吳龍國(guó)，何建國(guó)，賀曉光，劉貴珊，王 偉，王松磊，蘇偉東，羅 陽(yáng)，思振華

(1.寧夏大學(xué)農(nóng)學(xué)院，寧夏銀川750021;2.寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川750021;3.寧夏紅棗工程技術(shù)研究中心，寧夏靈武750400)

1 引言

隨著科學(xué)技術(shù)和經(jīng)濟(jì)的迅速發(fā)展、人民生活水平的不斷提高，國(guó)內(nèi)水果市場(chǎng)競(jìng)爭(zhēng)日益加劇，消費(fèi)者與企業(yè)對(duì)水果品質(zhì)的要求也越來越嚴(yán)格，從以往僅關(guān)注水果的外部品質(zhì)，逐步轉(zhuǎn)向水果的內(nèi)部品質(zhì)。正因如此，水果品質(zhì)無損檢測(cè)技術(shù)一直是農(nóng)業(yè)工程領(lǐng)域的重要研究課題［1］。目前，對(duì)水果的外部品質(zhì)檢測(cè)有可見光圖像檢測(cè)、紅外圖像檢測(cè)等多種較為成熟的技術(shù)，但是這些基于普通CCD成像的檢測(cè)技術(shù)僅能夠檢測(cè)水果的部分表面特征，而無法實(shí)現(xiàn)水果內(nèi)部品質(zhì)(如水分、糖酸度、硬度、隱性損傷、腐爛、變質(zhì)、蟲害等)的檢測(cè)［2］。傳統(tǒng)的水果檢測(cè)方法高效液相色譜(HPLC)、質(zhì)譜(MS)等既耗時(shí)又易損壞樣品。近紅外光譜雖然可以對(duì)水果進(jìn)行無損檢測(cè)，但它只能檢測(cè)水果局部的小區(qū)域，因此，開發(fā)一種快速、準(zhǔn)確、可靠、無損的檢測(cè)技術(shù)已經(jīng)成為水果領(lǐng)域的重要研究課題。高光譜圖像技術(shù)克服了這一難題，作為新一代的光電檢測(cè)技術(shù)，它融合了光學(xué)、圖像學(xué)、機(jī)器視覺、近紅外光譜檢測(cè)等技術(shù)，將傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)結(jié)合，具有超多波段、高分辨率和圖像光譜合一等優(yōu)點(diǎn)，因而，在水果品質(zhì)檢測(cè)領(lǐng)域得到了較快發(fā)展。該技術(shù)最早主要應(yīng)用于軍事和衛(wèi)星遙感方面，現(xiàn)廣泛應(yīng)用于天文學(xué)［3］、農(nóng)業(yè)科學(xué)［4］、藥學(xué)［5］、醫(yī)學(xué)［6］等領(lǐng)域。本文主要介紹了國(guó)內(nèi)外學(xué)者利用高光譜成像技術(shù)對(duì)水果品質(zhì)進(jìn)行無損檢測(cè)的研究進(jìn)展并探討了其未來的發(fā)展前景。

2 高光譜圖像技術(shù)的簡(jiǎn)介

2.1 高光譜系統(tǒng)

高光譜圖像是在一定的波長(zhǎng)范圍內(nèi)將二維的平面圖像按照光譜分辨率連續(xù)地組成一幅三維的空間圖像數(shù)據(jù)塊(如圖1所示)。圖中，x和y軸表示二維平面的坐標(biāo)軸，λ表示波長(zhǎng)坐標(biāo)軸。高光譜圖像可以同時(shí)獲取特定波長(zhǎng)下的圖像信息與x－y平面內(nèi)特定像素下各個(gè)波長(zhǎng)的光譜信息。在每個(gè)波長(zhǎng)下，x－y平面內(nèi)各個(gè)像素點(diǎn)的灰度值與其在該波長(zhǎng)下的光譜曲線上的光譜值一一對(duì)應(yīng);在特定波長(zhǎng)下，感興趣區(qū)域(ROIs)與正常區(qū)域之間的光譜值會(huì)存在較大差異［7］。因此，該波長(zhǎng)下的圖像之間的灰度也必然存在著一定的差異，進(jìn)而可以對(duì)被測(cè)物進(jìn)行判別分析，實(shí)現(xiàn)被測(cè)物在線的分級(jí)。高光譜圖像系統(tǒng)主要由光源、CCD相機(jī)、單色儀(濾波器和成像光譜儀)、計(jì)算機(jī)及數(shù)據(jù)處理軟件(Matlab、Envi等軟件)等五部分組成。光源常采用4個(gè)35W的鹵鎢燈線光源，波長(zhǎng)范圍可以在可見光(380～780nm)、近紅外(780～2560nm)以及波長(zhǎng)大于2560nm的區(qū)域。CCD相機(jī)由CCD傳感器、CMOS傳感器、焦平面陣列檢測(cè)器等組成，用于采集圖像。根據(jù)使用的單色儀不同可采用基于濾波器或?yàn)V波片和基于成像光譜儀兩種方法采集高光譜圖像。圖2所示我實(shí)驗(yàn)室購(gòu)置的基于成像光譜儀的高光譜圖像系統(tǒng)。

2.2 高光譜圖像數(shù)據(jù)的采集與分析

2.2.1 圖像采集參數(shù)的確定

基于成像光譜儀的高光譜圖像系統(tǒng)對(duì)水果進(jìn)行圖像采集，因不同水果表皮的粗糙程度、顏色、光澤有所差異，導(dǎo)致圖像采集系統(tǒng)中的焦距、透光量、載物臺(tái)移動(dòng)的速度、曝光時(shí)間等參數(shù)都會(huì)影響水果樣本圖像的采集。因此，根據(jù)不同水果的特性，確定合適的圖像采集參數(shù)顯得尤為重要。

2.2.2 圖像的校正

由于在不同的波段下光源強(qiáng)度分布不均勻、水果的形狀各異以及箱體中暗電流的存在，導(dǎo)致在光源強(qiáng)度弱的波段下的圖像含有較大的噪音，對(duì)數(shù)據(jù)處理帶來了冗余的信息。因此，需要對(duì)所獲得的高光譜圖像進(jìn)行黑白標(biāo)定［8］。首先進(jìn)行白板校正得到全白的標(biāo)定圖像W，然后蓋上相機(jī)鏡頭蓋進(jìn)行圖像采集得到全黑的標(biāo)定圖像D，然后按照下式［9］對(duì)原始圖像進(jìn)行標(biāo)定:

式中，RO是樣本原始的漫反射光譜圖像;W是白板的漫反射圖像;D是暗圖像;R是校正后的漫反射光譜圖像。

2.2.3 預(yù)處理

預(yù)處理［10－11］是為了去除光譜或圖像信息中的非品質(zhì)信息的影響(如表面不均勻引起的散射影響)從而為數(shù)據(jù)處理奠定堅(jiān)實(shí)的基礎(chǔ)。光譜曲線預(yù)處理的方法有平滑校正、標(biāo)準(zhǔn)化、光譜濾波等。圖像的預(yù)處理一般是對(duì)水果的感興趣區(qū)域采用掩模、閾值分割、腐蝕、膨脹等方法從圖像塊中去除大量的背景信息，從而保留有用的信息。經(jīng)預(yù)處理后，可以在不損失水果品質(zhì)重要信息的前提下，反映出其他波段的信息并有效地降低干擾因素對(duì)后期的數(shù)據(jù)處理結(jié)果的影響。

2.2.4 數(shù)據(jù)分析

基于高光譜數(shù)據(jù)的分析，大致可以從兩方面進(jìn)行研究:①圖像處理;②光譜分析。前者主要是對(duì)圖像進(jìn)行優(yōu)化，大大的減少冗余信息對(duì)實(shí)驗(yàn)結(jié)果帶來的影響，最終還是要進(jìn)行后者的過程。下面就主要介紹一下光譜分析:經(jīng)過預(yù)處理的高光譜圖像數(shù)據(jù)，由于其具有多波段、高分辨率和數(shù)據(jù)量大等特點(diǎn)，不同波段下的像素之間、圖像間仍存在著大量的冗余信息，因此必須進(jìn)行進(jìn)一步的消除誤差——降維，減少過多的冗余信息對(duì)結(jié)果的影響。目前，國(guó)內(nèi)外學(xué)者常采用降維的方法:主成分分析法(PCA)、偏最小二乘法(PLS)、獨(dú)立變量分析法(ICA)、遺傳算法(GA)等;采用線性判別分析(LDA)、Fishers判別分析(FDA)、多元線性回歸(MLR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等方法建模，常選擇2/3水果樣本作為校正集與被測(cè)水果的理化指標(biāo)建立對(duì)應(yīng)關(guān)系，1/3水果樣本作為驗(yàn)證集，對(duì)試驗(yàn)所建立的模型進(jìn)行驗(yàn)證。

3 高光譜圖像技術(shù)的研究進(jìn)展

目前，國(guó)內(nèi)外在水果品質(zhì)檢測(cè)方面進(jìn)行的應(yīng)用性研究主要包括水果外部品質(zhì)(缺陷、損傷、表面污染、蟲害等)以及與口感有關(guān)的內(nèi)部品質(zhì)(水分、酸度、含糖量、可溶性固形物、成熟度和硬度)等，研究的水果大多集中在水果、葡萄、梨、獼猴桃、草莓等小型水果。

3.1 水果表面缺陷檢測(cè)

鑒于消費(fèi)者在購(gòu)買水果時(shí)更多地關(guān)注于水果的外觀形狀是否美觀、是否完整、有無缺陷等因素，國(guó)內(nèi)外學(xué)者利用高光譜圖像技術(shù)對(duì)水果表面的缺陷進(jìn)行了大量的研究，獲得了大量的研究成果，對(duì)水果的品質(zhì)和銷售價(jià)格起到了指導(dǎo)作用。

Nicola等［12］利用近紅外高光譜反射成像技術(shù)(900～1700 nm)對(duì)蘋果表面的凹陷進(jìn)行了檢測(cè)，采用偏最小二乘法(PLS)建立校正模型，閾值分割處理圖像，該方法能夠檢測(cè)到肉眼無法識(shí)別的凹陷，但在光強(qiáng)度比較弱的邊界位置會(huì)出現(xiàn)錯(cuò)誤的檢測(cè)。

國(guó)內(nèi)，李甦等［13］提出表征水果類別與缺陷程度的空間模型，準(zhǔn)確地劃分水果的類別與表面缺陷程度。蔡健榮等［14］提出了波段比算法對(duì)柑橘的高光譜圖像(408～1117 nm)進(jìn)行了果銹檢測(cè)，檢測(cè)率高達(dá)92%。李江波等［15］采用高光譜成像技術(shù)(400～1000 nm)對(duì)10類臍橙果皮缺陷果及正常果進(jìn)行鑒別研究。采用兩次主成分分析法，識(shí)別率達(dá)80%，而采用特征波段主成分分析法與波段比算法相結(jié)合的方法使得潰瘍識(shí)別率提高到95.4%。

3.2 水果表面損傷檢測(cè)

水果的表面損傷(輕微的碰壓傷、隱性損傷等)對(duì)水果儲(chǔ)存的影響極大，通過對(duì)水果表面損傷的研究，從而確定合適的儲(chǔ)存條件，減少水果的腐敗變質(zhì)，提高水果的貨架期。

趙杰文等［16］利用高光譜圖像技術(shù)(408～1117 nm)檢測(cè)蘋果的輕微損傷，采用主成分分析法提取出547 nm波長(zhǎng)下的特征圖像，不均勻二次差分消除蘋果圖像亮度分布不均勻的影響，正確率達(dá)88.57%。薛龍等［17］利用高光譜圖像技術(shù)(400～1000 nm)檢測(cè)梨表面碰壓傷，采用主成分分析法(PCA)獲得572、696、45 nm 圖像，檢出率為97%。Lü Qiang 等［18］利 用 高 光 譜 圖 像 技 術(shù)(408 ～1117 nm)檢測(cè)獼猴桃的隱形損傷。采用主成分分析法提取出PC1－PC4的主成分圖像，平行六邊形分類法對(duì)PC1－PC4圖像進(jìn)行損傷部位鑒別，正確率達(dá)85.5%。

3.3 與水果口感有關(guān)的內(nèi)部品質(zhì)信息的檢測(cè)

水果的口感是水果品質(zhì)的內(nèi)在核心，它是消費(fèi)者對(duì)水果品質(zhì)判斷的一個(gè)綜合指標(biāo)，包括水分、硬度、酸度、含糖量、可溶性固形物等，而消費(fèi)者對(duì)于水果的品質(zhì)往往是通過口感進(jìn)行判別的。因此，國(guó)內(nèi)外的學(xué)者對(duì)于水果的內(nèi)部指標(biāo)檢測(cè)做了大量的研究，這也為今后水果的品質(zhì)鑒定以及在線分級(jí)奠定了理論基礎(chǔ)。

國(guó)外，Gamal EIMasry等 利用高光譜圖像技術(shù)(400～1000 nm)對(duì)草莓內(nèi)部水分、可溶性固形物以及酸度(以pH值表示)進(jìn)行了研究。采用偏最小二乘法(PLS)對(duì)全波段的數(shù)據(jù)進(jìn)行處理，通過PLS模型中的β系數(shù)選擇最佳光譜波段。研究結(jié)果表明，利用全波段建立的PLS預(yù)測(cè)模型和最佳波段建立的多元線性回歸預(yù)測(cè)模型分別對(duì)草莓的水分、可溶性固形物、酸度進(jìn)行了預(yù)測(cè)，相關(guān)系數(shù)R分別為0.90、0.80、0.87 和0.87、0.80、0.92，準(zhǔn)確率分別為90%、80%、87%和87%、80%、92%。Jianguo He等［20］采用高光譜成像技術(shù)(900～1700nm)對(duì)靈武長(zhǎng)棗的可溶性固形物進(jìn)行了預(yù)測(cè)研究，采用主成分分析法(PCA)優(yōu)選出 1034、1109、1231、1291 和1461 nm特征波長(zhǎng)下的圖像，采用人工神經(jīng)網(wǎng)絡(luò)(ANN)建立了長(zhǎng)棗可溶性固形物的預(yù)測(cè)模型。結(jié)果表明，使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)長(zhǎng)棗可溶性固形物的相關(guān)系數(shù)為0.9027，預(yù)測(cè)集的均方根誤差為1.9845°Brix。Rajkumar P等［21］利用可見－近紅外高光譜反射成像技術(shù)(400～1000 nm)對(duì)香蕉的水分、硬度、可溶性固形物含量進(jìn)行檢測(cè)，采用偏最小二乘法對(duì)圖像的光譜數(shù)據(jù)進(jìn)行分析，采用多元線性回歸對(duì)香蕉的水分、堅(jiān)硬度和可溶性固形物含量建立預(yù)測(cè)模型，相關(guān)系數(shù)R分別為0.87、0.91、0.85。Shuang Wang 等［22］利用高光譜散射圖像技術(shù)(400～1000 nm)對(duì)“金冠”蘋果的硬度建立模型，采用無信息變量消除(UVE)和監(jiān)督仿射傳播(SAP)的算法提取最優(yōu)波長(zhǎng)，運(yùn)用偏最小二乘法對(duì)特征波長(zhǎng)下的圖像進(jìn)行建模。結(jié)果表明，運(yùn)用UVE-PLS與SAP-PLS與BP(神經(jīng)網(wǎng)絡(luò)模型)的融合的模型比單獨(dú)用UVE-PLS或SAP-PLS法好，可以有效減少特征波長(zhǎng)的提取數(shù)目，并且具有較好的預(yù)測(cè)值Rp為0.828，預(yù)測(cè)集的均方根誤差(RMSEP)為5.53N。Antonietta Baiano等［23］利用高光譜圖像技術(shù)(400～1000 nm)對(duì)7個(gè)品種的鮮食葡萄的理化和感官指標(biāo)建立預(yù)測(cè)模型。采用偏最小二乘回歸法(PLSR)建立光譜信息和理化指標(biāo)、感官指標(biāo)之間的相關(guān)性模型。結(jié)果表明，白色和紅色/黑色葡萄中滴定酸度的相關(guān)系數(shù)分別為0.95、0.82，相對(duì)應(yīng)的可溶性固形物的相關(guān)系數(shù)分別為0.94、0.95，pH的相關(guān)系數(shù)分別為0.80、0.90，從而說明，高光譜圖像的光譜曲線與葡萄的理化指標(biāo)之間有一定的聯(lián)系，而無法與葡萄的感官指標(biāo)建立聯(lián)系。P.Rajkumar等［24］利用高光譜成像技術(shù)(400～1000 nm)對(duì)20、25、30℃溫度下不同成熟階段的香蕉中的可溶性固形物、水分和堅(jiān)實(shí)度建立預(yù)測(cè)模型。采用主成分分析法選取特征波長(zhǎng)440、525、633、672、709、760、925、984 nm，再通過多元線性回歸法對(duì)特征波長(zhǎng)下的光譜信息建立預(yù)測(cè)模型。結(jié)果表明，香蕉中的可溶性固形物、水分和堅(jiān)實(shí)度測(cè)定值的相關(guān)系數(shù)R分別為0.85、0.87、0.91。其中可溶性固形物、堅(jiān)實(shí)度在成熟階段下隨著溫度變化成復(fù)雜變化，而水分隨著溫度變化呈線性變化。Gabriel A等［25］利用高光譜圖像技術(shù)(500～1000 nm)檢測(cè)藍(lán)莓(果梗和花萼朝向)的硬度和可溶性固形物的含量。采用偏最小二乘法對(duì)全波段下的高光譜圖像數(shù)據(jù)建立硬度、可溶性固形物預(yù)測(cè)模型，通過交叉驗(yàn)證法對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證。結(jié)果表明，硬度預(yù)測(cè)值R=0.87，可溶性固形物預(yù)測(cè)值R=0.79。

在國(guó)內(nèi)，薛龍等［26］采用可見/近紅外光譜結(jié)合遺傳－偏最小二乘法(GA-PLS)對(duì)柑桔類水果中的可溶性固形物(SSC)建立快速無損檢測(cè)模型。洪添勝等［27］利用高光譜圖像技術(shù)(400～1000 nm)對(duì)雪花梨品質(zhì)(含糖量、水分、鮮重)進(jìn)行無損檢測(cè)的研究，通過人工神經(jīng)網(wǎng)絡(luò)對(duì)雪花梨的含糖量、水分及鮮重建立預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，雪花梨含糖量與水分的預(yù)測(cè)值與實(shí)際值的相關(guān)系數(shù)R分別為0.996、0.94，鮮重預(yù)測(cè)值和實(shí)際值間相關(guān)系數(shù)R為0.93。郭恩有等［28］利用高光譜圖像技術(shù)(400～1000 nm)檢測(cè)臍橙的含糖量，通過人工神經(jīng)網(wǎng)絡(luò)建立了臍橙糖度的預(yù)測(cè)模型，相關(guān)系數(shù)R為0.831。單佳佳等［29］利用高光譜圖像技術(shù)(400～1100 nm)對(duì)蘋果的表面摔傷和含糖量進(jìn)行研究。對(duì)于蘋果表面摔傷，采用波段差的方法對(duì)圖像進(jìn)行處理，摔傷檢測(cè)的準(zhǔn)確率為92.6%。對(duì)于蘋果的含糖量的測(cè)定，利用偏最小二乘回歸方法建立糖分含量的預(yù)測(cè)模型，校正集相關(guān)系數(shù)R為0.93，驗(yàn)證集相關(guān)系數(shù)R為0.92，結(jié)果表明，利用該技術(shù)可以實(shí)現(xiàn)對(duì)蘋果的內(nèi)外品質(zhì)的同時(shí)檢測(cè)。萬(wàn)相梅等［30］利用高光譜散射圖像技術(shù)(400～1000 nm)對(duì)蘋果硬度和汁液含量建立預(yù)測(cè)模型。采用最小二乘－支持向量機(jī)法(LS-SVM)建立蘋果的硬度和汁液含量模型。結(jié)果表明，LS-SVM壓縮硬度預(yù)測(cè)模型的相關(guān)系數(shù)為Rp=0.795，預(yù)測(cè)均方差為RMSEP=10.4K N/m;汁液含量的相關(guān)系數(shù)為Rp=0.568。郭俊先等［31］采用高光譜成像技術(shù)(400～1000 nm)對(duì)新疆的冰糖心紅富士蘋果進(jìn)行糖度預(yù)測(cè)和分級(jí)?；诙嘣€性回歸方法建立蘋果糖度的預(yù)測(cè)模型，相關(guān)系數(shù)為0.911。采用判別分析(DA)對(duì)蘋果進(jìn)行分級(jí)處理，準(zhǔn)確率達(dá)89.5%。

3.4 在其他方面檢測(cè)中的應(yīng)用

近些年，國(guó)內(nèi)外的學(xué)者利用高光譜技術(shù)對(duì)水果的檢測(cè)逐步延伸到了對(duì)表面污染物、農(nóng)殘、蟲害的研究，這對(duì)水果安全有著極其重要的意義。

Liu等［32］利用高光譜圖像技術(shù)采用波段比方法對(duì)蘋果表面污染物進(jìn)行了檢測(cè)。J.Wang等［33］利用高光譜圖像技術(shù)(400～720 nm)對(duì)紅棗外部蟲害進(jìn)行無損檢測(cè)，采用逐步判別分析法對(duì)果梗附近無損傷、花萼附近無損傷、正常的表皮、花萼端附近蟲害、表皮蟲害的紅棗的圖像進(jìn)行分類，正常棗與蟲害棗的判別準(zhǔn)確率分別為為98%、94%。結(jié)果表明，利用該技術(shù)無損檢測(cè)紅棗外部蟲害是可行的。

薛龍等［34］利用高光譜圖像技術(shù)(425～725 nm)對(duì)臍橙水果表面的不同濃度的農(nóng)藥殘留進(jìn)行了檢測(cè)。采集臍橙在625～725 nm范圍的高光譜圖像，應(yīng)用主成分分析方法(PCA)獲得特征波長(zhǎng)的圖像，應(yīng)用第三主成分圖像(PC3)并經(jīng)過圖像處理對(duì)臍橙表面的農(nóng)藥殘留進(jìn)行檢測(cè)。結(jié)果表明，利用該技術(shù)能有效地檢測(cè)出高濃度的農(nóng)殘，而對(duì)于低濃度的農(nóng)殘效果不太明顯。

4 結(jié)論與展望

近些年，國(guó)內(nèi)外許多學(xué)者利用高光譜成像技術(shù)，結(jié)合化學(xué)計(jì)量學(xué)和圖像處理的算法對(duì)水果的內(nèi)外部品質(zhì)進(jìn)行無損檢測(cè)，取得了顯著的成果。今后該技術(shù)可從以下幾個(gè)方面進(jìn)行深入研究:

(1)現(xiàn)階段大多數(shù)的研究只是在可見光范圍(400～1000 nm)內(nèi)，利用高光譜圖像技術(shù)對(duì)表皮比較薄的水果(蘋果、香蕉、葡萄、獼猴桃等)進(jìn)行無損檢測(cè)，今后可采用該技術(shù)在近紅外(900～1700 nm)波段對(duì)果皮比較厚的水果(西瓜、橙子、柚子、椰子等)進(jìn)行無損檢測(cè)。

(2)高光譜技術(shù)與其他技術(shù)的結(jié)合，如高光譜技術(shù)與熱成像技術(shù)結(jié)合，把遙感技術(shù)真正應(yīng)用到水果檢測(cè)中去。這樣，可以更好的檢測(cè)水果內(nèi)外品質(zhì)進(jìn)而實(shí)現(xiàn)水果的在線分級(jí)。這種不同技術(shù)聯(lián)合使用的方法將是水果無損檢測(cè)未來的發(fā)展趨勢(shì)。

(3)目前，利用高光譜圖像技術(shù)對(duì)往往只能獲取水果的正面圖像，而背面圖像信息卻無從獲取，而且水果無損檢測(cè)僅適用于同種水果，對(duì)于不同水果的檢測(cè)條件的控制還沒有制定出一套完善的通用方法，今后開發(fā)一種通用的水果檢測(cè)方法是未來的研究方向。

［1］ Ma Xueben，Ying Yibin，Rao Xiuqin，et al．Research of hyperspectral imaging in non-destructive measurement of fruit internal qualities［J］．Spectroscopy and Spectral A-nalysis，2009，29(6):1611 －1615．(in Chinese)

馬學(xué)本，應(yīng)義斌，饒秀勤，等.高光譜成像在水果內(nèi)部品質(zhì)無損檢測(cè)中的研究進(jìn)展［J］．光譜學(xué)與光譜分析，2009，29(6):1611 －1615．

［2］ Hong Tiansheng，Li Zhen，Wu Chunyin，et al．Review of hyperspectral image technology for non-destructive inspection of fruit quality［J］．Transactions of the CSAE，2007，23(11):280 －285．(in Chinese)

洪添勝，李震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無損檢測(cè)中的應(yīng)用［J］．農(nóng)業(yè)工程學(xué)報(bào)，2007，23(11):280－285．

［3］ Hege E，O'Connell D，Johnson W，et al．Hyperspectral imaging for astronomy and space surveillance［J］．Proceedings of the SPIE，2003，51(59):380 －391．

［4］ Monteiro S，Minekawa Y，Kosugi Y，et al．Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2007，62:2 －12．

［5］ Lyon R C，Lester D S，Lewis E N，et al．Near-infrared spectral imaging for quality assurance of pharmaceutical products:analysis of tablets to assess powder blend homogeneity［J］．AAPS Pharm Sci Tech，2002，3:17．

［6］ Ferris D，Lawhead R，Dickman E，et al．Multimodal hyperspectral imaging for the noninvasive diagnosis of cervical neoplasia［J］．Journal of Lower Genital Tract Disease，2001，5:65 －72．

［7］ Li Jiangbo，Rao Xiuqin，Ying Yibin．Advance on application of hyperspectral imaging to non-destructive detection of agricultural products external quality［J］．Spectroscopy and Spectral Analysis，2011，31(8):2021 － 2026．(in Chinese)

李江波，饒秀勤，應(yīng)義斌．農(nóng)產(chǎn)品外部品質(zhì)無損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究進(jìn)展［J］．光譜學(xué)與光譜分析，2011，31(8):2021 －2026．

［8］ Polder G，Gerie WAM，Van Der Heijden．Calibration and characterization of imaging spectrographs［J］．Near-Infrared Spectroscopy，2003，11:193 －210．

［9］ Gamal ElMasry，Ning Wang，Clément Vigneault．Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks［J］．Postharvest Biology and Technology，2009，52:1 －8．

［10］ Maider Vidal，José Manuel Amigo．Pre-processing of hyperspectral images essential steps before image analysis［J］．Chemometrics and Intelligent Laboratory Systems，2012，117:138 －148．

［11］ Howland D T Jones，David M Haaland，Michael B Sinclair，et al．Preprocessing strategies to improve MCR analyses of hyperspectral images［J］．Chemometrics and Intelligent Laboratory Systems，2012，117:149 －158．

［12］ Nicola B，Ltze E，Peirs A，et al．Non-destructive measurement of bitter pit in apple fruit using NIR hyperspectral imaging［J］．Postharvest Biology and Technology，2006，40:1－6．

［13］ Li Su，Tan Yonglong，Yang Meiying．Study on fruit classification and surface defect detection［J］．Computer Engineering and Design，2008，29(15):3954 －3957．(in Chinese)李甦，譚永龍，楊美英．水果分級(jí)與表面缺陷檢測(cè)研究［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2008，29(15):3954 －3957．

［14］ Cai Jianrong，Wang Jianhei，Chen Quansheng，et al．Detection of rust in citrus by hyperspectral imaging technology and band ratio algorithm［J］．Transactions of the CSAE，2009，25(1):127 －131．(in Chinese)蔡健榮，王建黑，陳全勝，等．波段比算法結(jié)合高光譜圖像技術(shù)檢測(cè)柑橘果銹［J］．農(nóng)業(yè)工程學(xué)報(bào)，2009，25(1):127－131．

［15］ Li Jiangbo，Rao Xiuqin，Ying Yibin，et al．Detection of navel oranges canker based on hyperspectral imaging technology［J］．Transactions of the CSAE，2010，26(8):222 －228．(in Chinese)李江波，饒秀勤，應(yīng)義斌，等．基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍［J］．農(nóng)業(yè)工程學(xué)報(bào)，2010，26(8):222－228．

［16］ Zhao Jiewen，Liu Jianhua，Chen Quansheng，et al．Detecting subtle bruises on fruits with hyperspectral imaging［J］．Transactions of the Chinese Society for Agricultural Machinery，2008，39(1):106 －109．(in Chinese)趙杰文，劉劍華，陳全勝，等.利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(1):106－109．

［17］ Xue Long，Li Jing，Liu Muhua．Researches of hyperspectral imaging in the detection of surface bruising of pear［J］．Cereals and Oils Processing，2009，4:136 － 138．(in Chinese)薛龍，黎靜，劉木華．利用高光譜圖像技術(shù)檢測(cè)梨表面碰壓傷的試驗(yàn)研究［J］．糧油加工，2009，4:136 －138．

［18］ Lü Qiang，Tang Mingjie．Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification［J］．Procedia Environmental Sciences，2012，11:1172－1179．

［19］ Gamal ElMasry，Ning Wang，Adel ElSayed，et al．Hyperspectral imaging for non-destructive determination of some quality attributes for strawberry［J］．Journal of Food Engineering，2007，81:98 －107．

［20］ He Jianguo，Luo Yang，Liu Guishan，et al．Prediction of soluble solids content of jujube fruit using hyperspectral reflectance imaging［J］．Advanced Materials Research，2012，In press．

［21］ Rajkumar P，Wang N，EImasry G．Studies on banana fruit quality and maturity stages using hyperspectral imaging［J］．Journal of Food Engineering，2012，108:194 －200．

［22］ Wang Shuang，Huang Min，Zhu Qibing．Model fusion for prediction of apple firmness using hyperspectral scattering image［J］．Computers and Electronics in Agriculture，2012，80:1 －7．

［23］ Antonietta Baiano，Carmela Terracone，Giorgio Peri，et al．Application of hyperspectral imaging for prediction of physico-chemical and Sensory Characteristics of Table Grapes［J］．Computers and Electronics in Agriculture，2012，87:142 －151．

［24］ P Rajkumar，N Wang，G EImasry．Studies on banana fruit quality and maturity stages using hyperspectral imaging［J］．Journal of Food Engineering，2012，108:194 －200．

［25］ Gabriel A，Leiva-Valenzuela，Renfu Lu，et al．Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging［J］．Journal of Food Engineering，2013，115:91 －98．

［26］ Xue Long，Li Jing，Liu Muhua，et al．Non-destructive detection of soluble solids content on navel orange with vis/NIR based on genetic algorithm ［J］． Laser＆Optoelectronics Progress，2010，47:1 －5．(in Chinese)薛龍，黎靜，劉木華，等．基于遺傳算法的臍橙可溶性固形物的可見/近紅外光譜無損檢測(cè)［J］．激光與光電子學(xué)進(jìn)展，2010，47:1 －5．

［27］ Hong Tiansheng，Qiao Jun，Ning Wang，et al．Non-destructive inspection of Chinese pear quality based on hyperspectral imaging technique［J］．Transactions of the CSAE，2007，23(2):151 －155．(in Chinese)洪添勝，喬軍，Ning Wang，等．基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)［J］．農(nóng)業(yè)工程學(xué)報(bào)，2007，23(2):151－155．

［28］ Guo Enyou，Liu Muhua，Zhao Jiewen，et al．Non-destructive detection of sugar content on navel orange with hyperspectral imaging［J］．Transactions of the Chinese Society for Agricultural Machinery，2008，39(5):91 － 93．(in Chinese)郭恩有，劉木華，趙杰文，等．臍橙糖度的高光譜圖像無損檢測(cè)技術(shù)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(5):91－93．

［29］ Shan Jiajia，Peng Yankun，Wang Wei，et al．Simultaneous detection of external and internal quality parameters of apples using hyperspectral technology［J］．Transactions of the Chinese Society for Agricultural Machinery，2011，42(3):140 －144．(in Chinese)單佳佳，彭彥昆，王偉，等．基于高光譜成像技術(shù)的蘋果內(nèi)外品質(zhì)同時(shí)檢測(cè)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(3):140－144．

［30］ Wan Xiangmei，Hang Min，Zhu Qibing．Non-destructive detection for compression hardness and juiciness in apple based on hyperspectral scattering image［J］．Science and technology of food industry，2012，33(6):71 － 74．(in Chinese)萬(wàn)相梅，黃敏，朱啟兵．基于高光譜散射圖像的蘋果的壓縮硬度和汁液含量無損檢測(cè)［J］．食品工業(yè)科技，2012，33(6):71 －74．

［31］ Guo Junxian，Rao Xiuqin，Cheng Guoshou，et al．Prediction of the sugar degree and grading of Xinjiang fuji apple by hyperspectral imaging techniques［J］．Journal of Xinjiang Agricultural University，2012，35(1):78 － 86．(in Chinese)郭俊先，饒秀勤，程國(guó)首，等．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．

［32］ Liu Y，Chen Y R，Kim M S，et al．Development of simple algorithms for the detection of fecal contaminants on apples from visible/near infrared hyperspectral reflectance imaging［J］．Journal of Food Engineering，2007，81:412 －418．

［33］ J Wang，K Nakano，S Ohashi．Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging ［J］．Biosystems engineering，2011，108:345－351．

［34］ Xue Long，Li Jing，Liu Muhua．Detecting pesticide residue on navel orange surface by using hyperspectral imaging［J］．Acta Optica Sinica，2008，28(12):2277 － 2280．(in Chinese)薛龍，黎靜，劉木華．高光譜圖像技術(shù)檢測(cè)水果表面農(nóng)藥殘留［J］．光學(xué)學(xué)報(bào)，2008，28(12):2277 －2280．