高光谱成像技术在农产品检测中的应用

 高光谱成像技术在农产品无损检测中的应用

高光谱成像技术在农产品内外部品质检测方面也有重要作用。例如，利用高光谱成像技术可以检测水果的果面缺陷和表面污染，同时也可以预测水果的内部品质，如糖度、水分、坚实度、可溶性固形物含量等。此外，该技术也可用于肉类的品质检测和分级，比如通过在线判断肉色、花纹和嫩度等品质指标，提高评级的客观性和自动化程度。

2.1 在果蔬检测中的应用

2.1.1果蔬内部品质检测 水果和蔬菜内部品质无损检测的研究主要对糖度、硬度、成熟度、SSC、水分等指标的预测，国内外学者已取得了一系列研究成果。

糖度是水果的重要内部品质之一，其决定水果的酸甜度。马本学等[12]利用高光谱成像系统获取哈密瓜糖度的漫反射光谱图像，选取500～820 nm为有效波段，分别采用PLS、SMLR和PCR3种方法建立带皮和去皮哈密瓜糖度检测模型。结果表明，利用PLS方法检测带皮哈密瓜糖度是可行的，而利用SMLR检测去皮哈密瓜糖度效果最好，其校正集和预测集相关系数R。、R,和RMSEC分别

为0.928、0.818和0.458、0.727。郭俊先等进行了苹果的分级和糖度预测研究，提取苹果的平均光谱并进行白板校正，然后采用一阶微分进行光谱预处理，合并10个波长的光谱，采用多元线性回归法建立苹果糖度预测模型。结果表明，验证集中苹果糖度预测模型的相关系数R,和RMSEC分别为0.911和0.727。单佳佳等(14)基于高光谱图像处理技术和光谱分析方法，研究了苹果表面摔伤和糖度同时检测的可行性，首先对苹果第一主成分图像和794nm图像的波段差图像进行去噪、阈值分割处理，然后采用多元散射校正、一阶导数和SG平滑处理感兴趣区域(ROI)的反射光谱曲线后，利用PLS法建立苹果糖度预测模型。结果表明，苹果表面摔伤检测的准确率达到92.6%,糖度预测模型的校正集和验证集的相关系数R,和R,分别为0.93和0.92。以上研究表明利用高光谱成像技术对水果糖度进行无损检测是可行的。可溶性固形物(SSC)是指水果以及蔬菜等农产品中可溶解于水的所有物质的总称，包括糖、维生素、微量元素、矿物质等，SSC也是水果和蔬菜重要的内部品质之一。Laiva-Valenzuela等[18]以蓝莓为对象，进行硬度和SSC含量两种内部品质的检测。前期研究中，首先利用高光谱成像系统获取302个蓝莓样本两种放置方式的反射光谱图像，波段范围为500~1000nm。得到每个蓝莓的感兴趣区域平均光谱后利用偏最小二乘法建立预测模型，结果表明硬度的预测效果(R=0.87)比SSC的预测效果(R=0.79)好。在后期研究中，为了验证高光谱成像技术运用于蓝莓自动分类分级操作的可行性，对400-1000nm波段中蓝莓的反射光谱图像和透射光谱图像分别利用iPLS方法建立预测模型，结果表明建立在反射光谱图像的预测模型效果(硬度和SSC的R,分别为0.78、0.90)比透射光谱模型的预测效果(硬度和SSC的R,分别

为0.64、0.76)好。这些研究表明高光谱成像技术对蓝莓进行硬度和SSC含量无损检测是可行的。李江波等[利用近红外高光谱成像技术并结合竞争性自适应重加权(CARS)算法测定鸭梨SSC含量。首先采用CARS算法选择NIR高光谱数据的关键变量，再比较基于关键变量建立的PLS模型(CARS-PLS)和基于全变量建立的PLS模型效果，结果表明仅用原始变量的15.6%信息的CARS-PLS模型比基于全变量的PLS模型SSC含量预测效果更好。CARS-PLS鸭梨SSC含量预测模型的rm²、RMSEP和RPD分别为0.9082、0.3120和3.3005,表明NIR高光谱图像技术结合CARS算法可以预测鸭梨SSC含量。硬度在一定程度上可以反映出水果和蔬菜的成熟度。彭彦昆等[18]利用高光谱图像技术建立了苹果硬度的快速无损检测方法，首先利用洛伦兹函数对苹果高光谱图像中的空间散射曲线进行拟合，然后利用拟合曲线中提取出的相关参数，分别采用统计建模方法建立苹果硬度预测模型。结果表明，利用PLS方法对拟合曲线峰值建立的苹果硬度预测模型效果最好，其校正集和验证集预测值与标准值相关系数R,、R。分别为0.89、0.88,说明利用高光谐散射成像技术可以对苹果硬度进行快速无损检测。Leiva-Valenzuela等(1516)证明了高光谱图像技术检测蓝莓硬度和SSC含量的可行性。

水分含量也是果蔬产品重要的内部品质之一。李丹等利用近红外高光谱成像技术研究小黄瓜的水分无损检测方法，首先采集小黄瓜的原始光谱，在900~1700nm波段范围内，采用多元散射校正和Savitzky-Golay卷积平滑进行预处理，然后分别建立基于全波段和特征波长的PLS小黄瓜水分预测模型。结果表明，经S-G卷积平滑处理过的光谱预测模型效果最佳，基于特征波长的预测模型(校正集和验证集模型相关系数和均方根误差分别为0.86、0.90和0.111、0.156)优于基于全波段的预测模型，表明利用高光谱成像技术对小黄瓜水分含量进行无损检测是可行的。

国内外学者利用高光谱成像技术对果蔬糖度、酸度、硬度、SSC、成熟度等内部品质的无损检测进行了大量研究，研究结果如表1所示。

2.1.2果蔬外部品质检测 水果和蔬菜外部品质的好坏主要从其大小、色泽、形状特征及表面缺陷等方面进行评估，在果蔬外部品质无损检测中，高光谱成像技术主要应用于损伤、冻伤、腐烂等表面缺陷的检测。

冻伤、损伤、擦伤是在水果和蔬菜的采摘、运输、储存过程中产生的，这些伤害容易造成果蔬变质及腐烂，且早期损伤不容易用肉眼识别，而高光谱成像技术可以对果蔬冻伤和损伤进行快速无损检测。Gowen等(20)利用票的反射成构图统对蘑菇早期冻伤进行研究，分别深酶A和bPA分类检测方法检测，结果表明该方套炜巧沓之后的冻伤检测效果最佳，冻伤样品的检测正确率达

97.9%。Siedliska等(21)利用高光谱图像技术研究了苹果在可见1近红外/短波红外波段内的擦伤检测与品种识别模型。采用相关特征选择算法与第二衍生性预处理建立苹果擦伤检测和种类识别模型，结果表明，采用SVM、SLOG、SMO等方法建立苹果擦伤检测模型可以获取最佳效果，校正集和验证集识别准确率分别达到95%、90%。孙梅等(21应用高光谱成像技术，采用主成分分析方法对苹果的风伤和压伤进行分析，通过分析不同光谱区域主成分对识别结果的影响，优选识别光谱区域为550~950

nm。根据权重系数并通过主成分分析，得出研究苹果风伤和压伤的最佳特征波长为714nm。薛龙等[23]利用高光谱图像技术研究了梨表面碰压伤无损检测方法。采集梨在400~1000nm波段范围的高光谱图像，采用PCA法获取主成分图像，选出3

个特征波长(572、696、945nm),再通过适当的图像处理技术检测梨碰压伤，结果表明高光谱图像技术对梨表面碰压伤检测具有明显效果。

腐烂也是水果和蔬菜常见的表面缺陷，腐烂不仅会缩短果蔬储存的时间，而且容易产生安全问题，很多学者对水果和蔬菜腐烂的高光谱无损检测进行了研究。Zhang等(24)利用高光谱反射率光

谱图像对苹果早期腐烂检测进行了研究，提取ROI平均光谱，采用连续投影算法选取出可以识别腐烂区域的候选最优波段，在光谱域通过PLS-DA法证明选择的最优波段的检测效率，在空间城利用一般图像处理方法结合PCA和MNF法证明最优波段的检测效率，并建立了鲁棒检测算法，最后用120个苹果样本建立并测试了SPA-PLS-DA-MNF的检测算法。结果表明，苹果早期腐烂检测模型的精度达到98%。这项研究为开发苹果腐烂的快速、无损、在线检测装置奠定了基础。G 6mez-Sanchis等[2s]采用基于双液晶可调谐滤波器的高光谱成像系统获取柑橘类水果的高光谱图像，提出了一种获取和增强光谱图像的方法，并运用到柑橘类水果腐烂的检测，取得了很好的效果。李江波等(26)研究了从不同缺陷脐橙中识别出溃疡果的方法，提出了特征波段主成分分析法和波段比算法。提取感兴趣区域光谱曲线并结合PCA法选取5个最佳波段(630、685、720、810、875nm),再根据特征波长做主成分分析，识别准确率达到80%,最后结合主成分分析法与波段比算法，溃疡果的识别率提高到

95.4%。高光谱成像技术在水果和蔬菜的损伤、冻伤、腐烂等外部品质检测中的应用如表1所示。

2.2在肉类检测中的应用

Tao等[27]利用高光谱图像技术对猪肉嫩度和大肠杆菌无损检测进行研窄，采集31个样本在400~1100nm波段范围内的光磨图像，通好修正的Gompertz函数提取猪肉罕四分辨事高水请图像的散射特性，代表不同光学意义的Gompertz参数α、β、g、δ通过原始散射曲线拟合得到，拟合

系数接近0.99。分别基于单个参数和综合参数建立多元线性回归模型，结果表明，Gompertz参数δ在嫩度和大肠杆菌污染检测模型中的效果优于其他单个参数，而综合参数检测效果则优于所有单个参数，猪肉嫩度和大肠杆菌污染模型的验证系数Rcv分别为0.949和0.939。此研究表明高光谱图像技术结合Gompertz函数可以实现猪肉嫩度及大肠杆菌污染的快速检测。Liu和Barhin等(28-20)也分别研究了猪肉肌内脂肪和蛋白质、水分、脂肪等化学成分的高光谱成像检测方法，并取得了良好的预测效果。ElMasry等[利用近红外(900~1700 nm)高光谱反射率光谱图像对牛肉的主要化学成分进行无损检测研究，利用提取的光谱数据和测量质量参数并采用PLSR法建立牛肉水分、脂肪和蛋白质含量预测模型，3种成分的预测系数R²。分别是0.89、0.84和0.886,预测标准差SEP分别为0.46%、0.65%和0.29%,说明高光谱图像技术结合适当的化学计量学多变量分析法可以同时检测牛肉的多种化学成分。Ighal等(3)采用高光谱检测技术在近红外波段(900~1700nm)对火鸡火腿的水分、pH值和颜色进行了研究，利用PLSR方法提取和分析光谱数据，多元校正法进行数据降维，分别提取预测水分的9个最优波段，预测pH值的8个最优波段和预测颜色的9个波段。结果表明，3种成分的预测系数R²和RMSECV分别为0.88、0.81、0.74和2.52、0.02、0.35。彭彦昆等[22-11]利用高光谱的散射特性进行牛肉的嫩度、pH值和颜色的预测，根据高光谱图像在400~1100nm波段范围内的散射特征，并对散射曲线进行拟合，选择优化波长及相应的拟合参数建立MLR牛肉品质预测模型，得到3种品质参数的预测相关系数和标准差分别为0.86、0.86、0.90和11.7、0.07、0.41。基于高光谱图像纹理特征并利用PCA提取的3个主成分，计算出8个主要纹理特征参数，并分别建立支持向量机和线性判断法的牛肉嫩度判别模型，结果表明基于主成分纹理特征建立的LDA模型判别精度达到94.44%。国内外学者对嫩度、水分、蛋白质、颜色等肉类品质的高光谱图像无损检测作了很多研究，研究结果如表1所示。

2.3 在谷物检测中的应用

我国是世界上最大的粮食生产国家，主要包括水稻、小麦、玉米、花生等粮食作物。近年来，我国的粮食安全问题层出不穷，许多学者将谷物品质的无损检测作为研究重点，并取得了一系列成果。

Wang等利用高光谱成像技术对大米的质量和种类进行检测和识别，获取大米的高光谱图像，采用主成分分析法对图像感兴趣区域进行降维处理，提取垩白度和形状特征并利用PCA和BPNN建立大米种类识别模型，结果表明，基于光谱数据的BPNN预测模型的效果优于基于光谱数据的PCA预测模型，两种预测模型的识别准确率分别为89.91%和89.18%,基于数据融合的BPNN模型识别效果最好，准确度达到94.45%,结果表明高光谱成像技术检测识别大米的种类和质量是可行的。Singh等(38|研究了近红外高光谱反射率光谱图像检测小麦真菌感染的可行性，结果表明这种方法可以检测真菌感染的谷物，首先选取3个最重要的波段(1284.2、1315.8、1347.4nm),再应用K-均值聚类和判别分析建立二级和四级分类模型，二级判别分类模型最大分类准确度为100%,线性判别分类器对感染种子的识别准确率为97.8%,四级线性判别分类器对感染种子的识别率为95%,正常种子的识别率为91.7%。Del等(16)利用高光谱图像技术检测玉米真菌感染，采用主成分分析法选择出4个特征波长(410、470、535、945nm),再通过方差分析和费舍尔显著性差异测试，玉米真菌感染检测的正确率达到95%。高光谱成像技术在谷物无损检测中的应用如表1所示。

3 结语

高光谱图像结合了图像信息和光谱信息，既能分析农产品的外部品质，又能检测农产品的内部品质，相比传统的检测手段，具有快速、无损、准确度高等特点，逐渐成为农产品无损检测技术的一种重要发展趋势。国内外学者运用高光谱成像技术对水果、蔬菜、肉类、谷物等农产品无损检测作了大量研究，取得了丰硕成果，这些研究成果对农产品无损检测技术的发展奠定了基础，为开辟高光谱成像技术在农产品检测中更广阔的应用提供了思路。我国农产品检测技术的研究起步较晚，主要研究了苹果、梨、脐橙等水果内外部品质无损检测，也取得了很好的效果，为实现农产品自动分级分类打下了基础，大大促进了我国农业科学的发展。国外研究起步较早，在果蔬品质检测方面技术已经很成熟，农产品检测研究已经延伸到肉类、谷物等农产品，证明了高光谱成像技术在肉类和谷物品质检测中的可行性。

高光谱成像技术还可以应用于农作物生长状况的检测。通过获取农作物冠层、叶面等部分的反射光，可以预测个体农作物的生长速度、养分吸收等情况。这不仅有助于实时了解农作物的生长状态，更为灌溉、施肥等农业操作提供了科学依据，有效提高农作物的耕作管理水平。