水果成熟度近紅外光譜及高光譜成像無損檢測研究進展

胡逸磊，姜洪喆，周宏平，王 影

（南京林業大學機械電子工程學院，江蘇南京 210037）

成熟度這一指標在水果產業中扮演著重要角色，對水果的采收時間和采后加工處理方式起主導作用[1]。如果采收過早，水果產量低、品質差、風味不好；采收過晚，水果易脫落、硬度下降、貨架期短[2]。因此，建立水果成熟度評價方法，不僅有助于水果的科學按需采摘及采后分選，也可提高水果的經濟效益，滿足水果產業的發展需求。

水果成熟度的常用評價方法是果農根據色澤、硬度、盛花期天數、果實脫落難易程度等指標進行主觀上的判斷，或者結合化學計量學檢測水果內部成分含量并劃分閾值進行成熟度分級[3?4]。但這些方法存在檢測效率低、受氣候影響大、受主觀性制約、準確度不高等缺點，使得基于此類方法形成的果品采收供銷產業鏈相對簡單粗獷，對果農收益產生一定負面影響[5]。為了彌補上述評價方法的不足之處，無損檢測技術越來越受到重視，如核磁共振、近紅外光譜、高光譜成像、拉曼光譜及其成像技術等，其中近紅外光譜和高光譜成像技術已被大量研究證實為適合應用于水果品質參數的無損檢測[6?7]。

近年來，不少文章報道了水果外部品質、內部成分、病蟲害、生長狀態、質量安全等方面的無損檢測研究進展[8?10]。但鮮有文章針對水果成熟度這一指標，從光譜儀器工作波段、光譜采集方式、光譜采樣區域、成熟度表征因子、單一成熟度參數、多元成熟度指數等方面具體分析成熟度的光譜無損檢測評價體系。因此，本文綜述了國內外利用近紅外光譜和高光譜成像技術檢測水果成熟度的研究現狀，分析目前成熟度檢測手段的優勢與不足，并討論未來水果成熟度光譜檢測的發展趨勢。

1 近紅外光譜和高光譜成像

近紅外光譜是由于分子振動的非諧振性使分子振動從基態向高能級躍遷時產生的，反映了含氫基團（C-H、N-H、O-H）伸縮振動的倍頻和合頻吸收[11]。近紅外光譜區是指波長介于780~2526 nm的區域。在進行光譜檢測時，入射光經樣品吸收、透射或反射后被定向探測器采集并攜帶大量的光譜信息，通過對吸收譜峰的解析可以得到樣品的理化成分信息，從而完成對樣品的無損檢測[12]。近紅外光譜設備成本低、檢測速度快，可以實時獲取樣品的光譜信息，適合在線檢測過程中使用，系統魯棒性好。但該類設備只能進行單點檢測，將其應用于水果成熟度檢測，由于水果內部成分分布的不均勻性，以點概面會產生一定程度上的檢測誤差，且所測樣品之間的差異性需要足夠大才能獲得準確的成熟度判別模型。

高光譜成像技術是一種集光譜和圖像于一體的技術，高光譜圖像由數百個相鄰連續波段的單色圖像組成，圖像中的每個像素點都包含特定位置的光譜信息，可實現被測物各組分分布情況的可視化[13]。圖譜結合的特點使得研究人員可以利用物理圖像維度和化學光譜維度的理化有效信息多維度綜合檢測果品水果成熟度，但高光譜設備成本較高，數據處理和建模速度較慢，對系統的硬件和存儲空間要求較高，是未來亟待解決的一個問題。

此外，拉曼光譜和核磁共振技術也常用于水果品質檢測，但拉曼光譜系統靈敏度低，在進行微量和痕量物質分析時，需采用表面增強和共振增強方式增強光譜信號[14]。核磁共振技術能同時檢測多種化合物，但該系統的靈敏度也不高[10]。因此，本文主要討論近紅外光譜和高光譜成像技術在水果成熟度檢測中的應用。

2 水果成熟度檢測

利用近紅外光譜和高光譜成像技術檢測水果成熟度可分為對水果成熟度的定性判別以及對水果成熟度參數的定量預測，本節將從這兩個方面展開論述。

2.1 水果成熟度的定性判別

利用光譜技術將不同成熟度的水果準確地區分開來，有助于按需供銷，提高果蔬的市場競爭力。為了驗證各類光譜系統對不同水果的分類能力，實驗室中將水果預先分為若干成熟度等級，如未熟、半熟、成熟和過熟。劃分水果成熟度等級的依據一般包括以下3種：a.根據盛花期天數分批采樣，每一批次樣品的成熟度為一個等級[15]；b.根據水果的著色程度，比如果皮綠色面積占其總面積的比例[16]；c.對于同一批次采集的樣品，依靠專業人士根據水果的色澤、風味、硬度等指標進行成熟度劃分[17]，或者利用水果的后熟特性，每間隔一段時間測量部分樣本的光譜數據和理化指標[18]。然后根據水果的近紅外光譜特征進行成熟度分類，其中影響分類準確率的因素有：光譜儀器的工作波段、光譜采集方式、光譜采樣區域和成熟度表征因子。

2.1.1 光譜儀器的工作波段 光譜儀器的固有參數指標尤其是工作波段對水果成熟度分類精度存在一定影響。Pu等[16]比較了兩臺成像光譜儀（光譜集Ⅰ：600~1000 nm和光譜集Ⅱ：1000~2500 nm）檢測荔枝成熟度的能力，建立的PLSDA（partial least squares discrimination analysis）模型在光譜集Ⅰ上對成熟和未熟荔枝的分類準確率比在光譜集Ⅱ上高6.25%。Zhang等[19]采集了成熟、半熟和未熟草莓在兩組不同波段下的高光譜圖像，融合草莓的光譜特征和紋理特征建立的SVM（support vector machine）模型發現：在441.1~1013.97 nm，SVM模型識別準確率為95%，在941.46~1578.13 nm，SVM模型識別準確率只有70.83%。Pu等[20]使用便攜式分光光度計（360~740 nm）和高光譜儀（400~1000 nm）分別采集了三個成熟度等級的香蕉在400~740 nm范圍內的光譜數據，發現基于高光譜數據提取的特征波長（650、705、740 nm）建立的PLSDA模型比使用分光光度計數據建立的判別模型精度更高。可以發現，使用短波近紅外對荔枝、草莓、香蕉成熟度的檢測精度通常比使用長波近紅外高。

盡管如此，為了提高對不同成熟度水果的識別效果，關于光譜儀器類型和波段的選擇，目前沒有統一的定論，但一般與所測果品在成熟前后不同的理化特性（如敏感波段、顏色、紋理特征等）有關。

2.1.2 光譜采集方式 光譜采集方式主要有漫反射、透射和漫透射三種，其中漫反射只能定向獲取果皮附近的果肉光譜信息，常用于薄皮水果的成熟度檢測；透射和漫透射可通過調節光照角度獲取果實的整體內部特征，適用于厚皮水果的品質檢測[9]。

Rungpichayapichet等[21]采集了未熟、半熟、成熟、過熟芒果的漫反射光譜數據，建立的判別模型對未熟芒果的識別準確率最高，為87.5%。Qi等[22]在漫透射模式下采集了西瓜頂部的光譜數據，結合西瓜的可溶性固形物、番茄紅素、水分等指標建立的回歸模型的相關系數最高可達0.939。Xuan等[23]采集了柑橘的漫透射光譜信息，建立的kNN（k-nearestneighbor）模型能準確地將未熟、半熟、成熟的柑橘區分開來。

2.1.3 光譜采樣區域 光譜采樣區域主要由水果的物理特性（果皮厚度、果面著色程度、形狀體積等）決定。Cédric等[24]為了使獲得的光譜數據能較完整地反映杏果實的光譜特征，采集了杏果實著色和未著色兩面赤道處的近紅外光譜，建立的FDA（factorial discriminant analysis）模型能準確地判斷兩個品種杏果實的采摘時間。Rosli等[25]將每個柑橘樣品劃分成6個區域，分別測試每個區域的光譜反射率，發現對于無論是生長期還是成熟期果皮顏色相差不大的柑橘而言，利用PSO（particle swarm optimization）建立的模型能篩選出未成熟的柑橘。Khodabakhshian等[26]取石榴赤道處4個等距點光譜數據的平均值作為石榴最終的光譜數據，建立的PCA（principal component analysis）分類模型對四種成熟度石榴的識別率為93.25%。

表1 列舉了不同水果的光譜采樣區域及分類結果，可以發現由于近紅外光譜儀只能進行單點檢測，大多研究人員傾向于選擇水果的赤道位置作為光譜采樣區域，而為了獲得水果各部位的完整光譜信息，也可以將水果進行采樣區域的劃分，進而分別采集每個區域的光譜信息進行后續的分析處理。相比之下，使用高光譜相機采集水果的光譜數據，可將相機視野內的整個果面作為高光譜圖像的ROI（region of interest），以此獲得的光譜數據更為準確。

表1 不同水果的光譜采樣區域及分類結果Table 1 Spectral sampling regions and classification results of different fruits

此外，很多水果內部成分分布不均勻，應避免隨機選擇水果的某一部分作為光譜采樣區域，要根據檢測對象的物理特性靈活選取以獲得盡量全面的水果光譜信息，才能準確的評估水果的成熟狀態。如果以可見區域的整個水果表面作為高光譜圖像的ROI，那么各像素點的光譜強度會因水果表面的曲率問題而產生差別，通過數學方法減小或消除這種差異對后續的模型性能會起到優化作用。Li等[27]將櫻桃高光譜圖像中ROI區域內所有像素點的光譜值偏差壓縮到合理范圍，然后建立的LDA模型對三種成熟度等級的櫻桃的分類準確率達到96.4%。

2.1.4 成熟度表征因子 在構建水果成熟度分類模型之前，需要考慮模型的輸入量，即成熟度表征因子。一些學者根據梨、李、哈密瓜等在不同成熟度下的光譜反射強度不同，使用水果的特征波長作為成熟度分類的依據，建立的判別模型性能通常與特征波長的提取算法有關，雖然使用全光譜建模的精度比使用特征波長要高，但使用特征波長建立的模型具有變量少、運算速度快的優勢[28?30]。Xuan等[23]利用柑橘特征波長640、670、760 nm的線性組合建立的多光譜指數( T670+T760?T640)/(T670+T760+T640)作為模型輸入變量，建立kNN模型對不同成熟度柑橘的識別準確率達96%。Lu等[31]發現番茄在可見光范圍內光譜波長與其綠色通道圖像的灰度值之間高度相關，而該灰度值在不同的取值范圍對應著不同的成熟度等級。Rungpichayapichet等[21]認為要提高芒果成熟度指數RPI（ripening index）預測模型的魯棒性，需要利用兩年以上的組合數據來建立校準模型，使得數據范圍更廣，數據之間的差異性更大。

由上述可知，使用特征波長或者光譜指數構建分類模型的優勢在于，如果模型的性能穩定，將有助于開發商用多光譜檢測系統以實現在線快速識別分選。而研究水果光譜特征與圖像特征之間的關系，有利于建立水果成熟度的多元評價體系，提高準確率和可信度。

2.2 果品成熟度參數的定量預測

成熟度參數是指在水果成熟過程中變化相對明顯的理化指標，當這些理化指標的值在某一區間范圍時，可以反映水果的成熟度等級和采摘時間[34]。利用近紅外光譜和高光譜成像技術檢測水果的成熟度參數，主要分為基于單一成熟度參數的定量預測和基于多元成熟度指數的綜合評價。表2列舉了不同水果的成熟度參數定量預測方法及結果。

表2 不同水果的成熟度參數定量預測方法及結果Table 2 Quantitative prediction methods and results of maturity parameters of different fruits

2.2.1 基于單一成熟度參數的定量預測 水果成熟過程大多伴隨著水分、可溶性固形物和硬度的變化。Qi等[22]利用西瓜的近紅外光譜數據建立了評價西瓜SSC、番茄紅素、水分的PLSR模型，并且發現西瓜的成熟度參數之間存在較高的相關性，這對于提出不僅僅依賴單一成分評價西瓜成熟度的方法具有重要意義。Zhang等[35]使用均值歸一化校正方法消除了梨果實曲率對高光譜圖像中不同像素點光譜強度的影響，建立的PLSR模型能夠準確地預測梨內部的糖含量。Itoh[18]使用SSC和硬度作為梨成熟度的評價指標并結合散射光譜數據建立的PLSR模型精度不高，認為是樣本量不夠多以及成分含量的變化范圍太小所致。Bertone等[36]對不同日期采收的蘋果的成熟度參數（SSC、硬度、淀粉、葉綠素）和近紅外光譜數據進行跟蹤監測，建立蘋果收獲天數的PLSR預測模型，其RMSEP為1.0 d（1天）。Phuangsombut等[37]提出了通過降低榴蓮果皮吸光度的影響使所測近紅外光譜數據趨近于果肉吸光度的方法，實現了無損檢測榴蓮果肉干物質含量的目的。Khodabakhshian等[15]發現石榴的光譜數據與硬度、TSS、pH三個參數之間相關性最高的四個波長是680、800、900和1000 nm，基于此開發的四波長多光譜成像系統結合PLSR方法可以較好地預測石榴的理化參數進而確定其成熟階段。

除了水果曲率大、成分含量差異性小、采摘周期短等因素會影響成熟度參數的檢測精度外，如果將水果樣本來源擴展到不同年份、不同品種、不同果園，將會是對檢測模型魯棒性的重大考驗。Bureau等[38]發現杏的成熟度參數PLSR檢測模型對SSC和TA預測效果較好，但對其糖度、硬度、有機酸等成分預測偏差較大，原因是杏樣本包含8個不同品種且來自兩個果園。

2.2.2 基于多元成熟度指數的綜合評價 水果的多元成熟度指數一般是指成熟度參數的線性組合、PCA的第一主成分等，利用多元成熟度指數進行建模分析，強調水果各指標之間的關聯性，可以較全面地評估水果的成熟狀態。Sánchez等[39]將SSC與TA的比值作為柑橘的成熟度指數建立MPLS模型，發現模型的誤差偏大，究其原因是該模型對柑橘TA的預測能力較差。Wanitchang等[40]利用PCA將火龍果的DAES、TSS、TA、TSS/TA和WR轉化成第一主成分用作成熟度指數，并結合log（R680/R550）建立的PLSR模型能以更高的精度預測火龍果的各成分含量。Jha等[41]提出了芒果的成熟度指數Im的計算公式如式（1），發現使用PLSR建立的近紅外模型能較好地預測Im值。Wang等[17]定義了甜瓜的成熟度指數ER如式（2），ER值越高代表成熟度越高，發現利用甜瓜赤道部位的近紅外光譜數據建立的PLSR模型預測ER值的能力較強。

成熟度指數的定義式中，只要存在某項理化指標的近紅外光譜預測能力較弱，就會影響對成熟度指數的最終預測精度，因此在提出成熟度指數計算方法之前，盡量排除這些干擾項。

式中，η表示品種因子；TSS表示總可溶性固形物；DM表示干物質含量；TA表示可滴定酸度。

式中，Sintact表示甜瓜橫截面面積；Sedible表示可食用部分的面積。

3 其他類果實成熟度檢測

除水果外，也有部分學者嘗試使用近紅外光譜及其成像技術檢測油料作物果實的成熟度。Bensaeed等[52]對400~1000 nm范圍內的油棕果實高光譜數據分析后發現830和880 nm是劃分不同成熟度油棕果實的最佳波長，Dharma等[53]等利用GANN（Genetic Algorithm Neural Network）建立了油棕果實成熟度的判別模型，分類準確率在80%以上。Cayuela等[54]對橄欖的近紅外光譜特征進行跟蹤觀測，建立PLSR模型能較好地預測不同成熟度階段橄欖的品質參數。Zou等[55]將帶殼花生的高光譜圖像解混，使用FCLS（Fully Constrained Least Squares）實現了不成熟與成熟花生的準確分類，與傳統的剝殼觀察花生仁顏色判斷成熟度的做法相比，該方法有很大的優勢。

油料作物成熟度不僅決定其收獲時間，也影響其產量和油質。使用光譜技術長期監測油料作物的成熟狀態，有助于油料作物的精準適時采收，實現產量、品質及經濟效益的最大化。

4 展望

準確判斷水果的成熟度，不僅可以確定采摘的最佳時間，而且有利于良種培育、貯藏、運輸和深加工。傳統的根據從業人員經驗或者利用理化指標檢測儀判斷成熟度的方法存在明顯的缺陷，使得近紅外光譜和高光譜成像等無損檢測技術在水果成熟度判別方面具有廣泛的應用前景。

a.檢測硬件方面：目前，高光譜成像設備成本高和圖像處理速度慢仍然是高光譜成像技術在水果檢測應用中的發展障礙[56]。開發低成本實時成像的高速多光譜檢測系統，可大幅降低高光譜高維數據的處理時間。可以有針對性地選擇信息最豐富的波段，以便使用價格低廉的激光二極管來代替連續激光光源和單色器，從而研發低成本高效益的多光譜傳感器。

b.檢測對象方面：水果擁有多樣的物理形態和豐富的化學成分，這要求檢測時除了采用合適的光譜采集方式外，也要選擇合理的數據采集波段。近紅外光譜中波長較短的部分（<1100 nm）可以更好地穿透生物材料，如果化學成分位于生物材料的深處，這個短波區域將提供更有效的光譜信息，而化學成分靠近表面，則長波區域（>1100 nm）會更有效[57]。對于光譜采集區域，通過分析光與水果內部組織交互作用機理，尋找并建立水果感興趣區域的標準庫將有助檢測模型精度和研究效率的提升。

c.檢測算法方面：樣本的多樣性（不同果園、不同年份、不同品種）、水果表面曲率導致的不同光譜強度、實驗環境噪聲、光譜信息冗余以及高光譜相機的條紋都會對檢測模型的魯棒性造成影響。開發性能穩定、運算高效的算法成為光譜分析中的核心問題。目前還沒有適用于所有光譜分析問題的標準算法庫，但存在通用性較強的算法框架和檢測流程[8]。建立并完善光譜檢測庫是未來發展的重要趨勢，這要求從業人員不但要精通光譜分析和圖像處理的機制，還要從校正算法的原理上去改進和創新。