橙貨架期高光譜成像無(wú)損檢測(cè)研究[J]. 光譜學(xué)與光譜分析，2022，42（6）：1792-1797.

[31]Zhang H L，Zhang S，Dong W T，et al. Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging[J]. Infrared Physics & Technology，2020，108：103341.

[32]Kang Z L，Geng J P，F(xiàn)an R S，et al. Nondestructive testing model of mango dry matter based on fluorescence hyperspectral imaging technology[J]. Agriculture，2022，12（9）：1337.

[33]楊寶華，高志偉，齊 麟，等. 高光譜影像的鮮桃可溶性固形物含量預(yù)測(cè)模型[J]. 光譜學(xué)與光譜分析，2021，41（11）：3559-3564.

[34]尚增強(qiáng)，楊東福，馬質(zhì)璞. 香蕉成熟期品質(zhì)可視化與高光譜成像研究[J]. 保鮮與加工，2021，21（9）：98-104.

[35]Gao S，Xu J H. Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes[J]. Computers and Electronics in Agriculture，2022，196：106822.

[36]Lan W J，Jaillais B，Renard C M G C，et al. A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices[J]. Postharvest Biology and Technology，2021，175：111497.

[37]Seki H，Ma T，Murakami H，et al. Visualization of sugar content distribution of white strawberry by near-infrared hyperspectral imaging[J]. Foods，2023，12（5）：931.

[38]丁 燕，孫元明，李冬升，等. 基于CiteSpace對(duì)水果無(wú)損檢測(cè)研究進(jìn)展和趨勢(shì)的可視化分析[J]. 食品工業(yè)科技，2023，44（16）：444-453.

[39]沈 宇，房 勝，鄭紀(jì)業(yè)，等. 基于高光譜成像技術(shù)的富士蘋果輕微機(jī)械損傷檢測(cè)研究[J]. 山東農(nóng)業(yè)科學(xué)，2020，52（2）：144-150.

[40]孟慶龍，張 艷，尚 靜. 基于高光譜成像的獼猴桃表面疤痕無(wú)損識(shí)別[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2019，31（8）：1372-1378.

[41]張立秀，張淑娟，孫海霞，等. 高光譜技術(shù)結(jié)合網(wǎng)格搜索優(yōu)化支持向量機(jī)的桃缺陷檢測(cè)[J]. 食品與發(fā)酵工業(yè)，2023，49（16）：269-275.

[42]歐陽(yáng)愛(ài)國(guó)，劉昊辰，成 龍，等. 高光譜圖像特征結(jié)合光譜特征用于毛桃碰傷時(shí)間分類[J]. 光譜學(xué)與光譜分析，2021，41（8）：2598-2603.

[43]Wang B，Yang H，Zhang S J，et al. Detection of defective features in Cerasus humilis fruit based on hyperspectral imaging technology[J]. Applied Sciences，2023，13（5）：3279.

[44]陳玥瑤，夏靜靜，韋 蕓，等. 近紅外光譜法無(wú)損檢測(cè)平谷產(chǎn)大桃品質(zhì)方法研究[J]. 分析化學(xué)，2023，51（3）：454-462.

[45]高 升，徐建華. 高光譜成像的紅提總酸與硬度的預(yù)測(cè)及其分布可視化[J]. 食品科學(xué)，2023，44（2）：327-336.

[46]李 雄，劉燕德，歐陽(yáng)愛(ài)國(guó)，等. 酥梨貨架期的高光譜成像無(wú)損檢測(cè)模型研究[J]. 光譜學(xué)與光譜分析，2019，39（8）：2578-2583.

[47]葛春靖，張淑娟，孫海霞. 基于GA-BP神經(jīng)網(wǎng)絡(luò)玉露香梨可溶性固形物高光譜技術(shù)檢測(cè)[J]. 現(xiàn)代食品科技，2021，37（5）：296-302，278.

[48]Huang F H，Liu Y H，Sun X Y，et al. Quality inspection of nectarine based on hyperspectral imaging technology[J]. Systems Science & Control Engineering，2021，9（1）：350-357.

[49]Xu M，Sun J，Cheng J H，et al. Non-destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm[J]. International Journal of Food Science & Technology，2023，58（1）：9-21.

[50]孫靜濤，馬本學(xué)，董 娟，等. 高光譜技術(shù)結(jié)合特征波長(zhǎng)篩選和支持向量機(jī)的哈密瓜成熟度判別研究[J]. 光譜學(xué)與光譜分析，2017，37（7）：2184-2191.

[51]Tian P，Meng Q H，Wu Z F，et al. Detection of mango soluble solid content using hyperspectral imaging technology[J]. Infrared Physics & Technology，2023，129：104576.