成像光譜技術在農產品/食品檢測中的研究進展

周 全，朱大洲，王 成，鄭 耀，王秋平，馬智宏*

(1.中國科學技術大學自動化系，安徽 合肥 230029；2.北京農產品質量檢測與農田環(huán)境監(jiān)測技術研究中心，北京 100097；3.國家農業(yè)智能裝備工程技術研究中心，北京 100097；4.遼寧省大連市金州區(qū)農業(yè)技術推廣中心，遼寧 大連 116100)

成像光譜技術在農產品/食品檢測中的研究進展

周 全1，朱大洲2,3，王 成3，鄭 耀4，王秋平1，馬智宏2,*

(1.中國科學技術大學自動化系，安徽 合肥 230029；2.北京農產品質量檢測與農田環(huán)境監(jiān)測技術研究中心，北京 100097；3.國家農業(yè)智能裝備工程技術研究中心，北京 100097；4.遼寧省大連市金州區(qū)農業(yè)技術推廣中心，遼寧 大連 116100)

作為一項新興的過程分析技術，成像光譜技術在獲得樣品空間信息的同時，還為每個圖像上每個像素點提供數(shù)十至數(shù)千個窄波段的光譜信息，這樣任何一個波長的光譜數(shù)據(jù)都能生成一幅圖像，從而實現(xiàn)“圖譜合一”。通過對光譜、圖像的分析，即可對樣品的成分含量、存在狀態(tài)、空間分布及動態(tài)變化進行檢測。本文從成像光譜技術的原理、系統(tǒng)構成、數(shù)據(jù)分析方法方面進行簡要介紹，并詳細介紹成像光譜技術在農產品/食品檢測中的國內外研究進展，目前的研究表明該項技術在農產品/食品檢測中具有廣闊的應用前景。

成像光譜；高光譜成像；近紅外圖像；農產品；食品安全

農產品/食品的品質檢測對于提高產品質量、保障食品安全具有重要意義。傳統(tǒng)的品質檢測主要采用化學分析、色譜分析等，這些方法測定結果準確，但需要前處理，檢測速度慢，只能針對待測樣進行抽樣檢測，不能進行高通量、快速、無損的實時在線檢測。

近紅外光譜分析作為一種快速無損、非接觸測量的技術，已經在食品品質檢測中得到了廣泛的應用，包括食品成分檢測、摻假識別、變質的監(jiān)測等。然而，基于近紅外光譜儀的檢測技術所檢測的區(qū)域通常是樣品表面的某點或較小區(qū)域的近紅外透射、漫反射信息，樣品的不均勻性通常對測定結果造成較大影響，雖然通過多次測量可降低這種誤差[1]，但近紅外光譜分析難以獲

得樣品的分布信息(特別是不均勻的固體樣品)。獲取樣品的空間輪廓信息是全面檢測其品質(比如缺陷檢測)的基礎。機器視覺技術在農產品分級中得到了廣泛應用[2]，它雖然能得到樣品的二維空間圖像信息，但常見的RGB三色圖像只能反映外觀，不能反映食品的內部成分信息。

成像光譜技術是光譜技術和圖像技術的完美結合，它在獲得樣品空間信息的同時，還為每個圖像上每個像素點提供數(shù)十至數(shù)千個窄波段的光譜信息，這樣任何一個波長的光譜數(shù)據(jù)都能生成一幅圖像，從而實現(xiàn)“圖譜合一”。通過對光譜、圖像的分析，即可對樣品的成分含量、存在狀態(tài)、空間分布及動態(tài)變化進行檢測。成像光譜技術是一種集光學、光譜學、精密機械、電子技術及計算機技術于一體的新型遙感技術。自20世紀80年代以來，在航天和航空遙感、軍事偵探識別、環(huán)境監(jiān)測和地質資源勘探等方面得到了廣泛應用。近十年來，國外學者開始將成像光譜技術應用于食品檢測，取得了一系列成果，為該項技術在食品中的廣泛應用奠定了基礎。

本研究將介紹成像光譜技術的基本原理、實驗系統(tǒng)、數(shù)據(jù)處理方法，并重點介紹國內外該技術在農產品/食品檢測中的應用進展。

1 成像光譜的技術原理

根據(jù)光譜的分辨率，可將成像光譜技術分為3類，分別是多光譜成像技術、高光譜成像技術、超光譜成像技術。其中多光譜成像技術的光譜分辨率Δλ/λ= 0.1數(shù)量級，它一般只能提供可見光和近紅外區(qū)域內的幾個波段。高光譜成像技術的光譜分辨率在Δλ/λ= 0.01數(shù)量級，它能提供可見光和近紅外區(qū)域內的幾十至幾百個波段，光譜分辨率可達納米級。超光譜成像技術的光譜分辨率在Δλ/λ=0.001數(shù)量級，它在可見和近紅外區(qū)域內可提供上千個波段。

目前常用的成像光譜的波段范圍有兩種，可見光/近紅外區(qū)的波段范圍是400～1000nm，短波紅外區(qū)的波段范圍是900～2500nm。成像光譜儀是成像光譜技術最重要的部件，目前主要有光柵型和干涉型兩種。其中光柵型主要由前置光學系統(tǒng)、分光光柵、會聚透鏡、校正鏡系統(tǒng)、指向鏡、電子學系統(tǒng)和機械結構等。每個光譜儀都含有一套將景物成像到狹縫的折射式前置光學系統(tǒng)。通過狹縫的光被一個平面光柵在狹縫垂直的方向進行色散，然后成像在一個兩維焦平面陣列上。沿狹縫方向的陣列提供空間景物信息，另一方向的陣列(狹縫光沿此陣列方向色散)提供光譜信息。沿垂直狹縫的方向推掃并依次存儲焦面陣列所收集的空間/光譜信息，就可以產生一個二維的每個像素有多個譜段的空間影像。成像原理見圖1。

圖1 成像光譜的原理示意圖Fig.1 Schematic diagram for the principle of imaging spectrometry

成像光譜的獲取包括3種模式，分別是逐點掃描式(point)、線推掃式(line)、畫幅式(frame)。目前用得最多的是線掃描，也稱推掃式成像光譜，在推掃過程中，每個掃描位置將獲得一個窄帶空間位置上多個像素點的光譜圖像，這就是原始圖像，對推掃過程中多個窄帶空間區(qū)域的原始圖像進行圖像拼接，即可得到整個樣品的成像光譜，稱之為數(shù)據(jù)立方體。在數(shù)據(jù)立方體中，每個波長下都對應樣品的圖像。下面的圖2表征了從原始圖像到數(shù)據(jù)立方體的過程。

圖2 成像光譜拼接示意圖Fig.2 Schematic diagram for the splicing of imaging spectrometry

2 成像光譜的系統(tǒng)構成

一個典型的推掃式近紅外成像光譜系統(tǒng)包括光源、紅外相機、成像光譜儀、鏡頭、移動樣品臺、計算機圖像采集系統(tǒng)和運動控制系統(tǒng)等組成。系統(tǒng)構成見圖3。其中成像光譜儀多采用光柵進行分光。移動樣品臺由步進電機驅動作勻速移動。有些系統(tǒng)為了調節(jié)方便，配制了三維運動平臺，可作x、y軸方向上的勻速移動，還可根據(jù)樣品尺寸在z軸方向上調整高度。有些成像光譜系統(tǒng)中樣品是固定不動的，而紅外相機和成像光譜儀勻速移動，完成光譜圖像的掃描。

圖3 成像光譜系統(tǒng)的構成Fig.3 Structures of imaging spectrometer system

3 成像光譜的數(shù)據(jù)分析方法

目前在成像光譜的分析中，多采用主成分分析法(principal component analysis，PCA)對高維的超立方體數(shù)據(jù)進行壓縮。主成分(得分矩陣)T是原來變量的線性組合，用它來表征原來變量時所產生的平方和誤差最小。第一個主成分所能解釋原變量的方差量最大，第二個次之，其余類推，各組主成分相互正交。主成分計算的方法較多，常用的算法是非線性迭代偏最小二乘法(nonlinear iterative partial least squires，NIPALS)、協(xié)方差矩陣分解方法。通過對超立方體數(shù)據(jù)進行主成分壓縮后得到特征信息，在主成分空間中可看到不同類別樣品的成像光譜的差異，從而進行定性判別。

若需要進行定量預測，則需要將降維后得分矩陣T與化學分析值矩陣Y進行多元線性回歸，即可得數(shù)學模型：

式中：B=(TTT)-1T1Y=為回歸系數(shù)；E為所引進的誤差。

在所分解的主成分中，前邊的主成分包含了X矩陣的絕大部分有用信息，而后面的主成分則與噪音和干擾影響因素有關，這就是主成分回歸。目前也常采用偏最小二乘法(partial least squares，PLS)建立定量模型。

在實際進行超立方體的數(shù)據(jù)分析時，由于多個樣品的數(shù)據(jù)形成了一個多維的數(shù)據(jù)集，不能直接采用PCA或PLS進行計算，需要將原始的超立方體按照某一維度(比如波長維)依次展開，再進行后續(xù)的計算分析，提取成像光譜中所包含的樣品成分、空間分布信息。

4 成像光譜技術的國外研究進展

4.1 成像光譜在水果品質檢測中的應用

水果的品質檢測對于確定收獲期和產品定等分級具有重要意義，目前比較成熟的是機器視覺技術[3-4]，它能獲得水果的外觀信息。基于可見光譜和近紅外光譜的水果內部品質檢測技術在國外已經產業(yè)化，在國內尚處于研究階段[5-6]。高光譜成像技術具有圖譜合一的優(yōu)點，能同時獲取水果外觀和內部品質信息[7-8]，因此在水果檢測方面的應用研究較早就開展了。

最早將成像光譜技術應用于水果品質檢測的是新西蘭的Martinsen等[9]，他們采用650～1100nm范圍的近紅外反射光譜圖像來獲取獼猴桃切開后剖面處的可溶性固形物含量(SSC)的分布情況。從剖面處用小塞子取下小部分獼猴桃的果肉，并用數(shù)字折光儀測定其SSC，從而建立該部分圖像與SSC之間的校正模型，在4.7～14.1oBrix范圍內，模型的實際預測誤差為1.2oBrix。采用這些模型可以表示整個剖面的SSC分布情況。

Mehl 等[10]采用空間分辨率僅有0.5～1.0mm的超光譜成像系統(tǒng)來檢測蘋果表面的缺陷和污染。他們采用不同的方法來分析蛇果、黃元帥、嘎啦、紅富士蘋果，分析的缺陷指標包括表皮腐爛、擦傷、污點、疤、真菌病(比如黑心病)以及表面的土壤污漬。采用非均勻二次差異法(asymmetric second difference method)對685nm波長處的葉綠素熒光波段和另外兩個近紅外波段的光譜進行分析，可準確鑒別蘋果表面的缺陷及污染的部分，并且這種方法不受蘋果顏色和品種的影響。

Lu 等[11]采用超光譜散射圖像來檢測153個梨的硬度。光譜區(qū)間為500～1000nm，包括“Red Haven”和“Coral Star”兩個品種的梨。采用洛倫茲函數(shù)來擬合每個樣品的散射圖像輪廓，擬合精度達0.99。然后用多元線性回歸建立洛倫茲函數(shù)的參數(shù)與梨的硬度之間的校正模型。在所有分析的波長中，677nm波長處的散射圖像具有相對較好的預測結果，然而最好的建模結果是將11個波長的組合用來得到的，相關系數(shù)達0.77(對于

Red Haven)和0.58(對于Coral Star)。

Elmasry等[12]應用400～1000nm的超光譜成像系統(tǒng)檢測草莓中的水分、總糖含量和pH值。對這3個參數(shù)的預測誤差SEP分別為3.874、0.184、0.129，模型相關系數(shù)分別為0.90、0.80、0.87。并對圖像進行紋理分析，實現(xiàn)草莓成熟期的判斷，分類正確率達89.61%。

Qin等[13]在500～1000nm范圍內采用空間分辨穩(wěn)態(tài)超光譜漫反射技術來測量新鮮水果和蔬菜的光學特性。他們采用線掃描超光譜成像系統(tǒng)來獲取蘋果、梨、桃、獼猴桃、李子、黃瓜、南瓜、西紅柿等水果蔬菜的空間分辨漫反射成像光譜。利用漫射理論模型的逆算法得到樣品的吸收和衰減系數(shù)。光譜中的吸收系數(shù)通常由主要色素(葉綠素、花青素、類胡蘿卜素)表征，而光譜中的衰減系數(shù)則隨著波長的增加而減小。3種不同成熟期的西紅柿(綠色、粉色、紅色)的吸收光譜存在明顯的差異，采用675nm和535nm的吸收系數(shù)的比值可以準確區(qū)分不同成熟期的西紅柿。在500～1000nm范圍內，衰減系數(shù)與西紅柿的硬度呈正相關，在790nm處的最大相關系數(shù)達0.66。

Qin等[14]采用超光譜成像技術來檢測柑橘類的潰瘍病，他們組建了一個便攜式的超光譜成像系統(tǒng)，包括一個自動的樣品夾持機構、光源和一個超光譜成像單元。該系統(tǒng)能獲取400～900nm范圍內的反射光譜。他們測量不正常的含有不同病變的“Ruby Red”柚子。這些病變包括潰瘍、銅傷、斑點、疤痕、黑變病等。采用主成分分析法壓縮三維成像光譜，并提取可用于區(qū)分正常和病變果中潰瘍部分的信息。潰瘍檢測正確率達92.7%。他們還選出了4個可用于搭建潰瘍檢測多光譜系統(tǒng)的特征波段(553、677、718、858nm)。研究結果表明成像光譜可用于鑒別潰瘍病的其他病變。

2009年，Qin等[15]采用一種新的分類方法——光譜信息差異分類法(spectral information divergence，SID)來鑒別柑橘類水果的潰瘍病。若設定假陽性和假陰性的權重相同，則SID閾值為0.008時，總的分類正確率達96.2%。

4.2 成像光譜在蔬菜品質檢測中的應用

蔬菜的營養(yǎng)品質、農藥殘留及儲藏特性是食品安全監(jiān)測的重要指標，目前成像光譜技術在新鮮蔬菜和加工后的蔬菜食品檢測方面都得到了應用。

Ariana等[16]設計了一套在線檢測泡黃瓜內部品質的超光譜成像系統(tǒng)的樣機。該樣機包括一個雙通道回轉傳送帶、兩個照明光源(一個用于反射，一個用于透射)和一個超光譜成像單元。它可以同時獲取400～675nm范圍內的反射光譜圖像和675～1000nm譜區(qū)的透射光譜圖像。可見區(qū)的反射信息主要用于檢測泡黃瓜的外部特征，比如顏色和尺寸；而近紅外波段的透射信息主要用于檢測內部的缺陷，比如內部的空心。接著，他們建立了該樣機的內部和外部特征檢測方法和模型[17]。在兩年的時間里測定了“Journey”泡黃瓜，對其中一部分施加了壓力，以便造成人為的內部損傷。獲取了泡黃瓜的反射、透射及它們的組合成像光譜，用于預測硬度、顏色和內部缺陷。該系統(tǒng)在預測顏色時表現(xiàn)出色(R2介于0.75和0.77之間)，但不能預測硬度。675～1000nm范圍內的透射光譜可準確檢測內部缺陷，檢測正確率達99%。該研究小組應用超光譜成像系統(tǒng)對腌菜的外觀和內部缺陷進行了綜合判別，整體缺陷識別率達86%，高于人工直覺的識別率(70%)[18]。

Gowen等[19]應用超光譜成像檢測4～15℃范圍內儲藏的白蘑菇片。蘑菇片的質量用水分含量、顏色值L*和b*、組織結構比如硬度等測定。400～1000nm的超光譜用推掃式成像光譜系統(tǒng)獲取，光譜分辨率為5nm。采用多元線性回歸MLR和主成分回歸PCR來建立成像光譜和蘑菇質量參數(shù)之間的校正模型。通過對84個樣品進行不同波長組合的全局搜索，得到了含有20個波長的最佳波長組合。基于這20個組合波長的PCR模型比全譜的MLR和PCR模型效果更好。預測水分含量是RMSEP為0.74%，R2=0.75；L*的RMSEP=0.47，R2=0.95；b*的RMSEP=0.66，R2=0.75。該課題組還對蘑菇的凍害識別進行了研究[20]，將蘑菇儲藏在4℃和-30℃條件下。研究表明，對于沒有經受凍害的蘑菇，成像光譜的正確識別率為100%，對于具有凍傷的蘑菇，識別率為97.9%，從而為凍傷的早期監(jiān)測提供了無損判別的方法。

Polder等[21]采用成像光譜檢測不同成熟階段的西紅柿中的成分，波段范圍為400～700nm，光譜分辨率為1nm。采用HPLC測定西紅柿中的番茄紅素、葉黃素、β-胡蘿卜素、葉綠素a、葉綠素b。應用PLS建立這些成分值與光譜圖像之間的校正模型。對于番茄紅素的預測，Q2誤差為0.95，其他成分的Q2誤差在0.73～0.84之間。

4.3 成像光譜在肉品檢測中的應用

肉品安全問題是我國現(xiàn)階段食品安全檢測的重要方面，但由于缺乏快速、無損的肉品檢測技術及設備，目前多依靠感官評定為主、理化方法為輔助的方式。感官評定方法檢測快速但缺乏一致標準，容易受到主管因素的影響，理化方法耗時長，難以做快速實時分析。豬肉的品質通常用顏色、質地、滲出物特征來表示。成像光譜技術能同時獲取顏色信息和成分信息，在肉品品質診斷方面具有廣闊的應用前景。

Qiao等[22]應用超光譜成像檢測豬肉的品質和大理石花紋。采用PCA來壓縮原始的成像光譜(430～1000nm)，分別壓縮到5、10、20個主成分。然后用人工神經網絡(ANN)來進行分類。結果表明，微紅的、堅實的、

無滲出物的豬肉和暗紅的、松軟的、有滲出物的豬肉能夠準確區(qū)分開來，總的識別正確率在75%～80%之間。應用前向神經網絡建立分類模型，采用5個主成分時，識別正確率為69%，當主成分數(shù)為10時，識別正確率為85%。

Yoon等[23]采用增強的單帶寬逆光透射圖像和超光譜反射圖像中的光譜信息來檢測壓縮去骨雞肉片中嵌入的碎骨。雞肉片的光學圖像通常會受到肉片的多元散射影響，從而使得獲取的圖像存在散射、漫射，并且對比度較低。在此研究中，得到了超光譜透射和反射圖像的融合圖像，他們分別具有非電離和非破壞的特征，用這種圖像可取代傳統(tǒng)的X射線檢測方法。X射線檢測是一種電離圖像分析方法。通過建立一種輻射-透射模型，可以校正照射的不均勻性的影響，從而使得嵌入的碎骨可以通過簡單設置閾值來分割圖像的方法來識別。通過最鄰近分類器建立成像光譜的碎骨檢測模型。

牛排的嫩度是決定消費者滿意度的最主要的因素。Naganathan等[24]應用近紅外區(qū)的超光譜成像技術來檢測牛肉的嫩度。該成像系統(tǒng)的光譜范圍為900～1700nm。采集圖像中心區(qū)域內150×300像素的圖像進行分析，用規(guī)范識別模型來預測3個不同水平的牛肉嫩度。在分析的334個樣品中，正確識別的為242個，識別率為77%。結果表明成像光譜儀器有望成為牛肉嫩度檢測的新儀器。

Cluff等[25]也采用成像光譜對牛排的嫩度進行檢測，他們搭建了一個超光譜成像系統(tǒng)，包括CCD攝像機和成像光譜儀，針對新鮮的牛肌肉進行檢測。獲取的成像光譜包括120個窄波段，光譜分辨率為4.54nm。用Warner-Bratzler shear(WBS)值表征牛肉的標準嫩度，采用改進的洛倫茲函數(shù)來擬合牛肉的成像光譜。用逐步回歸建立WBS和洛倫茲函數(shù)參數(shù)(比如曲線的峰高、半峰寬)之間的關系，實現(xiàn)對牛肉嫩度的預測，模型相關系數(shù)R=0.67，結果表明結合超光譜成像技術和散射特性的方法有望成為檢測牛肉嫩度的快速方法。

5 成像光譜技術的國內研究進展

國內成像光譜技術最初主要用于遙感分析，直到最近幾年才用于農產品的無損檢測。

洪添勝等[26]基于高光譜圖像技術對雪花梨的品質進行無損檢測研究，觀察經多元散射校正處理后的雪花梨反射光譜，分別針對含糖量和含水率選取對應的相關性最好的5個波段為特征波段，通過建立人工神經網絡建立模型，對雪花梨的含糖量、含水率及鮮質量進行預測。實驗結果表明，含糖量預測的誤差為0.4749°Brix,含水率預測的誤差為0.0658%，鮮質量預測值和實際值之間相關系數(shù)R為0.93。

楊勇等[27]采用連續(xù)波激光作為激發(fā)光，應用激光誘導熒光高光譜成像技術來對獼猴桃硬度進行無損測量。將該激光照射到獼猴桃樣品上，用高光譜圖像采集系統(tǒng)獲取誘導出的熒光散射圖像。選取部分熒光區(qū)域作為感興趣區(qū)域，再提取感興趣區(qū)域在波長200～800nm范圍內的光譜值作為熒光高光譜圖像數(shù)據(jù)。最后建立熒光高光譜圖像數(shù)據(jù)預測果實硬度的預測模型。結果表明，該模型預測獼猴桃硬度的相關系數(shù)為R=0.898。結果表明利用高光譜圖像技術預測獼猴桃的內部品質是可行的。

高曉東等[28]利用高光譜掃描成像技術評估牛肉大理石花紋，組建了高光譜線掃描成像系統(tǒng)，采集牛肉樣品在400～1100nm 波段的高光譜反射圖像。通過牛肉脂肪和瘦肉在各個波段處反射率之比的最大值，確定530nm為特征波段。提取特征波段處大理石花紋的3個特征參數(shù)(大顆粒脂肪密度、中等顆粒脂肪密度和小顆粒脂肪密度)，使用特征參數(shù)分別建立多元線性回歸模型(MLR)和正則判定函數(shù)模型，對大理石花紋分級和等級預測，用全交叉驗證方法驗證模型的準確性。MLR模型對大理石花紋等級的預測決定系數(shù)R2=0.92，預測標準差SECV＝0.45；總的分級準確率是84.8%；正則判定函數(shù)對大理石花紋等級判定準確性較低，為78.8%。研究表明，將高光譜成像技術應用于牛肉大理石花紋等級評定是可行的。

吳建虎等[29]應用高光譜成像技術檢測牛肉的嫩度，建立了正則判別函數(shù)對牛肉嫩度進行分級，嫩牛肉分級準確率為83.13%，較粗糙牛肉分級準確率為90.19%，總的分級準確率為87.10%。研究表明該技術在畜產品檢測領域具有廣泛的應用前景。

在儀器研制方面，中國科技大學與北京農產品質量檢測與農田環(huán)境監(jiān)測技術研究中心聯(lián)合研制了國產推掃式成像光譜儀[30]，波長范圍400～1000nm，光譜分辨率可達2～5nm，空間分辨率為0.2～5mm，該儀器體積小(240mm×210mm×100mm)、質量輕(3kg)，將成為農產品快速檢測的有力平臺。

6 結 語

成像光譜技術圖譜合一的特點，使得其兼具了可見-近紅外光譜技術成分檢測的優(yōu)點和機器視覺技術能夠反映空間分辨信息的優(yōu)勢，因而在農產品/食品檢測中具有廣闊的應用前景。國外已進行了深入系統(tǒng)的研究，在圖像獲取、數(shù)據(jù)分析、模型應用等方面都積累了豐富的經驗，并已經開發(fā)了基于成像光譜透射、漫反射的在線檢測系統(tǒng)。國內的研究剛剛起步，還有很多問題需要解決，主要表現(xiàn)在：

1)目前國內外應用成像光譜技術進行農產品，特別是鮮活產品如水果的檢測較多，而對于加工產品的檢測較少。作為具有在線檢測潛力的技術，成像光譜技術

在農產品原材料收購、產品分級及食品加工在線監(jiān)測方面具有較好的應用前景。因此，將來在食品檢測方面的研究將會更加深入。成像光譜技術源于航空航天，因此系統(tǒng)復雜，成本昂貴，如何在農產品/食品檢測領域得到廣泛應用，需要尋找到合適的應用場合。對于附加值高、易于實現(xiàn)工業(yè)化在線操作的領域，比如煙草、畜禽等，成像光譜技術有望率先得到應用。

2)目前的成像光譜系統(tǒng)成本還比較高，特別是國外的高光譜成像系統(tǒng)，價格昂貴，不利于推廣應用。因此，開發(fā)國產的成像光譜儀器，對于推動該技術在我國的產業(yè)化應用，是至關重要的。目前國內科研單位在儀器開發(fā)方面已開展了很多工作，上海技術物理所、中國科技大學、安徽光學精密機械研究所等單位都研制了系列樣機，相比于國外的系統(tǒng)，價格已大幅下降，將來可針對農產品/食品檢測中樣品的特性，開發(fā)專用的成像光譜系統(tǒng)，從而進一步降低成本。并可在高光譜成像的基礎上挑選敏感波長，從而開發(fā)相應的多光譜成像系統(tǒng)，將會大大降低成本，使得該技術最終大量應用于生產實踐中。

3)目前國內外在應用成像光譜進行農產品/食品品質檢測方面已進行了大量可行性研究，表明該技術具有較好的應用前景，但目前的研究大多處于探索性實驗階段。成像光譜技術的優(yōu)點在于能夠實現(xiàn)在線檢測，因此對于在線檢測時儀器的實時校正、模型的更新傳遞、配套機械控制系統(tǒng)的開發(fā)等方面，還需要進行深入的研究。

隨著光學技術、計算機技術和自控技術的進一步發(fā)展，成像光譜技術會逐漸完善，其在農產品/食品檢測中的應用將更加深入，為食品安全提供有力的技術支撐。

[1]嚴衍祿, 趙龍蓮, 韓東海, 等. 近紅外光譜分析基礎與應用[M]. 北京:中國輕工業(yè)出版社, 2005: 115-120.

[2]黎萍, 朱軍燕, 劉燕德, 等. 機器視覺在農產品檢測與分級中的應用與展望[J]. 江西農業(yè)大學學報, 2005, 27(5): 796-800.

[3]應義斌, 景寒松. 用計算機視覺進行黃花梨果梗識別的新方法[J]. 農業(yè)工程學報, 1998, 14(2): 221-225.

[4]蔣煥煜, 應義斌. 水果品質智能化實時檢測分級生產線的研究[J]. 農業(yè)工程學報, 2002(6): 158-160.

[5]RICHARD M O. Apparatus and method for measuring and correlating characteristics of fruit with visible/near infrared spectrum: US, 6512577B1 [P]. 2003-01-28.

[6]孫通, 徐惠榮, 應義斌. 近紅外光譜分析技術在農產品/食品品質在線無損檢測中的應用研究進展[J]. 光譜學與光譜分析, 2009, 29(11): 122-126.

[7]馬本學, 應義斌, 饒秀勤, 等. 高光譜成像在水果內部品質無損檢測中的研究進展[J]. 光譜學與光譜分析, 2009, 29(6): 1611-1615.

[8]洪添勝, 李震, 吳春胤, 等. 高光譜圖像技術在水果品質無損檢測中的應用[J]. 農業(yè)工程學報, 2007, 23(11): 280-285.

[9]MARTINSEN P, SCHAARE P. Measuring soluble solids distribution in kiwifruit using near-infrared imaging spectroscopy[J]. Postharvest Biology and Technology, 1998, 14(3): 271-281.

[10]MEHL P M, CHEN Y R, KIM M S, et al. Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations[J]. Journal of Food Engineering, 2004, 61(1): 67-81.

[11]LU Renfu, PENG Yankun. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering, 2006, 93(2): 161-171.

[12]ELMASRY G, WANG Ning, ELSAYED A, et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 81(1): 98-107.

[13]QIN Jianwei, LU Renfu. Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique[J]. Postharvest Biology and Technology, 2008, 49 (3): 355-365.

[14]QIN Jianwei, BURKS T F, KIM M S, et al. Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 168-177.

[15]QIN Jianwei, BURKS T F, RITENOUR M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[16]ARIANA D P, LU Renfu. Quality evaluation of pickling cucumbers using hyperspectral reflectance and transmittance imaging. Part 1. Development of a prototype[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 144-151.

[17]ARIANA D P, LU Renfu. Quality evaluation of pickling cucumbers using hyperspectral reflectance and transmittance imaging. Part 2. Performance of a prototype[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 152-160.

[18]ARIANA D P, LU Renfu. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J]. Journal of Food Engineering, 2010, 96(4): 583-590.

[19]GOWEN A A, O DONNELL C P, TAGHIZADEH M, et al. Hyperspectral imaging for the investigation of quality deterioration in sliced mushrooms (Agaricus bisporus) during storage[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 133-143.

[20]GOWEN A A, TAGHIZADEH M, O DONNELL C P. Identification of mushrooms subjected to freeze damage using hyperspectral imaging[J]. Journal of Food Engineering, 2009, 93(1): 7-12.

[21]POLDER G, van der HEIJDEN G W A M, van DER VOET H, et al. Measuring surface distribution of carotenes and chlorophyll in ripening tomatoes using imaging spectrometry[J]. Postharvest Biology and Technology, 2004, 34(2): 117-129.

[22]QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[23]YOON S C, LAWRENCE K C, SMITH D, et al. Embedded bone fragment detection in poultry using transmittance image enhancement and hyperspectral reflectance imaging[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 197-207.

[24]NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 178-188.

[25]CLUFF K, NAGANATHAN G K, SUBBIAH J, et al. Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 189-196.

[26]洪添勝, 喬軍, WANG Ning. 基于高光譜圖像技術的雪花梨品質無損檢測[J]. 農業(yè)工程學報, 2007, 23(2): 151-155.

[27]楊勇, 劉木華, 鄒小蓮, 等. 基于高光譜圖像技術的獼猴桃硬度品質檢測[C]//中國農業(yè)機械學會. 中國農業(yè)機械學會2008年學術年會論文集: 走中國特色農業(yè)機械化道路(下冊). 北京, 2008-09-01: 1005-1008.

[28]高曉東, 吳建虎, 彭彥昆, 等. 基于高光譜成像技術的牛肉大理石花紋的評估[J]. 農產品加工: 學刊, 2009, 187(10): 33-37.

[29]吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度的高光譜法檢測技術[J]. 農業(yè)機械學報, 2009, 40(12): 135-140.

[30]馬智宏, 王秋平, 朱大洲, 等. 自主研發(fā)的成像光譜儀應用及建模初探[J]. 現(xiàn)代科學儀器, 2010(2): 101-104.

Research Progress in the Detection of Agricultural Products/Food by Imaging Spectrometry

ZHOU Quan1，ZHU Da-zhou2,3，WANG Cheng3，ZHENG Yao4，WANG Qiu-ping1，MA Zhi-hong2,*
(1. Department of Automatic, University of Science and Technology of China, Hefei 230029, China；2. Beijing Research Center for Agri-food Testing and Farmland Monitoring, Beijing 100097, China；3. National Engineering Research Center for Intelligent Equipment in Agriculture, Beijing 100097, China；4. Agricultural Technology Extension Centre of Jinzhou District, Dalian City, Liaoning Province, Liaoning 116100, China)

As a newly emerging technology for process analysis, imaging spectrometry can acquire spatial information of samples and provide thousands of spectral data points for each pixel in an image. In this way, the spectral data of each wavelength form an image and result in the syncretism of spectra and image. By analyzing corresponding spectra and images, the components, concentration, status, spatial distribution and dynamic change of samples can be detected. In this paper, technical principles, system compositions and data processing methods of imaging spectrometry are described. The research progress in the detection of agricultural products/food by imaging spectrometry is discussed. Based on the current research achievements, imaging spectrometry reveals a wide range of application prospect in the detection of agricultural products/food.

imaging spectrometry；hyper-spectral imaging；near infrared image；agricultural product；food safety

O657.38；S37；TS207.3

A

1002-6630(2010)23-0423-06

2010-03-22

國家“863”計劃項目(2006AA10Z203；2007AA10Z202；2010AA10Z201)；農業(yè)部“引進國際先進農業(yè)科學技術”項目(2006-G63(5)；2010-S20)

周全(1981—)，男，博士研究生，主要從事成像光譜技術研究。 E-mail：zhouquan@mail.ustc.edu.cn

*通信作者：馬智宏(1970—)，女，副研究員，博士，主要從事農產品質量與農田環(huán)境檢測技術研究。E-mail：mazh@nercita.org.cn