高光譜圖像技術在水果無損檢測中的研究進展

吳龍國，何建國，賀曉光，劉貴珊，王 偉，王松磊，蘇偉東，羅 陽，思振華

(1.寧夏大學農學院，寧夏銀川750021;2.寧夏大學物理電氣信息學院，寧夏銀川750021;3.寧夏紅棗工程技術研究中心，寧夏靈武750400)

1 引言

隨著科學技術和經濟的迅速發展、人民生活水平的不斷提高，國內水果市場競爭日益加劇，消費者與企業對水果品質的要求也越來越嚴格，從以往僅關注水果的外部品質，逐步轉向水果的內部品質。正因如此，水果品質無損檢測技術一直是農業工程領域的重要研究課題［1］。目前，對水果的外部品質檢測有可見光圖像檢測、紅外圖像檢測等多種較為成熟的技術，但是這些基于普通CCD成像的檢測技術僅能夠檢測水果的部分表面特征，而無法實現水果內部品質(如水分、糖酸度、硬度、隱性損傷、腐爛、變質、蟲害等)的檢測［2］。傳統的水果檢測方法高效液相色譜(HPLC)、質譜(MS)等既耗時又易損壞樣品。近紅外光譜雖然可以對水果進行無損檢測，但它只能檢測水果局部的小區域，因此，開發一種快速、準確、可靠、無損的檢測技術已經成為水果領域的重要研究課題。高光譜圖像技術克服了這一難題，作為新一代的光電檢測技術，它融合了光學、圖像學、機器視覺、近紅外光譜檢測等技術，將傳統的二維成像技術和光譜技術有機結合，具有超多波段、高分辨率和圖像光譜合一等優點，因而，在水果品質檢測領域得到了較快發展。該技術最早主要應用于軍事和衛星遙感方面，現廣泛應用于天文學［3］、農業科學［4］、藥學［5］、醫學［6］等領域。本文主要介紹了國內外學者利用高光譜成像技術對水果品質進行無損檢測的研究進展并探討了其未來的發展前景。

2 高光譜圖像技術的簡介

2.1 高光譜系統

高光譜圖像是在一定的波長范圍內將二維的平面圖像按照光譜分辨率連續地組成一幅三維的空間圖像數據塊(如圖1所示)。圖中，x和y軸表示二維平面的坐標軸，λ表示波長坐標軸。高光譜圖像可以同時獲取特定波長下的圖像信息與x－y平面內特定像素下各個波長的光譜信息。在每個波長下，x－y平面內各個像素點的灰度值與其在該波長下的光譜曲線上的光譜值一一對應;在特定波長下，感興趣區域(ROIs)與正常區域之間的光譜值會存在較大差異［7］。因此，該波長下的圖像之間的灰度也必然存在著一定的差異，進而可以對被測物進行判別分析，實現被測物在線的分級。高光譜圖像系統主要由光源、CCD相機、單色儀(濾波器和成像光譜儀)、計算機及數據處理軟件(Matlab、Envi等軟件)等五部分組成。光源常采用4個35W的鹵鎢燈線光源，波長范圍可以在可見光(380～780nm)、近紅外(780～2560nm)以及波長大于2560nm的區域。CCD相機由CCD傳感器、CMOS傳感器、焦平面陣列檢測器等組成，用于采集圖像。根據使用的單色儀不同可采用基于濾波器或濾波片和基于成像光譜儀兩種方法采集高光譜圖像。圖2所示我實驗室購置的基于成像光譜儀的高光譜圖像系統。

2.2 高光譜圖像數據的采集與分析

2.2.1 圖像采集參數的確定

基于成像光譜儀的高光譜圖像系統對水果進行圖像采集，因不同水果表皮的粗糙程度、顏色、光澤有所差異，導致圖像采集系統中的焦距、透光量、載物臺移動的速度、曝光時間等參數都會影響水果樣本圖像的采集。因此，根據不同水果的特性，確定合適的圖像采集參數顯得尤為重要。

2.2.2 圖像的校正

由于在不同的波段下光源強度分布不均勻、水果的形狀各異以及箱體中暗電流的存在，導致在光源強度弱的波段下的圖像含有較大的噪音，對數據處理帶來了冗余的信息。因此，需要對所獲得的高光譜圖像進行黑白標定［8］。首先進行白板校正得到全白的標定圖像W，然后蓋上相機鏡頭蓋進行圖像采集得到全黑的標定圖像D，然后按照下式［9］對原始圖像進行標定:

式中，RO是樣本原始的漫反射光譜圖像;W是白板的漫反射圖像;D是暗圖像;R是校正后的漫反射光譜圖像。

2.2.3 預處理

預處理［10－11］是為了去除光譜或圖像信息中的非品質信息的影響(如表面不均勻引起的散射影響)從而為數據處理奠定堅實的基礎。光譜曲線預處理的方法有平滑校正、標準化、光譜濾波等。圖像的預處理一般是對水果的感興趣區域采用掩模、閾值分割、腐蝕、膨脹等方法從圖像塊中去除大量的背景信息，從而保留有用的信息。經預處理后，可以在不損失水果品質重要信息的前提下，反映出其他波段的信息并有效地降低干擾因素對后期的數據處理結果的影響。

2.2.4 數據分析

基于高光譜數據的分析，大致可以從兩方面進行研究:①圖像處理;②光譜分析。前者主要是對圖像進行優化，大大的減少冗余信息對實驗結果帶來的影響，最終還是要進行后者的過程。下面就主要介紹一下光譜分析:經過預處理的高光譜圖像數據，由于其具有多波段、高分辨率和數據量大等特點，不同波段下的像素之間、圖像間仍存在著大量的冗余信息，因此必須進行進一步的消除誤差——降維，減少過多的冗余信息對結果的影響。目前，國內外學者常采用降維的方法:主成分分析法(PCA)、偏最小二乘法(PLS)、獨立變量分析法(ICA)、遺傳算法(GA)等;采用線性判別分析(LDA)、Fishers判別分析(FDA)、多元線性回歸(MLR)、人工神經網絡(ANN)等方法建模，常選擇2/3水果樣本作為校正集與被測水果的理化指標建立對應關系，1/3水果樣本作為驗證集，對試驗所建立的模型進行驗證。

3 高光譜圖像技術的研究進展

目前，國內外在水果品質檢測方面進行的應用性研究主要包括水果外部品質(缺陷、損傷、表面污染、蟲害等)以及與口感有關的內部品質(水分、酸度、含糖量、可溶性固形物、成熟度和硬度)等，研究的水果大多集中在水果、葡萄、梨、獼猴桃、草莓等小型水果。

3.1 水果表面缺陷檢測

鑒于消費者在購買水果時更多地關注于水果的外觀形狀是否美觀、是否完整、有無缺陷等因素，國內外學者利用高光譜圖像技術對水果表面的缺陷進行了大量的研究，獲得了大量的研究成果，對水果的品質和銷售價格起到了指導作用。

Nicola等［12］利用近紅外高光譜反射成像技術(900～1700 nm)對蘋果表面的凹陷進行了檢測，采用偏最小二乘法(PLS)建立校正模型，閾值分割處理圖像，該方法能夠檢測到肉眼無法識別的凹陷，但在光強度比較弱的邊界位置會出現錯誤的檢測。

國內，李甦等［13］提出表征水果類別與缺陷程度的空間模型，準確地劃分水果的類別與表面缺陷程度。蔡健榮等［14］提出了波段比算法對柑橘的高光譜圖像(408～1117 nm)進行了果銹檢測，檢測率高達92%。李江波等［15］采用高光譜成像技術(400～1000 nm)對10類臍橙果皮缺陷果及正常果進行鑒別研究。采用兩次主成分分析法，識別率達80%，而采用特征波段主成分分析法與波段比算法相結合的方法使得潰瘍識別率提高到95.4%。

3.2 水果表面損傷檢測

水果的表面損傷(輕微的碰壓傷、隱性損傷等)對水果儲存的影響極大，通過對水果表面損傷的研究，從而確定合適的儲存條件，減少水果的腐敗變質，提高水果的貨架期。

趙杰文等［16］利用高光譜圖像技術(408～1117 nm)檢測蘋果的輕微損傷，采用主成分分析法提取出547 nm波長下的特征圖像，不均勻二次差分消除蘋果圖像亮度分布不均勻的影響，正確率達88.57%。薛龍等［17］利用高光譜圖像技術(400～1000 nm)檢測梨表面碰壓傷，采用主成分分析法(PCA)獲得572、696、45 nm 圖像，檢出率為97%。Lü Qiang 等［18］利 用 高 光 譜 圖 像 技 術(408 ～1117 nm)檢測獼猴桃的隱形損傷。采用主成分分析法提取出PC1－PC4的主成分圖像，平行六邊形分類法對PC1－PC4圖像進行損傷部位鑒別，正確率達85.5%。

3.3 與水果口感有關的內部品質信息的檢測

水果的口感是水果品質的內在核心，它是消費者對水果品質判斷的一個綜合指標，包括水分、硬度、酸度、含糖量、可溶性固形物等，而消費者對于水果的品質往往是通過口感進行判別的。因此，國內外的學者對于水果的內部指標檢測做了大量的研究，這也為今后水果的品質鑒定以及在線分級奠定了理論基礎。

國外，Gamal EIMasry等 利用高光譜圖像技術(400～1000 nm)對草莓內部水分、可溶性固形物以及酸度(以pH值表示)進行了研究。采用偏最小二乘法(PLS)對全波段的數據進行處理，通過PLS模型中的β系數選擇最佳光譜波段。研究結果表明，利用全波段建立的PLS預測模型和最佳波段建立的多元線性回歸預測模型分別對草莓的水分、可溶性固形物、酸度進行了預測，相關系數R分別為0.90、0.80、0.87 和0.87、0.80、0.92，準確率分別為90%、80%、87%和87%、80%、92%。Jianguo He等［20］采用高光譜成像技術(900～1700nm)對靈武長棗的可溶性固形物進行了預測研究，采用主成分分析法(PCA)優選出 1034、1109、1231、1291 和1461 nm特征波長下的圖像，采用人工神經網絡(ANN)建立了長棗可溶性固形物的預測模型。結果表明，使用人工神經網絡預測長棗可溶性固形物的相關系數為0.9027，預測集的均方根誤差為1.9845°Brix。Rajkumar P等［21］利用可見－近紅外高光譜反射成像技術(400～1000 nm)對香蕉的水分、硬度、可溶性固形物含量進行檢測，采用偏最小二乘法對圖像的光譜數據進行分析，采用多元線性回歸對香蕉的水分、堅硬度和可溶性固形物含量建立預測模型，相關系數R分別為0.87、0.91、0.85。Shuang Wang 等［22］利用高光譜散射圖像技術(400～1000 nm)對“金冠”蘋果的硬度建立模型，采用無信息變量消除(UVE)和監督仿射傳播(SAP)的算法提取最優波長，運用偏最小二乘法對特征波長下的圖像進行建模。結果表明，運用UVE-PLS與SAP-PLS與BP(神經網絡模型)的融合的模型比單獨用UVE-PLS或SAP-PLS法好，可以有效減少特征波長的提取數目，并且具有較好的預測值Rp為0.828，預測集的均方根誤差(RMSEP)為5.53N。Antonietta Baiano等［23］利用高光譜圖像技術(400～1000 nm)對7個品種的鮮食葡萄的理化和感官指標建立預測模型。采用偏最小二乘回歸法(PLSR)建立光譜信息和理化指標、感官指標之間的相關性模型。結果表明，白色和紅色/黑色葡萄中滴定酸度的相關系數分別為0.95、0.82，相對應的可溶性固形物的相關系數分別為0.94、0.95，pH的相關系數分別為0.80、0.90，從而說明，高光譜圖像的光譜曲線與葡萄的理化指標之間有一定的聯系，而無法與葡萄的感官指標建立聯系。P.Rajkumar等［24］利用高光譜成像技術(400～1000 nm)對20、25、30℃溫度下不同成熟階段的香蕉中的可溶性固形物、水分和堅實度建立預測模型。采用主成分分析法選取特征波長440、525、633、672、709、760、925、984 nm，再通過多元線性回歸法對特征波長下的光譜信息建立預測模型。結果表明，香蕉中的可溶性固形物、水分和堅實度測定值的相關系數R分別為0.85、0.87、0.91。其中可溶性固形物、堅實度在成熟階段下隨著溫度變化成復雜變化，而水分隨著溫度變化呈線性變化。Gabriel A等［25］利用高光譜圖像技術(500～1000 nm)檢測藍莓(果梗和花萼朝向)的硬度和可溶性固形物的含量。采用偏最小二乘法對全波段下的高光譜圖像數據建立硬度、可溶性固形物預測模型，通過交叉驗證法對預測模型進行驗證。結果表明，硬度預測值R=0.87，可溶性固形物預測值R=0.79。

在國內，薛龍等［26］采用可見/近紅外光譜結合遺傳－偏最小二乘法(GA-PLS)對柑桔類水果中的可溶性固形物(SSC)建立快速無損檢測模型。洪添勝等［27］利用高光譜圖像技術(400～1000 nm)對雪花梨品質(含糖量、水分、鮮重)進行無損檢測的研究，通過人工神經網絡對雪花梨的含糖量、水分及鮮重建立預測模型。實驗結果表明，雪花梨含糖量與水分的預測值與實際值的相關系數R分別為0.996、0.94，鮮重預測值和實際值間相關系數R為0.93。郭恩有等［28］利用高光譜圖像技術(400～1000 nm)檢測臍橙的含糖量，通過人工神經網絡建立了臍橙糖度的預測模型，相關系數R為0.831。單佳佳等［29］利用高光譜圖像技術(400～1100 nm)對蘋果的表面摔傷和含糖量進行研究。對于蘋果表面摔傷，采用波段差的方法對圖像進行處理，摔傷檢測的準確率為92.6%。對于蘋果的含糖量的測定，利用偏最小二乘回歸方法建立糖分含量的預測模型，校正集相關系數R為0.93，驗證集相關系數R為0.92，結果表明，利用該技術可以實現對蘋果的內外品質的同時檢測。萬相梅等［30］利用高光譜散射圖像技術(400～1000 nm)對蘋果硬度和汁液含量建立預測模型。采用最小二乘－支持向量機法(LS-SVM)建立蘋果的硬度和汁液含量模型。結果表明，LS-SVM壓縮硬度預測模型的相關系數為Rp=0.795，預測均方差為RMSEP=10.4K N/m;汁液含量的相關系數為Rp=0.568。郭俊先等［31］采用高光譜成像技術(400～1000 nm)對新疆的冰糖心紅富士蘋果進行糖度預測和分級。基于多元線性回歸方法建立蘋果糖度的預測模型，相關系數為0.911。采用判別分析(DA)對蘋果進行分級處理，準確率達89.5%。

3.4 在其他方面檢測中的應用

近些年，國內外的學者利用高光譜技術對水果的檢測逐步延伸到了對表面污染物、農殘、蟲害的研究，這對水果安全有著極其重要的意義。

Liu等［32］利用高光譜圖像技術采用波段比方法對蘋果表面污染物進行了檢測。J.Wang等［33］利用高光譜圖像技術(400～720 nm)對紅棗外部蟲害進行無損檢測，采用逐步判別分析法對果梗附近無損傷、花萼附近無損傷、正常的表皮、花萼端附近蟲害、表皮蟲害的紅棗的圖像進行分類，正常棗與蟲害棗的判別準確率分別為為98%、94%。結果表明，利用該技術無損檢測紅棗外部蟲害是可行的。

薛龍等［34］利用高光譜圖像技術(425～725 nm)對臍橙水果表面的不同濃度的農藥殘留進行了檢測。采集臍橙在625～725 nm范圍的高光譜圖像，應用主成分分析方法(PCA)獲得特征波長的圖像，應用第三主成分圖像(PC3)并經過圖像處理對臍橙表面的農藥殘留進行檢測。結果表明，利用該技術能有效地檢測出高濃度的農殘，而對于低濃度的農殘效果不太明顯。

4 結論與展望

近些年，國內外許多學者利用高光譜成像技術，結合化學計量學和圖像處理的算法對水果的內外部品質進行無損檢測，取得了顯著的成果。今后該技術可從以下幾個方面進行深入研究:

(1)現階段大多數的研究只是在可見光范圍(400～1000 nm)內，利用高光譜圖像技術對表皮比較薄的水果(蘋果、香蕉、葡萄、獼猴桃等)進行無損檢測，今后可采用該技術在近紅外(900～1700 nm)波段對果皮比較厚的水果(西瓜、橙子、柚子、椰子等)進行無損檢測。

(2)高光譜技術與其他技術的結合，如高光譜技術與熱成像技術結合，把遙感技術真正應用到水果檢測中去。這樣，可以更好的檢測水果內外品質進而實現水果的在線分級。這種不同技術聯合使用的方法將是水果無損檢測未來的發展趨勢。

(3)目前，利用高光譜圖像技術對往往只能獲取水果的正面圖像，而背面圖像信息卻無從獲取，而且水果無損檢測僅適用于同種水果，對于不同水果的檢測條件的控制還沒有制定出一套完善的通用方法，今后開發一種通用的水果檢測方法是未來的研究方向。

［1］ Ma Xueben，Ying Yibin，Rao Xiuqin，et al．Research of hyperspectral imaging in non-destructive measurement of fruit internal qualities［J］．Spectroscopy and Spectral A-nalysis，2009，29(6):1611 －1615．(in Chinese)

馬學本，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．

［2］ Hong Tiansheng，Li Zhen，Wu Chunyin，et al．Review of hyperspectral image technology for non-destructive inspection of fruit quality［J］．Transactions of the CSAE，2007，23(11):280 －285．(in Chinese)

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］．農業工程學報，2007，23(11):280－285．

［3］ Hege E，O'Connell D，Johnson W，et al．Hyperspectral imaging for astronomy and space surveillance［J］．Proceedings of the SPIE，2003，51(59):380 －391．

［4］ Monteiro S，Minekawa Y，Kosugi Y，et al．Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2007，62:2 －12．

［5］ Lyon R C，Lester D S，Lewis E N，et al．Near-infrared spectral imaging for quality assurance of pharmaceutical products:analysis of tablets to assess powder blend homogeneity［J］．AAPS Pharm Sci Tech，2002，3:17．

［6］ Ferris D，Lawhead R，Dickman E，et al．Multimodal hyperspectral imaging for the noninvasive diagnosis of cervical neoplasia［J］．Journal of Lower Genital Tract Disease，2001，5:65 －72．

［7］ Li Jiangbo，Rao Xiuqin，Ying Yibin．Advance on application of hyperspectral imaging to non-destructive detection of agricultural products external quality［J］．Spectroscopy and Spectral Analysis，2011，31(8):2021 － 2026．(in Chinese)

李江波，饒秀勤，應義斌．農產品外部品質無損檢測中高光譜成像技術的應用研究進展［J］．光譜學與光譜分析，2011，31(8):2021 －2026．

［8］ Polder G，Gerie WAM，Van Der Heijden．Calibration and characterization of imaging spectrographs［J］．Near-Infrared Spectroscopy，2003，11:193 －210．

［9］ Gamal ElMasry，Ning Wang，Clément Vigneault．Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks［J］．Postharvest Biology and Technology，2009，52:1 －8．

［10］ Maider Vidal，José Manuel Amigo．Pre-processing of hyperspectral images essential steps before image analysis［J］．Chemometrics and Intelligent Laboratory Systems，2012，117:138 －148．

［11］ Howland D T Jones，David M Haaland，Michael B Sinclair，et al．Preprocessing strategies to improve MCR analyses of hyperspectral images［J］．Chemometrics and Intelligent Laboratory Systems，2012，117:149 －158．

［12］ Nicola B，Ltze E，Peirs A，et al．Non-destructive measurement of bitter pit in apple fruit using NIR hyperspectral imaging［J］．Postharvest Biology and Technology，2006，40:1－6．

［13］ Li Su，Tan Yonglong，Yang Meiying．Study on fruit classification and surface defect detection［J］．Computer Engineering and Design，2008，29(15):3954 －3957．(in Chinese)李甦，譚永龍，楊美英．水果分級與表面缺陷檢測研究［J］．計算機工程與設計，2008，29(15):3954 －3957．

［14］ Cai Jianrong，Wang Jianhei，Chen Quansheng，et al．Detection of rust in citrus by hyperspectral imaging technology and band ratio algorithm［J］．Transactions of the CSAE，2009，25(1):127 －131．(in Chinese)蔡健榮，王建黑，陳全勝，等．波段比算法結合高光譜圖像技術檢測柑橘果銹［J］．農業工程學報，2009，25(1):127－131．

［15］ Li Jiangbo，Rao Xiuqin，Ying Yibin，et al．Detection of navel oranges canker based on hyperspectral imaging technology［J］．Transactions of the CSAE，2010，26(8):222 －228．(in Chinese)李江波，饒秀勤，應義斌，等．基于高光譜成像技術檢測臍橙潰瘍［J］．農業工程學報，2010，26(8):222－228．

［16］ Zhao Jiewen，Liu Jianhua，Chen Quansheng，et al．Detecting subtle bruises on fruits with hyperspectral imaging［J］．Transactions of the Chinese Society for Agricultural Machinery，2008，39(1):106 －109．(in Chinese)趙杰文，劉劍華，陳全勝，等.利用高光譜圖像技術檢測水果輕微損傷［J］．農業機械學報，2008，39(1):106－109．

［17］ Xue Long，Li Jing，Liu Muhua．Researches of hyperspectral imaging in the detection of surface bruising of pear［J］．Cereals and Oils Processing，2009，4:136 － 138．(in Chinese)薛龍，黎靜，劉木華．利用高光譜圖像技術檢測梨表面碰壓傷的試驗研究［J］．糧油加工，2009，4:136 －138．

［18］ Lü Qiang，Tang Mingjie．Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification［J］．Procedia Environmental Sciences，2012，11:1172－1179．

［19］ Gamal ElMasry，Ning Wang，Adel ElSayed，et al．Hyperspectral imaging for non-destructive determination of some quality attributes for strawberry［J］．Journal of Food Engineering，2007，81:98 －107．

［20］ He Jianguo，Luo Yang，Liu Guishan，et al．Prediction of soluble solids content of jujube fruit using hyperspectral reflectance imaging［J］．Advanced Materials Research，2012，In press．

［21］ Rajkumar P，Wang N，EImasry G．Studies on banana fruit quality and maturity stages using hyperspectral imaging［J］．Journal of Food Engineering，2012，108:194 －200．

［22］ Wang Shuang，Huang Min，Zhu Qibing．Model fusion for prediction of apple firmness using hyperspectral scattering image［J］．Computers and Electronics in Agriculture，2012，80:1 －7．

［23］ Antonietta Baiano，Carmela Terracone，Giorgio Peri，et al．Application of hyperspectral imaging for prediction of physico-chemical and Sensory Characteristics of Table Grapes［J］．Computers and Electronics in Agriculture，2012，87:142 －151．

［24］ P Rajkumar，N Wang，G EImasry．Studies on banana fruit quality and maturity stages using hyperspectral imaging［J］．Journal of Food Engineering，2012，108:194 －200．

［25］ Gabriel A，Leiva-Valenzuela，Renfu Lu，et al．Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging［J］．Journal of Food Engineering，2013，115:91 －98．

［26］ Xue Long，Li Jing，Liu Muhua，et al．Non-destructive detection of soluble solids content on navel orange with vis/NIR based on genetic algorithm ［J］． Laser＆Optoelectronics Progress，2010，47:1 －5．(in Chinese)薛龍，黎靜，劉木華，等．基于遺傳算法的臍橙可溶性固形物的可見/近紅外光譜無損檢測［J］．激光與光電子學進展，2010，47:1 －5．

［27］ Hong Tiansheng，Qiao Jun，Ning Wang，et al．Non-destructive inspection of Chinese pear quality based on hyperspectral imaging technique［J］．Transactions of the CSAE，2007，23(2):151 －155．(in Chinese)洪添勝，喬軍，Ning Wang，等．基于高光譜圖像技術的雪花梨品質無損檢測［J］．農業工程學報，2007，23(2):151－155．

［28］ Guo Enyou，Liu Muhua，Zhao Jiewen，et al．Non-destructive detection of sugar content on navel orange with hyperspectral imaging［J］．Transactions of the Chinese Society for Agricultural Machinery，2008，39(5):91 － 93．(in Chinese)郭恩有，劉木華，趙杰文，等．臍橙糖度的高光譜圖像無損檢測技術［J］．農業機械學報，2008，39(5):91－93．

［29］ Shan Jiajia，Peng Yankun，Wang Wei，et al．Simultaneous detection of external and internal quality parameters of apples using hyperspectral technology［J］．Transactions of the Chinese Society for Agricultural Machinery，2011，42(3):140 －144．(in Chinese)單佳佳，彭彥昆，王偉，等．基于高光譜成像技術的蘋果內外品質同時檢測［J］．農業機械學報，2011，42(3):140－144．

［30］ Wan Xiangmei，Hang Min，Zhu Qibing．Non-destructive detection for compression hardness and juiciness in apple based on hyperspectral scattering image［J］．Science and technology of food industry，2012，33(6):71 － 74．(in Chinese)萬相梅，黃敏，朱啟兵．基于高光譜散射圖像的蘋果的壓縮硬度和汁液含量無損檢測［J］．食品工業科技，2012，33(6):71 －74．

［31］ Guo Junxian，Rao Xiuqin，Cheng Guoshou，et al．Prediction of the sugar degree and grading of Xinjiang fuji apple by hyperspectral imaging techniques［J］．Journal of Xinjiang Agricultural University，2012，35(1):78 － 86．(in Chinese)郭俊先，饒秀勤，程國首，等．基于高光譜成像技術的新疆冰糖心紅富士蘋果分級和糖度預測研究［J］．新疆農業大學學報，2012，35(1):78 －86．

［32］ Liu Y，Chen Y R，Kim M S，et al．Development of simple algorithms for the detection of fecal contaminants on apples from visible/near infrared hyperspectral reflectance imaging［J］．Journal of Food Engineering，2007，81:412 －418．

［33］ J Wang，K Nakano，S Ohashi．Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging ［J］．Biosystems engineering，2011，108:345－351．

［34］ Xue Long，Li Jing，Liu Muhua．Detecting pesticide residue on navel orange surface by using hyperspectral imaging［J］．Acta Optica Sinica，2008，28(12):2277 － 2280．(in Chinese)薛龍，黎靜，劉木華．高光譜圖像技術檢測水果表面農藥殘留［J］．光學學報，2008，28(12):2277 －2280．