高光譜成像技術在水果多品質無損檢測中的應用

劉亞 木合塔爾·米吉提 曹鵬程 岳建魁

摘要：簡介高光譜成像系統的原理及優勢，綜述國內外高光譜技術在水果內部和外部品質檢測方面的應用，分析其在相關檢測中存在的主要不足，展望其未來發展方向，為提高高光譜成像技術在水果多品質無損檢測中的檢測準確性提供參考。

關鍵詞：高光譜成像技術；水果品質；無損檢測；外部品質；內部品質

中圖分類號：S123；TP391.4 文獻標識碼：A 文章編號：1674-1161（2016）05-0050-04

水果在采摘包裝運輸過程中，易受人為或水果自身因素影響而內部或外部品質受損。隨著人類健康觀念的增強，對水果品質的要求越來越高，促使水果多品質分類越來越嚴格。在水果商品化處理過程中，準確、快速、客觀的質量檢測系統是確保其安全高質量生產的保證，也是現代水果產業的發展趨勢。目前，我國水果分類分級主要依靠人工視覺，既費時費力又難以排除主觀因素。

水果無損檢測是在不損傷果體的情況下，應用一定的檢測技術和分析手段，對水果內外部品質進行測定，并按照一定標準作出評價的過程。隨著光譜技術發展，國內外學者把目光聚焦在高光譜成像技術上。高光譜成像技術是從遙感圖像技術發展而來的，基于非常多窄波段圖像數據技術，是傳統二維圖像技術和光譜技術有機結合的一項新興技術，融合光學、電子學、圖像處理、計算機科學等多學科知識。高光譜成像技術可以同時獲取農產品圖像和光譜信息，其中圖像信息能夠直接反映農產品外部形狀特征、顏色、紋理、缺陷和污斑情況，光譜數據則可分析農產品內部化學成分含量，如糖度、酸度、含水率、可溶性固形物含量等。

1 高光譜成像系統概述

一般認為，光譜分辨率在10-1λ數量級范圍內稱為多光譜，光譜分辨率在10-2λ數量級范圍內稱為高光譜，光譜分辨率在10-3λ數量級范圍內稱為超光譜。高光譜圖像是在特定波長范圍內由一系列連續的窄波段圖像組成的三維圖像數據塊，如圖1所示。圖1中，X和Y表示二維平面坐標軸，λ表示波長范圍坐標軸。高光譜圖像有某個特定波長下的圖像信息，針對XY平面內某個特定像素，又具有不同波長下光譜信息。因此，高光譜圖像集合了圖像與光譜信息。在每個波長下，XY平面內每個像素的灰度值與其在該波長下的光譜值一一對應，在某個特定波長下，感興趣區域（ROI）與正常區域間的光譜值存在很大差異，因此，在此波長下的圖像中，它們之間的灰度也存在一定差異。

一個典型的基于光譜儀的高光譜成像系統主要包括成像光譜儀、光源、線陣或面陣攝像機、輸送裝置和計算機等部件，其主要結構見圖2。

2 高光譜成像在水果內部品質檢測中的應用

針對果蔬內部品質無損檢測，高光譜成像技術主要應于可溶性固形物、堅實度及糖度等指標預測。

2.1 可溶性固形物

可溶性固形物（SSC）是指水果及蔬菜等農產品中可溶解于水的所有物質總稱，包括可溶性糖、維生素、微量元素、礦物質、果膠等，可以判斷水果成熟度，是衡量水果品質分級的重要指標之一。傳統檢測方法一般采用折光儀法，不僅檢測速度慢，而且損壞檢測對象。目前，隨著高光譜技術不斷發展，國內外學者開始利利用高光譜成像技術對水果中的可溶性固形物進行預測。

Leiva-Valenzuela等利用高光譜成像系統在可見短波近紅外范圍內，獲取402顆藍莓在莖稈、花萼和直徑最大處3個方向的反射和透射光譜圖像，選用偏最小二乘法回歸方法建立SSC和堅實度預測模型。結果表明，依據反射光譜圖得出的預測模型效果最好，其SSC預測模型的預測集相關系數RP為0.90，堅實度預測模型的預測集相關系數RP=0.78；根據透射光譜圖得出的預測模型，其SSC預測模型預測集相關系數RP=0.76，堅實度預測模型預測集相關系數RP=0.64。

羅霞等以火龍果為研究對象，對光譜數據進行預處理，應用連續投影算法（SPA）進行特征變量選擇，通過偏最小二乘法（PLS）和前饋反向傳播神經網絡法（BPNN）建立預測模型，分析火龍果果皮對SSC模型預測精度的影響。試驗結果表明：SPA算法能夠有效地對光譜數據進行降維處理，采用優選的15個特征變量建立BPNN預測模型的預測集相關系數RP為0.841 1，預測集均方根誤差RMSEP為0.817 1。

2.2 堅實度

水果堅實度（Firmness）是指果肉抗壓力的強弱，可以作為判斷水果成熟度和口感品質的重要指標。傳統的堅實度檢測方法是穿刺試驗方法，對樣本有損傷，并且不能逐個檢驗，對大批量產品檢測試驗是不現實的。高光譜成像是一種融合光譜技術和圖像技術的無損檢測技術，能夠對水果堅實度進行快速、無損和準確檢測。

Nagata等應用近紅外高光譜成像技術對草莓堅實度進行預測，測量波長范圍為650～1 000 nm，光譜間隔5 nm，采用多元逐步線性回歸進行分析。最后提取3個波長（685，985，865 nm）對五成熟到全熟樣本的堅實度進行預測，相關系數為0.786，SEP為0.350 N。

李鋒霞等用高光譜技術對哈密瓜堅實度進行檢測，對比分析不同波段范圍、不同預處理法、不同光程校正法和不同定量校正算法對哈密瓜堅實度預測模型準確度的影響。結果表明，在500～820 nm波段光譜區域，采用偏最小二乘法對經過標準正則變換校正的一階微分光譜建模效果較優，其校正集相關系數為0.873，校正均方根誤差為4.18 N，預測集相關系數為0.646，預測均方根誤差為6.40 N。

2.3 糖度

糖度是水果的重要內部品質之一，直接決定水果的糖酸比。

Jiewen Z等用高光譜成像系統（408～1117 nm）檢測蘋果的糖度，用偏最小二乘法建模，發現檢測糖度的最佳光譜范圍為704～805 nm。

趙凡等以“華優”獼猴桃為對象，分別提取10×10，20×20，30×30（像素×像素）的正方形光譜區域及樣品掩膜圖像平均光譜，對平均光譜進行平滑去噪和標準正態變量變換預處理，用處理后的全光譜建立預測獼猴桃糖度的偏最小二乘法、最小二乘支持向量機、極限學習機和誤差反向傳播網絡模型。結果表明，基于獼猴桃掩膜圖像的平均光譜所建立的最小二乘支持向量機模型測性能最好，其預測相關系數為 0.97，預測均方根誤差為0.86Brix，相對預測誤差為4.06。

3 高光譜成像在水果外部品質檢測中的應用

水果外部品質檢測主要包括顏色、大小、質量、形狀、表面缺陷等特征檢測。顏色及表面缺陷檢測大量使用可見光成像系統，而某些肉眼難以識別的表面缺陷如動物糞污染、輕微損傷等，通常對除可見光以外的波段更加敏感。高光譜技術獲得的圖像數據能反映農產品外部特征、表面缺陷、污斑情況等，可以有效檢測水果外部品質。

3.1 表面損傷

水果表面損傷（輕微的碰壓傷、隱性損傷等）對水果貯藏影響極大。通過對水果表面損傷研究，確定適宜貯藏條件，減少水果腐爛變質，延長水果貨架期。

Ferrari， C等將每幅圖像轉換為一維信號，高光譜圖像數據集可以看成是二維數據矩陣，進行數據處理后獲取800幅近紅外高光譜圖像，利用偏最小二乘判別分析建模來預測蘋果表面損傷，可以檢測蘋果表面損傷隨時間的變化。

田有文等以紅富士蘋果為試驗樣本，采集蘋果樣本高光譜圖像，根據正常蘋果表面區域和剛損傷、損傷后（3，10，24 h）的損傷區域光譜反射率平均曲線得到有效光譜區域723～923 nm，然后基于有效光譜區域進行數據處理和分析。結果表明：正常蘋果樣本正確檢測率達100.0%，損傷蘋果樣本的正確檢測率為97.5%，總體檢測精確度高達98.75%。

3.2 表面缺陷

鑒于消費者在購買水果時更多地關注水果外表面是否美觀、完整、有無缺陷等，國內外學者利用高光譜圖像技術對水果表面缺陷進行大量研究。

Nicola等利用近紅外高光譜反射成像技（900～

1 700 nm）對蘋果表面的凹陷進行檢測，采用偏最小二乘法建立校正模型，選用閾值分割處理圖像。該方法能夠檢測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檢測。

劉燕德等采集表面缺陷黃桃與正常黃桃的近紅外漫透射光譜。對比分析同一個黃桃樣品損傷前后的光譜特征，建立黃桃最小二乘支持向量機判別模型與偏最小二乘判別模型。同時，建立黃桃可溶性固形物偏最小二乘回歸模型并用連續投影算法對模型進行優化，研究表面缺陷果對黃桃可溶性固形物檢測模型精度的影響，最終實現黃桃表面缺陷與可溶性固形物同時在線檢測。采用未參與建模的樣品來評價模型在線分選的準確性，缺陷果的正確判斷率為100%，可溶性固形物分選準確率達到93%。

3.3 農藥殘留及污染物

水果表面的農藥殘留以及污染物不僅影響食品質量安全，還影響果品出口貿易。

Lefcout等利用高光譜圖像技術檢測被動物排泄物污染的蘋果表面情況，人工配置3種比例的動物糞便稀釋溶液，然后噴灑到蘋果表面。試驗表明，前兩種稀釋液檢測準確率達到100%，第3種糞便稀釋液檢測準確率達到97%。

張令標等對番茄表面的農藥殘留進行檢測，結果表明，高濃度農藥檢測率達100%，低濃度農藥檢測率為0。

3.4 凍傷

張嬙等通過分析桃果實貯藏期間感官指標、褐變指數、硬度、出汁率變化，分析各指標間的相關性，將‘霞暉5號水蜜桃的冷害進程分為0～3級，再利用半透射高光譜技術采集冷害桃果實400～1 000 nm波段的圖像，應用獨立主成分分析法和權重系數法優選出冷害的特征波長，半透射條件下波長為640，745，811 nm，同時得到桃果實不同冷害階段的半透射高光譜圖像特征，及冷害發生水蜜桃的ICA圖像中的黑色斑點部位。最終提取特征波長處的光譜平均值作為Fisher判別方法建模的特征集，建立霞暉5號水蜜桃不用冷害等級判別模型并進行驗證，驗證組的總體正確率為91.0%。

4 結語與展望

應用高光譜圖像采集時，反射模型是最常用的模型，可檢測食品表面和近表面許多地方的質量和安全屬性，且成本相對較低。其次是散射模型，用于檢測硬度、粉體和SCC等。透射模型很少用于水果檢測。值得注意的是，大多數研究只用一個模型，很少同時運用兩個模型，建議在未來的研究中運用并比較不同的成像模型。

大部分研究都集中在獲取與特殊屬性相關波段范圍，但在大多數情況下，這些結果都是在實驗室條件下或者統計技術下實現的，很難運用于實際情況，應在未來的研究中使結果更有利于實際運用。

獲取和處理圖像速度較慢，不能廣泛應用于生產實時檢測。可借鑒的解決辦法是選用一些范圍小的波段，但有可能因丟失重要信息而限制最終應用。

參考文獻

[1] MAHESH S， JAYAS D S， PALIWAL J， et al. Hyperspectral imaging to classify and monitor quality of agricultural materials[J]. Journal of Stored Products Research， 2015（61）：17-26.

[2] GABRIEL A. LEIVA-VALENZUELA， RENFU LU， et al. Assessment of internal quality of blueberries using hyperspectral transmittance and re？ectance images with whole spectra or selected wavelengths[J]. Innovative Food Science and Emerging Technologies ，2014，24（8）：12–13.

[3] 羅霞，洪添勝，羅闊，等.高光譜技術在無損檢測火龍果可溶性固形物中的應用[J].激光與光電子學進展，2015，52（8）：309-317.

[4] 李鋒霞，馬本學，何青海，等.哈密瓜堅實度的高光譜無損檢測技術[J].光子學報，2013，42（5）：592-595.

[5] FERRARI，CARLOTTA，FOCA，et al. Fast exploration and classi cation of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems，2015，146（8）：108–119.

[6] 田有文，牟鑫，程怡.基于高光譜成像技術的蘋果表面輕微損傷檢測[J].沈陽農業大學學報，2015，46（4）：508-512.

[7] 張令標，何建國，劉貴珊，等.基于可見/近紅外高光譜成像技術的番茄表面農藥殘留無損檢測[J].食品與機械，2015，30（1）：82-85.

[8] 張嬙，潘磊慶，屠康.利用半透射高光譜圖像檢測‘霞暉5號水蜜桃冷害[J].食品科學，2015，36（2）：160-167.

Abstract： This paper had carried on the brief introduction of the principle and advantages of hyperspectral imaging system， summarized the application of hyperspectral technology in internal and external fruit quality examination home and abroad， analyzed the main limitation in the relative examination， and looked forward to its future development direction， providing reference for improving the accuracy of hyperspectral imaging technology in fruit multi-quality nondestructive examination.

hyperspectral technology in fruit quality deficiency .

Key word： hyperspectral imaging technology； fruit quality； nondestructive examination； external quality； internal quality