高光譜成像技術(shù)在蘋果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用

摘" " 要：中國(guó)是世界最大的蘋果生產(chǎn)國(guó)，品質(zhì)是蘋果質(zhì)量最重要的評(píng)價(jià)指標(biāo)，傳統(tǒng)的品質(zhì)檢測(cè)方法費(fèi)時(shí)、費(fèi)力且具有破壞性，特別是對(duì)果實(shí)內(nèi)部品質(zhì)難以實(shí)現(xiàn)規(guī)?；瘷z測(cè)和品質(zhì)等級(jí)劃分，開展蘋果品質(zhì)快速、無(wú)損檢測(cè)技術(shù)研究是實(shí)現(xiàn)中國(guó)蘋果產(chǎn)業(yè)高質(zhì)量發(fā)展的迫切需求。高光譜成像技術(shù)融合了傳統(tǒng)成像技術(shù)和光譜分析技術(shù)，能夠獲取大量包含連續(xù)波長(zhǎng)信息的圖像塊，提供關(guān)于待測(cè)目標(biāo)的光譜和圖像信息，光譜信息可用于對(duì)水果內(nèi)部品質(zhì)的檢測(cè)，圖像信息則可檢測(cè)水果的外部品質(zhì)，是近年來(lái)發(fā)展迅速的一項(xiàng)果品品質(zhì)無(wú)損檢測(cè)技術(shù)。為了進(jìn)一步了解國(guó)內(nèi)外高光譜成像技術(shù)在蘋果品質(zhì)檢測(cè)中應(yīng)用的研究進(jìn)展，簡(jiǎn)介了高光譜成像技術(shù)的基本原理和常用的數(shù)據(jù)處理方法，綜述了高光譜技術(shù)在蘋果內(nèi)外部品質(zhì)檢測(cè)上的應(yīng)用，如可溶性固形物含量、可滴定酸含量、硬度、含水量等內(nèi)部品質(zhì)，損傷與缺陷、病蟲害、農(nóng)藥殘留等外部品質(zhì)，最后指出了目前該技術(shù)在應(yīng)用過(guò)程中存在的問(wèn)題，并展望了該技術(shù)未來(lái)在蘋果上的發(fā)展趨勢(shì)，以期為今后蘋果品質(zhì)快速、無(wú)損檢測(cè)提供新的思路。

關(guān)鍵詞：蘋果品質(zhì)；高光譜成像技術(shù)；無(wú)損檢測(cè)

中圖分類號(hào)：S661.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1009-9980（2024）12-2582-13

Application of hyperspectral imaging technology in non-destructive detection of apple quality

DONG Congying1， YANG Tianyi1， CHEN Qian2， LIU Li1， 3， XIAO Xiong1， WEI Zhifeng1， SHI Caiyun1， SHAO Yajie4， GAO Dengtao1， 4*

（1Zhengzhou Fruit Research Institute， CAAS， Zhengzhou 450009， Henan， China; 2Institute of Agricultural Resources and Regional Planning， CAAS， Beijing 100081， China; 3 Zhongyuan Research Center， CAAS， Xinxiang 453500， Henan， China; 4Institute of Western Agriculture， CAAS， Changji 831100， Xinjiang， China）

Abstract： Apple is one of the most important fruit trees in the world. The external quality of apples， including color， size， peel damage， defects， etc.， is the most direct feature that affects whether consumers buy or not， and the internal quality including soluble solids， titratable acid， hardness， etc.， is essential to affect the nutritional value and sensory experience. Therefore， both internal and external qualities affect the market value of apples. It is very important to detect and evaluate the internal and external quality of apples after harvest. Traditional quality detection methods rely mainly on manual and instrumental methods， including mass spectrometry， high performance liquid chromatography， refractometry， and direct observation method. However， although these methods are highly precise， they have the disadvantages of being time-consuming， destructive， and difficult in detection on a large scale， especially detection of external quality with the naked eye would be affected by subjectivity. Therefore， in order to reduce the limitations of traditional methods in fruit quality detection， developing an accurate， rapid and non-destructive fruit quality analysis method for quality detection and grading is essential. In recent years， non-destructive detecting has been widely used in fruit quality detection. At present， the commonly used non-destructive detecting technologies include near-infrared detection technology， fluorescence imaging detection technology， hyperspectral imaging technology， etc. Compared with the first two methods， hyperspectral imaging technology not only combines imaging technology with spectral technology， but can also obtain two-dimensional spatial information and one-dimensional spectral data at the same time， which consequently enables obtaining multiple dimension information with higher resolution. The image information obtained by hyperspectral imaging technology can be used to detect and evaluate the external quality， while the spectral information can be used to detect the internal quality. Therefore， hyperspectral imaging technology is expected to achieve non-destructive and accurate measurement and evaluation of the internal and external quality of apples. So far， various studies have been reported on the application of hyperspectral imaging technology to the quality detection of apples， and the feasibility of this technology in the non-destructive detecting technology of apple quality has been preliminarily confirmed. In order to deeply explore the research progress of hyperspectral imaging technology in apple quality detection and make hyperspectral imaging technology more widely used， this paper first introduced the basic components of hyperspectral system， imaging principles， and common methods of data processing in research. Secondly， the application progress of hyperspectral imaging technology in assessing apple internal and external quality was reviewed. Finally， the current challenges in the field of hyperspectral imaging were discussed， and the future direction of the more extensive and integrated application of this technology in the future was proposed. The research progress in the application of hyperspectral imaging technology in the internal and external quality of apples includes： （1） For internal quality， the technology can accurately quantify the soluble solids， firmness， and moisture content， which are essential for assessing flavor and ripeness. However， there are few studies on the prediction of titratable acids using hyperspectral imaging， which may be due to their lower levels in apple fruits. Therefore， future work can consider combining multiple technologies for further research. （2） In terms of external quality， the hyperspectral imaging can detect the shape， size， color， surface defects， contaminants， pest and disease infestations， and pesticide residues of apples by analyzing two-dimensional spatial information or combining image and spectral data， which is essential for post-harvest evaluation and grading. In addition， some studies have shown that hyperspectral imaging can distinguish internal pests and diseases in transmission patterns， which is important to ensure consumer safety and satisfaction. Although many studies have confirmed the application prospects of the hyperspectral imaging in apple quality detection， there are still some challenges in the application of this technology， such as the different data processing methods used in different origins and varieties， the low robustness of the model， the high cost of the instrument， and the transition from laboratory to actual field use. Therefore， future work can improve the accuracy of the model through the combination of multiple technologies and the development of more refined algorithms， so as to provide a better reference for non-destructive detecting of apple quality.

Key words： Apple quality; Hyperspectral imaging techniques; Non-destructive detecting

蘋果口感酸甜、汁液豐富，且具有生態(tài)適應(yīng)性強(qiáng)、營(yíng)養(yǎng)價(jià)值高、耐貯藏等優(yōu)點(diǎn)，深受消費(fèi)者喜愛。隨著人民生活水平的提高，消費(fèi)者對(duì)蘋果品質(zhì)的要求也越來(lái)越嚴(yán)格，不僅要求蘋果具有較好的外觀品質(zhì)，而且更加關(guān)注口感、質(zhì)地、營(yíng)養(yǎng)價(jià)值等內(nèi)部品質(zhì)[1]。蘋果外觀品質(zhì)包括顏色、大小、果皮損傷、缺陷等，是影響消費(fèi)者是否購(gòu)買的最直觀特征，也是影響價(jià)格的關(guān)鍵因素；內(nèi)部品質(zhì)包括可溶性固形物含量、可滴定酸含量、硬度等，是影響蘋果營(yíng)養(yǎng)價(jià)值和感官體驗(yàn)的關(guān)鍵特征，同時(shí)也是生產(chǎn)上判斷蘋果成熟的重要指標(biāo)[2]。

中國(guó)是世界上最大的蘋果生產(chǎn)國(guó)，但2023年全國(guó)蘋果出口量?jī)H為79.6萬(wàn)t，相對(duì)于3000多萬(wàn)t的產(chǎn)量，幾乎可以忽略不計(jì)，與中國(guó)蘋果生產(chǎn)第一大國(guó)的地位差距巨大。究其原因，主要是蘋果生產(chǎn)質(zhì)量不高，適宜出口的優(yōu)質(zhì)果較少，其次是蘋果采后分級(jí)嚴(yán)重滯后，優(yōu)級(jí)果和次級(jí)果等級(jí)劃分不夠明確，經(jīng)過(guò)分級(jí)的標(biāo)準(zhǔn)化商品果少，市場(chǎng)競(jìng)爭(zhēng)力不足[3]。因此，對(duì)蘋果的品質(zhì)進(jìn)行綜合評(píng)估有利于對(duì)不同品質(zhì)的蘋果進(jìn)行分級(jí)以提高其市場(chǎng)競(jìng)爭(zhēng)力。

傳統(tǒng)的蘋果品質(zhì)檢測(cè)方法主要依賴于人工和儀器進(jìn)行，如使用硬度計(jì)測(cè)量蘋果硬度，使用折光儀測(cè)定可溶性固形物含量，利用滴定法測(cè)定可滴定酸含量，利用高效液相色譜測(cè)量有機(jī)酸含量[4]，以及肉眼直觀判斷蘋果是否存在外部損傷、缺陷、病害等，這些方法雖然準(zhǔn)確性高且測(cè)量技術(shù)已經(jīng)基本成熟，但費(fèi)時(shí)、費(fèi)力且具有破壞性，特別是對(duì)于果實(shí)內(nèi)部品質(zhì)，難以實(shí)現(xiàn)規(guī)模化檢測(cè)和品質(zhì)等級(jí)劃分[5-6]。具體表現(xiàn)在，使用傳統(tǒng)方法對(duì)內(nèi)在品質(zhì)測(cè)量前往往需要進(jìn)行樣品前處理，這不僅增加檢測(cè)時(shí)間，而且對(duì)樣品具有破壞性，限制了樣品后續(xù)的使用或銷售；使用人工評(píng)估外部品質(zhì)時(shí)，可能存在一定程度的主觀性，導(dǎo)致判斷標(biāo)準(zhǔn)不一、等級(jí)劃分不清等問(wèn)題。簡(jiǎn)而言之，盡管傳統(tǒng)的蘋果品質(zhì)檢測(cè)方法在準(zhǔn)確性上有其優(yōu)勢(shì)，但在樣品處理、檢測(cè)效率、破壞性和主觀性方面存在限制，難以實(shí)現(xiàn)大規(guī)模、快速的品質(zhì)檢測(cè)，從而導(dǎo)致果品按質(zhì)量分級(jí)難以實(shí)現(xiàn)。因此，開展蘋果品質(zhì)快速、無(wú)損檢測(cè)技術(shù)研究是實(shí)現(xiàn)中國(guó)蘋果產(chǎn)業(yè)高質(zhì)量發(fā)展的迫切需求 。

近年來(lái)，機(jī)器視覺技術(shù)和光譜技術(shù)在評(píng)估水果品質(zhì)方面應(yīng)用廣泛。機(jī)器視覺技術(shù)依靠圖像的灰度信息能夠準(zhǔn)確識(shí)別水果的形狀、大小，使用RGB成像系統(tǒng)能夠有效識(shí)別顏色和外部缺陷，在品質(zhì)分級(jí)、品種分類等過(guò)程中發(fā)揮了重要的作用[7]。但通常來(lái)說(shuō)，機(jī)器視覺技術(shù)不具備穿透能力，因而在內(nèi)在品質(zhì)檢測(cè)上存在明顯的局限性。光譜技術(shù)可以通過(guò)測(cè)定特定波長(zhǎng)的吸收、反射和散射等光譜特性來(lái)獲取樣品的信息，這些信息可以用于預(yù)測(cè)樣品的品質(zhì)和成分，是一種有效的內(nèi)部品質(zhì)評(píng)估工具，但無(wú)法采集樣品的空間信息[8]。因而，這兩種方法在水果品質(zhì)無(wú)損檢測(cè)的應(yīng)用中均受到一定的限制。

高光譜成像技術(shù)的出現(xiàn)解決了上述兩種方法存在的問(wèn)題，該技術(shù)集成了成像技術(shù)和光譜技術(shù)的優(yōu)點(diǎn)，能夠同時(shí)對(duì)內(nèi)部和外部品質(zhì)進(jìn)行評(píng)估和測(cè)量，是近幾年國(guó)內(nèi)外水果品質(zhì)無(wú)損檢測(cè)研究的熱點(diǎn)[9-10]。因此，筆者簡(jiǎn)要介紹了高光譜成像技術(shù)原理、研究中常用的數(shù)據(jù)處理方法，綜述了該技術(shù)在蘋果品質(zhì)檢測(cè)中的應(yīng)用以及在應(yīng)用過(guò)程中存在的問(wèn)題，最后展望了該技術(shù)未來(lái)在蘋果品質(zhì)檢測(cè)上的應(yīng)用方向及前景，以期為今后高光譜成像技術(shù)在蘋果品質(zhì)檢測(cè)領(lǐng)域的發(fā)展提供參考。

1 高光譜成像技術(shù)

1.1 高光譜系統(tǒng)簡(jiǎn)介及原理

高光譜成像技術(shù)將傳統(tǒng)成像技術(shù)和光譜分析技術(shù)結(jié)合于一體，能夠在大量連續(xù)的波長(zhǎng)范圍內(nèi)同時(shí)獲取待測(cè)樣品的空間和光譜信息。這些信息能夠形成一個(gè)包含每個(gè)像素點(diǎn)光譜信息的三維數(shù)據(jù)立方體，在一定程度上反映了待測(cè)樣品內(nèi)部物理性質(zhì)和化學(xué)結(jié)構(gòu)，從而能夠?qū)崿F(xiàn)蘋果內(nèi)部和外部品質(zhì)的檢測(cè)[11]。典型的高光譜成像系統(tǒng)包括光源、成像單元、帶有相應(yīng)控制軟件的計(jì)算機(jī)。成像單元是獲取樣品光譜和空間信息的關(guān)鍵部件，由光譜儀及CCD相機(jī)或互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）相機(jī)組成[12]。

高光譜圖像獲取的方式有點(diǎn)掃描、線掃描和面掃描。其中，線掃描是品質(zhì)檢測(cè)最常用的方式[13]。

1.2 高光譜數(shù)據(jù)處理與分析

高光譜數(shù)據(jù)立方體中包含了樣本的圖像和光譜信息，反映了樣本不同性質(zhì)的信息。圖像信息能夠?qū)崿F(xiàn)對(duì)蘋果外部品質(zhì)的檢測(cè)，光譜信息能夠?qū)崿F(xiàn)對(duì)蘋果內(nèi)在品質(zhì)的檢測(cè)，因此數(shù)據(jù)處理分析需要從光譜和圖像兩方面考慮[13]。

1.2.1 圖像處理 高光譜圖像在采集過(guò)程中容易受相機(jī)暗電流、樣本形狀不規(guī)則、光源不穩(wěn)定的影響產(chǎn)生干擾。因此，要對(duì)圖像進(jìn)行黑白校正，校正公式如下：

[R=I-BW-B]。 " " " " " " " "（1）

其中，R為校正后的高光譜圖像，I為原始圖像，B為純黑圖像，W為白板圖像。

圖像處理包括圖像預(yù)處理、圖像分割和特征提取[11]。圖像預(yù)處理的目的是增強(qiáng)有關(guān)信息的可檢測(cè)性，提高圖像質(zhì)量，使其更好地應(yīng)用于后續(xù)的圖像分割和特征提取。圖像預(yù)處理的方法有直方圖均衡化（histogram equalization）、主成分分析（principal components analysis）、灰度變換（gray level transformation）、對(duì)比度增強(qiáng)（contrast enhancement）等。圖像分割的目的是將目標(biāo)區(qū)域與背景區(qū)域分離，為后續(xù)感興趣區(qū)域的提取提供基礎(chǔ)，常用的方法有大津閾值分割算法（OTSU）、自適應(yīng)閾值圖像分割（Adaptive Threshold）、形態(tài)學(xué)處理等[13]。圖像特征提取的目的是降低數(shù)據(jù)維、減少數(shù)據(jù)冗余和處理時(shí)間等。圖像特征包括紋理、顏色和形態(tài)特征，紋理特征提取常用的方法有灰度共生矩陣（gray-level co-occurrence matrix）、Gabor濾波器、局部二值模式（LBP）、小波變換等；顏色特征提取方法有顏色直方圖（color histogram）、顏色矩（color moments）、顏色聚合向量等；形態(tài)特征提取方法有傅里葉變換（fourier transform）、Sobel算子邊緣檢測(cè)等[14]。

1.2.2 光譜預(yù)處理 高光譜成像系統(tǒng)在采集信息時(shí)，會(huì)受到儀器、環(huán)境等諸多因素的干擾。因此，為了進(jìn)一步提高數(shù)據(jù)的質(zhì)量、提高模型的魯棒性，在圖像校正后需要進(jìn)行光譜預(yù)處理，用于后續(xù)分析。常用的預(yù)處理方法有多元散射校正（multiplicative scatter correction）、一階導(dǎo)數(shù)（first derivative）、二階導(dǎo)數(shù)（second derivative）、均值中心化（mean centering）、歸一化（mean normalization）、基線校正（baseline correction）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate）等[15]。

1.2.3 特征變量的選擇 Hughes現(xiàn)象顯示，當(dāng)可獲取的樣本數(shù)量有限時(shí)，分類精度會(huì)隨著波段數(shù)量的增加出現(xiàn)先上升后下降的趨勢(shì)[16]。因此，即使原始高光譜數(shù)據(jù)立方體包含了幾百個(gè)波段，但也并不是每個(gè)波長(zhǎng)對(duì)應(yīng)的信息都對(duì)后續(xù)的檢測(cè)和建模有用。為了消除無(wú)關(guān)信息的影響，減小數(shù)據(jù)處理的時(shí)間和復(fù)雜程度，需要將預(yù)處理的光譜信息進(jìn)行特征變量的選擇。常用的特征波長(zhǎng)提取方法有無(wú)信息變量消除法（uninformative variables elimination）、競(jìng)爭(zhēng)性自適應(yīng)權(quán)重取樣法（competitive adapative reweighted sampling）、連續(xù)投影算法（successive projections algorithm）、遺傳算法（genetic algorithm）和隨機(jī)蛙跳（random frog，RF）等[17]。

1.2.4 模型建立與評(píng)估 模型的建立分為定性和定量模型，這兩種模型的關(guān)鍵區(qū)別在于他們的分析目標(biāo)，定性模型通常用于分類任務(wù)，即將樣品根據(jù)其屬性歸入預(yù)定義的類別。定量模型則旨在預(yù)測(cè)連續(xù)數(shù)值類型的輸出，例如水果的糖度、酸度、水分含量等內(nèi)部品質(zhì)指標(biāo)。常用的定性模型建立方法有線性判別（linear discriminant analysis）、隨機(jī)森林（random forest）、支持向量機(jī)（support vector machine）、K近鄰（K-nearest neighbor）、最小二乘判別分析（partial least squares-discrimination analysis）等[18-19]。

在模型建立完成后，往往需要對(duì)評(píng)估指標(biāo)模型的準(zhǔn)確性和魯棒性進(jìn)行評(píng)價(jià)。常用于定量分析模型的評(píng)估指標(biāo)有決定系數(shù)（R2）、均方根誤差（RMSEC）、殘差預(yù)測(cè)偏差（RPD）；定性模型的評(píng)估指標(biāo)有準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、ROC曲線[1，5]。

2 高光譜成像技術(shù)在蘋果品質(zhì)檢測(cè)中的應(yīng)用

2.1 內(nèi)部品質(zhì)檢測(cè)

內(nèi)部品質(zhì)是影響蘋果風(fēng)味的關(guān)鍵因素，也是機(jī)體獲取維生素、碳水化合物等營(yíng)養(yǎng)的來(lái)源[20]。因此，內(nèi)部品質(zhì)的檢測(cè)對(duì)評(píng)價(jià)蘋果的整體品質(zhì)至關(guān)重要。一般來(lái)說(shuō)，內(nèi)部品質(zhì)主要包含可溶性固形物含量、可滴定酸含量、硬度、水分含量等。

2.1.1 可溶性固形物含量（SSC） 可溶性固形物含量是果蔬產(chǎn)品中所有可溶解于水的化合物的總稱，包括可溶性糖、酸、維生素、礦物質(zhì)等物質(zhì)，是判定果實(shí)品質(zhì)的一個(gè)重要參數(shù)，也是判斷成熟的關(guān)鍵指標(biāo)[21]。為了提高果實(shí)品質(zhì)及準(zhǔn)確判斷果實(shí)成熟期，不少研究學(xué)者利用高光譜成像技術(shù)對(duì)蘋果可溶性固形物含量進(jìn)行檢測(cè)，是近年來(lái)內(nèi)部品質(zhì)檢測(cè)的研究重點(diǎn)。

?etin等[22]利用高光譜成像技術(shù)獲取了不同收獲時(shí)期的粉紅女士蘋果圖像，通過(guò)圖像分割得到蘋果區(qū)域光譜數(shù)據(jù)，使用Bootstrap Random Forest方法對(duì)原始光譜數(shù)據(jù)進(jìn)行特征選擇，最后使用5種機(jī)器學(xué)習(xí)算法（人工神經(jīng)網(wǎng)絡(luò)ANN、k-最近鄰KNN、決策樹DT、偏最小二乘神經(jīng)網(wǎng)絡(luò)回歸PLSR、多元線性回歸DT）對(duì)SSC進(jìn)行評(píng)估。研究結(jié)果表明，MLR算法對(duì)SSC的預(yù)測(cè)效果最好，R2=0.881。Wang等[23]試圖利用高光譜成像技術(shù)對(duì)蘋果內(nèi)在品質(zhì)進(jìn)行評(píng)估。試驗(yàn)結(jié)果表明，采用歸一化不同光譜指數(shù)結(jié)合穩(wěn)定性競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)抽樣提取的特征波長(zhǎng)所建立的偏最小二乘回歸模型效果最好，SSC相關(guān)系數(shù)R2=0.901，均方根誤差RMSEv=0.535%。Tian等[24]基于傳統(tǒng)的特征選擇方法提出了一種新的深度學(xué)習(xí)算法——堆疊加權(quán)自編碼器（SWAE），并利用該算法提取包含SSC含量信息的深層特征，然后將特征信息輸入灰狼優(yōu)化-支持向量回歸（GWO-SVR）模型中，以定量預(yù)測(cè)SSC。結(jié)果表明，SWAE-GWO-SVR模型的R2為0.943 6，RMSEP為0.132 8。Lu[25]利用高光譜散射技術(shù)獲取了金冠（GD）和紅冠（RD）蘋果在500～1000 nm波段范圍內(nèi)的散射圖像，并建立了反向傳播前饋網(wǎng)絡(luò)模型預(yù)測(cè)兩種蘋果SSC。試驗(yàn)表明，高光譜散射技術(shù)是一種用來(lái)預(yù)測(cè)蘋果SSC的有效手段，但在試驗(yàn)中GD品種SSC的預(yù)測(cè)效果優(yōu)于RD。這可能是因?yàn)镽D蘋果形狀不夠規(guī)則，對(duì)高光譜圖像的獲取產(chǎn)生了一定影響。

上述研究初步證明了高光譜成像技術(shù)在無(wú)損檢測(cè)蘋果SSC方面的實(shí)用性和準(zhǔn)確性。通過(guò)使用不同的預(yù)處理方法、特征選擇技術(shù)以及多種回歸模型，研究人員成功地建立了準(zhǔn)確預(yù)測(cè)SSC的模型。這些模型不僅能提高果實(shí)品質(zhì)評(píng)估的精度，還有助于果實(shí)采摘和售賣時(shí)間的判斷。同時(shí)研究結(jié)果還顯示，果實(shí)的形狀和規(guī)則性可能對(duì)預(yù)測(cè)模型的準(zhǔn)確性產(chǎn)生影響，光譜信息和圖像信息相融合可能有助于提高試驗(yàn)準(zhǔn)確性。因此，未來(lái)應(yīng)考慮從不同的位置收集光譜信息和理化值，使用多種圖像和光譜信息處理方法并開發(fā)出新的算法，進(jìn)一步挖掘數(shù)據(jù)之間的相關(guān)性。

2.1.2 可滴定酸含量 酸度是影響水果風(fēng)味的重要因素，其中蘋果酸和檸檬酸含量是主要的酸度指標(biāo)。前人的研究表明，蘋果風(fēng)味的優(yōu)劣與糖、酸的絕對(duì)值、糖酸比和固酸比均存在密切關(guān)系[26]。因此，對(duì)蘋果中可滴定酸含量進(jìn)行預(yù)測(cè)同樣有利于改善蘋果品質(zhì)以及成熟期的判斷。但由于酸在部分水果和蔬菜中的濃度比糖要小很多，因此導(dǎo)致光譜測(cè)量存在困難[27]。目前鮮見高光譜成像技術(shù)在蘋果酸含量測(cè)定方面的研究，研究人員更多地利用近紅外光譜對(duì)蘋果酸度進(jìn)行研究。

Lovász等[28]驗(yàn)證了近紅外光譜透射技術(shù)在預(yù)測(cè)蘋果的質(zhì)量指標(biāo)（硬度、折射率、pH及可滴定酸、干物質(zhì)、醇不溶性固形物含量）方面的有效性。研究結(jié)果確認(rèn)了近紅外光譜透射法的適用性，但可滴定酸含量的預(yù)測(cè)精度低于其他品質(zhì)指標(biāo)。McGlone等[29]的研究描述了近紅外光譜技術(shù)在預(yù)測(cè)蘋果可滴定酸含量上的局限性。Peirs等[30]使用傅里葉近紅外（FT-NIR）光譜儀和標(biāo)準(zhǔn)光柵光譜儀對(duì)蘋果酸度進(jìn)行預(yù)測(cè)，研究結(jié)果表明，盡管FT-NIR光譜儀在酸度預(yù)測(cè)方面優(yōu)于標(biāo)準(zhǔn)光柵光譜儀，但整體而言，酸度預(yù)測(cè)模型的準(zhǔn)確性并不理想。

綜上所述，盡管有研究利用近紅外光譜技術(shù)驗(yàn)證了其在酸度預(yù)測(cè)上的潛力，但同時(shí)亦有研究揭示了光譜技術(shù)在酸度準(zhǔn)確預(yù)測(cè)方面的挑戰(zhàn)。這表明，盡管該技術(shù)是一種有效手段，但仍需要進(jìn)一步改進(jìn)或與其他方法結(jié)合使用，提高蘋果酸度的預(yù)測(cè)準(zhǔn)確性。目前，利用高光譜成像技術(shù)對(duì)水果酸含量的預(yù)測(cè)有葡萄[31-32]、杧果[33]、梨[34]。

2.1.3 硬度 硬度是判斷水果成熟度和新鮮度的主要指標(biāo)，特別是對(duì)于蘋果這種質(zhì)地較脆的水果來(lái)說(shuō)。Wang等[23]在室外利用高光譜成像技術(shù)采集了100個(gè)富士蘋果在500～900 nm波段范圍內(nèi)的高光譜圖像，采用PTEE球面基準(zhǔn)和光譜指數(shù)對(duì)圖像進(jìn)行定標(biāo)，以消除太陽(yáng)光強(qiáng)度不同、儀器差異等影響，接著利用穩(wěn)定性競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣（SCAR）提取特征波長(zhǎng)，建立偏最小二乘回歸分析（PLSR）模型。該試驗(yàn)結(jié)果表明，歸一化不同光譜指數(shù)處理對(duì)室外采集的圖像具有顯著校正，且結(jié)合SCAR和PLSR能夠有效預(yù)測(cè)蘋果硬度，預(yù)測(cè)模型相關(guān)系數(shù)R2=0.783，均方根誤差RMSEV=0.993。孟慶龍等[35]為實(shí)現(xiàn)基于高光譜成像技術(shù)和BP網(wǎng)絡(luò)模型的蘋果硬度無(wú)損檢測(cè)，利用120個(gè)蘋果在390～1030 nm范圍內(nèi)的平均反射光譜，建立BP網(wǎng)絡(luò)預(yù)測(cè)模型。研究結(jié)果證實(shí)了高光譜成像技術(shù)和BP網(wǎng)絡(luò)模型在蘋果硬度預(yù)測(cè)上的有效性（Rp=0.728，RPm=0.282）。馮迪等[13]利用高光譜成像技術(shù)采集了蘋果雙面高光譜圖像，并通過(guò)遺傳算法開發(fā)神經(jīng)網(wǎng)絡(luò)（GA-BP）建立預(yù)測(cè)模型，實(shí)現(xiàn)了蘋果糖度和硬度的同時(shí)檢測(cè)。模型驗(yàn)證結(jié)果表明，糖度相關(guān)系數(shù)R2為0.847 6，均方誤差MSE為 3.32；硬度相關(guān)系數(shù)R2為0.793 8，MSE為9.6。趙杰文等[36]通過(guò)提取蘋果高光譜圖像中有效光譜信息，建立了偏最小二乘（PLS）和支持向量回歸（SVR）模型用于預(yù)測(cè)蘋果硬度。試驗(yàn)結(jié)果證明，高光譜成像技術(shù)能夠用于檢測(cè)蘋果的硬度，且在785.11～872.45 nm范圍內(nèi)，SVR模型的預(yù)測(cè)結(jié)果優(yōu)于PLS。SVR預(yù)測(cè)模型相關(guān)系數(shù)為0.680 8，均方根誤差RMSEP=0.238 7。

以上研究顯示了高光譜成像技術(shù)結(jié)合不同處理方法和預(yù)測(cè)模型在無(wú)損檢測(cè)蘋果硬度方面的潛力。但預(yù)測(cè)模型相關(guān)系數(shù)分布在0.6～0.8之間，表明這些模型在硬度預(yù)測(cè)方面具有一定程度的準(zhǔn)確性，同時(shí)也存在一定的改進(jìn)空間。此外，馮迪等[13]的研究實(shí)現(xiàn)了糖度和硬度的同時(shí)預(yù)測(cè)，證明了多種指標(biāo)的同時(shí)檢測(cè)是可行的。

2.1.4 水分含量 蘋果的水分含量也是內(nèi)部品質(zhì)的重要組成部分，不僅直接影響貯藏壽命，還影響口感和風(fēng)味。適當(dāng)?shù)乃帜軌虮３痔O果的多汁，提升口感；水分含量低導(dǎo)致蘋果干癟萎縮，且口感變差。

查啟明[37]使用主成分分析（PCA）和連續(xù)投影算法（SPA）提取蘋果高光譜圖像中的特征數(shù)據(jù)，并采用網(wǎng)格搜索法及粒子群算法對(duì)支持向量回歸（SVR）參數(shù)進(jìn)行優(yōu)化，建立了4種水分預(yù)測(cè)模型并進(jìn)行對(duì)比，最終選出最優(yōu)模型組合為SPA-Grid-SVR，預(yù)測(cè)集相關(guān)系數(shù)Rp=0.875 4、均方根誤差RMSEP=0.238 7。Crichton等[38]通過(guò)研究發(fā)現(xiàn)，3個(gè)特定波長(zhǎng)（540、817、977 nm）的反射率數(shù)據(jù)就足以預(yù)測(cè)蘋果切片的水分含量。Shrestha等[39]利用PLSR建立了不同品種、不同厚度的蘋果切片在60 ℃和70 ℃干燥條件下水分比的平均光譜反射率曲線的回歸模型，結(jié)果表明，水分比預(yù)測(cè)效果較好，R2=0.94，RMSEC=0.076。

上述研究表明，利用高光譜成像技術(shù)結(jié)合先進(jìn)的數(shù)據(jù)處理和機(jī)器學(xué)習(xí)方法，可以準(zhǔn)確無(wú)損地預(yù)測(cè)蘋果的水分含量。與硬度相比，基于高光譜成像技術(shù)的水分預(yù)測(cè)模型準(zhǔn)確性更高（表1）。因此，未來(lái)這些模型有望應(yīng)用于蘋果品質(zhì)檢測(cè)和分級(jí)系統(tǒng)，為消費(fèi)者提供更高品質(zhì)的蘋果，為農(nóng)業(yè)生產(chǎn)者提供更高效的管理工具。

2.2 外部品質(zhì)檢測(cè)

蘋果品質(zhì)檢測(cè)是一個(gè)全面評(píng)估的過(guò)程，不僅涉及內(nèi)部品質(zhì)，還包括外觀品質(zhì)特征的評(píng)定，如形狀、大小、顏色特征。此外，由于水果自身特性以及地域差異等因素，在儲(chǔ)存、運(yùn)輸過(guò)程中容易受到擠壓、碰傷、凍傷、病蟲害等多種損傷，這些都可能會(huì)造成蘋果品質(zhì)下降。

2.2.1 形狀、大小、顏色特征 對(duì)于消費(fèi)者來(lái)說(shuō)，蘋果的形狀、大小、顏色等外觀品質(zhì)特征是選擇果品時(shí)的最直觀因素，也是最容易評(píng)估的屬性。大多數(shù)消費(fèi)者傾向于購(gòu)買顏色鮮艷、外觀均勻、大小適中的蘋果[40]。

程國(guó)首等[41]以紅富士蘋果為研究對(duì)象，使用大津法對(duì)852/713波段比圖像進(jìn)行分割，開運(yùn)算算法去除果梗區(qū)域，得到完整的蘋果區(qū)域圖像，之后提取蘋果色調(diào)累計(jì)直方圖的特征，采用AdaBoost算法反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，使其訓(xùn)練成由多個(gè)弱分類器組成的強(qiáng)分類。分級(jí)結(jié)果顯示，模型與人工分級(jí)一致率達(dá)97.7%。郭俊先等[42]通過(guò)對(duì)采集到的蘋果高光譜圖像進(jìn)行分割，剔除果梗區(qū)域等處理，再以面積、充實(shí)度、周長(zhǎng)、橢圓長(zhǎng)軸長(zhǎng)度、短軸長(zhǎng)度、RGB圖像和色調(diào)H分量圖像中目標(biāo)區(qū)域的平均灰度和灰度標(biāo)準(zhǔn)差為特征，建立3種判別函數(shù)，實(shí)現(xiàn)了蘋果不同等級(jí)的劃分。Garrido-Novell等[43]根據(jù)不同儲(chǔ)存狀態(tài)下RGB相機(jī)和高光譜相機(jī)獲取的顏色特征實(shí)現(xiàn)了對(duì)蘋果的分類，并證明了高光譜相機(jī)在區(qū)分不同儲(chǔ)存條件下蘋果顏色方面比正常的RGB相機(jī)具有更大的應(yīng)用潛力，分類準(zhǔn)確率達(dá)95.83%。

以上研究表明，通過(guò)不同的圖像處理和數(shù)據(jù)分析方法，高光譜成像技術(shù)可以自動(dòng)識(shí)別蘋果的顏色、形狀和尺寸特征，從而進(jìn)行有效的品質(zhì)分級(jí)。該技術(shù)的應(yīng)用不僅能夠幫助生產(chǎn)者降低人工成本，提高分揀效率，還確保了消費(fèi)者能夠購(gòu)買到符合期待的高品質(zhì)蘋果。此外，還能夠滿足市場(chǎng)上不同消費(fèi)者群體對(duì)品質(zhì)多樣化蘋果的需求和提高生產(chǎn)者的經(jīng)濟(jì)效益。

2.2.2 表面損傷 由于蘋果質(zhì)地較脆，極易在采摘、運(yùn)輸和采后處理中受到磕碰、撞擊等，不僅影響外觀品質(zhì)，降低消費(fèi)者的購(gòu)買欲望，還會(huì)引起內(nèi)部品質(zhì)劣變，甚至傳染至同批次蘋果，造成種植者經(jīng)濟(jì)效益的嚴(yán)重降低。而人工挑選不僅耗時(shí)費(fèi)力，且對(duì)于瘀傷表面積小或果皮顏色較深的蘋果很難察覺，因此基于機(jī)器視覺的自動(dòng)分揀非常重要。

Keresztes等[44]開發(fā)了一種基于短波紅外波段的高光譜成像系統(tǒng)，該系統(tǒng)是基于像素的、實(shí)時(shí)的蘋果早期瘀傷系統(tǒng)。在該研究中，通過(guò)多種預(yù)處理方法與偏最小二乘判別分析（PLS-DA）的結(jié)合實(shí)現(xiàn)了瘀傷和正常像素蘋果圖像的區(qū)分。試驗(yàn)結(jié)果表明，該系統(tǒng)識(shí)別蘋果瘀傷的準(zhǔn)確率達(dá)98%，且每個(gè)蘋果的處理時(shí)間低于200 ms。Baranowski等[45]使用高光譜相機(jī)（400～2500 nm）結(jié)合熱成像相機(jī)（3500～5000 nm）對(duì)不同品種蘋果的瘀傷以及損傷深度進(jìn)行檢測(cè)，結(jié)果證實(shí)400～5000 nm波段范圍結(jié)合建立的模型不僅能夠區(qū)分瘀傷和健康組織，對(duì)于不同深度的瘀傷也有較好的預(yù)測(cè)效率。Zhang等[46]提出了一種基于最小噪聲分離變換（MNF）的蘋果輕微損傷檢測(cè)方法。該方法首先使用主成分分析（PCA）和最低噪聲分離變換（MNF）對(duì)50個(gè)蘋果樣本正常和不同損傷時(shí)間的樣本圖像進(jìn)行變換，又利用I-RELIEF算法提取了5個(gè)特征波長(zhǎng)，最后通過(guò)對(duì)比兩種圖像變換方法結(jié)合I-RELIEF算法對(duì)80個(gè)正常和損傷蘋果的識(shí)別準(zhǔn)確率進(jìn)行試驗(yàn)。結(jié)果表明，損傷識(shí)別總體正確率達(dá)97.1%，證明該方法可以快速有效地識(shí)別蘋果早期輕微損傷。沈宇等[47]以120個(gè)富士蘋果為研究對(duì)象，利用高光譜成像技術(shù)獲取了健康和輕微損傷0、2、4 h的蘋果樣本在400～1000 nm波段范圍內(nèi)的高光譜圖像，通過(guò)光譜預(yù)處理及兩次連續(xù)投影法找到了共線性最小的兩個(gè)波長(zhǎng)（821、940 nm），接著對(duì)提取的特征波長(zhǎng)圖像進(jìn)行主成分分析，尋找能夠區(qū)分損傷和健康區(qū)域的有效圖像，最后對(duì)有效圖像進(jìn)行固定閾值分割和形態(tài)學(xué)處理。研究結(jié)果表明，利用該方法對(duì)不同輕微損傷時(shí)間的蘋果總體檢測(cè)準(zhǔn)確率達(dá)94.4%。蔣金豹等[48]使用高光譜成像系統(tǒng)采集了54個(gè)輕微損傷的黃香蕉、煙臺(tái)富士蘋果在400～1000 nm波段范圍內(nèi)的圖像，經(jīng)過(guò)感興趣區(qū)域平均光譜的提取、最小噪聲分離、端元波譜提取、損傷區(qū)域波譜和端元波譜光譜角的計(jì)算，構(gòu)建PCA、MNF、EESA模型，實(shí)現(xiàn)了蘋果輕微損傷檢測(cè)。結(jié)果表明，EESA模型的檢測(cè)準(zhǔn)確率最高，識(shí)別準(zhǔn)確率達(dá)到90.07%。

以上研究表明，高光譜成像技術(shù)在提高蘋果外觀缺陷和損傷的檢測(cè)準(zhǔn)確性以及效率方面表現(xiàn)出巨大潛力，未來(lái)該技術(shù)的廣泛應(yīng)用或許有助于促進(jìn)自動(dòng)化果品分揀系統(tǒng)的發(fā)展，降低人工成本，提升蘋果產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力。但是在多數(shù)研究中，僅以富士品種為研究對(duì)象，對(duì)于其他品種的蘋果研究較少，且多項(xiàng)研究表明，不同蘋果品種之間不存在普適性的處理方法。因此，為了確保高光譜成像技術(shù)可以廣泛地應(yīng)用于不同品種的蘋果，未來(lái)的研究應(yīng)該注重品種多樣化。

2.2.3 外觀缺陷 病蟲害是影響蘋果品質(zhì)和安全性的重要品質(zhì)之一，受病蟲害影響的蘋果往往在外觀上表現(xiàn)出斑點(diǎn)、裂縫、蟲洞等缺陷，嚴(yán)重影響蘋果外觀質(zhì)量。因此，為了滿足消費(fèi)者對(duì)蘋果外觀完整、整潔且無(wú)缺陷的需求，以及提高蘋果市場(chǎng)價(jià)值，研究人員利用高光譜圖像技術(shù)對(duì)水果表面缺陷進(jìn)行大量研究。

趙娟等[49]利用高光譜技術(shù)對(duì)蘋果外觀缺陷進(jìn)行檢測(cè)，同時(shí)對(duì)比主成分分析和波段比率法在高光譜圖像上的應(yīng)用效果。最終試驗(yàn)結(jié)果顯示，兩種方法對(duì)蘋果表面缺陷的分級(jí)準(zhǔn)確率分別為81.25%、93.75%。孟慶達(dá)[50]同樣使用波段比值算法實(shí)現(xiàn)了蘋果缺陷與正常區(qū)域的識(shí)別，進(jìn)一步證實(shí)了高光譜成像技術(shù)下波段比率法能夠用于蘋果表面缺陷檢測(cè)與識(shí)別。劉思伽等[51]利用高光譜成像技術(shù)對(duì)蘋果的炭疽病、苦痘病、黑斑病和褐腐病的病果進(jìn)行無(wú)損檢測(cè)，根據(jù)病果和正常果在光譜值上的差異，提出改進(jìn)流形距離方法，選擇出3個(gè)特征波長(zhǎng)（700、765、904 nm），將3個(gè)波長(zhǎng)對(duì)應(yīng)的相對(duì)反射率進(jìn)行組合，建立BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，700和904 nm為最佳組合，病果的檢測(cè)率達(dá)96.25%。崔惠楨[52]利用高光譜成像技術(shù)對(duì)不同染病時(shí)間的蘋果炭疽病進(jìn)行研究，通過(guò)對(duì)比多種預(yù)處理、特征波長(zhǎng)選擇和回歸模型方法，最終得出最優(yōu)判別模型為UVE-RAW-LS-SVM，整體判別正確率為95.8%。

田有文等[53]提取正常和蟲害蘋果的光譜和紋理特征信息，并將兩種特征進(jìn)行優(yōu)化組合，形成4組特征向量作為BP人工神經(jīng)網(wǎng)絡(luò)輸入矢量，以確定能夠檢測(cè)蘋果蟲害的最優(yōu)向量。最終結(jié)果顯示，利用0度方向的能量、熵、慣性矩、相關(guān)性及646 nm和824 nm波長(zhǎng)的光譜信息融合后對(duì)兩種蘋果進(jìn)行檢測(cè)的效果最好。

以上研究結(jié)果表明，高光譜成像技術(shù)對(duì)蘋果病蟲害發(fā)生造成的外觀缺陷進(jìn)行檢測(cè)和識(shí)別是可行的。但更多的研究聚焦于發(fā)生病害造成的外觀缺陷上，關(guān)于蟲害的研究較少，可能的原因是部分害蟲危害果實(shí)內(nèi)部，對(duì)外觀品質(zhì)影響較小，難以通過(guò)圖像技術(shù)進(jìn)行區(qū)分。

2.2.4 農(nóng)藥殘留 為了降低病蟲害的發(fā)生頻率，減少昆蟲和病害對(duì)蘋果的侵?jǐn)_，在生產(chǎn)上，往往使用化學(xué)防治法、生物防治法、生物和化學(xué)防治結(jié)合法避免病蟲害發(fā)生或泛濫。但在實(shí)際生產(chǎn)上，蘋果種植者往往更傾向于使用簡(jiǎn)便的化學(xué)防治法。該方法見效快且成本低廉，但容易造成農(nóng)藥殘留，危害消費(fèi)者健康安全，而且可能污染土壤及地下水。因此，急需一種快速、無(wú)損、準(zhǔn)確的方法對(duì)噴灑過(guò)農(nóng)藥的蘋果進(jìn)行檢測(cè)。

劉木華等[54]通過(guò)設(shè)置不同的試驗(yàn)處理，發(fā)現(xiàn)表面噴灑農(nóng)藥及不噴灑農(nóng)藥的高光譜灰度圖像之間灰度值分布在1～100之間的像素個(gè)數(shù)存在差異，噴灑同種類農(nóng)藥的不同濃度處理之間也存在差異。試驗(yàn)結(jié)果表明，基于高光譜圖像的檢測(cè)方法能夠評(píng)估農(nóng)藥的殘留與否。喬琦[55]使用高光譜成像技術(shù)結(jié)合電子鼻對(duì)蘋果農(nóng)藥殘留進(jìn)行研究，建立了基于高光譜和高光譜-電子鼻技術(shù)的農(nóng)藥殘留檢測(cè)模型。試驗(yàn)結(jié)果顯示兩種方法都有好的檢測(cè)效果，高光譜-電子鼻融合技術(shù)的準(zhǔn)確性更高。Jiang等[56]以4種不同農(nóng)藥處理過(guò)的蘋果和健康蘋果為對(duì)照，分別采集高光譜圖像，通過(guò)ROI區(qū)域的提取、高斯白噪聲的添加等處理，建立卷積神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，當(dāng)訓(xùn)練epoch數(shù)為10時(shí)，測(cè)試集檢測(cè)準(zhǔn)確率為99.09%，單波段平均圖像檢測(cè)準(zhǔn)確率為95.35%。

上述研究結(jié)果表明，高光譜成像技術(shù)是一種準(zhǔn)確、無(wú)損的技術(shù)，可為蘋果采后農(nóng)藥殘留提供切實(shí)有效的檢測(cè)（表2）。此外，通過(guò)與其他技術(shù)如電子鼻的結(jié)合可進(jìn)一步提高檢測(cè)準(zhǔn)確率。

3 存在的問(wèn)題與發(fā)展趨勢(shì)

3.1 存在的問(wèn)題

上述多項(xiàng)研究表明，將高光譜成像技術(shù)應(yīng)用于蘋果品質(zhì)檢測(cè)在理論上顯示出了諸多潛力和優(yōu)勢(shì)，該技術(shù)不僅能夠?qū)崿F(xiàn)對(duì)內(nèi)部品質(zhì)的預(yù)測(cè)，在外部品質(zhì)檢測(cè)方面也獲得了廣泛應(yīng)用。但目前，該技術(shù)的應(yīng)用大多局限于室內(nèi)的實(shí)驗(yàn)室中，從理論到實(shí)踐的過(guò)程中仍存在很多挑戰(zhàn)[8，57-58]。

1）樣本自身影響：在蘋果品質(zhì)檢測(cè)過(guò)程中，往往需要采集多次不同時(shí)間的圖像，不同時(shí)間蘋果擺放位置及個(gè)體間形狀的差異或不規(guī)則可能會(huì)導(dǎo)致光線的散射或反射程度不同，從而使采集的光譜數(shù)據(jù)不均勻、光譜信息和質(zhì)量不一致。蘋果的果柄和果萼部分與正常果肉部分光譜曲線存在較大差異，往往需要事先剔除。

2）處理方法普適性低：高光譜成像技術(shù)能夠獲取幾百個(gè)波段內(nèi)的信息，這雖然提供了更豐富的信息用于品質(zhì)分析，但同時(shí)也帶來(lái)了信息冗余問(wèn)題。以上多個(gè)研究表明，并非所有波段的信息均對(duì)后續(xù)的分析有用，為了提高數(shù)據(jù)處理效率，大多需要進(jìn)行特征選擇或降維處理。而上述多個(gè)研究顯示，不同產(chǎn)區(qū)、不同品種的蘋果由于環(huán)境、氣候、栽培管理等因素存在一定的差異，因而在光譜和圖像信息上也有所差別。這意味著特定條件下預(yù)處理、特征波長(zhǎng)選擇、模型建立方法可能無(wú)法直接應(yīng)用于不同產(chǎn)區(qū)、品種的蘋果。

3）受室外環(huán)境影響大：外界環(huán)境如光照度、光線分布、天氣情況會(huì)對(duì)高光譜圖像的采集產(chǎn)生影響，使得高光譜成像技術(shù)雖在實(shí)驗(yàn)室中能夠獲取較高的預(yù)測(cè)相關(guān)系數(shù)或分類準(zhǔn)確率，但在室外應(yīng)用效果差。

4）成本昂貴：高光譜成像系統(tǒng)價(jià)格偏高，普通小型果園難以負(fù)擔(dān)。

5）高光譜成像系統(tǒng)往往需要搭載無(wú)人機(jī)或室內(nèi)暗箱使用，設(shè)備較大，不易攜帶。

3.2 發(fā)展趨勢(shì)

盡管如此，隨著技術(shù)的不斷創(chuàng)新和優(yōu)化，將高光譜成像技術(shù)應(yīng)用到實(shí)際場(chǎng)景中仍是有望實(shí)現(xiàn)的。為盡早將高光譜成像技術(shù)應(yīng)用到實(shí)際生產(chǎn)上，為消費(fèi)者提供更高品質(zhì)的蘋果，為蘋果產(chǎn)業(yè)的發(fā)展提供強(qiáng)有力的技術(shù)支撐，在今后的研究中可以從樣本采集、數(shù)據(jù)處理、技術(shù)整合和設(shè)備開發(fā)等多方面著手：

1）增加樣本來(lái)源和數(shù)量。盡管有研究顯示，不存在普適的處理方法或模型，但隨著技術(shù)的適應(yīng)性不斷增強(qiáng)，盡量多地收集不同產(chǎn)區(qū)、品種、年份的蘋果，建立基礎(chǔ)模型的穩(wěn)定性會(huì)越來(lái)越高。在此基礎(chǔ)上，通過(guò)微調(diào)模型參數(shù)，可以將其應(yīng)用到不同產(chǎn)區(qū)、不同品種的蘋果無(wú)損檢測(cè)中。

2）從處理方法上入手，開發(fā)出更高效的特征提取算法或圖像處理技術(shù)，通過(guò)特征提取算法挖掘包含特征信息的深層信息，并在減少數(shù)據(jù)量的同時(shí)保留對(duì)品質(zhì)檢測(cè)有價(jià)值的信息。如Tian等[24]開發(fā)出的特征提取方法—堆疊加權(quán)自編碼器，提取了包含可溶性固形物含量的深層信息，提高了可溶性固形物含量的預(yù)測(cè)準(zhǔn)確性。談文藝[59]對(duì)選出的特征波長(zhǎng)進(jìn)行PCA分析，結(jié)合圖像處理設(shè)計(jì)出一種精確識(shí)別蘋果不同損傷時(shí)間的算法，識(shí)別率可達(dá)98.5%。此外，對(duì)外部品質(zhì)的分析操作以及高準(zhǔn)確性預(yù)測(cè)或分類均需要通過(guò)圖像實(shí)現(xiàn)，因此，高效的圖像處理技術(shù)能夠使圖像特征更加突出。

3）與其他技術(shù)相結(jié)合。高光譜成像技術(shù)與近紅外光譜技術(shù)結(jié)合，能夠更準(zhǔn)確、更全面地對(duì)內(nèi)部品質(zhì)如糖度、可溶性固形物含量等進(jìn)行檢測(cè)，此外，近紅外光譜儀器輕小，方便攜帶，兩種技術(shù)結(jié)合或許能使品質(zhì)檢測(cè)走出實(shí)驗(yàn)室；高光譜技術(shù)穿透能力有限，但高光譜成像系統(tǒng)本身包含透射模式，因而將其與CT技術(shù)、熱成像等技術(shù)相結(jié)合或許能夠提高內(nèi)部病蟲害以及成熟度判斷的準(zhǔn)確率。

4）多模式成像研究。目前，對(duì)蘋果內(nèi)外部品質(zhì)的檢測(cè)大多僅利用高光譜成像中的反射模式，而忽略了透射和漫反射模式的作用。盡管透射模式僅具有幾毫米的透射能力，但對(duì)于發(fā)生在果皮下的病害，如蘋果苦痘病，仍具有一定的檢測(cè)能力。此外，苦痘病發(fā)生早期僅表現(xiàn)在果皮下，無(wú)法及時(shí)預(yù)測(cè)，利用高光譜成像技術(shù)的透射模式結(jié)合反射模式或許能實(shí)現(xiàn)早期病害檢測(cè)，降低經(jīng)濟(jì)損失。

4 結(jié) 論

高光譜成像技術(shù)結(jié)合了傳統(tǒng)成像技術(shù)和光譜分析的優(yōu)點(diǎn)，能夠通過(guò)獲取蘋果的圖像和光譜信息，為蘋果的綜合品質(zhì)提供快速、無(wú)損檢測(cè)。利用光譜信息與多種處理方法結(jié)合可準(zhǔn)確預(yù)測(cè)蘋果內(nèi)在品質(zhì)，而圖像及圖像處理技術(shù)相結(jié)合可有效識(shí)別外觀品質(zhì)。在過(guò)去幾十年，大量研究證明了高光譜成像技術(shù)在蘋果檢測(cè)中的研究?jī)r(jià)值。筆者綜述了高光譜成像技術(shù)在蘋果品質(zhì)檢測(cè)中的應(yīng)用現(xiàn)狀，涵蓋了蘋果的內(nèi)外在品質(zhì)，內(nèi)在品質(zhì)包括可溶性固形物含量、硬度、可滴定酸含量、水分含量，外在品質(zhì)包括損傷、缺陷、病蟲害、農(nóng)藥殘留等。但目前，關(guān)于高光譜成像技術(shù)的研究大多僅局限于實(shí)驗(yàn)室中，并未真正應(yīng)用到實(shí)際生產(chǎn)中。因此，在未來(lái)的研究中，如何改進(jìn)、優(yōu)化數(shù)據(jù)處理算法、降低應(yīng)用成本，將該技術(shù)真正應(yīng)用到生產(chǎn)中是需要重點(diǎn)關(guān)注的問(wèn)題。

參考文獻(xiàn)References：

[1] 譚濤，馮樹南，溫青純，黃人帥，孟慶龍，尚靜. 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[J]. 江蘇農(nóng)業(yè)科學(xué)，2024，52（6）：11-18.

TAN Tao，F(xiàn)ENG Shunan，WEN Qingchun，HUANG Renshuai，MENG Qinglong，SHANG Jing. Research progress on application of hyperspectral imaging technology in detection of fruit quality[J]. Jiangsu Agricultural Sciences，2024，52（6）：11-18.

[2] 張保華，李江波，樊書祥，黃文倩，張馳，王慶艷，肖廣東. 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.

ZHANG Baohua，LI Jiangbo，F(xiàn)AN Shuxiang，HUANG Wenqian，ZHANG Chi，WANG Qingyan，XIAO Guangdong. Principles and applications of hyperspectral imaging technique in quality and safety inspection of fruits and vegetables[J]. Spectroscopy and Spectral Analysis，2014，34（10）：2743-2751.

[3] 楊杰. 我國(guó)蘋果出口現(xiàn)狀、問(wèn)題及建議[J]. 果農(nóng)之友，2024（3）：114.

YANG Jie. Current situation，problems and suggestions of China’s apple exports[J]. Fruit Growers’ Friend，2024（3）：114.

[4] 郭燕，梁俊，李敏敏，趙政陽(yáng). 高效液相色譜法測(cè)定蘋果果實(shí)中的有機(jī)酸[J]. 食品科學(xué)，2012，33（2）：227-230.

GUO Yan，LIANG Jun，LI Minmin，ZHAO Zhengyang. Determination of organic acids in apple fruits by HPLC[J]. Food Science，2012，33（2）：227-230.

[5] 熊春暉，佘永新，焦遜，邵勇，賈莉，王淼，肖明，王靜. 高光譜成像技術(shù)在農(nóng)產(chǎn)品無(wú)損檢測(cè)中的應(yīng)用[J]. 糧油食品科技，2023，31（1）：109-122.

XIONG Chunhui，SHE Yongxin，JIAO Xun，SHAO Yong，JIA Li，WANG Miao，XIAO Ming，WANG Jing. Application of hyperspectral imaging technology in nondestructive testing of agricultural products[J]. Science and Technology of Cereals，Oils and Foods，2023，31（1）：109-122.

[6] 劉麗，魏志峰，石彩云，高登濤，劉軍偉，司鵬. 海藻水溶肥和黃腐酸水溶肥對(duì)富士蘋果樹體生長(zhǎng)及果實(shí)品質(zhì)的影響[J]. 果樹學(xué)報(bào)，2023，40（5）：893-901.

LIU Li，WEI Zhifeng，SHI Caiyun，GAO Dengtao，LIU Junwei，SI Peng. Effects of alginate water soluble fertilizer and fulvic acid water soluble fertilizer on tree growth and fruit quality of Fuji apple[J]. Journal of Fruit Science，2023，40（5）：893-901.

[7] 孫梅，付妍，徐冉冉，趙勇，陳興海. 基于高光譜成像技術(shù)的水果品質(zhì)無(wú)損檢測(cè)[J]. 食品科學(xué)技術(shù)學(xué)報(bào)，2013，31（2）：67-71.

SUN Mei，F(xiàn)U Yan，XU Ranran，ZHAO Yong，CHEN Xinghai. Nondestructive inspect of fruit quality with hyperspectral imaging technology[J]. Journal of Food Science and Technology，2013，31（2）：67-71.

[8] 田有文，牟鑫，程怡. 高光譜成像技術(shù)無(wú)損檢測(cè)水果缺陷的研究進(jìn)展[J]. 農(nóng)機(jī)化研究，2014，36（6）：1-5.

TIAN Youwen，MU Xin，CHENG Yi. Advancement of nondestructive detection of fruit defects based on hyperspectral imaging[J]. Journal of Agricultural Mechanization Research，2014，36（6）：1-5.

[9] 文靜，張昂，馬雯，金剛，徐國(guó)前. 高光譜技術(shù)在葡萄品質(zhì)無(wú)損檢測(cè)應(yīng)用上的研究進(jìn)展[J/OL]. 食品科學(xué)，2024：1-18（2024-04-30）. https：//link.cnki.net/urlid/11.2206.TS.20240430.1436.004.

WEN Jing，ZHANG Ang，MA Wen，JIN Gang，XU Guoqian. Research progress on the application of hyperspectral technology for non-destructive testing of grape quality[J/OL]. Food Science，2024：1-18（2024-04-30）. https：//link.cnki.net/urlid/11.2206.TS.20240430.1436.004.

[10] 楊涵，陳謙，王寶剛，李文生，李文志，王炳策，錢建平. 利用高光譜技術(shù)預(yù)測(cè)采前獼猴桃干物質(zhì)含量的可行性試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（13）：133-140.

YANG Han，CHEN Qian，WANG Baogang，LI Wensheng，LI Wenzhi，WANG Bingce，QIAN Jianping. Feasibility of estimating the dry matter content of kiwifruits before being harvested using hyperspectral technology[J]. Transactions of the Chinese Society of Agricultural Engineering，2022，38（13）：133-140.

[11] ELMASRY G，KAMRUZZAMAN M，SUN D W，ALLEN P. 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.

[12] 何馥嫻，蒙慶華，唐柳，黃新，盧旭恒，王瑞揚(yáng)，張克智，李鈺. 高光譜成像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J]. 果樹學(xué)報(bào)，2021，38（9）：1590-1599.

HE Fuxian，MENG Qinghua，TANG Liu，HUANG Xin，LU Xuheng，WANG Ruiyang，ZHANG Kezhi，LI Yu. Research progress in hyperspectral imaging technology for fruit quality detection[J]. Journal of Fruit Science，2021，38（9）：1590-1599.

[13] 馮迪，紀(jì)建偉，張莉，劉思伽，田有文. 基于高光譜成像提取蘋果糖度與硬度最佳波長(zhǎng)[J]. 發(fā)光學(xué)報(bào)，2017，38（6）：799-806.

FENG Di，JI Jianwei，ZHANG Li，LIU Sijia，TIAN Youwen. Optimal wavelengths extraction of apple brix and firmness based on hyperspectral imaging[J]. Chinese Journal of Luminescence，2017，38（6）：799-806.

[14] 吳永清，李明，張波，張影全，郭波莉. 高光譜成像技術(shù)在谷物品質(zhì)檢測(cè)中的應(yīng)用進(jìn)展[J]. 中國(guó)糧油學(xué)報(bào)，2021，36（5）：165-173.

WU Yongqing，LI Ming，ZHANG Bo，ZHANG Yingquan，GUO Boli. Application of hyperspectral imaging technology in grain quality detection[J]. Journal of the Chinese Cereals and Oils Association，2021，36（5）：165-173.

[15] JIAO Y P，LI Z C，CHEN X S，F(xiàn)EI S M. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics，2020，34（11）：e3306.

[16] 孫華生，李曉軒. 高維遙感圖像的快速分類算法[J]. 測(cè)繪科學(xué)，2016，41（8）：19-23.

SUN Huasheng，LI Xiaoxuan. A fast classification algorithm for high-dimensional remote sensing images[J]. Science of Surveying and Mapping，2016，41（8）：19-23.

[17] ZOU X B，ZHAO J W，POVEY M J W，HOLMES M，MAO H P. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta，2010，667（1/2）：14-32.

[18] 邵亞杰，湯秋香，崔建平，李曉娟，王亮，林濤. 融合無(wú)人機(jī)光譜信息與紋理特征的棉花葉面積指數(shù)估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（6）：186-196.

SHAO Yajie，TANG Qiuxiang，CUI Jianping，LI Xiaojuan，WANG Liang，LIN Tao. Cotton leaf area index estimation combining UAV spectral and textural features[J]. Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：186-196.

[19] RAVIKANTH L，JAYAS D S，WHITE N D G，F(xiàn)IELDS P G，SUN D W. Extraction of spectral information from hyperspectral data and application of hyperspectral imaging for food and agricultural products[J]. Food and Bioprocess Technology，2017，10（1）：1-33.

[20] WANG N N，SUN D W，YANG Y C，PU H B，ZHU Z W. Recent advances in the application of hyperspectral imaging for evaluating fruit quality[J]. Food Analytical Methods，2016，9（1）：178-191.

[21] 賈敏，歐中華. 高光譜成像技術(shù)在果蔬品質(zhì)檢測(cè)中的應(yīng)用[J]. 激光生物學(xué)報(bào)，2018，27（2）：119-126.

JIA Min，OU Zhonghua. Application of hyperspectral imaging technique in quality inspection of fruits and vegetables[J]. Acta Laser Biology Sinica，2018，27（2）：119-126.

[22] ?ETIN N，KARAMAN K，KAVUNCUO?LU E，YILDIRIM B，JAHANBAKHSHI A. Using hyperspectral imaging technology and machine learning algorithms for assessing internal quality parameters of apple fruits[J]. Chemometrics and Intelligent Laboratory Systems，2022，230：104650.

[23] WANG F，ZHAO C J，YANG H，JIANG H Z，LI L，YANG G J. Non-destructive and in-site estimation of apple quality and maturity by hyperspectral imaging[J]. Computers and Electronics in Agriculture，2022，195：106843.

[24] TIAN Y，SUN J，ZHOU X，YAO K S，TANG N Q. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm[J]. Journal of Food Processing and Preservation，2022，46（4）：e16414.

[25] LU R F. Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images[J]. Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19-27.

[26] 鄭麗靜，聶繼云，李明強(qiáng)，康艷玲，匡立學(xué)，葉孟亮. 蘋果風(fēng)味評(píng)價(jià)指標(biāo)的篩選研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2015，48（14）：2796-2805.

ZHENG Lijing，NIE Jiyun，LI Mingqiang，KANG Yanling，KUANG Lixue，YE Mengliang. Study on screening of taste evaluation indexes for apple[J]. Scientia Agricultura Sinica，2015，48（14）：2796-2805.

[27] NICOLA? B M，BEULLENS K，BOBELYN E，PEIRS A，SAEYS W，THERON K I，LAMMERTYN J. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy：A review[J]. Postharvest Biology and Technology，2007，46（2）：99-118.

[28] LOVáSZ T，MERéSZ P，SALGó A. Application of near infrared transmission spectroscopy for the determination of some quality parameters of apples[J]. Journal of Near Infrared Spectroscopy，1994，2（4）：213-221.

[29] MCGLONE V A，JORDAN R B，MARTINSEN P J. Vis/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple[J]. Postharvest Biology and Technology，2002，25（2）：135-144.

[30] PEIRS A，SCHEERLINCK N，TOUCHANT K，NICOLAI B M. Comparison of Fourier transform and dispersive near-infrared reflectance spectroscopy for apple quality measurements[J]. Biosystems Engineering，2002，81（3）：305-311.

[31] 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.

GAO Sheng，XU Jianhua. Hyperspectral imaging for prediction and distribution visualization of total acidity and hardness of red globe grapes[J]. Food Science，2023，44（2）：327-336.

[32] XU M，SUN J，CHENG J H，YAO K S，WU X H，ZHOU X. 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 amp; Technology，2023，58（1）：9-21.

[33] RUNGPICHAYAPICHET P，NAGLE M，YUWANBUN P，KHUWIJITJARU P，MAHAYOTHEE B，MüLLER J. Prediction mapping of physicochemical properties in mango by hyperspectral imaging[J]. Biosystems Engineering，2017，159：109-120.

[34] 張芳，鄧照龍，田有文，高鑫，王開田，徐正玉. 基于高光譜成像技術(shù)的南果梨酸度無(wú)損檢測(cè)方法[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024，55（2）：231-239.

ZHANG Fang，DENG Zhaolong，TIAN Youwen，GAO Xin，WANG Kaitian，XU Zhengyu. Non-destructive testing method for acidity of Nanguo pear based on hyperspectral imaging technology[J]. Journal of Shenyang Agricultural University，2024，55（2）：231-239.

[35] 孟慶龍，尚靜，楊雪，張艷. 基于BP網(wǎng)絡(luò)的蘋果硬度高光譜無(wú)損檢測(cè)[J]. 包裝工程，2020，41（15）：14-18.

MENG Qinglong，SHANG Jing，YANG Xue，ZHANG Yan. Nondestructive detection for hyperspectral imaging of apple firmness based on BP network[J]. Packaging Engineering，2020，41（15）：14-18.

[36] 趙杰文，陳全勝，VITTAYAPADUNG S，CHAITEP S. 利用高光譜成像技術(shù)和多變量校正方法檢測(cè)蘋果的硬度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（11）：226-231.

ZHAO Jiewen，CHEN Quansheng，VITTAYAPADUNG S，CHAITEP S. Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations[J]. Transactions of the Chinese Society of Agricultural Engineering，2009，25（11）：226-231.

[37] 查啟明. 基于高光譜成像技術(shù)的蘋果硬度、水分及可溶性固形物含量的無(wú)損檢測(cè)研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2019.

ZHA Qiming. Research on nondestructive testing of hardness，moisture and soluble solids content of apple based on hyperspectral imaging technology[D]. Nanjing：Nanjing Agricultural University，2019.

[38] CRICHTON S，SHRESTHA L，HURLBERT A，STURM B. Use of hyperspectral imaging for the prediction of moisture content and chromaticity of raw and pretreated apple slices during convection drying[J]. Drying Technology，2018，36（7）：804-816.

[39] SHRESTHA L，CRICHTON S O J，KULIG B，KIESEL B，HENSEL O，STURM B. Comparative analysis of methods and model prediction performance evaluation for continuous online non-invasive quality assessment during drying of apples from two cultivars[J]. Thermal Science and Engineering Progress，2020，18：100461.

[40] 張保華. 基于機(jī)器視覺和光譜成像技術(shù)的蘋果外部品質(zhì)檢測(cè)方法研究[D]. 上海：上海交通大學(xué)，2016.

ZHANG Baohua. Study on the external quality inspection of apples by using computer vision and spectral imaging[D]. Shanghai：Shanghai Jiao Tong University，2016.

[41] 程國(guó)首，肉孜·阿木提，郭俊先，胡光輝，李俊偉，亢銀霞，石砦. 基于高光譜圖像的新疆紅富士蘋果顏色分級(jí)研究[J]. 新疆農(nóng)業(yè)科學(xué)，2012，49（9）：1616-1623.

CHENG Guoshou，Rouzi Amuti，GUO Junxian，HU Guanghui，LI Junwei，KANG Yinxia，SHI Zhai. Study on color sorting for Xinjiang Fuji apples by using hyperspectral imaging technology[J]. Xinjiang Agricultural Sciences，2012，49（9）：1616-1623.

[42] 郭俊先，饒秀勤，程國(guó)首，胡光輝，李俊偉，石砦，亢銀霞. 基于高光譜成像技術(shù)的新疆冰糖心紅富士蘋果分級(jí)和糖度預(yù)測(cè)研究[J]. 新疆農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，35（1）：78-86.

GUO Junxian，RAO Xiuqin，CHENG Guoshou，HU Guanghui，LI Junwei，SHI Zhai，KANG Yinxia. Prediction of the sugar degree and grading of Xinjiang Fuji apple by hyper-spectral imaging techniques[J]. Journal of Xinjiang Agricultural University，2012，35（1）：78-86.

[43] GARRIDO-NOVELL C，PéREZ-MARIN D，AMIGO J M，F(xiàn)ERNáNDEZ-NOVALES J，GUERRERO J E，GARRIDO-VARO A. Grading and color evolution of apples using RGB and hyperspectral imaging vision cameras[J]. Journal of Food Engineering，2012，113（2）：281-288.

[44] KERESZTES J C，GOODARZI M，SAEYS W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control，2016，66：215-226.

[45] BARANOWSKI P，MAZUREK W，WOZNIAK J，MAJEWSKA U. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering，2012，110（3）：345-355.

[46] ZHANG B H，HUANG W Q，LI J B，ZHAO C J，LIU C L，HUANG D F，GONG L. Detection of slight bruises on apples based on hyperspectral imaging and MNF transform[J]. Spectroscopy and Spectral Analysis，2014，34（5）：1367-1372.

[47] 沈宇，房勝，鄭紀(jì)業(yè)，王風(fēng)云，張琛，李哲. 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.

SHEN Yu，F(xiàn)ANG Sheng，ZHENG Jiye，WANG Fengyun，ZHANG Chen，LI Zhe. Detection of slight mechanical damage of fuji apple fruits based on hyperspectral imaging technology[J]. Shandong Agricultural Sciences，2020，52（2）：144-150.

[48] 蔣金豹，尤笛，汪國(guó)平，張政，門澤成. 蘋果輕微機(jī)械損傷高光譜圖像無(wú)損檢測(cè)[J]. 光譜學(xué)與光譜分析，2016，36（7）：2224-2228.

JIANG Jinbao，YOU Di，WANG Guoping，ZHANG Zheng，MEN Zecheng. Study on the detection of slight mechanical injuries on apples with hyperspectral imaging[J]. Spectroscopy and Spectral Analysis，2016，36（7）：2224-2228.

[49] 趙娟，彭彥昆，趙松瑋，宋育霖. 基于高光譜技術(shù)檢測(cè)蘋果外觀缺陷[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2012，3（6）：681-684.

ZHAO Juan，PENG Yankun，ZHAO Songwei，SONG Yulin. Detection of defects in apples based on hyperspectral imaging technology[J]. Journal of Food Safety amp; Quality，2012，3（6）：681-684.

[50] 孟慶達(dá). 基于高光譜成像技術(shù)的蘋果可溶性固形物含量與缺陷檢測(cè)[D]. 楊凌：西北農(nóng)林科技大學(xué)，2015.

MENG Qingda. Detection of SSC and external defects of apples by using hyperspectral imaging[D]. Yangling：Northwest A amp; F University，2015.

[51] 劉思伽，田有文，馮迪，張芳，崔博. 基于高光譜成像的蘋果病害無(wú)損檢測(cè)方法[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，47（5）：634-640.

LIU Sijia，TIAN Youwen，F(xiàn)ENG Di，ZHANG Fang，CUI Bo. Nondestructive detection method of hyperspectral imaging for apple disease[J]. Journal of Shenyang Agricultural University，2016，47（5）：634-640.

[52] 崔惠楨. 基于高光譜技術(shù)的蘋果炭疽病早期診斷方法研究[D]. 南昌：華東交通大學(xué)，2022.

CUI Huizhen. Research on early diagnosis of apple anthracnose based on hyperspectral technology[D]. Nanchang：East China Jiaotong University，2022.

[53] 田有文，程怡，王小奇，栗慶吉. 基于高光譜成像的蘋果蟲害檢測(cè)特征向量的選取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（12）：132-139.

TIAN Youwen，CHENG Yi，WANG Xiaoqi，LI Qingji. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（12）：132-139.

[54] 劉木華，藥林桃，趙杰文. 一種快速無(wú)損檢測(cè)水果農(nóng)藥殘留方法的試驗(yàn)研究[C]//中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì).農(nóng)業(yè)機(jī)械化與新農(nóng)村建設(shè)：中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文集（下冊(cè)），2006：1452-1455.

LIU Muhua，YAO Lintao，ZHAO Jiewen. The study of detecting pesticide residual in fruit surface using laser hyperspectral imaging[C]//Chinese Society for Agricultural Machinery. Agricultural Mechanization and New Rural Construction：Proceedings of the 2006 Annual Conference of the Chinese Society for Agricultural Machinery （Volume II），2006：1452-1455.

[55] 喬琦. 基于高光譜-電子鼻的蘋果農(nóng)殘自動(dòng)化檢測(cè)研究[D]. 吉林：東北電力大學(xué)，2021.

QIAO Qi. Research on automatic detection of pesticide residues in apple based on hyperspectral and electronic nose[D]. Jilin：Northeast Dianli University，2021.

[56] JIANG B，HE J R，YANG S Q，F(xiàn)U H F，LI T，SONG H B，HE D J. Fusion of machine vision technology and AlexNet-CNNs deep learning network for the detection of postharvest apple pesticide residues[J]. Artificial Intelligence in Agriculture，2019，1：1-8.

[57] 陳龍躍，段丹丹，王凡，孟翔宇，趙沖，錢英軍. 高光譜成像技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J]. 廣東農(nóng)業(yè)科學(xué)，2023，50（7）：83-94.

CHEN Longyue，DUAN Dandan，WANG Fan，MENG Xiangyu，ZHAO Chong，QIAN Yingjun. Research progress of non-destructive testing of fruit quality by hyperspectral imaging technology[J]. Guangdong Agricultural Sciences，2023，50（7）：83-94.

[58] 袁旭林，鄭紀(jì)業(yè)，趙賢，段玉林，王風(fēng)云. 蘋果任意姿態(tài)下高光譜圖像感興趣區(qū)域選取方法[J]. 山東農(nóng)業(yè)科學(xué)，2022，54（6）：131-140.

YUAN Xulin，ZHENG Jiye，ZHAO Xian，DUAN Yulin，WANG Fengyun. Method for selecting regions of interest for hyperspectral images of apples in arbitrary pose[J]. Shandong Agricultural Sciences，2022，54（6）：131-140.

[59] 談文藝. 基于高光譜成像技術(shù)的蘋果外部損傷精確識(shí)別與分級(jí)方法研究[D]. 哈爾濱：黑龍江大學(xué)，2018.

TAN Wenyi. Research on accurate identification and classification method of apple external damage based on hyperspectral imaging technology[D]. Harbin：Helongjiang University，2018.