高光谱图像技术在水果品质无损检测中的研究

在水果品质无损检测方面，基于高光谱成像技术只需少量样本，通过提取水果样品的二维图像信息和三维的波长信息，建立定量关系模型，就可实现水果品质的快速、无损测定。例如，可以利用高光谱图像技术检测水果的表面污染和损伤。由于高光谱数据具有多光谱通道、高光谱分辨率和连续光谱的特点，可以得到任意像素点的连续光谱曲线和不同物质的不同光谱曲线。在某些特定的波长下，损伤区域的光谱值与正常区域的光谱值之间会存在很大差异，因此能够实现水果表面的无损检测。

1 高光谱图像技术简介 

1. 1 高光谱成像系统 

高光谱成像系统是在20世纪80年代兴起的一种新一代光电探测技术。通常认为，光谱分辨率在10－1λ数量级范围内的被称为多光谱，光谱分辨率在10－2λ数量级范围内的被称为高光谱。相较于多光谱成像，高光谱成像具有更高的分辨率。

高光谱检测系统主要由光源、面阵CCD或CMOS相机以及计算机软件和硬件等部分组成。光源在高光谱成像系统中占据重要地位，它为整个成像系统提供照明功能，通过被检测物体吸收和散射后的光来携带信息。这些光线通过相机的入口狭缝进入，然后通过相机中的光谱成像仪将光信号映射到二维面阵检测器上。最后，计算机软件和硬件负责采集、处理、分析和存储高光谱图像数据。

1. 2 高光谱图像数据的采集方式 

       根据高光谱图像采集方式的不同，可分为点扫描、线扫描和面扫描三种。 点扫描方式每次扫描只能获得一个像素点的光谱，不适用于快速检测，所以点扫描的方式常常被用于检测微观对象。线扫描方式通过每次扫描可以获得扫描线上的光谱，适用于传输带上物体的实时检测，因此该方法是水果品质检测中最常用的图像采集方法。点扫描和线扫描方式都属于光谱域扫描方式，首先获得图像的光谱和一个维度的空间信息，再通过扫描移动，获得另一维度空间信息。 而面扫描方式属于空间域扫描方式，可以同时获取单个波长下被测物体两个空间维度的图像信息，其数据采集量大且数据采集时间较长，高光谱成像系统中通常会选择面扫描方式。 

2 高光谱图像技术的研究进展 

2. 1 水果品质定性分析 

2. 1. 1 机械损伤 

近年来，对苹果机械损伤的高光谱成像技术研究已经很多。韩浩然等人利用这项技术来检测苹果受到的摔伤，在实验结果中发现，波段比算法和主成分分析法的分类识别正确率达到了93.3%，可以实时快速地检测苹果的摔伤情况。Baranowski等人则使用了配备了高光谱相机的系统，该系统包括可见光和短波近红外（400~1000nm）传感器，以及中波近红外（1000~2500nm）和红外（3500~5000nm）范围的热成像相机，用于检测苹果早期的瘀伤。结果显示，将这三个范围的光谱结合成一个模型，可以最佳地预测瘀伤和完好组织，以及不同深度的瘀伤。此外，使用广谱范围（400~5000nm）对水果表面进行成像可以改善对苹果不同深度早期瘀伤的检测效果。Nayeli等人也利用近红外高光谱成像系统检测芒果的机械损伤，并采用了五种分类方法。他们在芒果损坏后的七天内进行图像捕获，以便有效地检测出损坏发生的时刻。结果发现，其中最好的分类效果是采用近邻法（k-NearestNeighbours，k-NN），其正确分类率可达97.90%。

林思寒利用高光谱成像技术，并结合PLS和LDA方法，成功建立了用于检测翠冠梨完好果和不同损伤天数碰压果的PLS-LDA模型。研究结果显示，对于机械损伤果和完好果的识别准确率均在90%以上，最高可达97.78%。目前，已有的高光谱检测技术精度足以满足分类需求，但对于损伤程度的检测模型则较为不足。

2. 1. 2 冻伤 

     冻伤是水果缺陷检测中最常见的指标之一，其早期检测和监测比较困难，为了更早地将有缺陷的水果从营销链中去除，需要一种快速、精确和无损的检测技术。近年来，研究人员针对苹果冻伤方面的研究主要集中在算法优化层面。 ElMasry等利用高光谱成像（400~1000nm)检测“红元帅”苹果中的冻伤，开发了一种前馈反向传播模型，选择出五个特征波长的光谱作为模型的输入，以普通与冻伤为输出结果，构建了人工神经网络识别模型。高光谱图像技术结合化学计量学方法在识别冻伤水果方面的研究已有一定进展，检测精度普遍较高，未来可以进行水果冻伤分级识别的在线检测研究，进一步提高检测效率。 

2. 1. 3 成熟度 

       水果成熟度是决定水果内在品质的关键因素，也是确定水果货架期的重要指标。水果成熟的过程 非常复杂，以往所用的传统检测水果成熟度方法局限于人工视觉检测，实验室理化检测等。这些方法不但费时费力，主观性较强，且均需破坏样本才可实现[26－28] 。近年来，国内外学者开始研究无损检测技术对水果的成熟度进行判别分析，其中高光谱图像技术以其特有的优势，在水果成熟度方面的研究比较丰富。 

      使用高光谱成像技术对香蕉成熟度进行了研究，提前采集水分含量、硬度和总可溶性固体等质量参数，并与光谱数据相关。运用PLS来分析光谱数据，使用预测的残差误差平方和来选择特征波长 。 

由此可见，不同的特征选择算法对于最后的分类精度影响很大，对不同水果选择不同的特征算法尤为重要。 

2. 2 水果品质定量分析 

2. 2. 1 硬度预测 

       硬度是表现水果成熟度和口感品质的一个重要特征，传统的硬度检测方法普遍对样本有损伤，而高光谱成像技术则能够对水果硬度进行快速、无损检测。张巍使用自主搭建的高光谱成像系统（500~1000nm)，以蓝莓为研究对象，采用连续投影算法（SPA)对特征光谱进行提取，并建立基于全波段-BP神经网络的硬度预测模型与基于SPA-BP神经网络的硬度预测模型。 

2. 2. 2 可溶性固形物预测 

       水果中的可溶性固形物（SSC)包括可溶性糖类、 维生素、矿物质等，是影响水果内部品质的重要因素。 罗霞等利用高光谱技术采集火龙果的漫反射光谱，并进行火龙果可溶性固形物的无损检测。应用连续投影算法（SPA) 对特征变量进行选择，采用8种方法对原始光谱数据进行预处理，通过偏最小二乘法（PLS) 和前馈反向传播神经网络法（BPNN) 建立预测模型。在检测水果的可溶性固形物时，使用不同的预处理方法会对检测精度产生较大影响，应在多种预 处理方法中选取产生最优结果的预处理方法。 

2. 3 安全方面检测

2. 3. 1 药物残留 

       水果表面的药物残留不仅极大影响水果的质量安全，还影响果品出口贸易。因此，对水果表面的药物残留进行无损检测十分必要。徐洁等利用高光谱技术，建立距离判别分析模型和贝叶斯判别分析模型，并对哈密瓜表面残留药物的种类进行判别。结果表明，在紫外灯光源的环境中，距离判别法的准确率较高，为94. 67% ;在卤素灯光源环境中，贝叶斯判别法的准确率较高，为100. 00% 。Jiang等对苹果农药残留高光谱数据特征进行分析，构建了适用于苹果农药残留检测的AlexNet-CNN框架，并对四种高光谱苹果农药残留的6144张图像进行检测。结果表明，测试集检测精度为 99. 09% ，单波段平均图像检测精度为95. 35% 。可见，高光谱成像技术在药物残留检测方面已经达到了很高的精度。 

2. 3. 2 病虫害 

       病虫害的存在会极大地降低水果的品质，利用高光谱技术可以有效地对水果病虫害进行无损检测，这对水果品质分级具有重要意义。 Bart 等开发了一种高光谱NIR成像系统来识别苹果上的苦陷症，构建了PLS校准模型，用来区分未受影响的苹果表面和苦陷症。结果表明，该系统可以识别出收获后肉眼不可见的苦陷症，但无法区分苦陷症和软组织。使用高光谱成像方法确定枣中的受损区域，运用逐步判别分析法将枣分为有虫侵害型和无虫侵害型，分类准确率约为97. 0% 。但现有检测技术大多只能检测一种病虫害，少有开发出可以同时检测出多种病虫害的高光谱模型。 

3 存在问题及发展趋势 

高光谱成像技术在水果无损检测方面得到广泛应用，但仍存在一些问题。例如，高光谱成像技术的穿透深度有限，难以检测果皮较厚的水果。此外，进行反射和透射检测时需要使用大功率光源，但过高的光源能量容易对水果造成损伤。如何在无损检测与深层检测之间找到平衡，是未来需要解决的关键问题。另外，高光谱的图像数据量庞大，存在大量冗余信息。如何选择适合的特征波长，并去除无关的变量，以提高检测效率，也是亟需解决的问题。

水果的含水率普遍较高，因此在高光谱检测时，会受到水分吸收峰的影响，特别是在1400nm后。如何避免水分吸收峰对检测结果的影响，仍亟待解决。目前，大多数的水果品质缺陷检测研究都选取表皮较薄的水果，如苹果、梨、桃子等；然而，对于表皮较厚的水果，如西瓜、哈密瓜、椰子等，品质检测仍然较少。高光谱检测技术需要突破检测深度的限制，才能为这些较厚果皮水果的品质检测带来新的应用。在试验设计方面，大多数研究只考虑了水果是否存在缺陷进行分级，而没有考虑缺陷程度对水果保质期的影响。水果受到轻微损伤后，虽然在短期内内外部品质与经济价值波动较小，但储存一定时间后水果品质可能会发生较大改变。因此，研究缺陷程度对水果保质期的影响对水果储存及经储存后水果的品质预测具有深远的现实意义。

随着计算机技术和图像处理技术等的进一步发展和更深地融合，高光谱图像检测技术在水果无损检测领域将会被广泛运用。然而，在推广应用高光谱检测技术方面，由于图像采集和处理速度的限制以及设备成本的制约，高光谱技术在现实生活中还未得到普遍应用。因此，我们可以在权衡检测准确率与设备成本之间做出考虑，开发小型化的专用设备，以推动高光谱技术的进一步应用。

总的来说，高光谱图像技术在水果品质无损检测中的应用研究展示了其巨大的潜力和优势。然而，实际应用中还面临一些挑战，如光照条件、背景噪声等因素的影响，需要进一步研究和优化算法以提高检测的准确性和稳定性。