高光譜成像技術在蘋果品質無損檢測中的應用

摘" " 要：中國是世界最大的蘋果生產國，品質是蘋果質量最重要的評價指標，傳統的品質檢測方法費時、費力且具有破壞性，特別是對果實內部品質難以實現規模化檢測和品質等級劃分，開展蘋果品質快速、無損檢測技術研究是實現中國蘋果產業高質量發展的迫切需求。高光譜成像技術融合了傳統成像技術和光譜分析技術，能夠獲取大量包含連續波長信息的圖像塊，提供關于待測目標的光譜和圖像信息，光譜信息可用于對水果內部品質的檢測，圖像信息則可檢測水果的外部品質，是近年來發展迅速的一項果品品質無損檢測技術。為了進一步了解國內外高光譜成像技術在蘋果品質檢測中應用的研究進展，簡介了高光譜成像技術的基本原理和常用的數據處理方法，綜述了高光譜技術在蘋果內外部品質檢測上的應用，如可溶性固形物含量、可滴定酸含量、硬度、含水量等內部品質，損傷與缺陷、病蟲害、農藥殘留等外部品質，最后指出了目前該技術在應用過程中存在的問題，并展望了該技術未來在蘋果上的發展趨勢，以期為今后蘋果品質快速、無損檢測提供新的思路。

關鍵詞：蘋果品質；高光譜成像技術；無損檢測

中圖分類號：S661.1 文獻標志碼：A 文章編號：1009-9980（2024）12-2582-13

Application of hyperspectral imaging technology in non-destructive detection of apple quality

DONG Congying1， YANG Tianyi1， CHEN Qian2， LIU Li1， 3， XIAO Xiong1， WEI Zhifeng1， SHI Caiyun1， SHAO Yajie4， GAO Dengtao1， 4*

（1Zhengzhou Fruit Research Institute， CAAS， Zhengzhou 450009， Henan， China; 2Institute of Agricultural Resources and Regional Planning， CAAS， Beijing 100081， China; 3 Zhongyuan Research Center， CAAS， Xinxiang 453500， Henan， China; 4Institute of Western Agriculture， CAAS， Changji 831100， Xinjiang， China）

Abstract： Apple is one of the most important fruit trees in the world. The external quality of apples， including color， size， peel damage， defects， etc.， is the most direct feature that affects whether consumers buy or not， and the internal quality including soluble solids， titratable acid， hardness， etc.， is essential to affect the nutritional value and sensory experience. Therefore， both internal and external qualities affect the market value of apples. It is very important to detect and evaluate the internal and external quality of apples after harvest. Traditional quality detection methods rely mainly on manual and instrumental methods， including mass spectrometry， high performance liquid chromatography， refractometry， and direct observation method. However， although these methods are highly precise， they have the disadvantages of being time-consuming， destructive， and difficult in detection on a large scale， especially detection of external quality with the naked eye would be affected by subjectivity. Therefore， in order to reduce the limitations of traditional methods in fruit quality detection， developing an accurate， rapid and non-destructive fruit quality analysis method for quality detection and grading is essential. In recent years， non-destructive detecting has been widely used in fruit quality detection. At present， the commonly used non-destructive detecting technologies include near-infrared detection technology， fluorescence imaging detection technology， hyperspectral imaging technology， etc. Compared with the first two methods， hyperspectral imaging technology not only combines imaging technology with spectral technology， but can also obtain two-dimensional spatial information and one-dimensional spectral data at the same time， which consequently enables obtaining multiple dimension information with higher resolution. The image information obtained by hyperspectral imaging technology can be used to detect and evaluate the external quality， while the spectral information can be used to detect the internal quality. Therefore， hyperspectral imaging technology is expected to achieve non-destructive and accurate measurement and evaluation of the internal and external quality of apples. So far， various studies have been reported on the application of hyperspectral imaging technology to the quality detection of apples， and the feasibility of this technology in the non-destructive detecting technology of apple quality has been preliminarily confirmed. In order to deeply explore the research progress of hyperspectral imaging technology in apple quality detection and make hyperspectral imaging technology more widely used， this paper first introduced the basic components of hyperspectral system， imaging principles， and common methods of data processing in research. Secondly， the application progress of hyperspectral imaging technology in assessing apple internal and external quality was reviewed. Finally， the current challenges in the field of hyperspectral imaging were discussed， and the future direction of the more extensive and integrated application of this technology in the future was proposed. The research progress in the application of hyperspectral imaging technology in the internal and external quality of apples includes： （1） For internal quality， the technology can accurately quantify the soluble solids， firmness， and moisture content， which are essential for assessing flavor and ripeness. However， there are few studies on the prediction of titratable acids using hyperspectral imaging， which may be due to their lower levels in apple fruits. Therefore， future work can consider combining multiple technologies for further research. （2） In terms of external quality， the hyperspectral imaging can detect the shape， size， color， surface defects， contaminants， pest and disease infestations， and pesticide residues of apples by analyzing two-dimensional spatial information or combining image and spectral data， which is essential for post-harvest evaluation and grading. In addition， some studies have shown that hyperspectral imaging can distinguish internal pests and diseases in transmission patterns， which is important to ensure consumer safety and satisfaction. Although many studies have confirmed the application prospects of the hyperspectral imaging in apple quality detection， there are still some challenges in the application of this technology， such as the different data processing methods used in different origins and varieties， the low robustness of the model， the high cost of the instrument， and the transition from laboratory to actual field use. Therefore， future work can improve the accuracy of the model through the combination of multiple technologies and the development of more refined algorithms， so as to provide a better reference for non-destructive detecting of apple quality.

Key words： Apple quality; Hyperspectral imaging techniques; Non-destructive detecting

蘋果口感酸甜、汁液豐富，且具有生態適應性強、營養價值高、耐貯藏等優點，深受消費者喜愛。隨著人民生活水平的提高，消費者對蘋果品質的要求也越來越嚴格，不僅要求蘋果具有較好的外觀品質，而且更加關注口感、質地、營養價值等內部品質[1]。蘋果外觀品質包括顏色、大小、果皮損傷、缺陷等，是影響消費者是否購買的最直觀特征，也是影響價格的關鍵因素；內部品質包括可溶性固形物含量、可滴定酸含量、硬度等，是影響蘋果營養價值和感官體驗的關鍵特征，同時也是生產上判斷蘋果成熟的重要指標[2]。

中國是世界上最大的蘋果生產國，但2023年全國蘋果出口量僅為79.6萬t，相對于3000多萬t的產量，幾乎可以忽略不計，與中國蘋果生產第一大國的地位差距巨大。究其原因，主要是蘋果生產質量不高，適宜出口的優質果較少，其次是蘋果采后分級嚴重滯后，優級果和次級果等級劃分不夠明確，經過分級的標準化商品果少，市場競爭力不足[3]。因此，對蘋果的品質進行綜合評估有利于對不同品質的蘋果進行分級以提高其市場競爭力。

傳統的蘋果品質檢測方法主要依賴于人工和儀器進行，如使用硬度計測量蘋果硬度，使用折光儀測定可溶性固形物含量，利用滴定法測定可滴定酸含量，利用高效液相色譜測量有機酸含量[4]，以及肉眼直觀判斷蘋果是否存在外部損傷、缺陷、病害等，這些方法雖然準確性高且測量技術已經基本成熟，但費時、費力且具有破壞性，特別是對于果實內部品質，難以實現規模化檢測和品質等級劃分[5-6]。具體表現在，使用傳統方法對內在品質測量前往往需要進行樣品前處理，這不僅增加檢測時間，而且對樣品具有破壞性，限制了樣品后續的使用或銷售；使用人工評估外部品質時，可能存在一定程度的主觀性，導致判斷標準不一、等級劃分不清等問題。簡而言之，盡管傳統的蘋果品質檢測方法在準確性上有其優勢，但在樣品處理、檢測效率、破壞性和主觀性方面存在限制，難以實現大規模、快速的品質檢測，從而導致果品按質量分級難以實現。因此，開展蘋果品質快速、無損檢測技術研究是實現中國蘋果產業高質量發展的迫切需求 。

近年來，機器視覺技術和光譜技術在評估水果品質方面應用廣泛。機器視覺技術依靠圖像的灰度信息能夠準確識別水果的形狀、大小，使用RGB成像系統能夠有效識別顏色和外部缺陷，在品質分級、品種分類等過程中發揮了重要的作用[7]。但通常來說，機器視覺技術不具備穿透能力，因而在內在品質檢測上存在明顯的局限性。光譜技術可以通過測定特定波長的吸收、反射和散射等光譜特性來獲取樣品的信息，這些信息可以用于預測樣品的品質和成分，是一種有效的內部品質評估工具，但無法采集樣品的空間信息[8]。因而，這兩種方法在水果品質無損檢測的應用中均受到一定的限制。

高光譜成像技術的出現解決了上述兩種方法存在的問題，該技術集成了成像技術和光譜技術的優點，能夠同時對內部和外部品質進行評估和測量，是近幾年國內外水果品質無損檢測研究的熱點[9-10]。因此，筆者簡要介紹了高光譜成像技術原理、研究中常用的數據處理方法，綜述了該技術在蘋果品質檢測中的應用以及在應用過程中存在的問題，最后展望了該技術未來在蘋果品質檢測上的應用方向及前景，以期為今后高光譜成像技術在蘋果品質檢測領域的發展提供參考。

1 高光譜成像技術

1.1 高光譜系統簡介及原理

高光譜成像技術將傳統成像技術和光譜分析技術結合于一體，能夠在大量連續的波長范圍內同時獲取待測樣品的空間和光譜信息。這些信息能夠形成一個包含每個像素點光譜信息的三維數據立方體，在一定程度上反映了待測樣品內部物理性質和化學結構，從而能夠實現蘋果內部和外部品質的檢測[11]。典型的高光譜成像系統包括光源、成像單元、帶有相應控制軟件的計算機。成像單元是獲取樣品光譜和空間信息的關鍵部件，由光譜儀及CCD相機或互補金屬氧化物半導體（CMOS）相機組成[12]。

高光譜圖像獲取的方式有點掃描、線掃描和面掃描。其中，線掃描是品質檢測最常用的方式[13]。

1.2 高光譜數據處理與分析

高光譜數據立方體中包含了樣本的圖像和光譜信息，反映了樣本不同性質的信息。圖像信息能夠實現對蘋果外部品質的檢測，光譜信息能夠實現對蘋果內在品質的檢測，因此數據處理分析需要從光譜和圖像兩方面考慮[13]。

1.2.1 圖像處理 高光譜圖像在采集過程中容易受相機暗電流、樣本形狀不規則、光源不穩定的影響產生干擾。因此，要對圖像進行黑白校正，校正公式如下：

[R=I-BW-B]。 " " " " " " " "（1）

其中，R為校正后的高光譜圖像，I為原始圖像，B為純黑圖像，W為白板圖像。

圖像處理包括圖像預處理、圖像分割和特征提取[11]。圖像預處理的目的是增強有關信息的可檢測性，提高圖像質量，使其更好地應用于后續的圖像分割和特征提取。圖像預處理的方法有直方圖均衡化（histogram equalization）、主成分分析（principal components analysis）、灰度變換（gray level transformation）、對比度增強（contrast enhancement）等。圖像分割的目的是將目標區域與背景區域分離，為后續感興趣區域的提取提供基礎，常用的方法有大津閾值分割算法（OTSU）、自適應閾值圖像分割（Adaptive Threshold）、形態學處理等[13]。圖像特征提取的目的是降低數據維、減少數據冗余和處理時間等。圖像特征包括紋理、顏色和形態特征，紋理特征提取常用的方法有灰度共生矩陣（gray-level co-occurrence matrix）、Gabor濾波器、局部二值模式（LBP）、小波變換等；顏色特征提取方法有顏色直方圖（color histogram）、顏色矩（color moments）、顏色聚合向量等；形態特征提取方法有傅里葉變換（fourier transform）、Sobel算子邊緣檢測等[14]。

1.2.2 光譜預處理 高光譜成像系統在采集信息時，會受到儀器、環境等諸多因素的干擾。因此，為了進一步提高數據的質量、提高模型的魯棒性，在圖像校正后需要進行光譜預處理，用于后續分析。常用的預處理方法有多元散射校正（multiplicative scatter correction）、一階導數（first derivative）、二階導數（second derivative）、均值中心化（mean centering）、歸一化（mean normalization）、基線校正（baseline correction）、標準正態變量變換（standard normal variate）等[15]。

1.2.3 特征變量的選擇 Hughes現象顯示，當可獲取的樣本數量有限時，分類精度會隨著波段數量的增加出現先上升后下降的趨勢[16]。因此，即使原始高光譜數據立方體包含了幾百個波段，但也并不是每個波長對應的信息都對后續的檢測和建模有用。為了消除無關信息的影響，減小數據處理的時間和復雜程度，需要將預處理的光譜信息進行特征變量的選擇。常用的特征波長提取方法有無信息變量消除法（uninformative variables elimination）、競爭性自適應權重取樣法（competitive adapative reweighted sampling）、連續投影算法（successive projections algorithm）、遺傳算法（genetic algorithm）和隨機蛙跳（random frog，RF）等[17]。

1.2.4 模型建立與評估 模型的建立分為定性和定量模型，這兩種模型的關鍵區別在于他們的分析目標，定性模型通常用于分類任務，即將樣品根據其屬性歸入預定義的類別。定量模型則旨在預測連續數值類型的輸出，例如水果的糖度、酸度、水分含量等內部品質指標。常用的定性模型建立方法有線性判別（linear discriminant analysis）、隨機森林（random forest）、支持向量機（support vector machine）、K近鄰（K-nearest neighbor）、最小二乘判別分析（partial least squares-discrimination analysis）等[18-19]。

在模型建立完成后，往往需要對評估指標模型的準確性和魯棒性進行評價。常用于定量分析模型的評估指標有決定系數（R2）、均方根誤差（RMSEC）、殘差預測偏差（RPD）；定性模型的評估指標有準確率、精確率、召回率、F1分數、ROC曲線[1，5]。

2 高光譜成像技術在蘋果品質檢測中的應用

2.1 內部品質檢測

內部品質是影響蘋果風味的關鍵因素，也是機體獲取維生素、碳水化合物等營養的來源[20]。因此，內部品質的檢測對評價蘋果的整體品質至關重要。一般來說，內部品質主要包含可溶性固形物含量、可滴定酸含量、硬度、水分含量等。

2.1.1 可溶性固形物含量（SSC） 可溶性固形物含量是果蔬產品中所有可溶解于水的化合物的總稱，包括可溶性糖、酸、維生素、礦物質等物質，是判定果實品質的一個重要參數，也是判斷成熟的關鍵指標[21]。為了提高果實品質及準確判斷果實成熟期，不少研究學者利用高光譜成像技術對蘋果可溶性固形物含量進行檢測，是近年來內部品質檢測的研究重點。

?etin等[22]利用高光譜成像技術獲取了不同收獲時期的粉紅女士蘋果圖像，通過圖像分割得到蘋果區域光譜數據，使用Bootstrap Random Forest方法對原始光譜數據進行特征選擇，最后使用5種機器學習算法（人工神經網絡ANN、k-最近鄰KNN、決策樹DT、偏最小二乘神經網絡回歸PLSR、多元線性回歸DT）對SSC進行評估。研究結果表明，MLR算法對SSC的預測效果最好，R2=0.881。Wang等[23]試圖利用高光譜成像技術對蘋果內在品質進行評估。試驗結果表明，采用歸一化不同光譜指數結合穩定性競爭性自適應重加權抽樣提取的特征波長所建立的偏最小二乘回歸模型效果最好，SSC相關系數R2=0.901，均方根誤差RMSEv=0.535%。Tian等[24]基于傳統的特征選擇方法提出了一種新的深度學習算法——堆疊加權自編碼器（SWAE），并利用該算法提取包含SSC含量信息的深層特征，然后將特征信息輸入灰狼優化-支持向量回歸（GWO-SVR）模型中，以定量預測SSC。結果表明，SWAE-GWO-SVR模型的R2為0.943 6，RMSEP為0.132 8。Lu[25]利用高光譜散射技術獲取了金冠（GD）和紅冠（RD）蘋果在500～1000 nm波段范圍內的散射圖像，并建立了反向傳播前饋網絡模型預測兩種蘋果SSC。試驗表明，高光譜散射技術是一種用來預測蘋果SSC的有效手段，但在試驗中GD品種SSC的預測效果優于RD。這可能是因為RD蘋果形狀不夠規則，對高光譜圖像的獲取產生了一定影響。

上述研究初步證明了高光譜成像技術在無損檢測蘋果SSC方面的實用性和準確性。通過使用不同的預處理方法、特征選擇技術以及多種回歸模型，研究人員成功地建立了準確預測SSC的模型。這些模型不僅能提高果實品質評估的精度，還有助于果實采摘和售賣時間的判斷。同時研究結果還顯示，果實的形狀和規則性可能對預測模型的準確性產生影響，光譜信息和圖像信息相融合可能有助于提高試驗準確性。因此，未來應考慮從不同的位置收集光譜信息和理化值，使用多種圖像和光譜信息處理方法并開發出新的算法，進一步挖掘數據之間的相關性。

2.1.2 可滴定酸含量 酸度是影響水果風味的重要因素，其中蘋果酸和檸檬酸含量是主要的酸度指標。前人的研究表明，蘋果風味的優劣與糖、酸的絕對值、糖酸比和固酸比均存在密切關系[26]。因此，對蘋果中可滴定酸含量進行預測同樣有利于改善蘋果品質以及成熟期的判斷。但由于酸在部分水果和蔬菜中的濃度比糖要小很多，因此導致光譜測量存在困難[27]。目前鮮見高光譜成像技術在蘋果酸含量測定方面的研究，研究人員更多地利用近紅外光譜對蘋果酸度進行研究。

Lovász等[28]驗證了近紅外光譜透射技術在預測蘋果的質量指標（硬度、折射率、pH及可滴定酸、干物質、醇不溶性固形物含量）方面的有效性。研究結果確認了近紅外光譜透射法的適用性，但可滴定酸含量的預測精度低于其他品質指標。McGlone等[29]的研究描述了近紅外光譜技術在預測蘋果可滴定酸含量上的局限性。Peirs等[30]使用傅里葉近紅外（FT-NIR）光譜儀和標準光柵光譜儀對蘋果酸度進行預測，研究結果表明，盡管FT-NIR光譜儀在酸度預測方面優于標準光柵光譜儀，但整體而言，酸度預測模型的準確性并不理想。

綜上所述，盡管有研究利用近紅外光譜技術驗證了其在酸度預測上的潛力，但同時亦有研究揭示了光譜技術在酸度準確預測方面的挑戰。這表明，盡管該技術是一種有效手段，但仍需要進一步改進或與其他方法結合使用，提高蘋果酸度的預測準確性。目前，利用高光譜成像技術對水果酸含量的預測有葡萄[31-32]、杧果[33]、梨[34]。

2.1.3 硬度 硬度是判斷水果成熟度和新鮮度的主要指標，特別是對于蘋果這種質地較脆的水果來說。Wang等[23]在室外利用高光譜成像技術采集了100個富士蘋果在500～900 nm波段范圍內的高光譜圖像，采用PTEE球面基準和光譜指數對圖像進行定標，以消除太陽光強度不同、儀器差異等影響，接著利用穩定性競爭性自適應重加權采樣（SCAR）提取特征波長，建立偏最小二乘回歸分析（PLSR）模型。該試驗結果表明，歸一化不同光譜指數處理對室外采集的圖像具有顯著校正，且結合SCAR和PLSR能夠有效預測蘋果硬度，預測模型相關系數R2=0.783，均方根誤差RMSEV=0.993。孟慶龍等[35]為實現基于高光譜成像技術和BP網絡模型的蘋果硬度無損檢測，利用120個蘋果在390～1030 nm范圍內的平均反射光譜，建立BP網絡預測模型。研究結果證實了高光譜成像技術和BP網絡模型在蘋果硬度預測上的有效性（Rp=0.728，RPm=0.282）。馮迪等[13]利用高光譜成像技術采集了蘋果雙面高光譜圖像，并通過遺傳算法開發神經網絡（GA-BP）建立預測模型，實現了蘋果糖度和硬度的同時檢測。模型驗證結果表明，糖度相關系數R2為0.847 6，均方誤差MSE為 3.32；硬度相關系數R2為0.793 8，MSE為9.6。趙杰文等[36]通過提取蘋果高光譜圖像中有效光譜信息，建立了偏最小二乘（PLS）和支持向量回歸（SVR）模型用于預測蘋果硬度。試驗結果證明，高光譜成像技術能夠用于檢測蘋果的硬度，且在785.11～872.45 nm范圍內，SVR模型的預測結果優于PLS。SVR預測模型相關系數為0.680 8，均方根誤差RMSEP=0.238 7。

以上研究顯示了高光譜成像技術結合不同處理方法和預測模型在無損檢測蘋果硬度方面的潛力。但預測模型相關系數分布在0.6～0.8之間，表明這些模型在硬度預測方面具有一定程度的準確性，同時也存在一定的改進空間。此外，馮迪等[13]的研究實現了糖度和硬度的同時預測，證明了多種指標的同時檢測是可行的。

2.1.4 水分含量 蘋果的水分含量也是內部品質的重要組成部分，不僅直接影響貯藏壽命，還影響口感和風味。適當的水分能夠保持蘋果的多汁，提升口感；水分含量低導致蘋果干癟萎縮，且口感變差。

查啟明[37]使用主成分分析（PCA）和連續投影算法（SPA）提取蘋果高光譜圖像中的特征數據，并采用網格搜索法及粒子群算法對支持向量回歸（SVR）參數進行優化，建立了4種水分預測模型并進行對比，最終選出最優模型組合為SPA-Grid-SVR，預測集相關系數Rp=0.875 4、均方根誤差RMSEP=0.238 7。Crichton等[38]通過研究發現，3個特定波長（540、817、977 nm）的反射率數據就足以預測蘋果切片的水分含量。Shrestha等[39]利用PLSR建立了不同品種、不同厚度的蘋果切片在60 ℃和70 ℃干燥條件下水分比的平均光譜反射率曲線的回歸模型，結果表明，水分比預測效果較好，R2=0.94，RMSEC=0.076。

上述研究表明，利用高光譜成像技術結合先進的數據處理和機器學習方法，可以準確無損地預測蘋果的水分含量。與硬度相比，基于高光譜成像技術的水分預測模型準確性更高（表1）。因此，未來這些模型有望應用于蘋果品質檢測和分級系統，為消費者提供更高品質的蘋果，為農業生產者提供更高效的管理工具。

2.2 外部品質檢測

蘋果品質檢測是一個全面評估的過程，不僅涉及內部品質，還包括外觀品質特征的評定，如形狀、大小、顏色特征。此外，由于水果自身特性以及地域差異等因素，在儲存、運輸過程中容易受到擠壓、碰傷、凍傷、病蟲害等多種損傷，這些都可能會造成蘋果品質下降。

2.2.1 形狀、大小、顏色特征 對于消費者來說，蘋果的形狀、大小、顏色等外觀品質特征是選擇果品時的最直觀因素，也是最容易評估的屬性。大多數消費者傾向于購買顏色鮮艷、外觀均勻、大小適中的蘋果[40]。

程國首等[41]以紅富士蘋果為研究對象，使用大津法對852/713波段比圖像進行分割，開運算算法去除果梗區域，得到完整的蘋果區域圖像，之后提取蘋果色調累計直方圖的特征，采用AdaBoost算法反復訓練BP神經網絡，使其訓練成由多個弱分類器組成的強分類。分級結果顯示，模型與人工分級一致率達97.7%。郭俊先等[42]通過對采集到的蘋果高光譜圖像進行分割，剔除果梗區域等處理，再以面積、充實度、周長、橢圓長軸長度、短軸長度、RGB圖像和色調H分量圖像中目標區域的平均灰度和灰度標準差為特征，建立3種判別函數，實現了蘋果不同等級的劃分。Garrido-Novell等[43]根據不同儲存狀態下RGB相機和高光譜相機獲取的顏色特征實現了對蘋果的分類，并證明了高光譜相機在區分不同儲存條件下蘋果顏色方面比正常的RGB相機具有更大的應用潛力，分類準確率達95.83%。

以上研究表明，通過不同的圖像處理和數據分析方法，高光譜成像技術可以自動識別蘋果的顏色、形狀和尺寸特征，從而進行有效的品質分級。該技術的應用不僅能夠幫助生產者降低人工成本，提高分揀效率，還確保了消費者能夠購買到符合期待的高品質蘋果。此外，還能夠滿足市場上不同消費者群體對品質多樣化蘋果的需求和提高生產者的經濟效益。

2.2.2 表面損傷 由于蘋果質地較脆，極易在采摘、運輸和采后處理中受到磕碰、撞擊等，不僅影響外觀品質，降低消費者的購買欲望，還會引起內部品質劣變，甚至傳染至同批次蘋果，造成種植者經濟效益的嚴重降低。而人工挑選不僅耗時費力，且對于瘀傷表面積小或果皮顏色較深的蘋果很難察覺，因此基于機器視覺的自動分揀非常重要。

Keresztes等[44]開發了一種基于短波紅外波段的高光譜成像系統，該系統是基于像素的、實時的蘋果早期瘀傷系統。在該研究中，通過多種預處理方法與偏最小二乘判別分析（PLS-DA）的結合實現了瘀傷和正常像素蘋果圖像的區分。試驗結果表明，該系統識別蘋果瘀傷的準確率達98%，且每個蘋果的處理時間低于200 ms。Baranowski等[45]使用高光譜相機（400～2500 nm）結合熱成像相機（3500～5000 nm）對不同品種蘋果的瘀傷以及損傷深度進行檢測，結果證實400～5000 nm波段范圍結合建立的模型不僅能夠區分瘀傷和健康組織，對于不同深度的瘀傷也有較好的預測效率。Zhang等[46]提出了一種基于最小噪聲分離變換（MNF）的蘋果輕微損傷檢測方法。該方法首先使用主成分分析（PCA）和最低噪聲分離變換（MNF）對50個蘋果樣本正常和不同損傷時間的樣本圖像進行變換，又利用I-RELIEF算法提取了5個特征波長，最后通過對比兩種圖像變換方法結合I-RELIEF算法對80個正常和損傷蘋果的識別準確率進行試驗。結果表明，損傷識別總體正確率達97.1%，證明該方法可以快速有效地識別蘋果早期輕微損傷。沈宇等[47]以120個富士蘋果為研究對象，利用高光譜成像技術獲取了健康和輕微損傷0、2、4 h的蘋果樣本在400～1000 nm波段范圍內的高光譜圖像，通過光譜預處理及兩次連續投影法找到了共線性最小的兩個波長（821、940 nm），接著對提取的特征波長圖像進行主成分分析，尋找能夠區分損傷和健康區域的有效圖像，最后對有效圖像進行固定閾值分割和形態學處理。研究結果表明，利用該方法對不同輕微損傷時間的蘋果總體檢測準確率達94.4%。蔣金豹等[48]使用高光譜成像系統采集了54個輕微損傷的黃香蕉、煙臺富士蘋果在400～1000 nm波段范圍內的圖像，經過感興趣區域平均光譜的提取、最小噪聲分離、端元波譜提取、損傷區域波譜和端元波譜光譜角的計算，構建PCA、MNF、EESA模型，實現了蘋果輕微損傷檢測。結果表明，EESA模型的檢測準確率最高，識別準確率達到90.07%。

以上研究表明，高光譜成像技術在提高蘋果外觀缺陷和損傷的檢測準確性以及效率方面表現出巨大潛力，未來該技術的廣泛應用或許有助于促進自動化果品分揀系統的發展，降低人工成本，提升蘋果產品的市場競爭力。但是在多數研究中，僅以富士品種為研究對象，對于其他品種的蘋果研究較少，且多項研究表明，不同蘋果品種之間不存在普適性的處理方法。因此，為了確保高光譜成像技術可以廣泛地應用于不同品種的蘋果，未來的研究應該注重品種多樣化。

2.2.3 外觀缺陷 病蟲害是影響蘋果品質和安全性的重要品質之一，受病蟲害影響的蘋果往往在外觀上表現出斑點、裂縫、蟲洞等缺陷，嚴重影響蘋果外觀質量。因此，為了滿足消費者對蘋果外觀完整、整潔且無缺陷的需求，以及提高蘋果市場價值，研究人員利用高光譜圖像技術對水果表面缺陷進行大量研究。

趙娟等[49]利用高光譜技術對蘋果外觀缺陷進行檢測，同時對比主成分分析和波段比率法在高光譜圖像上的應用效果。最終試驗結果顯示，兩種方法對蘋果表面缺陷的分級準確率分別為81.25%、93.75%。孟慶達[50]同樣使用波段比值算法實現了蘋果缺陷與正常區域的識別，進一步證實了高光譜成像技術下波段比率法能夠用于蘋果表面缺陷檢測與識別。劉思伽等[51]利用高光譜成像技術對蘋果的炭疽病、苦痘病、黑斑病和褐腐病的病果進行無損檢測，根據病果和正常果在光譜值上的差異，提出改進流形距離方法，選擇出3個特征波長（700、765、904 nm），將3個波長對應的相對反射率進行組合，建立BP神經網絡模型。結果表明，700和904 nm為最佳組合，病果的檢測率達96.25%。崔惠楨[52]利用高光譜成像技術對不同染病時間的蘋果炭疽病進行研究，通過對比多種預處理、特征波長選擇和回歸模型方法，最終得出最優判別模型為UVE-RAW-LS-SVM，整體判別正確率為95.8%。

田有文等[53]提取正常和蟲害蘋果的光譜和紋理特征信息，并將兩種特征進行優化組合，形成4組特征向量作為BP人工神經網絡輸入矢量，以確定能夠檢測蘋果蟲害的最優向量。最終結果顯示，利用0度方向的能量、熵、慣性矩、相關性及646 nm和824 nm波長的光譜信息融合后對兩種蘋果進行檢測的效果最好。

以上研究結果表明，高光譜成像技術對蘋果病蟲害發生造成的外觀缺陷進行檢測和識別是可行的。但更多的研究聚焦于發生病害造成的外觀缺陷上，關于蟲害的研究較少，可能的原因是部分害蟲危害果實內部，對外觀品質影響較小，難以通過圖像技術進行區分。

2.2.4 農藥殘留 為了降低病蟲害的發生頻率，減少昆蟲和病害對蘋果的侵擾，在生產上，往往使用化學防治法、生物防治法、生物和化學防治結合法避免病蟲害發生或泛濫。但在實際生產上，蘋果種植者往往更傾向于使用簡便的化學防治法。該方法見效快且成本低廉，但容易造成農藥殘留，危害消費者健康安全，而且可能污染土壤及地下水。因此，急需一種快速、無損、準確的方法對噴灑過農藥的蘋果進行檢測。

劉木華等[54]通過設置不同的試驗處理，發現表面噴灑農藥及不噴灑農藥的高光譜灰度圖像之間灰度值分布在1～100之間的像素個數存在差異，噴灑同種類農藥的不同濃度處理之間也存在差異。試驗結果表明，基于高光譜圖像的檢測方法能夠評估農藥的殘留與否。喬琦[55]使用高光譜成像技術結合電子鼻對蘋果農藥殘留進行研究，建立了基于高光譜和高光譜-電子鼻技術的農藥殘留檢測模型。試驗結果顯示兩種方法都有好的檢測效果，高光譜-電子鼻融合技術的準確性更高。Jiang等[56]以4種不同農藥處理過的蘋果和健康蘋果為對照，分別采集高光譜圖像，通過ROI區域的提取、高斯白噪聲的添加等處理，建立卷積神經網絡模型。結果表明，當訓練epoch數為10時，測試集檢測準確率為99.09%，單波段平均圖像檢測準確率為95.35%。

上述研究結果表明，高光譜成像技術是一種準確、無損的技術，可為蘋果采后農藥殘留提供切實有效的檢測（表2）。此外，通過與其他技術如電子鼻的結合可進一步提高檢測準確率。

3 存在的問題與發展趨勢

3.1 存在的問題

上述多項研究表明，將高光譜成像技術應用于蘋果品質檢測在理論上顯示出了諸多潛力和優勢，該技術不僅能夠實現對內部品質的預測，在外部品質檢測方面也獲得了廣泛應用。但目前，該技術的應用大多局限于室內的實驗室中，從理論到實踐的過程中仍存在很多挑戰[8，57-58]。

1）樣本自身影響：在蘋果品質檢測過程中，往往需要采集多次不同時間的圖像，不同時間蘋果擺放位置及個體間形狀的差異或不規則可能會導致光線的散射或反射程度不同，從而使采集的光譜數據不均勻、光譜信息和質量不一致。蘋果的果柄和果萼部分與正常果肉部分光譜曲線存在較大差異，往往需要事先剔除。

2）處理方法普適性低：高光譜成像技術能夠獲取幾百個波段內的信息，這雖然提供了更豐富的信息用于品質分析，但同時也帶來了信息冗余問題。以上多個研究表明，并非所有波段的信息均對后續的分析有用，為了提高數據處理效率，大多需要進行特征選擇或降維處理。而上述多個研究顯示，不同產區、不同品種的蘋果由于環境、氣候、栽培管理等因素存在一定的差異，因而在光譜和圖像信息上也有所差別。這意味著特定條件下預處理、特征波長選擇、模型建立方法可能無法直接應用于不同產區、品種的蘋果。

3）受室外環境影響大：外界環境如光照度、光線分布、天氣情況會對高光譜圖像的采集產生影響，使得高光譜成像技術雖在實驗室中能夠獲取較高的預測相關系數或分類準確率，但在室外應用效果差。

4）成本昂貴：高光譜成像系統價格偏高，普通小型果園難以負擔。

5）高光譜成像系統往往需要搭載無人機或室內暗箱使用，設備較大，不易攜帶。

3.2 發展趨勢

盡管如此，隨著技術的不斷創新和優化，將高光譜成像技術應用到實際場景中仍是有望實現的。為盡早將高光譜成像技術應用到實際生產上，為消費者提供更高品質的蘋果，為蘋果產業的發展提供強有力的技術支撐，在今后的研究中可以從樣本采集、數據處理、技術整合和設備開發等多方面著手：

1）增加樣本來源和數量。盡管有研究顯示，不存在普適的處理方法或模型，但隨著技術的適應性不斷增強，盡量多地收集不同產區、品種、年份的蘋果，建立基礎模型的穩定性會越來越高。在此基礎上，通過微調模型參數，可以將其應用到不同產區、不同品種的蘋果無損檢測中。

2）從處理方法上入手，開發出更高效的特征提取算法或圖像處理技術，通過特征提取算法挖掘包含特征信息的深層信息，并在減少數據量的同時保留對品質檢測有價值的信息。如Tian等[24]開發出的特征提取方法—堆疊加權自編碼器，提取了包含可溶性固形物含量的深層信息，提高了可溶性固形物含量的預測準確性。談文藝[59]對選出的特征波長進行PCA分析，結合圖像處理設計出一種精確識別蘋果不同損傷時間的算法，識別率可達98.5%。此外，對外部品質的分析操作以及高準確性預測或分類均需要通過圖像實現，因此，高效的圖像處理技術能夠使圖像特征更加突出。

3）與其他技術相結合。高光譜成像技術與近紅外光譜技術結合，能夠更準確、更全面地對內部品質如糖度、可溶性固形物含量等進行檢測，此外，近紅外光譜儀器輕小，方便攜帶，兩種技術結合或許能使品質檢測走出實驗室；高光譜技術穿透能力有限，但高光譜成像系統本身包含透射模式，因而將其與CT技術、熱成像等技術相結合或許能夠提高內部病蟲害以及成熟度判斷的準確率。

4）多模式成像研究。目前，對蘋果內外部品質的檢測大多僅利用高光譜成像中的反射模式，而忽略了透射和漫反射模式的作用。盡管透射模式僅具有幾毫米的透射能力，但對于發生在果皮下的病害，如蘋果苦痘病，仍具有一定的檢測能力。此外，苦痘病發生早期僅表現在果皮下，無法及時預測，利用高光譜成像技術的透射模式結合反射模式或許能實現早期病害檢測，降低經濟損失。

4 結 論

高光譜成像技術結合了傳統成像技術和光譜分析的優點，能夠通過獲取蘋果的圖像和光譜信息，為蘋果的綜合品質提供快速、無損檢測。利用光譜信息與多種處理方法結合可準確預測蘋果內在品質，而圖像及圖像處理技術相結合可有效識別外觀品質。在過去幾十年，大量研究證明了高光譜成像技術在蘋果檢測中的研究價值。筆者綜述了高光譜成像技術在蘋果品質檢測中的應用現狀，涵蓋了蘋果的內外在品質，內在品質包括可溶性固形物含量、硬度、可滴定酸含量、水分含量，外在品質包括損傷、缺陷、病蟲害、農藥殘留等。但目前，關于高光譜成像技術的研究大多僅局限于實驗室中，并未真正應用到實際生產中。因此，在未來的研究中，如何改進、優化數據處理算法、降低應用成本，將該技術真正應用到生產中是需要重點關注的問題。

參考文獻References：

[1] 譚濤，馮樹南，溫青純，黃人帥，孟慶龍，尚靜. 高光譜成像技術在水果品質檢測中的應用研究進展[J]. 江蘇農業科學，2024，52（6）：11-18.

TAN Tao，FENG Shunan，WEN Qingchun，HUANG Renshuai，MENG Qinglong，SHANG Jing. Research progress on application of hyperspectral imaging technology in detection of fruit quality[J]. Jiangsu Agricultural Sciences，2024，52（6）：11-18.

[2] 張保華，李江波，樊書祥，黃文倩，張馳，王慶艷，肖廣東. 高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J]. 光譜學與光譜分析，2014，34（10）：2743-2751.

ZHANG Baohua，LI Jiangbo，FAN Shuxiang，HUANG Wenqian，ZHANG Chi，WANG Qingyan，XIAO Guangdong. 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.

[3] 楊杰. 我國蘋果出口現狀、問題及建議[J]. 果農之友，2024（3）：114.

YANG Jie. Current situation，problems and suggestions of China’s apple exports[J]. Fruit Growers’ Friend，2024（3）：114.

[4] 郭燕，梁俊，李敏敏，趙政陽. 高效液相色譜法測定蘋果果實中的有機酸[J]. 食品科學，2012，33（2）：227-230.

GUO Yan，LIANG Jun，LI Minmin，ZHAO Zhengyang. Determination of organic acids in apple fruits by HPLC[J]. Food Science，2012，33（2）：227-230.

[5] 熊春暉，佘永新，焦遜，邵勇，賈莉，王淼，肖明，王靜. 高光譜成像技術在農產品無損檢測中的應用[J]. 糧油食品科技，2023，31（1）：109-122.

XIONG Chunhui，SHE Yongxin，JIAO Xun，SHAO Yong，JIA Li，WANG Miao，XIAO Ming，WANG Jing. Application of hyperspectral imaging technology in nondestructive testing of agricultural products[J]. Science and Technology of Cereals，Oils and Foods，2023，31（1）：109-122.

[6] 劉麗，魏志峰，石彩云，高登濤，劉軍偉，司鵬. 海藻水溶肥和黃腐酸水溶肥對富士蘋果樹體生長及果實品質的影響[J]. 果樹學報，2023，40（5）：893-901.

LIU Li，WEI Zhifeng，SHI Caiyun，GAO Dengtao，LIU Junwei，SI Peng. Effects of alginate water soluble fertilizer and fulvic acid water soluble fertilizer on tree growth and fruit quality of Fuji apple[J]. Journal of Fruit Science，2023，40（5）：893-901.

[7] 孫梅，付妍，徐冉冉，趙勇，陳興海. 基于高光譜成像技術的水果品質無損檢測[J]. 食品科學技術學報，2013，31（2）：67-71.

SUN Mei，FU Yan，XU Ranran，ZHAO Yong，CHEN Xinghai. Nondestructive inspect of fruit quality with hyperspectral imaging technology[J]. Journal of Food Science and Technology，2013，31（2）：67-71.

[8] 田有文，牟鑫，程怡. 高光譜成像技術無損檢測水果缺陷的研究進展[J]. 農機化研究，2014，36（6）：1-5.

TIAN Youwen，MU Xin，CHENG Yi. Advancement of nondestructive detection of fruit defects based on hyperspectral imaging[J]. Journal of Agricultural Mechanization Research，2014，36（6）：1-5.

[9] 文靜，張昂，馬雯，金剛，徐國前. 高光譜技術在葡萄品質無損檢測應用上的研究進展[J/OL]. 食品科學，2024：1-18（2024-04-30）. https：//link.cnki.net/urlid/11.2206.TS.20240430.1436.004.

WEN Jing，ZHANG Ang，MA Wen，JIN Gang，XU Guoqian. Research progress on the application of hyperspectral technology for non-destructive testing of grape quality[J/OL]. Food Science，2024：1-18（2024-04-30）. https：//link.cnki.net/urlid/11.2206.TS.20240430.1436.004.

[10] 楊涵，陳謙，王寶剛，李文生，李文志，王炳策，錢建平. 利用高光譜技術預測采前獼猴桃干物質含量的可行性試驗[J]. 農業工程學報，2022，38（13）：133-140.

YANG Han，CHEN Qian，WANG Baogang，LI Wensheng，LI Wenzhi，WANG Bingce，QIAN Jianping. Feasibility of estimating the dry matter content of kiwifruits before being harvested using hyperspectral technology[J]. Transactions of the Chinese Society of Agricultural Engineering，2022，38（13）：133-140.

[11] ELMASRY G，KAMRUZZAMAN M，SUN D W，ALLEN P. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products：A review[J]. Critical Reviews in Food Science and Nutrition，2012，52（11）：999-1023.

[12] 何馥嫻，蒙慶華，唐柳，黃新，盧旭恒，王瑞揚，張克智，李鈺. 高光譜成像技術在水果品質檢測中的研究進展[J]. 果樹學報，2021，38（9）：1590-1599.

HE Fuxian，MENG Qinghua，TANG Liu，HUANG Xin，LU Xuheng，WANG Ruiyang，ZHANG Kezhi，LI Yu. Research progress in hyperspectral imaging technology for fruit quality detection[J]. Journal of Fruit Science，2021，38（9）：1590-1599.

[13] 馮迪，紀建偉，張莉，劉思伽，田有文. 基于高光譜成像提取蘋果糖度與硬度最佳波長[J]. 發光學報，2017，38（6）：799-806.

FENG Di，JI Jianwei，ZHANG Li，LIU Sijia，TIAN Youwen. Optimal wavelengths extraction of apple brix and firmness based on hyperspectral imaging[J]. Chinese Journal of Luminescence，2017，38（6）：799-806.

[14] 吳永清，李明，張波，張影全，郭波莉. 高光譜成像技術在谷物品質檢測中的應用進展[J]. 中國糧油學報，2021，36（5）：165-173.

WU Yongqing，LI Ming，ZHANG Bo，ZHANG Yingquan，GUO Boli. Application of hyperspectral imaging technology in grain quality detection[J]. Journal of the Chinese Cereals and Oils Association，2021，36（5）：165-173.

[15] JIAO Y P，LI Z C，CHEN X S，FEI S M. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics，2020，34（11）：e3306.

[16] 孫華生，李曉軒. 高維遙感圖像的快速分類算法[J]. 測繪科學，2016，41（8）：19-23.

SUN Huasheng，LI Xiaoxuan. A fast classification algorithm for high-dimensional remote sensing images[J]. Science of Surveying and Mapping，2016，41（8）：19-23.

[17] ZOU X B，ZHAO J W，POVEY M J W，HOLMES M，MAO H P. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta，2010，667（1/2）：14-32.

[18] 邵亞杰，湯秋香，崔建平，李曉娟，王亮，林濤. 融合無人機光譜信息與紋理特征的棉花葉面積指數估測[J]. 農業機械學報，2023，54（6）：186-196.

SHAO Yajie，TANG Qiuxiang，CUI Jianping，LI Xiaojuan，WANG Liang，LIN Tao. Cotton leaf area index estimation combining UAV spectral and textural features[J]. Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：186-196.

[19] RAVIKANTH L，JAYAS D S，WHITE N D G，FIELDS P G，SUN D W. Extraction of spectral information from hyperspectral data and application of hyperspectral imaging for food and agricultural products[J]. Food and Bioprocess Technology，2017，10（1）：1-33.

[20] WANG N N，SUN D W，YANG Y C，PU H B，ZHU Z W. Recent advances in the application of hyperspectral imaging for evaluating fruit quality[J]. Food Analytical Methods，2016，9（1）：178-191.

[21] 賈敏，歐中華. 高光譜成像技術在果蔬品質檢測中的應用[J]. 激光生物學報，2018，27（2）：119-126.

JIA Min，OU Zhonghua. Application of hyperspectral imaging technique in quality inspection of fruits and vegetables[J]. Acta Laser Biology Sinica，2018，27（2）：119-126.

[22] ?ETIN N，KARAMAN K，KAVUNCUO?LU E，YILDIRIM B，JAHANBAKHSHI A. Using hyperspectral imaging technology and machine learning algorithms for assessing internal quality parameters of apple fruits[J]. Chemometrics and Intelligent Laboratory Systems，2022，230：104650.

[23] WANG F，ZHAO C J，YANG H，JIANG H Z，LI L，YANG G J. Non-destructive and in-site estimation of apple quality and maturity by hyperspectral imaging[J]. Computers and Electronics in Agriculture，2022，195：106843.

[24] TIAN Y，SUN J，ZHOU X，YAO K S，TANG N Q. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm[J]. Journal of Food Processing and Preservation，2022，46（4）：e16414.

[25] LU R F. Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images[J]. Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19-27.

[26] 鄭麗靜，聶繼云，李明強，康艷玲，匡立學，葉孟亮. 蘋果風味評價指標的篩選研究[J]. 中國農業科學，2015，48（14）：2796-2805.

ZHENG Lijing，NIE Jiyun，LI Mingqiang，KANG Yanling，KUANG Lixue，YE Mengliang. Study on screening of taste evaluation indexes for apple[J]. Scientia Agricultura Sinica，2015，48（14）：2796-2805.

[27] NICOLA? B M，BEULLENS K，BOBELYN E，PEIRS A，SAEYS W，THERON K I，LAMMERTYN J. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy：A review[J]. Postharvest Biology and Technology，2007，46（2）：99-118.

[28] LOVáSZ T，MERéSZ P，SALGó A. Application of near infrared transmission spectroscopy for the determination of some quality parameters of apples[J]. Journal of Near Infrared Spectroscopy，1994，2（4）：213-221.

[29] MCGLONE V A，JORDAN R B，MARTINSEN P J. Vis/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple[J]. Postharvest Biology and Technology，2002，25（2）：135-144.

[30] PEIRS A，SCHEERLINCK N，TOUCHANT K，NICOLAI B M. Comparison of Fourier transform and dispersive near-infrared reflectance spectroscopy for apple quality measurements[J]. Biosystems Engineering，2002，81（3）：305-311.

[31] 高升，徐建華. 高光譜成像的紅提總酸與硬度的預測及其分布可視化[J]. 食品科學，2023，44（2）：327-336.

GAO Sheng，XU Jianhua. Hyperspectral imaging for prediction and distribution visualization of total acidity and hardness of red globe grapes[J]. Food Science，2023，44（2）：327-336.

[32] XU M，SUN J，CHENG J H，YAO K S，WU X H，ZHOU X. Non-destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm[J]. International Journal of Food Science amp; Technology，2023，58（1）：9-21.

[33] RUNGPICHAYAPICHET P，NAGLE M，YUWANBUN P，KHUWIJITJARU P，MAHAYOTHEE B，MüLLER J. Prediction mapping of physicochemical properties in mango by hyperspectral imaging[J]. Biosystems Engineering，2017，159：109-120.

[34] 張芳，鄧照龍，田有文，高鑫，王開田，徐正玉. 基于高光譜成像技術的南果梨酸度無損檢測方法[J]. 沈陽農業大學學報，2024，55（2）：231-239.

ZHANG Fang，DENG Zhaolong，TIAN Youwen，GAO Xin，WANG Kaitian，XU Zhengyu. Non-destructive testing method for acidity of Nanguo pear based on hyperspectral imaging technology[J]. Journal of Shenyang Agricultural University，2024，55（2）：231-239.

[35] 孟慶龍，尚靜，楊雪，張艷. 基于BP網絡的蘋果硬度高光譜無損檢測[J]. 包裝工程，2020，41（15）：14-18.

MENG Qinglong，SHANG Jing，YANG Xue，ZHANG Yan. Nondestructive detection for hyperspectral imaging of apple firmness based on BP network[J]. Packaging Engineering，2020，41（15）：14-18.

[36] 趙杰文，陳全勝，VITTAYAPADUNG S，CHAITEP S. 利用高光譜成像技術和多變量校正方法檢測蘋果的硬度[J]. 農業工程學報，2009，25（11）：226-231.

ZHAO Jiewen，CHEN Quansheng，VITTAYAPADUNG S，CHAITEP S. Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations[J]. Transactions of the Chinese Society of Agricultural Engineering，2009，25（11）：226-231.

[37] 查啟明. 基于高光譜成像技術的蘋果硬度、水分及可溶性固形物含量的無損檢測研究[D]. 南京：南京農業大學，2019.

ZHA Qiming. Research on nondestructive testing of hardness，moisture and soluble solids content of apple based on hyperspectral imaging technology[D]. Nanjing：Nanjing Agricultural University，2019.

[38] CRICHTON S，SHRESTHA L，HURLBERT A，STURM B. Use of hyperspectral imaging for the prediction of moisture content and chromaticity of raw and pretreated apple slices during convection drying[J]. Drying Technology，2018，36（7）：804-816.

[39] SHRESTHA L，CRICHTON S O J，KULIG B，KIESEL B，HENSEL O，STURM B. Comparative analysis of methods and model prediction performance evaluation for continuous online non-invasive quality assessment during drying of apples from two cultivars[J]. Thermal Science and Engineering Progress，2020，18：100461.

[40] 張保華. 基于機器視覺和光譜成像技術的蘋果外部品質檢測方法研究[D]. 上海：上海交通大學，2016.

ZHANG Baohua. Study on the external quality inspection of apples by using computer vision and spectral imaging[D]. Shanghai：Shanghai Jiao Tong University，2016.

[41] 程國首，肉孜·阿木提，郭俊先，胡光輝，李俊偉，亢銀霞，石砦. 基于高光譜圖像的新疆紅富士蘋果顏色分級研究[J]. 新疆農業科學，2012，49（9）：1616-1623.

CHENG Guoshou，Rouzi Amuti，GUO Junxian，HU Guanghui，LI Junwei，KANG Yinxia，SHI Zhai. Study on color sorting for Xinjiang Fuji apples by using hyperspectral imaging technology[J]. Xinjiang Agricultural Sciences，2012，49（9）：1616-1623.

[42] 郭俊先，饒秀勤，程國首，胡光輝，李俊偉，石砦，亢銀霞. 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.

GUO Junxian，RAO Xiuqin，CHENG Guoshou，HU Guanghui，LI Junwei，SHI Zhai，KANG Yinxia. Prediction of the sugar degree and grading of Xinjiang Fuji apple by hyper-spectral imaging techniques[J]. Journal of Xinjiang Agricultural University，2012，35（1）：78-86.

[43] GARRIDO-NOVELL C，PéREZ-MARIN D，AMIGO J M，FERNáNDEZ-NOVALES J，GUERRERO J E，GARRIDO-VARO A. Grading and color evolution of apples using RGB and hyperspectral imaging vision cameras[J]. Journal of Food Engineering，2012，113（2）：281-288.

[44] KERESZTES J C，GOODARZI M，SAEYS W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control，2016，66：215-226.

[45] BARANOWSKI P，MAZUREK W，WOZNIAK J，MAJEWSKA U. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering，2012，110（3）：345-355.

[46] ZHANG B H，HUANG W Q，LI J B，ZHAO C J，LIU C L，HUANG D F，GONG L. Detection of slight bruises on apples based on hyperspectral imaging and MNF transform[J]. Spectroscopy and Spectral Analysis，2014，34（5）：1367-1372.

[47] 沈宇，房勝，鄭紀業，王風云，張琛，李哲. 基于高光譜成像技術的富士蘋果輕微機械損傷檢測研究[J]. 山東農業科學，2020，52（2）：144-150.

SHEN Yu，FANG Sheng，ZHENG Jiye，WANG Fengyun，ZHANG Chen，LI Zhe. Detection of slight mechanical damage of fuji apple fruits based on hyperspectral imaging technology[J]. Shandong Agricultural Sciences，2020，52（2）：144-150.

[48] 蔣金豹，尤笛，汪國平，張政，門澤成. 蘋果輕微機械損傷高光譜圖像無損檢測[J]. 光譜學與光譜分析，2016，36（7）：2224-2228.

JIANG Jinbao，YOU Di，WANG Guoping，ZHANG Zheng，MEN Zecheng. Study on the detection of slight mechanical injuries on apples with hyperspectral imaging[J]. Spectroscopy and Spectral Analysis，2016，36（7）：2224-2228.

[49] 趙娟，彭彥昆，趙松瑋，宋育霖. 基于高光譜技術檢測蘋果外觀缺陷[J]. 食品安全質量檢測學報，2012，3（6）：681-684.

ZHAO Juan，PENG Yankun，ZHAO Songwei，SONG Yulin. Detection of defects in apples based on hyperspectral imaging technology[J]. Journal of Food Safety amp; Quality，2012，3（6）：681-684.

[50] 孟慶達. 基于高光譜成像技術的蘋果可溶性固形物含量與缺陷檢測[D]. 楊凌：西北農林科技大學，2015.

MENG Qingda. Detection of SSC and external defects of apples by using hyperspectral imaging[D]. Yangling：Northwest A amp; F University，2015.

[51] 劉思伽，田有文，馮迪，張芳，崔博. 基于高光譜成像的蘋果病害無損檢測方法[J]. 沈陽農業大學學報，2016，47（5）：634-640.

LIU Sijia，TIAN Youwen，FENG Di，ZHANG Fang，CUI Bo. Nondestructive detection method of hyperspectral imaging for apple disease[J]. Journal of Shenyang Agricultural University，2016，47（5）：634-640.

[52] 崔惠楨. 基于高光譜技術的蘋果炭疽病早期診斷方法研究[D]. 南昌：華東交通大學，2022.

CUI Huizhen. Research on early diagnosis of apple anthracnose based on hyperspectral technology[D]. Nanchang：East China Jiaotong University，2022.

[53] 田有文，程怡，王小奇，栗慶吉. 基于高光譜成像的蘋果蟲害檢測特征向量的選取[J]. 農業工程學報，2014，30（12）：132-139.

TIAN Youwen，CHENG Yi，WANG Xiaoqi，LI Qingji. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（12）：132-139.

[54] 劉木華，藥林桃，趙杰文. 一種快速無損檢測水果農藥殘留方法的試驗研究[C]//中國農業機械學會.農業機械化與新農村建設：中國農業機械學會2006年學術年會論文集（下冊），2006：1452-1455.

LIU Muhua，YAO Lintao，ZHAO Jiewen. The study of detecting pesticide residual in fruit surface using laser hyperspectral imaging[C]//Chinese Society for Agricultural Machinery. Agricultural Mechanization and New Rural Construction：Proceedings of the 2006 Annual Conference of the Chinese Society for Agricultural Machinery （Volume II），2006：1452-1455.

[55] 喬琦. 基于高光譜-電子鼻的蘋果農殘自動化檢測研究[D]. 吉林：東北電力大學，2021.

QIAO Qi. Research on automatic detection of pesticide residues in apple based on hyperspectral and electronic nose[D]. Jilin：Northeast Dianli University，2021.

[56] JIANG B，HE J R，YANG S Q，FU H F，LI T，SONG H B，HE D J. Fusion of machine vision technology and AlexNet-CNNs deep learning network for the detection of postharvest apple pesticide residues[J]. Artificial Intelligence in Agriculture，2019，1：1-8.

[57] 陳龍躍，段丹丹，王凡，孟翔宇，趙沖，錢英軍. 高光譜成像技術在水果品質無損檢測中的研究進展[J]. 廣東農業科學，2023，50（7）：83-94.

CHEN Longyue，DUAN Dandan，WANG Fan，MENG Xiangyu，ZHAO Chong，QIAN Yingjun. Research progress of non-destructive testing of fruit quality by hyperspectral imaging technology[J]. Guangdong Agricultural Sciences，2023，50（7）：83-94.

[58] 袁旭林，鄭紀業，趙賢，段玉林，王風云. 蘋果任意姿態下高光譜圖像感興趣區域選取方法[J]. 山東農業科學，2022，54（6）：131-140.

YUAN Xulin，ZHENG Jiye，ZHAO Xian，DUAN Yulin，WANG Fengyun. Method for selecting regions of interest for hyperspectral images of apples in arbitrary pose[J]. Shandong Agricultural Sciences，2022，54（6）：131-140.

[59] 談文藝. 基于高光譜成像技術的蘋果外部損傷精確識別與分級方法研究[D]. 哈爾濱：黑龍江大學，2018.

TAN Wenyi. Research on accurate identification and classification method of apple external damage based on hyperspectral imaging technology[D]. Harbin：Helongjiang University，2018.