外部品質(zhì)是農(nóng)產(chǎn)品最重要的感官品質(zhì)，主要通過顏色、紋理、尺寸、形狀和表面缺陷進行評估。目前，傳統(tǒng)機器視覺技術(shù)已經(jīng)可以實現(xiàn)大多數(shù)外部品質(zhì)的自動檢測，但對于特征不明顯的缺陷（如損傷、腐爛、凍傷等），缺陷區(qū)域的顏色、紋理等信息和正常區(qū)域高度相似，基于 RGB 彩色相機的傳統(tǒng)機器視覺無能為力。高光譜成像技術(shù)的多波長圖像優(yōu)點彌補了傳統(tǒng)成像技術(shù)的缺點，結(jié)合不斷豐富的人工智能算法，近年來已被廣泛應(yīng)用于農(nóng)產(chǎn)品表面缺陷的檢測中 [6]。

當前基于高光譜成像的農(nóng)產(chǎn)品表面缺陷檢測，主要集中在對高光譜圖像進行降維處理，從海量高光譜圖像信息中選取與缺陷相關(guān)的特征，依據(jù)選取的特征對缺陷進行判別分析。由于高光譜圖像光譜波段范圍廣、波段數(shù)量大，且相鄰波段之間相關(guān)性強，存在信息冗余 [6]。因此，如何有效地進行高光譜數(shù)據(jù)降維處理，并提取有效特征成為后續(xù)分類判別的關(guān)鍵。現(xiàn)有的高光譜圖像數(shù)據(jù)降維方法，主要包括基于變換的特征提取方法和基于非變換的波段選擇方法 [7]。

將高維的光譜特征空間按照一定變換準則，投影到一個較低維數(shù)的新特征空間，即特征提取。特征提取后得到的新特征分量主要反映了不同對象某一方面的特性，以及區(qū)別于其他對象的光譜參量。目前，基于變換的特征提取方法主要采用線性分析方法，如主成分分析、獨立成分分析、最小噪聲分離等，將高維數(shù)據(jù)映射到低維空間來有效地表達原始的高維特征，并嘗試從選取新的特征分量中得到原始高光譜圖像中每個波長圖像的權(quán)重系數(shù)，根據(jù)權(quán)重系數(shù)得到最佳波長。特征波長選擇的最終目的是為了開發(fā)基于特征波長的多光譜成像系統(tǒng)，以便提高檢測效率 [8]。

基于非變換的波段選擇方法，從高光譜圖像中不同對象的光譜信息入手，將高光譜圖像的每一個波段看作一個特征。進行高光譜圖像分類時，在原始光譜信號中嘗試去搜索 1 組波長子集，即選擇特征波長用于待分類對象的檢測。近年來，大量的啟發(fā)式智能搜索算法被提出用于在高光譜全波段中，選取最優(yōu)的用于分類判別的特征波段，如模擬退火算法、蟻群算法、遺傳算法和隨機蛙跳算法等。

分類判別用于得到多維空間中的數(shù)據(jù)到類別的映射關(guān)系，主要分為無監(jiān)督分類方法和監(jiān)督分類方法。無監(jiān)督分類方法自發(fā)地發(fā)現(xiàn)數(shù)據(jù)中蘊含的層次，不需要先驗知識即可實現(xiàn)對數(shù)據(jù)的分類。如 K 均值聚類法。監(jiān)督分類則需要訓練樣本作為先驗知識，通過訓練樣本進行學習，得到分類模型。常見的分類器有最大似然分類法、貝葉斯分類法、決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機等 [9]。

以蘋果輕微損傷檢測為例簡述基于變換的特征提取方法，整個方法流程如圖 2 所示。研究人員利用主成分分析對蘋果高光譜圖像進行降維處理 [10]，獲取不同主成分圖像；根據(jù)不同主成分圖像中缺陷區(qū)域與正常區(qū)域的差異，選取最佳主成分圖像 PC-4；根據(jù)該最佳主成分圖像中各波長的權(quán)重系數(shù)大小，確定用于蘋果輕微損傷檢測的最佳特征波長圖像 (780、850 和 960 nm)。對選取的 3 個特征波長的圖像再次進行主成分分析，得到最終處理后的 PC-3 圖像用于蘋果輕微損傷的有效檢測。在上述研究的基礎(chǔ)上，搭建了 3 個特征波長的多光譜成像系統(tǒng)，并開發(fā)相應(yīng)的檢測算法用于蘋果缺陷的實時在線快速檢測，實現(xiàn)了較好的檢測效果。該研究也實現(xiàn)了由高光譜成像到多光譜成像的蘋果損傷檢測，對于指導水果缺陷的多光譜在線快速檢測具有重要意義。該方法在桃和臍橙等水果的輕微損傷、腐爛檢測中都得到了應(yīng)用 [11-12]。

圖 2 由高光譜到多光譜成像的蘋果輕微損傷檢測 [10]

另外，一些研究人員利用基于非變換的波段選擇方法探討水果缺陷的高光譜成像檢測。針對藍莓的損傷檢測 [13]，首先提取了損傷部位與健康部位的光譜信息，結(jié)合特征波長選取算法，建立基于監(jiān)督分類算法的損傷判別模型，實現(xiàn)健康區(qū)域光譜與損傷區(qū)域光譜的判別；進而利用建立好的分類器對水果表面每個像素點進行逐次判別，得到藍莓損傷分布。其次，研究人員采用波段運算來實現(xiàn)損傷檢測。采用方差分析，比較不同波段比圖像下兩類光譜的差異，根據(jù) F 值大小，確定兩類光譜差異最大的波段比圖像，即 1 235 nm/1 035 nm 圖像用于藍莓損傷的快速檢測。同時需要注意的是，由于藍莓、蘋果和桃等圖像中缺陷區(qū)域與果梗 / 花萼區(qū)域具有相似的灰度特征，導致在缺陷檢測過程中很難正確區(qū)分果梗 / 花萼與缺陷 [14]。因此，在該過程中避免不了對果梗 / 花萼的識別。上述藍莓損傷的檢測研究也提出了波段比圖像 (1 200 nm/1 075 nm) 用于藍莓花萼部位的識別。綜合上述分析，開發(fā)了藍莓損傷的高光譜圖像快速檢測算法 ( 見圖 3(a))。類似方法也被用于梨的輕微損傷檢測 ( 見圖3(b))[15] 和柑橘的缺陷識別 [16] 等。

圖 3 基于高光譜成像技術(shù)的藍莓及梨的損傷檢測

隨著社會的發(fā)展和人民生活水平的提高，農(nóng)產(chǎn)品品質(zhì)檢測也從單一外部品質(zhì)檢測向內(nèi)外部品質(zhì)綜合檢測方向發(fā)展。內(nèi)部品質(zhì)檢測不僅可以提高農(nóng)產(chǎn)品國際市場競爭力，增加農(nóng)產(chǎn)品附加價值，還可以滿足人民對高品質(zhì)農(nóng)產(chǎn)品的需求。傳統(tǒng)的農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測方法繁瑣、成本高，而且容易造成樣本破壞；而光譜及高光譜成像技術(shù)具有快速、無損、多組分同時分析的特點，可有效彌補傳統(tǒng)檢測方式的不足 [18]。

高光譜圖像數(shù)據(jù)具有高分辨率和圖譜合一等特點，能夠提供樣本詳盡的光譜信息，提高農(nóng)產(chǎn)品內(nèi)部品質(zhì)的檢測精度；但其高分辨率也帶來了數(shù)據(jù)量大、共線性的問題，不僅給數(shù)據(jù)的存儲和傳輸帶來了困難，也給數(shù)據(jù)的處理帶來了巨大的挑戰(zhàn)，使得其很難滿足水果在線快速檢測的需求。因此，如何有效地降低高光譜圖像信息的維數(shù)，減少數(shù)據(jù)量，增加檢測效率是將高光譜圖像技術(shù)應(yīng)用于農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測的一個重要問題 [19]。

特征波長選擇是農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測領(lǐng)域中廣泛應(yīng)用的一種光譜數(shù)據(jù)降維方法。它通過特定的變量選擇算法可以從原始的光譜數(shù)據(jù)中挑選出共線性最小、冗余最少，且包含樣本主要有效信息的特定波長光譜，采用所挑選的特征波長變量代替全波長變量建立校正模型，可以使建立的模型更簡單、更穩(wěn)健、更準確。一般認為，特征波長的選擇減少了變量數(shù)目和無用信息的干擾，加快了模型的計算速度，所建立的模型效果更準確、更穩(wěn)健。此外，特征波長的選擇對于便攜式儀器的開發(fā)，以及設(shè)備成本的降低和儀器的使用維護都具有重要的現(xiàn)實意義。農(nóng)產(chǎn)品內(nèi)部品質(zhì)的特征波長變量選擇算法較多，近年來應(yīng)用較為廣泛的主要有無信息變量消除法(uninformative variable elimination, UVE)、競爭性自適應(yīng)重加權(quán)采樣法 (competitive adaptive reweighted sampling, CARS) 和連續(xù)投影算法 (successive projections algorithm, SPA) 等。圖 4 為基于高光譜成像技術(shù)的農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測流程。

圖 4 基于高光譜成像技術(shù)的農(nóng)產(chǎn)品內(nèi)部品質(zhì)檢測流程

UVE 算法是一種可消除光譜變量中對樣本組分預(yù)測無用的變量，最終剩下有用變量的波長選擇方法。它將隨機產(chǎn)生的噪聲矩陣（與光譜矩陣大小相同）加入光譜矩陣中；然后，基于留一交互驗證建立偏最小二乘 (partial least square, PLS) 回歸預(yù)測模型，得到回歸系數(shù)矩陣；最后，按列計算回歸系數(shù)矩陣的平均值 M 及標準差 S，通過計算E(i)=M(i)/S(i)，根據(jù) E(i) 的絕對值確定選擇的特征波長。通常 UVE 選擇的波長數(shù)量仍較多，因此也衍生出一些組合方法，如蒙特卡羅無信息變量消除法 (Monte Carlo UVE, MC-UVE)。 與 UVE 相 比，MC-UVE 所 選擇的特征波長更可靠、更穩(wěn)定。Li 等 [20] 采用 MC-UVE 算法從梨的近紅外高光譜圖像(1 000~2 500 nm) 中提取了可溶性固形物的特征波長，與全光譜 237 個波段相比，MCu0002UVE 算法只選擇了 40 個作為特征波長，基于特征波長所建立的梨可溶性固形物預(yù)測模型優(yōu)于全光譜所建模型。

CARS 算法是一種結(jié)合蒙特卡羅采樣與PLS 模型回歸系數(shù)的特征變量選擇方法，它模仿達爾文進化理論中“適者生存”的原則，每次都通過自適應(yīng)加權(quán)采樣保留 PLS 模型中回歸系數(shù)絕對值權(quán)重最大的點作為新的子集；然后，基于新的子集建立 PLS 模型，經(jīng)多次計算，最終選擇 PLS 模型交互驗證均方根誤差最小的子集中的波長作為特征波長。Tian 等 [21] 采用 CARS 算法分別從蘋果果皮-果肉層和果肉層樣本的可見近紅外高光譜圖像 (450~1 000 nm) 中提取了蘋果可溶性固形物特征波長，CARS 從果皮-果肉層和果肉層光譜中所提取的特征波長數(shù)量分別為 92 和 59 個，與全光譜 706 個波段相比分別減少了 87% 和 92%，基于特征波長所建立的預(yù)測模型相關(guān)系數(shù)分別由全波段的0.895 9 和 0.911 6 提高到 0.964 1 和 0.979 8。

SPA 算法將波長投影到其他波長上，利用向量的投影分析比較投影向量的大小，以投影向量最大的波長為待選波長，然后基于校正模型選擇最終的特征波長，它可選擇光譜變量中含有最少冗余信息及最小共線性的變量組合。Fan 等 [22] 采用 SPA 算法分別從梨的可見 / 近紅外高光譜圖像(400~1 000 nm) 中提取梨可溶性固形物和硬度的特征波長，所提取的特征波長數(shù)量分別為 47 和 26 個，僅是全 706 個光譜波段的6% 和 3%，基于特征波長所建立模型預(yù)測精度與全波長范圍所建立模型預(yù)測精度相近。

此外，由于單一的變量選擇算法所選擇的波長數(shù)量仍較多，在實際的研究和應(yīng)用中也衍生出了一些組合方法，如 CARSu0002SPA 就是將 CARS 與 SPA 相結(jié)合的變量選擇方法。Fan 等 [22] 采用 CARS-SPA 算法從梨的可見 / 近紅外高光譜圖像中提取了梨可溶性固形物和硬度的特征波長，所選擇的特征波長數(shù)量分別為 25 和 22 個，分別比單一使用 CARS 算法時減少 21 和 19 個，比單一使用 SPA 算法減少 22 和 4 個，而基于 CARS-SPA 所選擇的特征波長建立的可溶性固形物和硬度預(yù)測模型效果卻更優(yōu)。