高光譜成像技術(shù)在果蔬品質(zhì)檢測(cè)中的應(yīng)用

賈 敏，歐中華

(電子科技大學(xué)光電科學(xué)與工程學(xué)院， 四川 成都 610054)

0 引言

近年來，食品安全問題備受關(guān)注，人們對(duì)果蔬品質(zhì)與安全標(biāo)準(zhǔn)的要求也越來越高，已成為社會(huì)關(guān)注的熱點(diǎn)。通常，果蔬品質(zhì)包括了形狀、顏色、大小和表面缺陷等外部品質(zhì)與糖度、酸度、硬度、可溶性固形物含量、淀粉含量、水分和成熟度及其他營養(yǎng)元素的含量等內(nèi)部品質(zhì)，其品質(zhì)好壞是其市場(chǎng)銷量的重要因素[1]。

傳統(tǒng)果蔬品質(zhì)檢測(cè)方法如化學(xué)法、高效液相色譜法、質(zhì)譜分析法等通常對(duì)待測(cè)物具有破壞性，且速度慢。機(jī)器視覺和光譜技術(shù)具有快速、無損、可靠等優(yōu)點(diǎn)，近年來廣泛用于果蔬品質(zhì)檢測(cè)中。其中，機(jī)器視覺技術(shù)通過提取和分析果蔬形狀、大小、顏色及表面缺陷等空間信息進(jìn)行外部品質(zhì)檢測(cè),而近紅外光譜技術(shù)主要對(duì)果蔬內(nèi)部品質(zhì)進(jìn)行檢測(cè)[1,2]。

高光譜成像技術(shù)將圖像與光譜技術(shù)相結(jié)合，可同時(shí)獲取反映待測(cè)物內(nèi)外部品質(zhì)的光譜信息與空間信息，近幾年國內(nèi)外對(duì)其在果蔬品質(zhì)的無損檢測(cè)中進(jìn)行了廣泛的研究。本文將從高光譜成像技術(shù)的基本原理與其在果蔬品質(zhì)無損檢測(cè)中的研究與應(yīng)用等方面，介紹其在該領(lǐng)域的最新研究進(jìn)展。

1 高光譜成像技術(shù)原理

高光譜系統(tǒng)中的每個(gè)像元均可獲取同一個(gè)光譜區(qū)間內(nèi)幾十到幾百個(gè)連續(xù)的窄波段信息，并得到一條平滑而完整的光譜曲線，同時(shí)整個(gè)成像系統(tǒng)還可獲取被測(cè)物的空間信息，實(shí)現(xiàn)對(duì)待測(cè)物內(nèi)部成分與外觀特征的同時(shí)檢測(cè)，具有光譜連續(xù)與分辨率高等特點(diǎn)。

典型的高光譜成像系統(tǒng)如圖1所示，主要包括光源、成像光譜儀、CCD(charge coupled device)相機(jī)、計(jì)算機(jī)與載物臺(tái)等。其中，光源為整個(gè)系統(tǒng)提供照明，一般由兩個(gè)鹵素?zé)艚M成。成像光譜儀中的光學(xué)元件把輸入的寬帶光分散成不同頻率的單色光，并將其投射到CCD相機(jī)上實(shí)現(xiàn)光譜成像。載物臺(tái)用于放置待測(cè)物品，整個(gè)系統(tǒng)由計(jì)算機(jī)進(jìn)行控制。

圖1 高光譜成像系統(tǒng)結(jié)構(gòu)圖Fig.1 Schematic of hyperspectral imaging system

圖2 高光譜三維立體圖像Fig.2 3D hyperspectral image

系統(tǒng)獲取的高光譜圖像可用一段連續(xù)波段的光學(xué)圖像組成的立體三維圖像來表示，如圖2所示。其中XY平面的二維圖像表示物體的空間信息，如形狀大小、缺陷等。由于物品外部變化會(huì)影響反射光譜，故形狀、顏色或缺陷在某一特定的波長下圖譜會(huì)有變化。λ坐標(biāo)表示物體的光譜信息，將反映出待測(cè)物成分結(jié)構(gòu)等內(nèi)部品質(zhì)。

2 高光譜成像技術(shù)在果蔬品質(zhì)檢測(cè)中的應(yīng)用

目前，國內(nèi)外對(duì)高光譜成像技術(shù)在果蔬內(nèi)外部品質(zhì)檢測(cè)的應(yīng)用研究中，主要涉及了如蘋果、香蕉、桃子、梨、紅棗、臍橙、哈密瓜、馬鈴薯、菠菜及番茄等品種。

2.1 果蔬外部品質(zhì)的檢測(cè)

市場(chǎng)上人們對(duì)果蔬的直接感受就是其外部品質(zhì)的好壞，即對(duì)顏色、新鮮度、大小、機(jī)械損傷、凍傷與腐爛等方面的判斷。傳統(tǒng)的機(jī)器視覺技術(shù)在果蔬外部品質(zhì)的檢測(cè)中由于精度低、操作復(fù)雜，很難區(qū)分出機(jī)械損傷、凍傷、腐爛及新鮮度等方面外部特征。高光譜成像技術(shù)恰好克服了這一缺點(diǎn)，能夠?qū)崿F(xiàn)全方位的無損檢測(cè)，而且精度高、易于操作，近年來逐步用于果蔬外部品質(zhì)的檢測(cè)中。

新鮮度是反映果蔬品質(zhì)的重要指標(biāo)。剛采摘的果蔬通常需經(jīng)過儲(chǔ)存、運(yùn)輸，最終到達(dá)消費(fèi)者，該過程將影響其新鮮度品質(zhì)。一般而言，人們對(duì)果蔬新鮮度的主觀判斷是不準(zhǔn)確的。吳瓊等[3]利用高光譜成像技術(shù)對(duì)蔬菜的新鮮度檢測(cè)進(jìn)行了探索。分別在失水0、10、24、48小時(shí)狀態(tài)下，利用成像光譜儀采集了小白菜、菠菜、油菜、娃娃菜等四種蔬菜葉片的光譜圖像并進(jìn)行對(duì)比分析。其中，小白菜葉片在不同失水時(shí)間下的高光譜圖像與機(jī)器視覺圖像的對(duì)比分析如圖3、4所示。從中可以看出，隨著時(shí)間的變化兩幅圖中的葉片狀態(tài)均有明顯變化，但機(jī)器視覺圖像只能看出失水狀態(tài)，而高光譜圖像通過分析光譜信息的變化發(fā)現(xiàn)，葉片在失水過程中其外觀形態(tài)及內(nèi)部葉綠素均有變化，葉綠素相對(duì)含量(soil and plant analyzer development，SpAD)值預(yù)測(cè)模型的相關(guān)系數(shù)r=0.76，說明高光譜技術(shù)可以有效辨別蔬菜葉片的新鮮度。

圖3 小白菜葉片不同失水時(shí)間段下的高光譜成像圖Fig.3 Hyperspectral images of pakchoi cabbage under four different water loss status

圖4 小白菜葉片不同失水時(shí)間段下的機(jī)器視覺圖Fig.4 The machine vision images of pakchoi cabbage under four different water loss status

王巧男等[4,5]利用高光譜技術(shù)在可見/近紅外波段對(duì)菠菜新鮮度的快速識(shí)別進(jìn)行了實(shí)驗(yàn)研究。研究中分別建立了全譜偏最小二乘-判別分析(partial least squares-discrimination analysis，pLS-DA)、選擇性系數(shù)-偏最小二乘-判別分析(selectivity ratio-partial least squares - discrimination analysis，SR-pLS-DA)、選擇性系數(shù)-支持向量機(jī)(selectivity ratio-support vector machine，SR-SVM)，選擇性系數(shù)-極限學(xué)習(xí)機(jī)(selectivity ratio-extreme learning machine，SR-ELM)、偏最小二乘(partial least squares，pLS)等預(yù)測(cè)模型，對(duì) 4 ℃和20 ℃環(huán)境下貯藏的菠菜樣本新鮮度進(jìn)行分析預(yù)測(cè)，并與化學(xué)分析結(jié)果進(jìn)行對(duì)比，獲得了近100%的預(yù)測(cè)準(zhǔn)確度。Xie C Q等[6]采用高光譜技術(shù)分析香蕉顏色以推斷其新鮮度與成熟度。實(shí)驗(yàn)中將剛采摘的綠色香蕉在實(shí)驗(yàn)室里催熟，并采集其顏色數(shù)據(jù)隨時(shí)間的變化，利用偏最小二乘(pLS)模型預(yù)測(cè)新鮮度，在選擇的波長段里均勻色度空間L*、a*、b*表色系的三個(gè)值分別為0.795，0.972和0.773，數(shù)值越大，香蕉顏色越鮮艷，相應(yīng)的剩余預(yù)測(cè)偏差(residual predictive deviation，RpD)值為2.234、6.098和2.119，表明該方法對(duì)新鮮度的預(yù)測(cè)結(jié)果非常好，實(shí)現(xiàn)了非接觸式的香蕉顏色及新鮮度無損檢測(cè)。

凍傷和機(jī)械損傷是果蔬在采摘、運(yùn)輸及貯藏過程中不可避免的表面損傷，將直接影響果蔬的外部品質(zhì)。李江波[7]以臍橙為研究對(duì)象，利用RGB成像技術(shù)、可見近紅外高光譜及熒光高光譜成像技術(shù)，詳細(xì)研究了臍橙表面11種類型常見缺陷。提出了掩膜法的背景分割理論，并開發(fā)了臍橙表面缺陷檢測(cè)聯(lián)立算法，同時(shí)結(jié)合雙波段比和主成分分析等缺陷果檢測(cè)算法，在近紅外光譜區(qū)域的6個(gè)特征波長構(gòu)建臍橙表面缺陷檢測(cè)的多光譜成像系統(tǒng)，實(shí)現(xiàn)了99%的表面缺陷識(shí)別。張然[8]利用高光譜成像技術(shù)對(duì)馬鈴薯外部凍傷、機(jī)械損傷、摔傷等損傷的識(shí)別進(jìn)行了研究。首先對(duì)馬鈴薯在468-1 000 nm波段的原始高光譜圖像數(shù)據(jù)進(jìn)行主成分分析，然后選擇區(qū)域特征明顯的主成分圖像與對(duì)主成分圖像貢獻(xiàn)率最高的波段進(jìn)行遞推最小二乘法處理，并結(jié)合貝葉斯分類器模型進(jìn)行識(shí)別分析，為馬鈴薯的分級(jí)分類提供了技術(shù)參考。馬艷[9]采用主成分分析(principal component analysis，pCA)方法對(duì)全波段的鮮杏高光譜數(shù)據(jù)進(jìn)行降維，并分別在全波段和通過權(quán)重系數(shù)優(yōu)選出的495 nm、570 nm、729 nm和891 nm四個(gè)特征波段中采用支持向量機(jī)(support vector machine，SVM)、偏最小二乘、Bp(back propagation)神經(jīng)網(wǎng)絡(luò)等三種方法進(jìn)行表面缺陷識(shí)別，結(jié)果表明基于特征波段構(gòu)建的支持向量機(jī)預(yù)測(cè)模型效果最佳，識(shí)別率達(dá)100%。Sun Y等[10]在油桃凍傷等級(jí)分類中采用高光譜技術(shù)，并通過人工神經(jīng)網(wǎng)絡(luò)模型(artificial neural network，ANN)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了4個(gè)凍傷等級(jí)的分類與預(yù)測(cè)。Gamal E M等[11]利用高光譜技術(shù)和ANN預(yù)測(cè)模型對(duì)蘋果凍傷進(jìn)行了研究，如圖5所示。實(shí)驗(yàn)采用如圖6所示過程，在400-1 000 nm波段的凍傷蘋果高光譜圖像中選擇5個(gè)主成分波段(717，751，875，960和980 nm)進(jìn)行ANN模型的建立，其訓(xùn)練集、測(cè)試集和驗(yàn)證集的相關(guān)系數(shù)分別為0.93，0.91和0.92，最終實(shí)現(xiàn)了98%以上的識(shí)別準(zhǔn)確率。

腐爛是果蔬在貯藏、運(yùn)輸過程中最常見的一種現(xiàn)象，不僅影響果蔬的內(nèi)外部品質(zhì)甚至?xí)?dǎo)致食品安全問題。Sun Y等[12]對(duì)桃子根霉菌進(jìn)行了深入研究，采用如圖7所示的實(shí)驗(yàn)裝置在400-1 000 nm波段采集桃子360°全方位的高光譜數(shù)據(jù)(如圖8所示)，然后通過統(tǒng)計(jì)方法和圖像分割算法得到三個(gè)單波長圖像(709 nm，807 nm和874 nm)，可以明顯區(qū)分出邊緣、健全和腐爛部位。實(shí)驗(yàn)中將腐爛部位按照尺寸大小分為3級(jí)，在對(duì)健全部位、輕微腐爛、中等腐爛以及嚴(yán)重腐爛的建模預(yù)測(cè)中，輕微腐爛的預(yù)測(cè)準(zhǔn)確率為66.29%，其他三個(gè)的預(yù)測(cè)準(zhǔn)確率均在95%以上，而對(duì)健全和腐爛兩種級(jí)別的預(yù)測(cè)準(zhǔn)確率為100%。該研究表明利用高光譜技術(shù)與圖像分割算法結(jié)合可對(duì)桃子進(jìn)行腐爛程度的檢測(cè)。

圖5 提取水果光譜特征：(a)選擇550 nm波段處的圖像；(b)二值化處理；(c)掩膜處理；(d)得到水果光譜特征Fig.5 Extraction of the fruit spectral signature: (a) Selecting 550 nm imagine; (b) Binarization (defining the AOI); (c) Applying the mask; (d) Calculating the fruit spectral signature using only those at the white pixels in the mask

圖6 對(duì)全波段光譜進(jìn)行數(shù)據(jù)降維和特征波段選取Fig.6 Layout of ANN model for data dimensionality reduction and optimal wavelength selection

圖7 高光譜成像測(cè)試平臺(tái)示意圖Fig.7 Schematic of hyperspectral imaging testbed

圖8 包含光譜和空間信息的高光譜圖像示意圖Fig.8 The conceptual view of a hyperspectral image with spectral and spatial domains

2.2 果蔬內(nèi)部品質(zhì)檢測(cè)

果蔬的內(nèi)部品質(zhì)通常是衡量其營養(yǎng)價(jià)值的重要依據(jù)，一般通過檢測(cè)果蔬的糖度、硬度、可溶性固形物含量(soluble solids content，SCC)、水分、成熟度、蛋白質(zhì)和淀粉含量等指標(biāo)對(duì)其進(jìn)行判斷。其中，糖度和硬度是反映果蔬內(nèi)部品質(zhì)的兩個(gè)重要指標(biāo)，糖度能體現(xiàn)出果蔬的口感度，硬度能間接體現(xiàn)果蔬的成熟度。李瑞等[13]利用近紅外光譜儀(900-1 700 nm)分別對(duì)490個(gè)藍(lán)莓的果柄側(cè)和花萼側(cè)進(jìn)行光譜成像以測(cè)量果實(shí)的糖度和硬度。他們運(yùn)用偏最小二乘回歸法(partial least squares regression，pLSR)分別對(duì)果柄側(cè)、花萼側(cè)和果實(shí)的平均光譜建立預(yù)測(cè)模型。為避免過擬合現(xiàn)象并保證預(yù)測(cè)結(jié)果真正反映模型的表現(xiàn)，樣本隨機(jī)分為四份，三份用于建模，一份用于驗(yàn)證，并采用留一法進(jìn)行交叉驗(yàn)證以確定預(yù)測(cè)模型的主成分?jǐn)?shù)，最終得到藍(lán)莓硬度與糖度的分布圖如圖9所示。試驗(yàn)結(jié)果表明，藍(lán)莓硬度呈雙峰分布，表明實(shí)際生產(chǎn)中有望分為2類；藍(lán)莓糖度呈正態(tài)分布。硬度的校正集和驗(yàn)證集的相關(guān)系數(shù)分別為0.911和0.871，糖度的為0.891和0.774，結(jié)果表明高光譜技術(shù)對(duì)藍(lán)莓的硬度和糖度預(yù)測(cè)是可行的。

圖9 藍(lán)莓果實(shí)樣本的硬度和糖度的Brix值分布Fig.9 Distribution for firmness index and sugar content of blueberries

王丹等[14]對(duì)甜柿子的果實(shí)硬度建立了可見近紅外漫反射光譜無損檢測(cè)模型，采用果皮脆性、強(qiáng)度和果肉硬度作為果實(shí)硬度的評(píng)價(jià)指標(biāo)。研究中，采用400-2 500 nm可見近紅外光譜區(qū)域，并收集了230個(gè)果實(shí)的光譜數(shù)據(jù)，其中170個(gè)為定標(biāo)集，60個(gè)為驗(yàn)證集。圖10為甜柿貯藏49天不同處理的原始吸收光譜。在果皮強(qiáng)度和脆性的預(yù)測(cè)中，分別采用最小偏二乘法(modified partial least squares，MpLS)、一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)多元離散校正處理建立預(yù)測(cè)模型，獲得的預(yù)測(cè)標(biāo)準(zhǔn)誤差、預(yù)測(cè)相關(guān)系數(shù)和相對(duì)分析誤差分別為0.094、0.858、2.47和0.157、0.862、2.63；在果肉平均硬度預(yù)測(cè)中，采用MpLS、一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)正常化及去散射處理建立預(yù)測(cè)模型，獲得的三個(gè)參數(shù)分別為0.063、0.82、2.35。研究表明可見近紅外漫反射高光譜成像技術(shù)是可對(duì)甜柿子強(qiáng)度與硬度進(jìn)行快速無損檢測(cè)。Sun M J等[15]利用近紅外(900-1 700 nm)高光譜成像技術(shù)實(shí)現(xiàn)了對(duì)哈密瓜糖分的無損檢測(cè)。研究中利用相關(guān)儀器測(cè)得哈密瓜的糖分作為標(biāo)準(zhǔn)集，對(duì)獲得的高光譜數(shù)據(jù)采用偏最小二乘回歸算法(pLSR)建立預(yù)測(cè)模型，得到的決定系數(shù)為0.79，均方根誤差為1.17，實(shí)現(xiàn)了對(duì)哈密瓜糖分的預(yù)測(cè)。

圖10 甜柿貯藏49天不同處理的原始吸收光譜圖Fig.10 Original absorption spectrogram for different treatment of the sweet persimmon in 49 days

可溶性固形物含量(SSC)是指果蔬中所有溶解于水的化合物總稱，包括糖、酸、維生素、礦物質(zhì)等。其含量可以衡量果蔬的成熟度，測(cè)量其含量在農(nóng)業(yè)采摘方面非常重要。近年來，采用高光譜技術(shù)測(cè)量果蔬可溶性固形物含量已成熱點(diǎn)。Ma T等[16]將近紅外高光譜運(yùn)用到蘋果可溶性固形物含量的檢測(cè)中。其對(duì)80個(gè)蘋果樣本分別采集4塊尺寸為2 cm×2 cm×1.5 cm區(qū)域中的高光譜圖像，利用偏最小二乘回歸法來估算可溶性固形物含量反射數(shù)據(jù)與近紅外光譜數(shù)據(jù)之間的關(guān)系，得到交叉驗(yàn)證系數(shù)為0.89，均方根誤差0.55%，最后成功繪制出主要波段的高空間分辨率SSC圖像，如圖11所示。從圖中可以看出靠近蘋果邊緣部分相比于中心部分有著更高的SSC值。結(jié)果表明，可用近紅外高光譜成像技術(shù)測(cè)量蘋果的可溶性固形物含量。Gabriel A L V等[17]提出使用高光譜技術(shù)來預(yù)測(cè)藍(lán)莓的硬度和SSC，在500-1 000 nm波段范圍內(nèi)采集了302個(gè)藍(lán)莓的莖端和花萼的高光譜圖像，通過軟件得到每個(gè)藍(lán)莓高光譜圖像中的平均光譜，采用基于交叉驗(yàn)證方法的偏最小二乘模型來建立藍(lán)莓硬度和SSC的預(yù)測(cè)模型，得到硬度和SSC的相關(guān)系數(shù)分別為0.87和0.79，實(shí)驗(yàn)還發(fā)現(xiàn)藍(lán)莓的莖端對(duì)硬度和SSC的預(yù)測(cè)影響不大。該實(shí)驗(yàn)通過對(duì)SSC和硬度的研究為藍(lán)莓的在線分類提供了很好的技術(shù)途徑。

圖11 a：蘋果截面樣本；b：SSC含量分布圖, 蘋果的邊緣部分相比于中心部分有更高的SSC含量Fig.11 a: An apple sample; b: SSC mapping result, the apple parts near the peel have higher SSC values compared to the central parts

水分、成熟度、蛋白質(zhì)以及淀粉含量也是果蔬內(nèi)部品質(zhì)的重要組成部分，其中果蔬中水分的流失與其新鮮度、成熟度均有著直接的關(guān)系，蛋白質(zhì)與淀粉的含量關(guān)系到果蔬的營養(yǎng)價(jià)值和口感度，因此對(duì)這些內(nèi)部品質(zhì)的檢測(cè)也尤為重要。崔彬彬等[18]利用可見和近紅外高光譜技術(shù)(400-2 500 nm)對(duì)花生的品種分類以及水分和蛋白質(zhì)含量進(jìn)行了檢測(cè)。采用了7種模式識(shí)別分類器建立分類模型，對(duì)五種花生品種進(jìn)行鑒定；其次利用從高光譜圖像中提取的光譜數(shù)據(jù)和通過直接干燥法測(cè)定的水分含量，結(jié)合pLSR技術(shù)與光譜預(yù)處理方法在400-1 000 nm波段內(nèi)建立的校正模型，其預(yù)測(cè)集決定系數(shù)高達(dá)0.93，均方根標(biāo)準(zhǔn)誤差為0.054%，通過結(jié)合回歸系數(shù)法和連續(xù)投影法選擇主要波長，解決了共線性問題和信息冗余問題，能夠用于花生水分含量的檢測(cè)；當(dāng)采用同一預(yù)測(cè)模型在長波波段(1 000-2 500 nm)可實(shí)現(xiàn)對(duì)花生蛋白質(zhì)含量的無損檢測(cè)。Rajkumar p等[19]利用可見近紅外波段(400-1 000 nm)高光譜成像技術(shù)在不同溫度條件下對(duì)香蕉的水分含量、SSC和硬度進(jìn)行檢測(cè)，研究中采用偏最小二乘分析法對(duì)光譜數(shù)據(jù)進(jìn)行處理，利用主成分分析法獲取全波段中貢獻(xiàn)率最高的特征波段，并結(jié)合多重線性回歸法建立基于特征波段的預(yù)測(cè)模型，獲得的香蕉SSC、水分含量和硬度的相關(guān)系數(shù)分別為0.85、0.87和0.91，同時(shí)發(fā)現(xiàn)在不同溫度環(huán)境儲(chǔ)存下香蕉的SSC和硬度的變化與香蕉成熟度呈多項(xiàng)式關(guān)系，而水分的變化隨成熟度呈線性變化關(guān)系。

通過以上的研究表明，采用高光譜技術(shù)能夠?qū)叩膬?nèi)外部品質(zhì)進(jìn)行有效的檢測(cè)和判斷，具有廣闊的應(yīng)用潛力和價(jià)值。

3 結(jié)論

隨著生活水平的提升，人們對(duì)健康食品的品質(zhì)要求越來越高。傳統(tǒng)的機(jī)器視覺技術(shù)和物理化學(xué)方法在測(cè)量果蔬品質(zhì)方面操作復(fù)雜、破壞性強(qiáng)，難以滿足檢測(cè)需要。高光譜成像技術(shù)融合了機(jī)器視覺、光譜和圖像處理技術(shù)，產(chǎn)生的圖像是“圖譜結(jié)合”的三維數(shù)據(jù)立方體，不僅包含了待測(cè)物的空間信息特征，同時(shí)還包含了待測(cè)物的光譜信息，能夠準(zhǔn)確、快速、無損的檢測(cè)出農(nóng)產(chǎn)品的品質(zhì)，并且操作簡單，近年來廣泛應(yīng)用于果蔬品質(zhì)的檢測(cè)中。但是高光譜成像技術(shù)在采集和處理圖像數(shù)據(jù)的過程中，受限于儀器性能和處理速度的影響，該技術(shù)現(xiàn)目前主要應(yīng)用于基礎(chǔ)性研究，并未廣泛應(yīng)用于工業(yè)的在線實(shí)時(shí)檢測(cè)中。針對(duì)這些問題，為了實(shí)現(xiàn)果蔬品質(zhì)的商業(yè)化在線檢測(cè)，還需要做到如下兩點(diǎn)：一是改進(jìn)并升級(jí)高光譜成像技術(shù)的相關(guān)設(shè)備比如成像光譜儀，提升其性能并降低其生產(chǎn)成本，利于高光譜成像技術(shù)在果蔬品質(zhì)檢測(cè)中的推廣；二是針對(duì)全波段的、不同品種的果蔬高光譜圖像進(jìn)行特征波長選取，以降低數(shù)據(jù)冗余量，減少高光譜圖像的獲取以及處理時(shí)間。盡管如此，隨著社會(huì)發(fā)展與科學(xué)進(jìn)步，高光譜成像技術(shù)將不斷提升和改進(jìn)，未來在農(nóng)產(chǎn)品、食品安全領(lǐng)域?qū)⒕哂懈訌V闊的發(fā)展空間和應(yīng)用前景。

[1] 張保華, 李江波, 樊書祥, 等. 高光譜成像技術(shù)在果蔬品質(zhì)與安全無損檢測(cè)中的原理及應(yīng)用[J]. 光譜學(xué)與光譜分析, 2014, 34(10):2743-2751.

ZHANG Baohua, LI Jiangbo, FAN Shuxiang,etal. principles and applications of hyperspectral imaging technique in quality and safety inspection of fruits and vegetables[J]. Spectroscopy and Spectral Analysis, 2014, 34(10):2743-2751.

[2] 劉建學(xué), 楊瑩, 韓四海, 等. 高光譜成像技術(shù)在食品品質(zhì)無損檢測(cè)中的應(yīng)用[J]. 食品工業(yè)科技, 2016, 37(03):389-393.

LIU Jianxue, YANG Ying, HAN Sihai,etal. Application of hyperspectral imaging technology in nondestructive detection of food quality[J]. Science and Technology of Food Industy, 2016, 37(03):389-393.

[3] 吳瓊, 朱大洲, 王成, 等. 基于高光譜成像的蔬菜新鮮度檢測(cè)初探[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 3(6):685-689.

WU Qiong, ZHU Dazhou, WANG Cheng,etal. preliminary study on detection of vegetable freshness based on hyperspectral imaging[J]. Journal of Foof Safety and Quality, 2012, 3(6):685-689.

[4] 王巧男. 基于高光譜成像技術(shù)的蔬菜新鮮度快速檢測(cè)方法研究[D]. 浙江：浙江大學(xué), 2015.

WANG Qiaonan. Rapid detection of vegetable freshness based on hyperspectral imaging technology[D]. Zhejiang:Zhejiang University, 2015.

[5] ZHANG C, WANG Q N, LIU F,etal. Rapid and non-destructive measurement of spinach pigments content during storage using hyperspectral imaging with chemometrics[J]. Measurement, 2017, 97:149-155.

[6] XIE C Q, CHU B Q, HE Y. prediction of banana color and firmness using a novel wavelengths selection method of hyperspectral imaging[J]. Food Chemistry, 2018, 245:132-140.

[7] 李江波. 臍橙表面缺陷的快速檢測(cè)方法研究[D]. 浙江：浙江大學(xué), 2012.

LI Jiangbo. Study on rapid detection methods of defects on navel orange surface[D]. Zhejiang:Zhejiang University, 2012.

[8] 張然. 基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究[D]. 寧夏：寧夏大學(xué), 2013.

ZHANG Ran. Research about potato external damage identification based on the hyperspectral image technology[D]. Ningxia:Ningxia University, 2013.

[9] 馬艷. 鮮杏表面缺陷的高光譜成像檢測(cè)研究[D]. 新疆：石河子大學(xué), 2017.

MA Yan. Surface defects detection of apricot by hyperspectral imaging[D]. Xinjiang:Shihezi University, 2017.

[10] SUN Y, GU X Z, SUN K,etal. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT-Food Science and Technology, 2017, 75:557-564.

[11] GAMAL E M, WANG N, CLEMENT V. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. postharvest Biology and Technology, 2009, 52(1):1-8.

[12] SUN Y, XIAO H, TU S C,etal. Detecting decayed peach using a rotating hyperspectral imaging testbeed[J]. LWT-Food Science and Technology, 2018, 87:326-332.

[13] 李瑞, 傅隆生. 基于高光譜圖像的藍(lán)莓糖度和硬度無損測(cè)量[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(增刊1):362-366.

LI Rui, FU Longsheng. Nondestructive measurement of firmness and sugar content of blueberries based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(Supp. 1):362-366.

[14] 王丹, 魯曉翔, 張鵬, 等. 可見/近紅外漫反射光譜無損檢測(cè)甜柿果實(shí)硬度[J]. 食品與發(fā)酵工業(yè), 2013, 39(5):180-184.

WANG Dan, LU Xiaoxiang, ZHANG peng,etal. Nondestructive measurement of firmness of sweet persimmon using visible and near infrared diffuse reflection spectroscopy[J]. Food and Fermentation Industries, 2013, 39(5):180-184.

[15] SUN M J, ZHANG D, LIU L,etal. How to predict the sugariness and hardness of melons:a near-infrared hyperspectral imaging method[J]. Food Chemistry, 2017, 218:413-421.

[16] MA T, LI X Z, TETSUYA I,etal. Noncontact evaluation of soluble solids content in apples by near-infrared hyperspectral imaging[J]. Journal of Food Engineering, 2018, 224:53-61.

[17] GABRIEL A L V, LU R F, JOSE M A. prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering, 2013, 115(1):91-98.

[18] 崔彬彬. 基于高光譜成像技術(shù)的花生分類及水分和蛋白質(zhì)含量檢測(cè)[D]. 河南：河南工業(yè)大學(xué), 2015.

CUI Binbin. Classification of peanut and prediction of moisture and protein content in peanut using hyperspectral imaging[D]. Henan:Henan University of Technology, 2015.

[19] RAJKUMAR p, WANG N, EIMASRY G,etal. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108(1):194-200.