摘要：高光譜成像(HyperspectralImage,HSI)技術(shù)通過將成像和光譜這兩種經(jīng)典光學(xué)傳感技術(shù)集成到一個(gè)系統(tǒng)中，可以同時(shí)提供空間和光譜信息。因此，高光譜成像具有快速和無損檢測水果的物理形態(tài)特征以及內(nèi)在化學(xué)和分子信息的能力，以便進(jìn)行質(zhì)量和安全分析和檢測。本文總結(jié)了近十年來高光譜成像技術(shù)在水果質(zhì)量檢測方面的研究進(jìn)展與應(yīng)用。描述了高光譜成像系統(tǒng)的基本原理和系統(tǒng)組件，總結(jié)了高光譜數(shù)據(jù)采集、預(yù)處理、建模的常用方法，并對(duì)用于檢測水果外觀特征和內(nèi)在特性例如硬度、可滴定酸度(TitratableAcidity,TA)、可溶性固形物含量(SolubleSolidsContent,SSC)、水分含量(Moisturecontent,MC)的方法進(jìn)行了綜述。同時(shí)給出了應(yīng)用于水果質(zhì)量檢測的高光譜成像技術(shù)今后的發(fā)展趨勢(shì)和研究方向，以期為水果產(chǎn)業(yè)智能化提供參考。

　　關(guān)鍵詞：高光譜成像;化學(xué)計(jì)量學(xué);水果品質(zhì);可溶性固形物含量;光譜定性分析;光譜定量分析

　　水果的綜合質(zhì)量檢測包括外觀檢測和內(nèi)在特性的測定。外部缺陷包括擦傷、冷害等，在很大程度上，這些缺陷會(huì)降低水果質(zhì)量水平，造成巨大的經(jīng)濟(jì)損失。內(nèi)部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等，這些都與水果香氣、口感和口味有很大關(guān)系，而且其中一些成分對(duì)身體有很大益處，這意味著內(nèi)部特征在質(zhì)量檢測中起著主導(dǎo)作用[13]。傳統(tǒng)上，基于外部特征的水果質(zhì)量檢測系統(tǒng)嚴(yán)重依賴于人工操作，既耗時(shí)又費(fèi)力且不夠客觀。同時(shí)，水果內(nèi)部質(zhì)量的測量主要依賴于破壞樣品和使用化學(xué)試劑進(jìn)行化學(xué)分析。

　　計(jì)算機(jī)技術(shù)方向評(píng)職知識(shí)：適合視覺傳達(dá)設(shè)計(jì)論文發(fā)表的期刊

　　近年來，計(jì)算機(jī)視覺技術(shù)已被用于監(jiān)測水果的質(zhì)量變化。計(jì)算機(jī)視覺系統(tǒng)捕獲的質(zhì)量特征主要突出與其形狀大小、顏色和紋理特征密切相關(guān)的外部視覺特性[45]。關(guān)于水果內(nèi)部屬性的定性和定量測定，已經(jīng)采用了包括反射、透射、熒光和拉曼散射測量的光譜方法，來提供對(duì)水果質(zhì)量和安全問題的直接檢測。

　　然而，上述方法中單點(diǎn)檢測的弱點(diǎn)限制了它們?cè)诰鶆驑悠分械膽?yīng)用[67]。因此，在水果質(zhì)量檢測過程中應(yīng)用一種實(shí)時(shí)、準(zhǔn)確、無損的檢測技術(shù)來量化每個(gè)質(zhì)量參數(shù)，同時(shí)保證水果的安全性已成為迫切需要。如今的局限性可以通過引入高光譜成像技術(shù)來解決。本文將對(duì)高光譜成像技術(shù)在水果質(zhì)量檢測方面的研究進(jìn)展與應(yīng)用展開討論。介紹高光譜成像系統(tǒng)的主要儀器組成，以及數(shù)據(jù)采集、光譜預(yù)處理和建模的常用方法。通過介紹用于檢測水果外觀特征和內(nèi)部特性的方式及其建模方法，提出高光譜成像技術(shù)的挑戰(zhàn)和未來發(fā)展趨勢(shì)，以便更好地將高光譜成像技術(shù)應(yīng)用于水果無損檢測領(lǐng)域。

　　1高光譜技術(shù)原理

　　1.1高光譜成像系統(tǒng)及其系統(tǒng)組件

　　高光譜成像涉及成像和光譜兩個(gè)方面內(nèi)容。該技術(shù)可以在連續(xù)的波長范圍內(nèi)產(chǎn)生一系列高分辨率圖像信息，這些數(shù)據(jù)具有二維(2D)空間信息和一維(1D)光譜信息，構(gòu)成了三維(3D)數(shù)據(jù)立方體。其中，軸和軸代表2D平面，λ軸代表波長軸。因此，高光譜圖像中的每個(gè)像素都保存相應(yīng)位置的光譜信息，獲得的光譜具有反映該特定像素信息的功能[89]。

　　1.2形態(tài)校準(zhǔn)

　　在高光譜圖像采集中，由于曝光時(shí)間、載物臺(tái)移動(dòng)速度和焦距的不同，普通水果表皮的粗糙度、顏色和光澤在影響圖像采集方面各有差異。因此，根據(jù)不同水果的特點(diǎn)，確定圖像采集的參數(shù)尤為重要。由于水果中光強(qiáng)分布不均勻，形狀多樣，在光源強(qiáng)度較弱的波長下，獲取的圖像通常具有較大的噪聲，這給數(shù)據(jù)處理帶來了冗余信息。因此，需要使用黑白板來校準(zhǔn)高光譜圖像[10]。

　　1.3化學(xué)計(jì)量學(xué)方法

　　1.3.1光譜預(yù)處理

　　為了將儀器和檢測環(huán)境的干擾噪聲和背景等非質(zhì)量信息降至最低，需要進(jìn)行光譜預(yù)處理，如均值中心化(MeanCentering)、平滑、多元散射校正(MultiplicativeScatterCorrection,MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(StandardNormalVariate,SNV)、去趨勢(shì)(Detrending,DT)、導(dǎo)數(shù)處理、光譜濾波等，以提高原始數(shù)據(jù)質(zhì)量，用于后續(xù)分析[11]。

　　1.3.2波長篩選方法

　　原始高光譜數(shù)據(jù)立方體包含幾十到幾百個(gè)波段，這給計(jì)算機(jī)帶來了巨大的存儲(chǔ)和處理壓力。因此，選擇保存最佳波段是數(shù)據(jù)簡化和模型優(yōu)化的重要步驟，以此提高分析速度。目前在定量與定性分析中，波長選擇的方法主要有相關(guān)系數(shù)法、方差分析法、無信息變量消除(EliminationofVariables,UVE)法、競爭性自適應(yīng)權(quán)重取樣(CompetitiveAdaptiveReweightedSampling,CARS)法、連續(xù)投影算法(SuccessiveProjectionsAlgorithm,SPA)和遺傳算法(GeneticAlgorithms,GA)[12]等。

　　1.3.3建模方法

　　建模方法可分為定量建模方法和定性建模方法。定量建模方法也稱多元定量校正方法。在光譜分析中常用的方法包括多元線性回歸(MultipleLinerRegression,MLR)、主成分分析(PrincipalComponentAnalysis,PCA)、偏最小二乘回歸(PartialLeastSquaresRegression,PLSR)、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)、支持向量機(jī)(SupportVectorMachine,SVM)[13]等方法。定性分析問題需要用到化學(xué)計(jì)量學(xué)中的模式識(shí)別方法。這種方法通常包括三類：有監(jiān)督的方法、無監(jiān)督的方法、光譜檢索方法。常用的分類方法包括：聚類分析、深度優(yōu)先搜索(DepthFirstSearch,DFS)和判別分析(DiscriminantAnalysis,DA)等。

　　2高光譜成像技術(shù)在水果質(zhì)量檢測中的應(yīng)用水果質(zhì)量既包括外觀、顏色等外部屬性，也包括硬度和可溶性固形物含量(SSC)等內(nèi)部質(zhì)量參數(shù)。高光譜成像技術(shù)用于捕捉與內(nèi)部質(zhì)量相關(guān)的各種光譜和空間信息。表明了高光譜技術(shù)在水果品質(zhì)無損檢測中應(yīng)用非常廣泛。

　　水果的外部特征和內(nèi)部參數(shù)的測量及建模方法在下面小節(jié)詳細(xì)討論。

　　2.1外部特征

　　2.1.1擦傷

　　在收獲和運(yùn)輸時(shí)出現(xiàn)在水果表面的表皮擦傷是水果最嚴(yán)重的外部缺陷之一，在研究中備受關(guān)注。它影響水果的外觀、質(zhì)地和顏色，并促使水分流失。擦傷的斑點(diǎn)增加了細(xì)菌和真菌污染的風(fēng)險(xiǎn)，降低了消費(fèi)者的接受程度。擦傷區(qū)域的化學(xué)變化會(huì)導(dǎo)致其反射特性的變化。因此，通過比較同一物體上不同空間位置的光譜，可以很容易地檢測到擦傷區(qū)域。Siedliska(2014)等[29]對(duì)蘋果擦傷進(jìn)行無損檢測，在構(gòu)建水果損傷的監(jiān)督分類模型時(shí)，采用了高光譜數(shù)據(jù)的二階導(dǎo)數(shù)預(yù)處理和基于相關(guān)性的特征選擇算法。測試集的成功率超過95%，驗(yàn)證集的成功率超過90%。在模型中，正確分類的實(shí)例的百分比非常高，從測試集的98.2%到100%，到驗(yàn)證集的93%。

　　吳龍國(2015)等[16]對(duì)長棗擦傷進(jìn)行無損檢測，采用近紅外(NearInfraredReflection,NIR)波段獲取300個(gè)長棗反射圖像，提取并分析各類型長棗光譜曲線，選擇9181678nm波段范圍進(jìn)行主成分分析，通過權(quán)重系數(shù)提取特征波長，然后對(duì)特征波長下圖像進(jìn)行主成分分析，選擇最優(yōu)的主成分圖像進(jìn)行識(shí)別。最后，對(duì)未識(shí)別的長棗圖像采用波段比算法進(jìn)一步進(jìn)行識(shí)別。

　　NIR波段碰傷棗的識(shí)別率為100%。Keresztes(2016)等[30]開發(fā)了一個(gè)基于HSI的實(shí)時(shí)像素早期蘋果碰傷檢測系統(tǒng)。為了克服HSI光照均勻性較差的限制，對(duì)幾種反射率校準(zhǔn)和預(yù)處理技術(shù)進(jìn)行了比較，以校正眩光并最大化信噪比。通過一階導(dǎo)數(shù)和均值中心化的最佳組合，以及圖像后處理，該系統(tǒng)能夠在像素級(jí)以98%的精度檢測30個(gè)蘋果中的新擦傷，每個(gè)蘋果的處理時(shí)間低于200ms。

　　Liu(2017)等[15]對(duì)草莓進(jìn)行缺陷識(shí)別，采用最小噪聲分?jǐn)?shù)(MinimumNoiseFraction,MNF)變換對(duì)高光譜圖像數(shù)據(jù)進(jìn)行處理，并定位和分離缺陷區(qū)域并進(jìn)行光譜提取。基于水果的目標(biāo)缺陷區(qū)域建立質(zhì)量參數(shù)和光譜特征之間的聯(lián)系。光譜歸一化后，擦傷草莓的光譜區(qū)域?yàn)?50720nm，并通過連續(xù)投影算法從整個(gè)波長范圍中選擇八個(gè)最佳波長。開發(fā)了線性和非線性算法來識(shí)別草莓中的缺陷類型。

　　結(jié)果表明，基于全波長的SVM模型具有最高的識(shí)別準(zhǔn)確率，標(biāo)定準(zhǔn)確率為96.91%，預(yù)測準(zhǔn)確率為92.59%。 上述研究結(jié)果表明，基于高光譜成像技術(shù)的水果擦傷檢測主要集中在蘋果、獼猴桃、草莓、棗等水果，其中對(duì)蘋果的擦傷檢測最多。對(duì)于區(qū)分擦傷和正常水果以及不同深度的擦傷，高光譜成像技術(shù)的引入提高了水果擦傷的預(yù)測效率。然而，在使用高光譜檢測較小面積擦傷時(shí)，應(yīng)謹(jǐn)慎使用圖像處理技術(shù)。此外，以上研究僅限于某類水果的幾個(gè)品種，因此需要進(jìn)一步研究更多不同品種的水果材料。

　　2.1.2冷害

　　冷害是指由水果和蔬菜組織冰點(diǎn)以上的不適低溫造成的傷害。大多數(shù)熱帶和亞熱帶水果都對(duì)冷害敏感。在低溫條件下，水果組織容易受到損傷，導(dǎo)致代謝活性發(fā)生改變。在敏感物種中，可以觀察到表面點(diǎn)蝕、變色、萎蔫、風(fēng)味喪失甚至腐爛。ElMasry(2009)等[31]對(duì)蘋果冷害進(jìn)行識(shí)別，建立了一個(gè)“蛇果”蘋果冷害識(shí)別模型，利用反向傳播神經(jīng)網(wǎng)絡(luò)方法，準(zhǔn)確率為98.4%，該模型可進(jìn)一步應(yīng)用于蘋果硬度的預(yù)測。

　　Sun(2017)等[19]對(duì)桃子冷害進(jìn)行評(píng)價(jià)，采用高光譜反射成像(4001000nm)并結(jié)合化學(xué)計(jì)量學(xué)方法，建立PLSDA、ANN和SVM判別模型，用于二類(“非冷害”和“冷害”)，三類(“非冷害”、“輕度冷害”和“重度冷害”)，四類(“非冷害”、“輕度冷害”、“中度冷害”和“重度冷害”)分類模式。

　　結(jié)果表明，使用全波長時(shí)，神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù)測集的分類率最高，四類、三類和二類分類的準(zhǔn)確率分別為85.37%、96.11%和99.29%。此外，通過連續(xù)投影算法選擇的六個(gè)最佳波長用作偏最小二乘法、費(fèi)希爾線性判別分析、ANN和SVM模型的輸入。另外，還通過轉(zhuǎn)換圖像的主成分分析算法，生成了冷害區(qū)域的空間分布圖。結(jié)果表明，高光譜反射成像技術(shù)用于桃子冷害的無損檢測是可行和有效的，甚至可以在食用和加工前進(jìn)行多波長的檢測。

　　2.1.3組織特性

　　除了水果的擦傷和冷害之外，其他組織特性如多汁性和咀嚼性與其感官質(zhì)量密切相關(guān)。蘋果綿軟是一種組織障礙，其特征是缺乏汁液和組織疏松。Huang和Lu(2010)[18]在6001000nm范圍內(nèi)使用HSI系統(tǒng)檢測“金冠”蘋果綿軟，使用硬度和多汁性這兩個(gè)參數(shù)作為指標(biāo)。偏最小二乘分類模型對(duì)“綿軟”和“非綿軟”蘋果的準(zhǔn)確率在74.6%至86.7%之間。

　　利用局部線性嵌入算法進(jìn)行特征提取，偏最小二乘法的總體分類性能為80.4%，而分類模型的準(zhǔn)確率為82.5%。總的來說，高光譜成像有很好的二級(jí)分類(綿軟，非綿軟)結(jié)果。對(duì)于在長貨架期內(nèi)處理的“粉狀”蘋果的兩級(jí)分類，獲得了更好的結(jié)果(93%的準(zhǔn)確性。然而，這項(xiàng)技術(shù)仍然不能準(zhǔn)確地確定硬度和多汁性方面的粉質(zhì)水平，也不能區(qū)分不太嚴(yán)重的粉質(zhì)蘋果。

　　3發(fā)展趨勢(shì)

　　盡管在水果質(zhì)量檢測過程中，與強(qiáng)大的化學(xué)計(jì)量學(xué)相結(jié)合的高光譜成像技術(shù)使我們從繁重的測量和繁瑣的計(jì)算中解脫出來，但在將高光譜成像技術(shù)應(yīng)用于實(shí)時(shí)應(yīng)用時(shí)仍有一些障礙需要克服。首先，之前構(gòu)建的模型應(yīng)用到另一個(gè)HSI系統(tǒng)時(shí)，應(yīng)該仔細(xì)進(jìn)行模型轉(zhuǎn)換。第二，樣本的特性也可能給質(zhì)量分類和預(yù)測帶來一些問題。一方面，由于大多數(shù)水果例如，圓形蘋果或圓柱形香蕉的形態(tài)變化而導(dǎo)致的光譜變化削弱了模型的能力。另一方面，樣品所具有的干擾例如，莖和花萼對(duì)擦傷檢測的干擾)可能會(huì)降低分類的準(zhǔn)確性[4244]。

　　隨著硬件和軟件技術(shù)的進(jìn)步，具有低成本和快速檢測特性的高光譜成像系統(tǒng)是有望實(shí)現(xiàn)的。在今后的應(yīng)用高光譜對(duì)水果質(zhì)量進(jìn)行無損檢測的過程應(yīng)注重以下幾個(gè)方面的研究：(1)目前，基于高光譜圖像關(guān)鍵波段的多光譜成像受到了廣泛關(guān)注。由于多光譜成像系統(tǒng)具有相對(duì)較低的儀器成本和較高的分析速度，有望在工業(yè)領(lǐng)域中得到廣泛應(yīng)用。(2)另外，HSI可以在不同的模式下執(zhí)行，每種模式在提供特定的樣本信息方面都有自己的優(yōu)勢(shì)。因此，以多模式方式運(yùn)行的未來高光譜成像系統(tǒng)通過提供關(guān)于同一物體的更全面的信息將具有良好的潛力。

　　(3)此外，仍然需要改進(jìn)成像處理算法，以進(jìn)一步提高該技術(shù)的效率，挖掘其降低計(jì)算和圖像分析成本的潛力，能夠快速、實(shí)時(shí)、準(zhǔn)確地確定水果中重要化學(xué)成分。(4)更要鼓勵(lì)業(yè)界采用比當(dāng)前在線多光譜技術(shù)更可靠、更靈活的分類解決方案，但建議進(jìn)一步照明和硬件優(yōu)化，以進(jìn)一步減少眩光的影響和提高處理速度，以促進(jìn)高光譜成像在水果快速和無損質(zhì)量檢測中的廣泛應(yīng)用。

　　結(jié)論

　　本文綜述了近10年來高光譜成像在水果質(zhì)量檢測方面的研究進(jìn)展與應(yīng)用。涵蓋了水果的內(nèi)外屬性，外部屬性包括擦傷、冷害等，內(nèi)部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等。在過去的幾十年里，現(xiàn)代無損檢測技術(shù)，包括光譜和成像技術(shù)得到了發(fā)展。在光譜技術(shù)方面，高光譜技術(shù)作為一種快速方便的工具，在這些無損檢測技術(shù)中成本最低，適用于測定皮薄或內(nèi)部結(jié)構(gòu)均勻的水果。就成像技術(shù)而言，高分辨率成像技術(shù)是預(yù)測內(nèi)部質(zhì)量的有力工具，只需選擇幾個(gè)波長即可獲得很好的結(jié)果。高光譜成像技術(shù)使實(shí)現(xiàn)對(duì)水果的無損檢測以及在線分類和分級(jí)成為可能。

　　參考文獻(xiàn)References：

　　[1]RAJKUMARP,WANGN,ELMASRYG,RAGHAVANG,GARIEPYY.Studiesonbananafruitqualityandmaturitystagesusinghyperspectralimaging[J].JournalofFoodEngineering,2012,108(1):194200.

　　[2]NANYAMY,CHOUDHARYR,GUPTAL,PALIWALJ.Adecisionfusionstrategyforfruitqualityinspectionusinghyperspectralimaging[J].BiosystemsEngineering,2012,111:118125.

　　[3]YANGL,GAOHQ,MENGLW,FUXP,DUXQ,WUD,HUANGLX.Nondestructivemeasurementofpectinpolysaccharidesusinghyperspectralimaginginmulberryfruit[J].FoodChemistry,2021,334:110.

　　[4]LIUJH,SUNX,YOUNGJM,BACHMEIERLA,NEWMANDJ.Predictingporkloinintramuscularfatusingcomputervisionsystem[J].MeatScience,2018,143:1823.

　　[5]WANP,TOUDESHKiA,TANHQ,EHSANIR.Amethodologyforfreshtomatomaturitydetectionusingcomputervision[J].ComputersandElectronicsinAgriculture,2018,146:4350.

　　作者：何馥嫻，蒙慶華1*，唐柳，黃新，盧旭恒，王瑞揚(yáng)，張克智，李鈺