申亞其，李松林，何 杰，閆祖龍，李春林，黃玉萍

(南京林業(yè)大學機械電子工程學院，江蘇 南京 210037)

隨著人民生活質(zhì)量的逐步提升，消費者對水果質(zhì)量的要求也越來越高[1]。但水果的內(nèi)部品質(zhì)不宜觀察，且在采摘、包裝和運輸過程中，水果很容易受到人工或外界等物理因素的影響，致使其內(nèi)外部的品質(zhì)受到損傷[2]。因此，發(fā)展準確、快速、無損的檢測技術(shù)已成為水果品質(zhì)檢測領(lǐng)域重要的研究課題。隨著光譜技術(shù)的不斷發(fā)展，高光譜圖像技術(shù)被逐漸應(yīng)用于水果無損檢測。作為新一代的光電檢測技術(shù)，高光譜圖像技術(shù)結(jié)合了光譜學、機器視覺、計算機圖像學、近紅外光譜檢測等多學科知識，將光譜技術(shù)和傳統(tǒng)的二維成像技術(shù)進行了有機融合，具有高分辨率、超多波段和圖像光譜合一等優(yōu)點[3]，將高光譜圖像技術(shù)應(yīng)用于水果品質(zhì)檢測領(lǐng)域具有重要的意義[4]。

高光譜成像技術(shù)可以同時得到水果的圖像和光譜信息，其中圖像信息能夠直接反映水果的外部形狀特征、顏色、缺陷等情況[5]，而光譜數(shù)據(jù)則可以用于分析水果化學成分含量，如糖度、酸度、可溶性固形物含量等[6-8]。本文主要介紹國內(nèi)外學者利用高光譜成像技術(shù)對水果品質(zhì)進行無損檢測的研究進展，并探討了該技術(shù)未來的發(fā)展前景。

1 高光譜圖像技術(shù)簡介

1.1 高光譜成像系統(tǒng)

高光譜成像系統(tǒng)是20世紀80年代興起的新一代光電探測技術(shù)。一般認為，光譜分辨率在10-1λ數(shù)量級的范圍內(nèi)稱之為多光譜，光譜分辨率在10-2λ數(shù)量級的范圍內(nèi)稱為高光譜[9]，高光譜成像相對多光譜成像而言具有更高的分辨率[10]。

高光譜檢測系統(tǒng)主要由光源、面陣CCD或CMOS相機和計算機軟硬件等組成。光源是高光譜成像系統(tǒng)的重要組成部分，為整個成像系統(tǒng)提供照明，其產(chǎn)生的光被檢測物體吸收和散射后成為信息的載體，進入相機的入口狹縫，通過相機中的光譜成像儀將光信號映射到二維面陣檢測器上，最后根據(jù)計算機軟件和硬件采集、處理、分析以及存儲高光譜圖像數(shù)據(jù)[11]。

1.2 高光譜圖像數(shù)據(jù)的采集方式

根據(jù)高光譜圖像采集方式的不同，可分為點掃描、線掃描和面掃描三種。點掃描方式每次掃描只能獲得一個像素點的光譜，不適用于快速檢測，所以點掃描的方式常常被用于檢測微觀對象。線掃描方式通過每次掃描可以獲得掃描線上的光譜，適用于傳輸帶上物體的實時檢測，因此該方法是水果品質(zhì)檢測中最常用的圖像采集方法。點掃描和線掃描方式都屬于光譜域掃描方式，首先獲得圖像的光譜和一個維度的空間信息，再通過掃描移動，獲得另一維度空間信息。而面掃描方式屬于空間域掃描方式，可以同時獲取單個波長下被測物體兩個空間維度的圖像信息，其數(shù)據(jù)采集量大且數(shù)據(jù)采集時間較長，高光譜成像系統(tǒng)中通常會選擇面掃描方式。

2 高光譜圖像技術(shù)的研究進展

2.1 水果品質(zhì)定性分析

2.1.1 機械損傷

水果在收獲和運輸過程中很容易因為外界的沖擊、振動或擠壓而出現(xiàn)機械損傷，從而使水果的品級降低并造成經(jīng)濟損失?，F(xiàn)在對水果機械損傷的檢測多是通過人眼檢測，檢測精度較低，致使分類不夠精準，無法滿足消費者對水果質(zhì)量的要求，而高光譜檢測技術(shù)以其高精度無損檢測的特點正在逐漸取代原有的檢測技術(shù)。

近十年來，采用高光譜成像技術(shù)檢測蘋果機械損傷的研究已有很多[12-18]，韓浩然等[19]利用高光譜成像技術(shù)來檢測蘋果的摔傷，試驗結(jié)果表明，波段比算法和主成分分析法分類識別正確率為93.3%，適用于蘋果摔傷的實時快速檢測。Baranowski等[20]采用配備了在可見光和短波近紅外(VIS/SWNIR，400～1 000 nm)傳感器的高光譜相機、中波近紅外(MNIR，1 000～2 500 nm)和紅外(IR，3 500～5 000 nm)范圍的熱成像相機系統(tǒng)來檢測蘋果的早期瘀傷。結(jié)果表明，將VIS/SWNIR、MNIR和IR三個范圍結(jié)合在一起的模型獲得了區(qū)分瘀傷和完好組織以及各種深度瘀傷的最佳預(yù)測效率，使用廣譜范圍(400～5 000 nm)進行水果表面成像可以改善對蘋果不同深度早期瘀傷的檢測效果。Nayeli等[21]利用近紅外高光譜成像系統(tǒng)檢測芒果的機械損傷，采用了五種分類方法，在產(chǎn)生損壞后的七天內(nèi)捕獲圖像，從而可以有效檢測到出現(xiàn)損壞的時刻。結(jié)果發(fā)現(xiàn)近鄰法(k-Nearest Neighbours，k-NN)的分類效果最好，正確分類率可以達到97.90%。林思寒[22]利用PLS和LDA方法結(jié)合高光譜成像技術(shù)，建立了翠冠梨完好果和不同損傷天數(shù)碰壓果的PLS-LDA檢測模型。結(jié)果表明，其機械損傷果和完好果的識別準確率都在90%以上，最高可達97.78%。目前，現(xiàn)有高光譜檢測技術(shù)的檢測精度已經(jīng)能夠滿足分類需求，但針對損傷程度的檢測模型還較少。

2.1.2 凍傷

凍傷是水果缺陷檢測中最常見的指標之一，其早期檢測和監(jiān)測比較困難，為了更早地將有缺陷的水果從營銷鏈中去除，需要一種快速、精確和無損的檢測技術(shù)。近年來，研究人員針對蘋果凍傷方面的研究主要集中在算法優(yōu)化層面。ElMasry等[23]利用高光譜成像(400～1 000 nm)檢測“紅元帥”蘋果中的凍傷，開發(fā)了一種前饋反向傳播模型，選擇出五個特征波長的光譜作為模型的輸入，以普通與凍傷為輸出結(jié)果，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)識別模型。結(jié)果表明，該模型的平均分類精度達到98.4%。張嬙等[24]搭建半透射高光譜系統(tǒng)，采集樣本在400～1 000 nm 波段的圖像，利用獨立主成分分析法和權(quán)重系數(shù)法對圖像進行處理，建立水蜜桃冷害等級判別模型并進行驗證，驗證組的總體正確率為91.0%。Pan等[25]建立了一個高光譜成像系統(tǒng)來檢測桃子的凍傷，開發(fā)了一種人工神經(jīng)網(wǎng)絡(luò)(ANN)模型，確定了8個特征波長，并將特征波長作為ANN模型的輸入，對完好果和凍傷果進行分類，其分類精度為95.8%。高光譜圖像技術(shù)結(jié)合化學計量學方法在識別凍傷水果方面的研究已有一定進展，檢測精度普遍較高，未來可以進行水果凍傷分級識別的在線檢測研究，進一步提高檢測效率。

2.1.3 成熟度

水果成熟度是決定水果內(nèi)在品質(zhì)的關(guān)鍵因素，也是確定水果貨架期的重要指標。水果成熟的過程非常復(fù)雜，以往所用的傳統(tǒng)檢測水果成熟度方法局限于人工視覺檢測，實驗室理化檢測等。這些方法不但費時費力，主觀性較強，且均需破壞樣本才可實現(xiàn)[26-28]。近年來，國內(nèi)外學者開始研究無損檢測技術(shù)對水果的成熟度進行判別分析，其中高光譜圖像技術(shù)以其特有的優(yōu)勢，在水果成熟度方面的研究比較豐富。

Rajkumar等[29]使用高光譜成像技術(shù)對香蕉成熟度進行了研究，提前采集水分含量、硬度和總可溶性固體等質(zhì)量參數(shù)，并與光譜數(shù)據(jù)相關(guān)。運用PLS來分析光譜數(shù)據(jù)，使用預(yù)測的殘差誤差平方和來選擇特征波長。實驗結(jié)果表明，在成熟過程中，香蕉水分含量的變化與不同成熟階段成線性關(guān)系。Zhang等[30]建立高光譜成像系統(tǒng)來對草莓的成熟度進行分類，從成熟、中熟和未成熟草莓的高光譜圖像中提取光譜數(shù)據(jù)，在不同光譜范圍內(nèi)分別建立SVM模型，其中441.1～1 013.97 nm數(shù)據(jù)集上的SVM模型表現(xiàn)最佳，分類精度超過 85%。Gao等[31]利用高光譜成像系統(tǒng)對草莓的成熟度進行分類，在草莓早期成熟和成熟階段收集HSI數(shù)據(jù)，使用順序特征選擇算法(SFS)選擇特征波長，同時用AlexNet卷積神經(jīng)網(wǎng)絡(luò)(CNN)對早熟和成熟草莓樣品進行分類，其測試數(shù)據(jù)集的準確率為98.6%。

不同的特征選擇算法對于最后的分類精度影響很大，對不同水果選擇不同的特征算法尤為重要。

2.2 水果品質(zhì)定量分析

2.2.1 硬度預(yù)測

硬度是表現(xiàn)水果成熟度和口感品質(zhì)的一個重要特征，傳統(tǒng)的硬度檢測方法普遍對樣本有損傷，而高光譜成像技術(shù)則能夠?qū)λ捕冗M行快速、無損檢測。張巍[32]使用自主搭建的高光譜成像系統(tǒng)(500～1 000 nm)，以藍莓為研究對象，采用連續(xù)投影算法(SPA)對特征光譜進行提取，并建立基于全波段-BP神經(jīng)網(wǎng)絡(luò)的硬度預(yù)測模型與基于SPA-BP神經(jīng)網(wǎng)絡(luò)的硬度預(yù)測模型。試驗結(jié)果表明，所建模型都有較好的預(yù)測結(jié)果，且基于SPA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果更好。盧娜等[33]利用高光譜成像系統(tǒng)，獲取草莓在400～1 000 nm范圍波長的高光譜數(shù)據(jù)，采用四種方法對光譜數(shù)據(jù)進行預(yù)處理，并建立PLS預(yù)測模型，比較不同的預(yù)處理方法對預(yù)測模型產(chǎn)生的影響。結(jié)果表明，經(jīng)過標準正態(tài)變換(SNV)處理后的偏最小二乘(PLS)模型預(yù)測效果最好。Reddy等[34]利用高光譜成像和多變量數(shù)據(jù)分析對櫻桃硬度進行預(yù)測。結(jié)果表明，與偏最小二乘回歸法相比，利用高斯過程回歸所預(yù)測的櫻桃硬度精度更高。Xie等[35]使用高光譜成像系統(tǒng)對香蕉的硬度進行預(yù)測，設(shè)計了一種雙波長組合的方法選擇出特征波長，基于所選波長，得出RP2= 0.760，RPD= 2.062。結(jié)果表明，可以通過雙波長組合的方法對香蕉硬度進行分類。在硬度預(yù)測方面，Xie等所設(shè)計的雙波長組合方法檢測香蕉硬度時有良好的表現(xiàn)，可以將此方法應(yīng)用到其他水果的硬度檢測上。

2.2.2 可溶性固形物預(yù)測

水果中的可溶性固形物(SSC)包括可溶性糖類、維生素、礦物質(zhì)等[36]，是影響水果內(nèi)部品質(zhì)的重要因素。羅霞等[37]利用高光譜技術(shù)采集火龍果的漫反射光譜，并進行火龍果可溶性固形物的無損檢測。應(yīng)用連續(xù)投影算法(SPA)對特征變量進行選擇，采用8種方法對原始光譜數(shù)據(jù)進行預(yù)處理，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。結(jié)果表明，采用平滑去噪(MAS)進行預(yù)處理的模型精度最高，其驗證相關(guān)系數(shù)和交叉驗證均方根誤差分別為0.863 5、0.679 1。侯寶路等[38]利用近紅外高光譜成像技術(shù)(400～1 000 nm)檢測梨內(nèi)部的可溶性固形物。采用SPA算法提取梨的有效波長，利用多元線性回歸算法(MLR)建立線性回歸模型。結(jié)果表明，預(yù)測可溶性固形物模型的相關(guān)系數(shù)R為0.898，均方根誤差為0.192，檢測結(jié)果較為準確。Zhang等[39]使用可見光和近紅外全透光高光譜成像對橙子中可溶性固體含量(SSC)進行預(yù)測，結(jié)合了自適應(yīng)權(quán)重加權(quán)采樣和連續(xù)投影算法(CARS-SPA)來選擇有效波長，將水果尺寸作為補償因子，建立了三種與光譜信息相結(jié)合的校準模型，包括部分最小平方(PLS)、多線性回歸(MLR)和最平方支持向量機(LS-SVM)。結(jié)果表明，根據(jù)所選的有效波長，新提出的CARS-SPA-LS-SVM模型能夠?qū)崿F(xiàn)對橙子SSC的滿意預(yù)測。何洪巨等[40]研究高光譜技術(shù)在檢測無籽/有籽西瓜、青色/黃色甜瓜糖度上的可行性，利用可見/近紅外高光譜成像技術(shù)，分析不同品種西瓜、甜瓜的光譜反射率對糖度的響應(yīng)差異，得出在639.3 nm波段其響應(yīng)最高，在此波段下建模并檢驗，其建模R2為0.904、檢驗R2為0.847、相對均方根誤差為6.78%。Sun等[41]采用在波長900～1 700 nm范圍內(nèi)的高光譜成像對甜瓜的糖度進行無損檢測。使用傳統(tǒng)的方法對樣本甜瓜進行檢測，并建立了四種模型對樣本進行預(yù)測。結(jié)果表明，偏最小二乘回歸(PLSR)產(chǎn)生的預(yù)測結(jié)果最為準確，其R2值為0.80。

在檢測水果的可溶性固形物時，使用不同的預(yù)處理方法會對檢測精度產(chǎn)生較大影響，應(yīng)在多種預(yù)處理方法中選取產(chǎn)生最優(yōu)結(jié)果的預(yù)處理方法。

2.3 安全方面檢測

2.3.1 藥物殘留

水果表面的藥物殘留不僅極大影響水果的質(zhì)量安全，還影響果品出口貿(mào)易。因此，對水果表面的藥物殘留進行無損檢測十分必要。徐潔等[42]利用高光譜技術(shù)，建立距離判別分析模型和貝葉斯判別分析模型，并對哈密瓜表面殘留藥物的種類進行判別。結(jié)果表明，在紫外燈光源的環(huán)境中，距離判別法的準確率較高，為94.67%；在鹵素燈光源環(huán)境中，貝葉斯判別法的準確率較高，為100.00%。Jiang等[43]對蘋果農(nóng)藥殘留高光譜數(shù)據(jù)特征進行分析，構(gòu)建了適用于蘋果農(nóng)藥殘留檢測的AlexNet-CNN框架，并對四種高光譜蘋果農(nóng)藥殘留的6 144張圖像進行檢測。結(jié)果表明，測試集檢測精度為99.09%，單波段平均圖像檢測精度為95.35%。可見，高光譜成像技術(shù)在藥物殘留檢測方面已經(jīng)達到了很高的精度。

2.3.2 病蟲害

病蟲害的存在會極大地降低水果的品質(zhì)，利用高光譜技術(shù)可以有效地對水果病蟲害進行無損檢測，這對水果品質(zhì)分級具有重要意義。Bart等[44]開發(fā)了一種高光譜NIR成像系統(tǒng)來識別蘋果上的苦陷癥，構(gòu)建了PLS校準模型，用來區(qū)分未受影響的蘋果表面和苦陷癥。結(jié)果表明，該系統(tǒng)可以識別出收獲后肉眼不可見的苦陷癥，但無法區(qū)分苦陷癥和軟組織。劉思伽等[45]基于高光譜成像技術(shù)，提出改進流形距離算法選取3個特征波段并加以分組，建立BP神經(jīng)網(wǎng)絡(luò)模型對病害果和正常果進行檢測。結(jié)果表明，檢測蘋果病害時光譜相對反射率的最佳組合為700 nm和904 nm波段，其驗證集的病害果檢測率達到96.25%，正常果檢測率95%。Anna等[46]使用高光譜成像技術(shù)檢測草莓果實中的真菌感染，用兩種不同品種的草莓分別接種兩種不同的真菌，將未接種的草莓用作對照，選擇特征波長并構(gòu)建監(jiān)督分類模型。在所使用的四種分類方法中，反向傳播神經(jīng)網(wǎng)絡(luò)(BNN)模型獲得了區(qū)分真菌物種的最佳預(yù)測精度，接種果與控制果的區(qū)分精度高達97%。Wang等[47]開發(fā)了一種高光譜反射成像方法(400～720 nm)用于檢測棗果實中的外部昆蟲損害。使用高光譜成像方法確定棗中的受損區(qū)域，運用逐步判別分析法將棗分為有蟲侵害型和無蟲侵害型，分類準確率約為97.0%。但現(xiàn)有檢測技術(shù)大多只能檢測一種病蟲害，少有開發(fā)出可以同時檢測出多種病蟲害的高光譜模型。

3 存在問題及發(fā)展趨勢

高光譜成像技術(shù)雖然在水果無損檢測方面有較多的應(yīng)用，但仍存在著一些不足。高光譜的穿透深度不夠高，對于果皮比較厚的水果難以檢測。反射、透射時需要使用大光源，但光源能量過高又容易損傷水果，如何在無損檢測和更深層檢測間達到平衡是未來要解決的關(guān)鍵問題；高光譜的圖像數(shù)據(jù)量大，冗余信息多，如何選擇特征波長，去除無相關(guān)的變量來提升檢測效率也是急需解決的一個問題；水果含水率普遍較高，高光譜檢測時在1 400 nm后會受到水分吸收峰的影響，如何避免水分吸收峰對檢測結(jié)果的影響也亟待解決。

針對檢測樣品方面，現(xiàn)階段大多數(shù)的研究都選取表皮較薄的水果(如蘋果、梨、桃子等)進行品質(zhì)缺陷檢測，但對表皮較厚的水果(如西瓜、哈密瓜、椰子等)品質(zhì)檢測仍然較少，高光譜檢測技術(shù)如何突破檢測深度的限制將給這些較厚果皮水果品質(zhì)檢測帶來新的應(yīng)用。在試驗設(shè)計方面，大多數(shù)研究都只針對水果是否存在缺陷進行分級，沒有考慮缺陷程度對水果保質(zhì)期的影響，如水果受到輕微損傷后，在短期內(nèi)其內(nèi)外部品質(zhì)與經(jīng)濟價值波動較小，但儲存一定時間后水果品質(zhì)可能會發(fā)生較大改變，因此研究缺陷程度對水果保質(zhì)期的影響對水果儲存及經(jīng)儲存后水果的品質(zhì)預(yù)測具有深遠的現(xiàn)實意義。隨著計算機技術(shù)和圖像處理技術(shù)等的進一步發(fā)展和更深地融合，高光譜圖像檢測技術(shù)在水果品質(zhì)無損檢測領(lǐng)域必將有更加廣泛的應(yīng)用。在高光譜檢測應(yīng)用技術(shù)推廣方面，由于圖像采集和處理速度的限制以及設(shè)備成本的制約，高光譜技術(shù)在現(xiàn)實生活中還未得到大范圍的應(yīng)用，可以權(quán)衡檢測準確率與設(shè)備成本，開發(fā)專用小型化設(shè)備以實現(xiàn)高光譜技術(shù)的進一步推廣。

4 小結(jié)

近年來，高光譜圖像檢測技術(shù)在水果品質(zhì)的無損檢測方面得到了廣泛的應(yīng)用，硬件的設(shè)計與實現(xiàn)以及圖像處理的算法都取得了進步，檢測的準確率逐漸提升，體現(xiàn)出其克服傳統(tǒng)分析工具復(fù)雜性、繁瑣性、破壞性的巨大潛力。但高光譜圖像技術(shù)還有較多問題值得深入研究，隨著科技的進步以及信息時代的到來，此技術(shù)必將會越來越成熟，應(yīng)用前景也將越來越廣闊。