高光譜成像技術在水果品質無損檢測中的研究現狀

張 飛，羅華平※，高 峰，王長旭，張 輝，于智海，王玉婷

（1.塔里木大學機械電氣化工程學院，新疆 阿拉爾 843300；2.新疆維吾爾自治區現代農業工程重點實驗室）

0 引言

隨著社會經濟的發展和人民生活品質的日益提高，水果在日常飲食中的比例越來越大，人們對水果品質安全的關注也越來越重視。水果中含有的豐富纖維素、礦物質以及鐵、鈣、磷、錳、鋅等人體必需的微量元素，對身體有較大裨益[1]。果品經濟是農業經濟的重要組成部分之一，目前主要用傳統化學檢測手段對水果品質進行檢測，化學檢測方法既費時又費力，是一種破壞性的檢測，嚴重破壞了水果外觀和內部組織成分，檢測結果受外界環境和人為因素影響最大，不適用于水果的批量及流水線化處理，嚴重制約了果品經濟的發展[2]。

常見的無損檢測技術有光學無損檢測、聲學無損檢測、電磁學無損檢測和氣味無損檢測[3]。高光譜成像技術能同時得到對象的高光譜數據信息和RGB圖像信息，將兩者優勢融合于一身，可以獲取更多內外部品質參數信息，實現圖像信息與光譜信息融合。

1 高光譜成像系統

如圖1，高光譜圖像上的每個像元均可獲取一個光譜區間內的窄波段信息，并得到一個平滑而完整的光譜曲線[4]。光譜信息和對象的物理特性和化學成分息息相關，而圖像信息能反映物體的形狀、大小、顏色等特征，因此高光譜成像技術能采集到豐富的光譜信息和完整的RGB圖像。高光譜成像技術可實現對水果進行表面腐爛、損傷等的定性檢測分析，以及糖度、水分、硬度、可溶性固形物等的定量檢測分析。

圖1 高光譜圖像數據立體圖

高光譜成像系統的組成有兩部分，一部分是數據采集軟件和數據分析軟件，另一部分是硬件組成，如圖2，主要包含成像光譜儀、光源、CCD相機、計算機與運動平臺等。高光譜成像系統的核心部件為CCD相機和成像光譜儀，能實現對檢測對象光譜和圖像信息的快速獲取，利用在檢測過程中光譜儀接收到的反射光、散射光和透射光，最終得到檢測對象的高光譜圖像。

圖2 高光譜系統組成

高光譜成像系統常采用“推掃式”成像方式獲得對象在空間中的每個像素在不同波長下的高光譜圖像信息，可以從紫外光波段到可見光波段再到紅外光（200~2500 nm）波段。常見的成像光譜儀光譜范圍有400~1000nm、900~1 700 nm、900~2 500 nm等。高光譜圖像能包含對象的光譜信息和空間信息，不僅能反映外部特征，也能反映內部品質特征。

2 數據處理方法

高光譜圖像的光譜分辨率高，因此物體的微小特征也能精細的顯示出來。成像光譜儀在每個波段都進行拍照，數據量大、相關性高，同時包含了樣品內外部信息。但是采集的數據包含噪聲以及其他無用信息，以全波段信息建立模型并計算不僅耗費大量時間，噪聲也會影響建模精度。因此需要進行光譜信息預處理，消除噪聲，對數據降維、壓縮、提取特征波段數據等，提高處理效率和精度。通常采用的預處理方法有：標準化（standardization）、多元散射校正（multiplicative scatter correction,MSC）、Savitzky-Golay卷積平滑算法（SG平滑）、移動平均平滑算法（moving average smoothing）等[5]。

目前國內外對光譜數據處理的過程是：光譜數據校正，選擇感興趣區域（region of interest,ROI），獲取光譜信息數據，采用連續投影算法（successive projections algorithm,SPA）、競爭性自適應重加權算法（competitive adaptive reweighted sampling,CARS）、和主成分分析法(principal component analysis,PCA)等算法對數據處理，去除無用信息，找出特征波段，建立相應的模型。常用建模方法有：主成分回歸（PCR）、隨機森林（RF）、支持向量機（SVM）和偏最小二乘法（PLS）等。

3 在水果品質檢測中的應用

3.1 水果外部品質檢測

水果的外部品質無損檢測主要是對顏色、大小、形狀、表面缺陷、表面污染等外部特征進行檢測判斷，外部品質特征能最直觀的反應水果的品質。傳統方式靠分揀人員的肉眼和經驗進行判斷，效率低、誤差大。機器視覺技術雖然能實現外觀品質的快速自動檢測，但是對不明顯的表面損傷和缺陷，例如凍傷、碰傷、病菌等區域的識別準確度較低，不能精確的反映出外部品質缺陷。

3.1.1 水果表面損傷和缺陷的檢測

方益明等[6]利用高光譜成像技術對庫爾勒香梨表面損傷進行檢測（400~1000nm），根據不同波段下香梨的高光譜圖像清晰度及與背景區域對比選擇863 nm處高光譜圖像建立掩膜圖像，并對數據進行降維，采用的是主成分分析（PCA）算法，根據損傷區域與背景區域光譜差異選擇主成分圖像，與其他主成分圖像進行比值處理，將圖像進行分割、運算及形態學分析，結論表明能夠有效識別出香梨的表面損傷，準確度為93.75%。

Janos等[7]開發了蘋果早期淤傷無損檢測系統，使用高光譜成像技術實現在線快速檢測，該系統在光譜數據與處理的基礎上加入了眩光校正，結果表明對淤傷識別準確度達98%。Keresztes等[8]對蘋果表面挫傷進行高光譜成像技術檢測，通過光譜歸一化處理和采用偏最小二乘算法建模對于挫傷預測最準確，準確率可達90.1%。

3.1.2 水果表面農藥殘留檢測

趙曼彤等[9]利用高光譜成像技術對香梨表面不同濃度杜邦萬靈檢測進行了研究。首先對香梨376~1 051 nm波段的原始數據進行預處理并采用連續投影算法選取特征波段，結果表明通過多元線性回歸建立農藥殘留檢測模型正確率可達到80%。

徐潔等[10]使用高光譜成像技術對農藥殘留種類進行了研究，在鹵素燈下采集450~1000nm波長范圍數據，將不同種類的農藥溶液滴在哈密瓜表面，提取感興趣區域（ROI）光譜數據后結合貝葉斯判別法，分析結果表明在鹵素燈下對農藥殘留識別準確率可達100%。

3.1.3 水果表面腐敗檢測

薛書凝等[11]采集不同貯藏時間香蕉的高光譜數據，對原始圖像數據進行降噪處理后進行主成分分析，使用Wilks統計量結合主成分分析數據提取特征波長，做出不同貯藏時間下平均光譜反射值曲線。同時對香蕉色差數據進行分析，分析測試隨時間變化色差數據異常點發生時間。結果表明特征光譜數據與色差指標分析結果一致，確定了腐敗基準為第6個貯藏日。利用馬氏距離構建了腐敗預警模型，驗證結果與香蕉實際腐敗過程相吻合。

張棣等[12]對同一批不同貯藏時間段黃瓜進行高光譜數據采集，進行光譜預處理后使用偏最小二乘回歸提取特征波長，使用馬氏距離建立腐敗預警模型，結果與黃瓜貯藏實際情況符合。

3.2 水果內部品質檢測

水果內部品質特征是衡量水果營養價值的重要依據，主要包含糖度、水分、硬度、可溶性固形物等指標。因此利用高光譜成像技術對糖度、水分和可溶性固形物等的檢測成為研究熱點。

3.2.1 成熟度

曹曉峰等[13]使用高光譜成像技術采集了未成熟果、白熟—初紅果和半紅—全紅果冬棗的高光譜圖像，用CARS和SPA算法對光譜進行處理，提取特征波長，同時從冬棗生理成分變化計算得到7個光譜參數（SIs）。分別對兩種算法和SIs建立偏最小二乘模型（PLS）進行對比,判別精度分別為：99.27%，95.45%，98.18%。結果表明SIs建立的模型效果最好，并通過回歸分析將結果以不同顏色表示出來。

3.2.2 硬度

孟慶龍等[14]以高光譜成像技術結合誤差方向傳播（error Back Propagation,BP）網絡算法采集李子的高光譜數據，提取感興趣區域的反射率，使用不同預處理與BP網絡模型結合，之后采用主成分分析提取李子硬度特征光譜。結果表明采用一階導數預處理的光譜建立的模型RC=0.939，采用標準正態變換處理的光譜建立的模型RC=0.723，有較好預測能力。

3.2.3 糖度

程麗娟等[15]利用高光譜成像技術與化學計量方法建立了蔗糖的無損預測模型，采用高效液相色譜法檢測蔗糖含量，對光譜數據處理后建立三種回歸模型對比，結果表明采用競爭性自適應加權算法和主成分分析建模效果最好，校正集、預測集相關系數為0.861、0.843，實現了對糖分的預測。

王風云等[16]獲取了套袋和不套袋兩種種植模式的紅富士蘋果的高光譜數據，利用三種光譜預處理方法（全光譜、主成分分析、蟻群算法）和兩種建模算法（反向傳播神經網絡、最小二乘模型），建立了六種模型，對比發現蟻群算法和偏最小二乘模型在套袋和不套袋蘋果糖度的預測上都表現出了最高的預測精度，套袋校正集R為0.9449，預測集為0.9602，不套袋正集R為0.9258，預測集為0.9279，能夠預測糖分含量。

3.2.4 可溶性固形物

MaT等[17]采用高光譜成像技術對蘋果可溶性固形物進行檢測，分別獲取蘋果表面4個區域的高光譜圖像，計算光譜反射率與可溶性固形物含量關系，得到結果交叉驗證系數0.89，均方根誤差0.55%，結果說明高光譜成像技術可以檢測蘋果可溶性固形物。

邵園園等[18]將0%、0.5%和1%濃度的殼聚糖涂膜草莓分別儲藏1天、2天和4天后進行成像并測量樣品的SSC。對樣品SSC分析后發現，在相同貯藏時間內，表面含有殼聚糖涂層的草莓SSC增加量更高。采用蒙特卡洛—偏最小二乘法剔除異常數據樣本，采用不同預處理方法，通過競爭性自適應重加權采樣算法和連續投影算法選擇特征波段，最后采用偏最小二乘回歸和支持向量回歸建立回歸模型。結果表明競爭性自適應算法—支持向量回歸方法最優，模型結果表明0%濃度、0.5%濃度和1%濃度的決定系數分別為0.865、0.808、0.834。表明高光譜成像技術在殼聚糖涂膜草莓的無損檢測中有較好效果。

4 結語

高光譜成像技術在各類水果無損檢測中得到廣泛應用，尤其是對水果表面損傷、內部糖分水分、表面農藥殘留等的檢測，相較于傳統的檢測方式有有快速、高精度、無破壞性等特點。大量研究性論文已經證明了高光譜成像作為水果品質的檢測工具是可行的，在水果品質檢測方面有巨大發展潛力。

目前高光譜成像技術主要有以下不足：首先是高光譜成像技術采集的數據量大，冗余信息多，通常需要利用各種算法提取特征波長進行降維，使得數據處理與結果分析耗費時間長，不利于大規模在線檢測；其次，高光譜相機不易攜帶，通常需要配合三角架等設備才能工作，高光譜成像技術目前主要工作范圍仍然為近地面，不能同無人機及衛星區域遙感建立相互聯系，實現戶外果樹果品大范圍采集檢測；最后，高光譜相機價格較為昂貴，不利于推廣，增加了應用成本。高光譜成像技術作為一種有效的無損檢測技術未來將在農產品、食品等領域繼續發揮作用以促進高光譜成像實現便捷、快速、高精度的實時在線檢測。