高光譜成像技術(shù)在農(nóng)產(chǎn)品無損檢測中的應(yīng)用

高光譜成像技術(shù)在農(nóng)產(chǎn)品內(nèi)外部品質(zhì)檢測方面也有重要作用。例如，利用高光譜成像技術(shù)可以檢測水果的果面缺陷和表面污染，同時也可以預測水果的內(nèi)部品質(zhì)，如糖度、水分、堅實度、可溶性固形物含量等。此外，該技術(shù)也可用于肉類的品質(zhì)檢測和分級，比如通過在線判斷肉色、花紋和嫩度等品質(zhì)指標，提高評級的客觀性和自動化程度。

2.1 在果蔬檢測中的應(yīng)用

2.1.1果蔬內(nèi)部品質(zhì)檢測 水果和蔬菜內(nèi)部品質(zhì)無損檢測的研究主要對糖度、硬度、成熟度、SSC、水分等指標的預測，國內(nèi)外學者已取得了一系列研究成果。

糖度是水果的重要內(nèi)部品質(zhì)之一，其決定水果的酸甜度。馬本學等[12]利用高光譜成像系統(tǒng)獲取哈密瓜糖度的漫反射光譜圖像，選取500～820 nm為有效波段，分別采用PLS、SMLR和PCR3種方法建立帶皮和去皮哈密瓜糖度檢測模型。結(jié)果表明，利用PLS方法檢測帶皮哈密瓜糖度是可行的，而利用SMLR檢測去皮哈密瓜糖度效果最好，其校正集和預測集相關(guān)系數(shù)R。、R,和RMSEC分別

為0.928、0.818和0.458、0.727。郭俊先等進行了蘋果的分級和糖度預測研究，提取蘋果的平均光譜并進行白板校正，然后采用一階微分進行光譜預處理，合并10個波長的光譜，采用多元線性回歸法建立蘋果糖度預測模型。結(jié)果表明，驗證集中蘋果糖度預測模型的相關(guān)系數(shù)R,和RMSEC分別為0.911和0.727。單佳佳等(14)基于高光譜圖像處理技術(shù)和光譜分析方法，研究了蘋果表面摔傷和糖度同時檢測的可行性，首先對蘋果第一主成分圖像和794nm圖像的波段差圖像進行去噪、閾值分割處理，然后采用多元散射校正、一階導數(shù)和SG平滑處理感興趣區(qū)域(ROI)的反射光譜曲線后，利用PLS法建立蘋果糖度預測模型。結(jié)果表明，蘋果表面摔傷檢測的準確率達到92.6%,糖度預測模型的校正集和驗證集的相關(guān)系數(shù)R,和R,分別為0.93和0.92。以上研究表明利用高光譜成像技術(shù)對水果糖度進行無損檢測是可行的?？扇苄怨绦挝?SSC)是指水果以及蔬菜等農(nóng)產(chǎn)品中可溶解于水的所有物質(zhì)的總稱，包括糖、維生素、微量元素、礦物質(zhì)等，SSC也是水果和蔬菜重要的內(nèi)部品質(zhì)之一。Laiva-Valenzuela等[18]以藍莓為對象，進行硬度和SSC含量兩種內(nèi)部品質(zhì)的檢測。前期研究中，首先利用高光譜成像系統(tǒng)獲取302個藍莓樣本兩種放置方式的反射光譜圖像，波段范圍為500~1000nm。得到每個藍莓的感興趣區(qū)域平均光譜后利用偏最小二乘法建立預測模型，結(jié)果表明硬度的預測效果(R=0.87)比SSC的預測效果(R=0.79)好。在后期研究中，為了驗證高光譜成像技術(shù)運用于藍莓自動分類分級操作的可行性，對400-1000nm波段中藍莓的反射光譜圖像和透射光譜圖像分別利用iPLS方法建立預測模型，結(jié)果表明建立在反射光譜圖像的預測模型效果(硬度和SSC的R,分別為0.78、0.90)比透射光譜模型的預測效果(硬度和SSC的R,分別

為0.64、0.76)好。這些研究表明高光譜成像技術(shù)對藍莓進行硬度和SSC含量無損檢測是可行的。李江波等[利用近紅外高光譜成像技術(shù)并結(jié)合競爭性自適應(yīng)重加權(quán)(CARS)算法測定鴨梨SSC含量。首先采用CARS算法選擇NIR高光譜數(shù)據(jù)的關(guān)鍵變量，再比較基于關(guān)鍵變量建立的PLS模型(CARS-PLS)和基于全變量建立的PLS模型效果，結(jié)果表明僅用原始變量的15.6%信息的CARS-PLS模型比基于全變量的PLS模型SSC含量預測效果更好。CARS-PLS鴨梨SSC含量預測模型的rm2、RMSEP和RPD分別為0.9082、0.3120和3.3005,表明NIR高光譜圖像技術(shù)結(jié)合CARS算法可以預測鴨梨SSC含量。硬度在一定程度上可以反映出水果和蔬菜的成熟度。彭彥昆等[18]利用高光譜圖像技術(shù)建立了蘋果硬度的快速無損檢測方法，首先利用洛倫茲函數(shù)對蘋果高光譜圖像中的空間散射曲線進行擬合，然后利用擬合曲線中提取出的相關(guān)參數(shù)，分別采用統(tǒng)計建模方法建立蘋果硬度預測模型。結(jié)果表明，利用PLS方法對擬合曲線峰值建立的蘋果硬度預測模型效果最好，其校正集和驗證集預測值與標準值相關(guān)系數(shù)R,、R。分別為0.89、0.88,說明利用高光諧散射成像技術(shù)可以對蘋果硬度進行快速無損檢測。Leiva-Valenzuela等(1516)證明了高光譜圖像技術(shù)檢測藍莓硬度和SSC含量的可行性。

水分含量也是果蔬產(chǎn)品重要的內(nèi)部品質(zhì)之一。李丹等利用近紅外高光譜成像技術(shù)研究小黃瓜的水分無損檢測方法，首先采集小黃瓜的原始光譜，在900~1700nm波段范圍內(nèi)，采用多元散射校正和Savitzky-Golay卷積平滑進行預處理，然后分別建立基于全波段和特征波長的PLS小黃瓜水分預測模型。結(jié)果表明，經(jīng)S-G卷積平滑處理過的光譜預測模型效果最佳，基于特征波長的預測模型(校正集和驗證集模型相關(guān)系數(shù)和均方根誤差分別為0.86、0.90和0.111、0.156)優(yōu)于基于全波段的預測模型，表明利用高光譜成像技術(shù)對小黃瓜水分含量進行無損檢測是可行的。

國內(nèi)外學者利用高光譜成像技術(shù)對果蔬糖度、酸度、硬度、SSC、成熟度等內(nèi)部品質(zhì)的無損檢測進行了大量研究，研究結(jié)果如表1所示。

2.1.2果蔬外部品質(zhì)檢測 水果和蔬菜外部品質(zhì)的好壞主要從其大小、色澤、形狀特征及表面缺陷等方面進行評估，在果蔬外部品質(zhì)無損檢測中，高光譜成像技術(shù)主要應(yīng)用于損傷、凍傷、腐爛等表面缺陷的檢測。

凍傷、損傷、擦傷是在水果和蔬菜的采摘、運輸、儲存過程中產(chǎn)生的，這些傷害容易造成果蔬變質(zhì)及腐爛，且早期損傷不容易用肉眼識別，而高光譜成像技術(shù)可以對果蔬凍傷和損傷進行快速無損檢測。Gowen等(20)利用票的反射成構(gòu)圖統(tǒng)對蘑菇早期凍傷進行研究，分別深酶A和bPA分類檢測方法檢測，結(jié)果表明該方套煒巧沓之后的凍傷檢測效果最佳，凍傷樣品的檢測正確率達

97.9%。Siedliska等(21)利用高光譜圖像技術(shù)研究了蘋果在可見1近紅外/短波紅外波段內(nèi)的擦傷檢測與品種識別模型。采用相關(guān)特征選擇算法與第二衍生性預處理建立蘋果擦傷檢測和種類識別模型，結(jié)果表明，采用SVM、SLOG、SMO等方法建立蘋果擦傷檢測模型可以獲取最佳效果，校正集和驗證集識別準確率分別達到95%、90%。孫梅等(21應(yīng)用高光譜成像技術(shù)，采用主成分分析方法對蘋果的風傷和壓傷進行分析，通過分析不同光譜區(qū)域主成分對識別結(jié)果的影響，優(yōu)選識別光譜區(qū)域為550~950

nm。根據(jù)權(quán)重系數(shù)并通過主成分分析，得出研究蘋果風傷和壓傷的最佳特征波長為714nm。薛龍等[23]利用高光譜圖像技術(shù)研究了梨表面碰壓傷無損檢測方法。采集梨在400~1000nm波段范圍的高光譜圖像，采用PCA法獲取主成分圖像，選出3

個特征波長(572、696、945nm),再通過適當?shù)膱D像處理技術(shù)檢測梨碰壓傷，結(jié)果表明高光譜圖像技術(shù)對梨表面碰壓傷檢測具有明顯效果。

腐爛也是水果和蔬菜常見的表面缺陷，腐爛不僅會縮短果蔬儲存的時間，而且容易產(chǎn)生安全問題，很多學者對水果和蔬菜腐爛的高光譜無損檢測進行了研究。Zhang等(24)利用高光譜反射率光

譜圖像對蘋果早期腐爛檢測進行了研究，提取ROI平均光譜，采用連續(xù)投影算法選取出可以識別腐爛區(qū)域的候選最優(yōu)波段，在光譜域通過PLS-DA法證明選擇的最優(yōu)波段的檢測效率，在空間城利用一般圖像處理方法結(jié)合PCA和MNF法證明最優(yōu)波段的檢測效率，并建立了魯棒檢測算法，最后用120個蘋果樣本建立并測試了SPA-PLS-DA-MNF的檢測算法。結(jié)果表明，蘋果早期腐爛檢測模型的精度達到98%。這項研究為開發(fā)蘋果腐爛的快速、無損、在線檢測裝置奠定了基礎(chǔ)。G 6mez-Sanchis等[2s]采用基于雙液晶可調(diào)諧濾波器的高光譜成像系統(tǒng)獲取柑橘類水果的高光譜圖像，提出了一種獲取和增強光譜圖像的方法，并運用到柑橘類水果腐爛的檢測，取得了很好的效果。李江波等(26)研究了從不同缺陷臍橙中識別出潰瘍果的方法，提出了特征波段主成分分析法和波段比算法。提取感興趣區(qū)域光譜曲線并結(jié)合PCA法選取5個最佳波段(630、685、720、810、875nm),再根據(jù)特征波長做主成分分析，識別準確率達到80%,最后結(jié)合主成分分析法與波段比算法，潰瘍果的識別率提高到

95.4%。高光譜成像技術(shù)在水果和蔬菜的損傷、凍傷、腐爛等外部品質(zhì)檢測中的應(yīng)用如表1所示。

2.2在肉類檢測中的應(yīng)用

Tao等[27]利用高光譜圖像技術(shù)對豬肉嫩度和大腸桿菌無損檢測進行研窄，采集31個樣本在400~1100nm波段范圍內(nèi)的光磨圖像，通好修正的Gompertz函數(shù)提取豬肉罕四分辨事高水請圖像的散射特性，代表不同光學意義的Gompertz參數(shù)α、β、g、δ通過原始散射曲線擬合得到，擬合

系數(shù)接近0.99。分別基于單個參數(shù)和綜合參數(shù)建立多元線性回歸模型，結(jié)果表明，Gompertz參數(shù)δ在嫩度和大腸桿菌污染檢測模型中的效果優(yōu)于其他單個參數(shù)，而綜合參數(shù)檢測效果則優(yōu)于所有單個參數(shù)，豬肉嫩度和大腸桿菌污染模型的驗證系數(shù)Rcv分別為0.949和0.939。此研究表明高光譜圖像技術(shù)結(jié)合Gompertz函數(shù)可以實現(xiàn)豬肉嫩度及大腸桿菌污染的快速檢測。Liu和Barhin等(28-20)也分別研究了豬肉肌內(nèi)脂肪和蛋白質(zhì)、水分、脂肪等化學成分的高光譜成像檢測方法，并取得了良好的預測效果。ElMasry等[利用近紅外(900~1700 nm)高光譜反射率光譜圖像對牛肉的主要化學成分進行無損檢測研究，利用提取的光譜數(shù)據(jù)和測量質(zhì)量參數(shù)并采用PLSR法建立牛肉水分、脂肪和蛋白質(zhì)含量預測模型，3種成分的預測系數(shù)R2。分別是0.89、0.84和0.886,預測標準差SEP分別為0.46%、0.65%和0.29%,說明高光譜圖像技術(shù)結(jié)合適當?shù)幕瘜W計量學多變量分析法可以同時檢測牛肉的多種化學成分。Ighal等(3)采用高光譜檢測技術(shù)在近紅外波段(900~1700nm)對火雞火腿的水分、pH值和顏色進行了研究，利用PLSR方法提取和分析光譜數(shù)據(jù)，多元校正法進行數(shù)據(jù)降維，分別提取預測水分的9個最優(yōu)波段，預測pH值的8個最優(yōu)波段和預測顏色的9個波段。結(jié)果表明，3種成分的預測系數(shù)R2和RMSECV分別為0.88、0.81、0.74和2.52、0.02、0.35。彭彥昆等[22-11]利用高光譜的散射特性進行牛肉的嫩度、pH值和顏色的預測，根據(jù)高光譜圖像在400~1100nm波段范圍內(nèi)的散射特征，并對散射曲線進行擬合，選擇優(yōu)化波長及相應(yīng)的擬合參數(shù)建立MLR牛肉品質(zhì)預測模型，得到3種品質(zhì)參數(shù)的預測相關(guān)系數(shù)和標準差分別為0.86、0.86、0.90和11.7、0.07、0.41?；诟吖庾V圖像紋理特征并利用PCA提取的3個主成分，計算出8個主要紋理特征參數(shù)，并分別建立支持向量機和線性判斷法的牛肉嫩度判別模型，結(jié)果表明基于主成分紋理特征建立的LDA模型判別精度達到94.44%。國內(nèi)外學者對嫩度、水分、蛋白質(zhì)、顏色等肉類品質(zhì)的高光譜圖像無損檢測作了很多研究，研究結(jié)果如表1所示。

2.3 在谷物檢測中的應(yīng)用

我國是世界上最大的糧食生產(chǎn)國家，主要包括水稻、小麥、玉米、花生等糧食作物。近年來，我國的糧食安全問題層出不窮，許多學者將谷物品質(zhì)的無損檢測作為研究重點，并取得了一系列成果。

Wang等利用高光譜成像技術(shù)對大米的質(zhì)量和種類進行檢測和識別，獲取大米的高光譜圖像，采用主成分分析法對圖像感興趣區(qū)域進行降維處理，提取堊白度和形狀特征并利用PCA和BPNN建立大米種類識別模型，結(jié)果表明，基于光譜數(shù)據(jù)的BPNN預測模型的效果優(yōu)于基于光譜數(shù)據(jù)的PCA預測模型，兩種預測模型的識別準確率分別為89.91%和89.18%,基于數(shù)據(jù)融合的BPNN模型識別效果最好，準確度達到94.45%,結(jié)果表明高光譜成像技術(shù)檢測識別大米的種類和質(zhì)量是可行的。Singh等(38|研究了近紅外高光譜反射率光譜圖像檢測小麥真菌感染的可行性，結(jié)果表明這種方法可以檢測真菌感染的谷物，首先選取3個最重要的波段(1284.2、1315.8、1347.4nm),再應(yīng)用K-均值聚類和判別分析建立二級和四級分類模型，二級判別分類模型最大分類準確度為100%,線性判別分類器對感染種子的識別準確率為97.8%,四級線性判別分類器對感染種子的識別率為95%,正常種子的識別率為91.7%。Del等(16)利用高光譜圖像技術(shù)檢測玉米真菌感染，采用主成分分析法選擇出4個特征波長(410、470、535、945nm),再通過方差分析和費舍爾顯著性差異測試，玉米真菌感染檢測的正確率達到95%。高光譜成像技術(shù)在谷物無損檢測中的應(yīng)用如表1所示。

3 結(jié)語

高光譜圖像結(jié)合了圖像信息和光譜信息，既能分析農(nóng)產(chǎn)品的外部品質(zhì)，又能檢測農(nóng)產(chǎn)品的內(nèi)部品質(zhì)，相比傳統(tǒng)的檢測手段，具有快速、無損、準確度高等特點，逐漸成為農(nóng)產(chǎn)品無損檢測技術(shù)的一種重要發(fā)展趨勢。國內(nèi)外學者運用高光譜成像技術(shù)對水果、蔬菜、肉類、谷物等農(nóng)產(chǎn)品無損檢測作了大量研究，取得了豐碩成果，這些研究成果對農(nóng)產(chǎn)品無損檢測技術(shù)的發(fā)展奠定了基礎(chǔ)，為開辟高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測中更廣闊的應(yīng)用提供了思路。我國農(nóng)產(chǎn)品檢測技術(shù)的研究起步較晚，主要研究了蘋果、梨、臍橙等水果內(nèi)外部品質(zhì)無損檢測，也取得了很好的效果，為實現(xiàn)農(nóng)產(chǎn)品自動分級分類打下了基礎(chǔ)，大大促進了我國農(nóng)業(yè)科學的發(fā)展。國外研究起步較早，在果蔬品質(zhì)檢測方面技術(shù)已經(jīng)很成熟，農(nóng)產(chǎn)品檢測研究已經(jīng)延伸到肉類、谷物等農(nóng)產(chǎn)品，證明了高光譜成像技術(shù)在肉類和谷物品質(zhì)檢測中的可行性。

高光譜成像技術(shù)還可以應(yīng)用于農(nóng)作物生長狀況的檢測。通過獲取農(nóng)作物冠層、葉面等部分的反射光，可以預測個體農(nóng)作物的生長速度、養(yǎng)分吸收等情況。這不僅有助于實時了解農(nóng)作物的生長狀態(tài)，更為灌溉、施肥等農(nóng)業(yè)操作提供了科學依據(jù)，有效提高農(nóng)作物的耕作管理水平。