劉亞 木合塔爾·米吉提 曹鵬程 岳建魁

摘要：簡介高光譜成像系統(tǒng)的原理及優(yōu)勢(shì)，綜述國內(nèi)外高光譜技術(shù)在水果內(nèi)部和外部品質(zhì)檢測方面的應(yīng)用，分析其在相關(guān)檢測中存在的主要不足，展望其未來發(fā)展方向，為提高高光譜成像技術(shù)在水果多品質(zhì)無損檢測中的檢測準(zhǔn)確性提供參考。

關(guān)鍵詞：高光譜成像技術(shù)；水果品質(zhì)；無損檢測；外部品質(zhì)；內(nèi)部品質(zhì)

中圖分類號(hào)：S123；TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-1161（2016）05-0050-04

水果在采摘包裝運(yùn)輸過程中，易受人為或水果自身因素影響而內(nèi)部或外部品質(zhì)受損。隨著人類健康觀念的增強(qiáng)，對(duì)水果品質(zhì)的要求越來越高，促使水果多品質(zhì)分類越來越嚴(yán)格。在水果商品化處理過程中，準(zhǔn)確、快速、客觀的質(zhì)量檢測系統(tǒng)是確保其安全高質(zhì)量生產(chǎn)的保證，也是現(xiàn)代水果產(chǎn)業(yè)的發(fā)展趨勢(shì)。目前，我國水果分類分級(jí)主要依靠人工視覺，既費(fèi)時(shí)費(fèi)力又難以排除主觀因素。

水果無損檢測是在不損傷果體的情況下，應(yīng)用一定的檢測技術(shù)和分析手段，對(duì)水果內(nèi)外部品質(zhì)進(jìn)行測定，并按照一定標(biāo)準(zhǔn)作出評(píng)價(jià)的過程。隨著光譜技術(shù)發(fā)展，國內(nèi)外學(xué)者把目光聚焦在高光譜成像技術(shù)上。高光譜成像技術(shù)是從遙感圖像技術(shù)發(fā)展而來的，基于非常多窄波段圖像數(shù)據(jù)技術(shù)，是傳統(tǒng)二維圖像技術(shù)和光譜技術(shù)有機(jī)結(jié)合的一項(xiàng)新興技術(shù)，融合光學(xué)、電子學(xué)、圖像處理、計(jì)算機(jī)科學(xué)等多學(xué)科知識(shí)。高光譜成像技術(shù)可以同時(shí)獲取農(nóng)產(chǎn)品圖像和光譜信息，其中圖像信息能夠直接反映農(nóng)產(chǎn)品外部形狀特征、顏色、紋理、缺陷和污斑情況，光譜數(shù)據(jù)則可分析農(nóng)產(chǎn)品內(nèi)部化學(xué)成分含量，如糖度、酸度、含水率、可溶性固形物含量等。

1 高光譜成像系統(tǒng)概述

一般認(rèn)為，光譜分辨率在10-1λ數(shù)量級(jí)范圍內(nèi)稱為多光譜，光譜分辨率在10-2λ數(shù)量級(jí)范圍內(nèi)稱為高光譜，光譜分辨率在10-3λ數(shù)量級(jí)范圍內(nèi)稱為超光譜。高光譜圖像是在特定波長范圍內(nèi)由一系列連續(xù)的窄波段圖像組成的三維圖像數(shù)據(jù)塊，如圖1所示。圖1中，X和Y表示二維平面坐標(biāo)軸，λ表示波長范圍坐標(biāo)軸。高光譜圖像有某個(gè)特定波長下的圖像信息，針對(duì)XY平面內(nèi)某個(gè)特定像素，又具有不同波長下光譜信息。因此，高光譜圖像集合了圖像與光譜信息。在每個(gè)波長下，XY平面內(nèi)每個(gè)像素的灰度值與其在該波長下的光譜值一一對(duì)應(yīng)，在某個(gè)特定波長下，感興趣區(qū)域（ROI）與正常區(qū)域間的光譜值存在很大差異，因此，在此波長下的圖像中，它們之間的灰度也存在一定差異。

一個(gè)典型的基于光譜儀的高光譜成像系統(tǒng)主要包括成像光譜儀、光源、線陣或面陣攝像機(jī)、輸送裝置和計(jì)算機(jī)等部件，其主要結(jié)構(gòu)見圖2。

2 高光譜成像在水果內(nèi)部品質(zhì)檢測中的應(yīng)用

針對(duì)果蔬內(nèi)部品質(zhì)無損檢測，高光譜成像技術(shù)主要應(yīng)于可溶性固形物、堅(jiān)實(shí)度及糖度等指標(biāo)預(yù)測。

2.1 可溶性固形物

可溶性固形物（SSC）是指水果及蔬菜等農(nóng)產(chǎn)品中可溶解于水的所有物質(zhì)總稱，包括可溶性糖、維生素、微量元素、礦物質(zhì)、果膠等，可以判斷水果成熟度，是衡量水果品質(zhì)分級(jí)的重要指標(biāo)之一。傳統(tǒng)檢測方法一般采用折光儀法，不僅檢測速度慢，而且損壞檢測對(duì)象。目前，隨著高光譜技術(shù)不斷發(fā)展，國內(nèi)外學(xué)者開始利利用高光譜成像技術(shù)對(duì)水果中的可溶性固形物進(jìn)行預(yù)測。

Leiva-Valenzuela等利用高光譜成像系統(tǒng)在可見短波近紅外范圍內(nèi)，獲取402顆藍(lán)莓在莖稈、花萼和直徑最大處3個(gè)方向的反射和透射光譜圖像，選用偏最小二乘法回歸方法建立SSC和堅(jiān)實(shí)度預(yù)測模型。結(jié)果表明，依據(jù)反射光譜圖得出的預(yù)測模型效果最好，其SSC預(yù)測模型的預(yù)測集相關(guān)系數(shù)RP為0.90，堅(jiān)實(shí)度預(yù)測模型的預(yù)測集相關(guān)系數(shù)RP=0.78；根據(jù)透射光譜圖得出的預(yù)測模型，其SSC預(yù)測模型預(yù)測集相關(guān)系數(shù)RP=0.76，堅(jiān)實(shí)度預(yù)測模型預(yù)測集相關(guān)系數(shù)RP=0.64。

羅霞等以火龍果為研究對(duì)象，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，應(yīng)用連續(xù)投影算法（SPA）進(jìn)行特征變量選擇，通過偏最小二乘法（PLS）和前饋反向傳播神經(jīng)網(wǎng)絡(luò)法（BPNN）建立預(yù)測模型，分析火龍果果皮對(duì)SSC模型預(yù)測精度的影響。試驗(yàn)結(jié)果表明：SPA算法能夠有效地對(duì)光譜數(shù)據(jù)進(jìn)行降維處理，采用優(yōu)選的15個(gè)特征變量建立BPNN預(yù)測模型的預(yù)測集相關(guān)系數(shù)RP為0.841 1，預(yù)測集均方根誤差RMSEP為0.817 1。

2.2 堅(jiān)實(shí)度

水果堅(jiān)實(shí)度（Firmness）是指果肉抗壓力的強(qiáng)弱，可以作為判斷水果成熟度和口感品質(zhì)的重要指標(biāo)。傳統(tǒng)的堅(jiān)實(shí)度檢測方法是穿刺試驗(yàn)方法，對(duì)樣本有損傷，并且不能逐個(gè)檢驗(yàn)，對(duì)大批量產(chǎn)品檢測試驗(yàn)是不現(xiàn)實(shí)的。高光譜成像是一種融合光譜技術(shù)和圖像技術(shù)的無損檢測技術(shù)，能夠?qū)λ麍?jiān)實(shí)度進(jìn)行快速、無損和準(zhǔn)確檢測。

Nagata等應(yīng)用近紅外高光譜成像技術(shù)對(duì)草莓堅(jiān)實(shí)度進(jìn)行預(yù)測，測量波長范圍為650～1 000 nm，光譜間隔5 nm，采用多元逐步線性回歸進(jìn)行分析。最后提取3個(gè)波長（685，985，865 nm）對(duì)五成熟到全熟樣本的堅(jiān)實(shí)度進(jìn)行預(yù)測，相關(guān)系數(shù)為0.786，SEP為0.350 N。

李鋒霞等用高光譜技術(shù)對(duì)哈密瓜堅(jiān)實(shí)度進(jìn)行檢測，對(duì)比分析不同波段范圍、不同預(yù)處理法、不同光程校正法和不同定量校正算法對(duì)哈密瓜堅(jiān)實(shí)度預(yù)測模型準(zhǔn)確度的影響。結(jié)果表明，在500～820 nm波段光譜區(qū)域，采用偏最小二乘法對(duì)經(jīng)過標(biāo)準(zhǔn)正則變換校正的一階微分光譜建模效果較優(yōu)，其校正集相關(guān)系數(shù)為0.873，校正均方根誤差為4.18 N，預(yù)測集相關(guān)系數(shù)為0.646，預(yù)測均方根誤差為6.40 N。

2.3 糖度

糖度是水果的重要內(nèi)部品質(zhì)之一，直接決定水果的糖酸比。

Jiewen Z等用高光譜成像系統(tǒng)（408～1117 nm）檢測蘋果的糖度，用偏最小二乘法建模，發(fā)現(xiàn)檢測糖度的最佳光譜范圍為704～805 nm。

趙凡等以“華優(yōu)”獼猴桃為對(duì)象，分別提取10×10，20×20，30×30（像素×像素）的正方形光譜區(qū)域及樣品掩膜圖像平均光譜，對(duì)平均光譜進(jìn)行平滑去噪和標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理，用處理后的全光譜建立預(yù)測獼猴桃糖度的偏最小二乘法、最小二乘支持向量機(jī)、極限學(xué)習(xí)機(jī)和誤差反向傳播網(wǎng)絡(luò)模型。結(jié)果表明，基于獼猴桃掩膜圖像的平均光譜所建立的最小二乘支持向量機(jī)模型測性能最好，其預(yù)測相關(guān)系數(shù)為 0.97，預(yù)測均方根誤差為0.86Brix，相對(duì)預(yù)測誤差為4.06。

3 高光譜成像在水果外部品質(zhì)檢測中的應(yīng)用

水果外部品質(zhì)檢測主要包括顏色、大小、質(zhì)量、形狀、表面缺陷等特征檢測。顏色及表面缺陷檢測大量使用可見光成像系統(tǒng)，而某些肉眼難以識(shí)別的表面缺陷如動(dòng)物糞污染、輕微損傷等，通常對(duì)除可見光以外的波段更加敏感。高光譜技術(shù)獲得的圖像數(shù)據(jù)能反映農(nóng)產(chǎn)品外部特征、表面缺陷、污斑情況等，可以有效檢測水果外部品質(zhì)。

3.1 表面損傷

水果表面損傷（輕微的碰壓傷、隱性損傷等）對(duì)水果貯藏影響極大。通過對(duì)水果表面損傷研究，確定適宜貯藏條件，減少水果腐爛變質(zhì)，延長水果貨架期。

Ferrari， C等將每幅圖像轉(zhuǎn)換為一維信號(hào)，高光譜圖像數(shù)據(jù)集可以看成是二維數(shù)據(jù)矩陣，進(jìn)行數(shù)據(jù)處理后獲取800幅近紅外高光譜圖像，利用偏最小二乘判別分析建模來預(yù)測蘋果表面損傷，可以檢測蘋果表面損傷隨時(shí)間的變化。

田有文等以紅富士蘋果為試驗(yàn)樣本，采集蘋果樣本高光譜圖像，根據(jù)正常蘋果表面區(qū)域和剛損傷、損傷后（3，10，24 h）的損傷區(qū)域光譜反射率平均曲線得到有效光譜區(qū)域723～923 nm，然后基于有效光譜區(qū)域進(jìn)行數(shù)據(jù)處理和分析。結(jié)果表明：正常蘋果樣本正確檢測率達(dá)100.0%，損傷蘋果樣本的正確檢測率為97.5%，總體檢測精確度高達(dá)98.75%。

3.2 表面缺陷

鑒于消費(fèi)者在購買水果時(shí)更多地關(guān)注水果外表面是否美觀、完整、有無缺陷等，國內(nèi)外學(xué)者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。

Nicola等利用近紅外高光譜反射成像技（900～

1 700 nm）對(duì)蘋果表面的凹陷進(jìn)行檢測，采用偏最小二乘法建立校正模型，選用閾值分割處理圖像。該方法能夠檢測肉眼無法識(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)誤檢測。

劉燕德等采集表面缺陷黃桃與正常黃桃的近紅外漫透射光譜。對(duì)比分析同一個(gè)黃桃樣品損傷前后的光譜特征，建立黃桃最小二乘支持向量機(jī)判別模型與偏最小二乘判別模型。同時(shí)，建立黃桃可溶性固形物偏最小二乘回歸模型并用連續(xù)投影算法對(duì)模型進(jìn)行優(yōu)化，研究表面缺陷果對(duì)黃桃可溶性固形物檢測模型精度的影響，最終實(shí)現(xiàn)黃桃表面缺陷與可溶性固形物同時(shí)在線檢測。采用未參與建模的樣品來評(píng)價(jià)模型在線分選的準(zhǔn)確性，缺陷果的正確判斷率為100%，可溶性固形物分選準(zhǔn)確率達(dá)到93%。

3.3 農(nóng)藥殘留及污染物

水果表面的農(nóng)藥殘留以及污染物不僅影響食品質(zhì)量安全，還影響果品出口貿(mào)易。

Lefcout等利用高光譜圖像技術(shù)檢測被動(dòng)物排泄物污染的蘋果表面情況，人工配置3種比例的動(dòng)物糞便稀釋溶液，然后噴灑到蘋果表面。試驗(yàn)表明，前兩種稀釋液檢測準(zhǔn)確率達(dá)到100%，第3種糞便稀釋液檢測準(zhǔn)確率達(dá)到97%。

張令標(biāo)等對(duì)番茄表面的農(nóng)藥殘留進(jìn)行檢測，結(jié)果表明，高濃度農(nóng)藥檢測率達(dá)100%，低濃度農(nóng)藥檢測率為0。

3.4 凍傷

張嬙等通過分析桃果實(shí)貯藏期間感官指標(biāo)、褐變指數(shù)、硬度、出汁率變化，分析各指標(biāo)間的相關(guān)性，將‘霞暉5號(hào)水蜜桃的冷害進(jìn)程分為0～3級(jí)，再利用半透射高光譜技術(shù)采集冷害桃果實(shí)400～1 000 nm波段的圖像，應(yīng)用獨(dú)立主成分分析法和權(quán)重系數(shù)法優(yōu)選出冷害的特征波長，半透射條件下波長為640，745，811 nm，同時(shí)得到桃果實(shí)不同冷害階段的半透射高光譜圖像特征，及冷害發(fā)生水蜜桃的ICA圖像中的黑色斑點(diǎn)部位。最終提取特征波長處的光譜平均值作為Fisher判別方法建模的特征集，建立霞暉5號(hào)水蜜桃不用冷害等級(jí)判別模型并進(jìn)行驗(yàn)證，驗(yàn)證組的總體正確率為91.0%。

4 結(jié)語與展望

應(yīng)用高光譜圖像采集時(shí)，反射模型是最常用的模型，可檢測食品表面和近表面許多地方的質(zhì)量和安全屬性，且成本相對(duì)較低。其次是散射模型，用于檢測硬度、粉體和SCC等。透射模型很少用于水果檢測。值得注意的是，大多數(shù)研究只用一個(gè)模型，很少同時(shí)運(yùn)用兩個(gè)模型，建議在未來的研究中運(yùn)用并比較不同的成像模型。

大部分研究都集中在獲取與特殊屬性相關(guān)波段范圍，但在大多數(shù)情況下，這些結(jié)果都是在實(shí)驗(yàn)室條件下或者統(tǒng)計(jì)技術(shù)下實(shí)現(xiàn)的，很難運(yùn)用于實(shí)際情況，應(yīng)在未來的研究中使結(jié)果更有利于實(shí)際運(yùn)用。

獲取和處理圖像速度較慢，不能廣泛應(yīng)用于生產(chǎn)實(shí)時(shí)檢測?？山梃b的解決辦法是選用一些范圍小的波段，但有可能因丟失重要信息而限制最終應(yīng)用。

參考文獻(xiàn)

[1] MAHESH S， JAYAS D S， PALIWAL J， et al. Hyperspectral imaging to classify and monitor quality of agricultural materials[J]. Journal of Stored Products Research， 2015（61）：17-26.

[2] GABRIEL A. LEIVA-VALENZUELA， RENFU LU， et al. Assessment of internal quality of blueberries using hyperspectral transmittance and re？ectance images with whole spectra or selected wavelengths[J]. Innovative Food Science and Emerging Technologies ，2014，24（8）：12–13.

[3] 羅霞，洪添勝，羅闊，等.高光譜技術(shù)在無損檢測火龍果可溶性固形物中的應(yīng)用[J].激光與光電子學(xué)進(jìn)展，2015，52（8）：309-317.

[4] 李鋒霞，馬本學(xué)，何青海，等.哈密瓜堅(jiān)實(shí)度的高光譜無損檢測技術(shù)[J].光子學(xué)報(bào)，2013，42（5）：592-595.

[5] FERRARI，CARLOTTA，F(xiàn)OCA，et al. Fast exploration and classi cation of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems，2015，146（8）：108–119.

[6] 田有文，牟鑫，程怡.基于高光譜成像技術(shù)的蘋果表面輕微損傷檢測[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，46（4）：508-512.

[7] 張令標(biāo)，何建國，劉貴珊，等.基于可見/近紅外高光譜成像技術(shù)的番茄表面農(nóng)藥殘留無損檢測[J].食品與機(jī)械，2015，30（1）：82-85.

[8] 張嬙，潘磊慶，屠康.利用半透射高光譜圖像檢測‘霞暉5號(hào)水蜜桃冷害[J].食品科學(xué)，2015，36（2）：160-167.

Abstract： This paper had carried on the brief introduction of the principle and advantages of hyperspectral imaging system， summarized the application of hyperspectral technology in internal and external fruit quality examination home and abroad， analyzed the main limitation in the relative examination， and looked forward to its future development direction， providing reference for improving the accuracy of hyperspectral imaging technology in fruit multi-quality nondestructive examination.

hyperspectral technology in fruit quality deficiency .

Key word： hyperspectral imaging technology； fruit quality； nondestructive examination； external quality； internal quality