摘要：高光譜成像(HyperspectralImage,HSI)技術通過將成像和光譜這兩種經典光學傳感技術集成到一個系統中，可以同時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特征以及內在化學和分子信息的能力，以便進行質量和安全分析和檢測。本文總結了近十年來高光譜成像技術在水果質量檢測方面的研究進展與應用。描述了高光譜成像系統的基本原理和系統組件，總結了高光譜數據采集、預處理、建模的常用方法，并對用于檢測水果外觀特征和內在特性例如硬度、可滴定酸度(TitratableAcidity,TA)、可溶性固形物含量(SolubleSolidsContent,SSC)、水分含量(Moisturecontent,MC)的方法進行了綜述。同時給出了應用于水果質量檢測的高光譜成像技術今后的發展趨勢和研究方向，以期為水果產業智能化提供參考。

　　關鍵詞：高光譜成像;化學計量學;水果品質;可溶性固形物含量;光譜定性分析;光譜定量分析

　　水果的綜合質量檢測包括外觀檢測和內在特性的測定。外部缺陷包括擦傷、冷害等，在很大程度上，這些缺陷會降低水果質量水平，造成巨大的經濟損失。內部特征包括硬度、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系，而且其中一些成分對身體有很大益處，這意味著內部特征在質量檢測中起著主導作用[13]。傳統上，基于外部特征的水果質量檢測系統嚴重依賴于人工操作，既耗時又費力且不夠客觀。同時，水果內部質量的測量主要依賴于破壞樣品和使用化學試劑進行化學分析。

　　計算機技術方向評職知識：適合視覺傳達設計論文發表的期刊

　　近年來，計算機視覺技術已被用于監測水果的質量變化。計算機視覺系統捕獲的質量特征主要突出與其形狀大小、顏色和紋理特征密切相關的外部視覺特性[45]。關于水果內部屬性的定性和定量測定，已經采用了包括反射、透射、熒光和拉曼散射測量的光譜方法，來提供對水果質量和安全問題的直接檢測。

　　然而，上述方法中單點檢測的弱點限制了它們在均勻樣品中的應用[67]。因此，在水果質量檢測過程中應用一種實時、準確、無損的檢測技術來量化每個質量參數，同時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來解決。本文將對高光譜成像技術在水果質量檢測方面的研究進展與應用展開討論。介紹高光譜成像系統的主要儀器組成，以及數據采集、光譜預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部特性的方式及其建模方法，提出高光譜成像技術的挑戰和未來發展趨勢，以便更好地將高光譜成像技術應用于水果無損檢測領域。

　　1高光譜技術原理

　　1.1高光譜成像系統及其系統組件

　　高光譜成像涉及成像和光譜兩個方面內容。該技術可以在連續的波長范圍內產生一系列高分辨率圖像信息，這些數據具有二維(2D)空間信息和一維(1D)光譜信息，構成了三維(3D)數據立方體。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像素都保存相應位置的光譜信息，獲得的光譜具有反映該特定像素信息的功能[89]。

　　1.2形態校準

　　在高光譜圖像采集中，由于曝光時間、載物臺移動速度和焦距的不同，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，根據不同水果的特點，確定圖像采集的參數尤為重要。由于水果中光強分布不均勻，形狀多樣，在光源強度較弱的波長下，獲取的圖像通常具有較大的噪聲，這給數據處理帶來了冗余信息。因此，需要使用黑白板來校準高光譜圖像[10]。

　　1.3化學計量學方法

　　1.3.1光譜預處理

　　為了將儀器和檢測環境的干擾噪聲和背景等非質量信息降至最低，需要進行光譜預處理，如均值中心化(MeanCentering)、平滑、多元散射校正(MultiplicativeScatterCorrection,MSC)、標準正態變量變換(StandardNormalVariate,SNV)、去趨勢(Detrending,DT)、導數處理、光譜濾波等，以提高原始數據質量，用于后續分析[11]。

　　1.3.2波長篩選方法

　　原始高光譜數據立方體包含幾十到幾百個波段，這給計算機帶來了巨大的存儲和處理壓力。因此，選擇保存最佳波段是數據簡化和模型優化的重要步驟，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系數法、方差分析法、無信息變量消除(EliminationofVariables,UVE)法、競爭性自適應權重取樣(CompetitiveAdaptiveReweightedSampling,CARS)法、連續投影算法(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)、人工神經網絡(ArtificialNeuralNetwork,ANN)、支持向量機(SupportVectorMachine,SVM)[13]等方法。定性分析問題需要用到化學計量學中的模式識別方法。這種方法通常包括三類：有監督的方法、無監督的方法、光譜檢索方法。常用的分類方法包括：聚類分析、深度優先搜索(DepthFirstSearch,DFS)和判別分析(DiscriminantAnalysis,DA)等。

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

　　水果的外部特征和內部參數的測量及建模方法在下面小節詳細討論。

　　2.1外部特征

　　2.1.1擦傷

　　在收獲和運輸時出現在水果表面的表皮擦傷是水果最嚴重的外部缺陷之一，在研究中備受關注。它影響水果的外觀、質地和顏色，并促使水分流失。擦傷的斑點增加了細菌和真菌污染的風險，降低了消費者的接受程度。擦傷區域的化學變化會導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域。Siedliska(2014)等[29]對蘋果擦傷進行無損檢測，在構建水果損傷的監督分類模型時，采用了高光譜數據的二階導數預處理和基于相關性的特征選擇算法。測試集的成功率超過95%，驗證集的成功率超過90%。在模型中，正確分類的實例的百分比非常高，從測試集的98.2%到100%，到驗證集的93%。

　　吳龍國(2015)等[16]對長棗擦傷進行無損檢測，采用近紅外(NearInfraredReflection,NIR)波段獲取300個長棗反射圖像，提取并分析各類型長棗光譜曲線，選擇9181678nm波段范圍進行主成分分析，通過權重系數提取特征波長，然后對特征波長下圖像進行主成分分析，選擇最優的主成分圖像進行識別。最后，對未識別的長棗圖像采用波段比算法進一步進行識別。

　　NIR波段碰傷棗的識別率為100%。Keresztes(2016)等[30]開發了一個基于HSI的實時像素早期蘋果碰傷檢測系統。為了克服HSI光照均勻性較差的限制，對幾種反射率校準和預處理技術進行了比較，以校正眩光并最大化信噪比。通過一階導數和均值中心化的最佳組合，以及圖像后處理，該系統能夠在像素級以98%的精度檢測30個蘋果中的新擦傷，每個蘋果的處理時間低于200ms。

　　Liu(2017)等[15]對草莓進行缺陷識別，采用最小噪聲分數(MinimumNoiseFraction,MNF)變換對高光譜圖像數據進行處理，并定位和分離缺陷區域并進行光譜提取。基于水果的目標缺陷區域建立質量參數和光譜特征之間的聯系。光譜歸一化后，擦傷草莓的光譜區域為650720nm，并通過連續投影算法從整個波長范圍中選擇八個最佳波長。開發了線性和非線性算法來識別草莓中的缺陷類型。

　　結果表明，基于全波長的SVM模型具有最高的識別準確率，標定準確率為96.91%，預測準確率為92.59%。 上述研究結果表明，基于高光譜成像技術的水果擦傷檢測主要集中在蘋果、獼猴桃、草莓、棗等水果，其中對蘋果的擦傷檢測最多。對于區分擦傷和正常水果以及不同深度的擦傷，高光譜成像技術的引入提高了水果擦傷的預測效率。然而，在使用高光譜檢測較小面積擦傷時，應謹慎使用圖像處理技術。此外，以上研究僅限于某類水果的幾個品種，因此需要進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以上的不適低溫造成的傷害。大多數熱帶和亞熱帶水果都對冷害敏感。在低溫條件下，水果組織容易受到損傷，導致代謝活性發生改變。在敏感物種中，可以觀察到表面點蝕、變色、萎蔫、風味喪失甚至腐爛。ElMasry(2009)等[31]對蘋果冷害進行識別，建立了一個“蛇果”蘋果冷害識別模型，利用反向傳播神經網絡方法，準確率為98.4%，該模型可進一步應用于蘋果硬度的預測。

　　Sun(2017)等[19]對桃子冷害進行評價，采用高光譜反射成像(4001000nm)并結合化學計量學方法，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。

　　結果表明，使用全波長時，神經網絡模型對預測集的分類率最高，四類、三類和二類分類的準確率分別為85.37%、96.11%和99.29%。此外，通過連續投影算法選擇的六個最佳波長用作偏最小二乘法、費希爾線性判別分析、ANN和SVM模型的輸入。另外，還通過轉換圖像的主成分分析算法，生成了冷害區域的空間分布圖。結果表明，高光譜反射成像技術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量密切相關。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范圍內使用HSI系統檢測“金冠”蘋果綿軟，使用硬度和多汁性這兩個參數作為指標。偏最小二乘分類模型對“綿軟”和“非綿軟”蘋果的準確率在74.6%至86.7%之間。

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

　　3發展趨勢

　　盡管在水果質量檢測過程中，與強大的化學計量學相結合的高光譜成像技術使我們從繁重的測量和繁瑣的計算中解脫出來，但在將高光譜成像技術應用于實時應用時仍有一些障礙需要克服。首先，之前構建的模型應用到另一個HSI系統時，應該仔細進行模型轉換。第二，樣本的特性也可能給質量分類和預測帶來一些問題。一方面，由于大多數水果例如，圓形蘋果或圓柱形香蕉的形態變化而導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，莖和花萼對擦傷檢測的干擾)可能會降低分類的準確性[4244]。

　　隨著硬件和軟件技術的進步，具有低成本和快速檢測特性的高光譜成像系統是有望實現的。在今后的應用高光譜對水果質量進行無損檢測的過程應注重以下幾個方面的研究：(1)目前，基于高光譜圖像關鍵波段的多光譜成像受到了廣泛關注。由于多光譜成像系統具有相對較低的儀器成本和較高的分析速度，有望在工業領域中得到廣泛應用。(2)另外，HSI可以在不同的模式下執行，每種模式在提供特定的樣本信息方面都有自己的優勢。因此，以多模式方式運行的未來高光譜成像系統通過提供關于同一物體的更全面的信息將具有良好的潛力。

　　(3)此外，仍然需要改進成像處理算法，以進一步提高該技術的效率，挖掘其降低計算和圖像分析成本的潛力，能夠快速、實時、準確地確定水果中重要化學成分。(4)更要鼓勵業界采用比當前在線多光譜技術更可靠、更靈活的分類解決方案，但建議進一步照明和硬件優化，以進一步減少眩光的影響和提高處理速度，以促進高光譜成像在水果快速和無損質量檢測中的廣泛應用。

　　結論

　　本文綜述了近10年來高光譜成像在水果質量檢測方面的研究進展與應用。涵蓋了水果的內外屬性，外部屬性包括擦傷、冷害等，內部特征包括硬度、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，現代無損檢測技術，包括光譜和成像技術得到了發展。在光譜技術方面，高光譜技術作為一種快速方便的工具，在這些無損檢測技術中成本最低，適用于測定皮薄或內部結構均勻的水果。就成像技術而言，高分辨率成像技術是預測內部質量的有力工具，只需選擇幾個波長即可獲得很好的結果。高光譜成像技術使實現對水果的無損檢測以及在線分類和分級成為可能。

　　參考文獻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，張克智，李鈺