高光谱成像技术在水果品质检测中的研究进展

　　摘要：高光谱成像(HyperspectralImage,HSI)技术通过将成像和光谱这两种经典光学传感技术集成到一个系统中，可以同时提供空间和光谱信息。因此，高光谱成像具有快速和无损检测水果的物理形态特征以及内在化学和分子信息的能力，以便进行质量和安全分析和检测。本文总结了近十年来高光谱成像技术在水果质量检测方面的研究进展与应用。描述了高光谱成像系统的基本原理和系统组件，总结了高光谱数据采集、预处理、建模的常用方法，并对用于检测水果外观特征和内在特性例如硬度、可滴定酸度(TitratableAcidity,TA)、可溶性固形物含量(SolubleSolidsContent,SSC)、水分含量(Moisturecontent,MC)的方法进行了综述。同时给出了应用于水果质量检测的高光谱成像技术今后的发展趋势和研究方向，以期为水果产业智能化提供参考。

　　关键词：高光谱成像;化学计量学;水果品质;可溶性固形物含量;光谱定性分析;光谱定量分析

　　水果的综合质量检测包括外观检测和内在特性的测定。外部缺陷包括擦伤、冷害等，在很大程度上，这些缺陷会降低水果质量水平，造成巨大的经济损失。内部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等，这些都与水果香气、口感和口味有很大关系，而且其中一些成分对身体有很大益处，这意味着内部特征在质量检测中起着主导作用[13]。传统上，基于外部特征的水果质量检测系统严重依赖于人工操作，既耗时又费力且不够客观。同时，水果内部质量的测量主要依赖于破坏样品和使用化学试剂进行化学分析。

　　计算机技术方向评职知识：适合视觉传达设计论文发表的期刊

　　近年来，计算机视觉技术已被用于监测水果的质量变化。计算机视觉系统捕获的质量特征主要突出与其形状大小、颜色和纹理特征密切相关的外部视觉特性[45]。关于水果内部属性的定性和定量测定，已经采用了包括反射、透射、荧光和拉曼散射测量的光谱方法，来提供对水果质量和安全问题的直接检测。

　　然而，上述方法中单点检测的弱点限制了它们在均匀样品中的应用[67]。因此，在水果质量检测过程中应用一种实时、准确、无损的检测技术来量化每个质量参数，同时保证水果的安全性已成为迫切需要。如今的局限性可以通过引入高光谱成像技术来解决。本文将对高光谱成像技术在水果质量检测方面的研究进展与应用展开讨论。介绍高光谱成像系统的主要仪器组成，以及数据采集、光谱预处理和建模的常用方法。通过介绍用于检测水果外观特征和内部特性的方式及其建模方法，提出高光谱成像技术的挑战和未来发展趋势，以便更好地将高光谱成像技术应用于水果无损检测领域。

　　1高光谱技术原理

　　1.1高光谱成像系统及其系统组件

　　高光谱成像涉及成像和光谱两个方面内容。该技术可以在连续的波长范围内产生一系列高分辨率图像信息，这些数据具有二维(2D)空间信息和一维(1D)光谱信息，构成了三维(3D)数据立方体。其中，轴和轴代表2D平面，λ轴代表波长轴。因此，高光谱图像中的每个像素都保存相应位置的光谱信息，获得的光谱具有反映该特定像素信息的功能[89]。

　　1.2形态校准

　　在高光谱图像采集中，由于曝光时间、载物台移动速度和焦距的不同，普通水果表皮的粗糙度、颜色和光泽在影响图像采集方面各有差异。因此，根据不同水果的特点，确定图像采集的参数尤为重要。由于水果中光强分布不均匀，形状多样，在光源强度较弱的波长下，获取的图像通常具有较大的噪声，这给数据处理带来了冗余信息。因此，需要使用黑白板来校准高光谱图像[10]。

　　1.3化学计量学方法

　　1.3.1光谱预处理

　　为了将仪器和检测环境的干扰噪声和背景等非质量信息降至最低，需要进行光谱预处理，如均值中心化(MeanCentering)、平滑、多元散射校正(MultiplicativeScatterCorrection,MSC)、标准正态变量变换(StandardNormalVariate,SNV)、去趋势(Detrending,DT)、导数处理、光谱滤波等，以提高原始数据质量，用于后续分析[11]。

　　1.3.2波长筛选方法

　　原始高光谱数据立方体包含几十到几百个波段，这给计算机带来了巨大的存储和处理压力。因此，选择保存最佳波段是数据简化和模型优化的重要步骤，以此提高分析速度。目前在定量与定性分析中，波长选择的方法主要有相关系数法、方差分析法、无信息变量消除(EliminationofVariables,UVE)法、竞争性自适应权重取样(CompetitiveAdaptiveReweightedSampling,CARS)法、连续投影算法(SuccessiveProjectionsAlgorithm,SPA)和遗传算法(GeneticAlgorithms,GA)[12]等。

　　1.3.3建模方法

　　建模方法可分为定量建模方法和定性建模方法。定量建模方法也称多元定量校正方法。在光谱分析中常用的方法包括多元线性回归(MultipleLinerRegression,MLR)、主成分分析(PrincipalComponentAnalysis,PCA)、偏最小二乘回归(PartialLeastSquaresRegression,PLSR)、人工神经网络(ArtificialNeuralNetwork,ANN)、支持向量机(SupportVectorMachine,SVM)[13]等方法。定性分析问题需要用到化学计量学中的模式识别方法。这种方法通常包括三类：有监督的方法、无监督的方法、光谱检索方法。常用的分类方法包括：聚类分析、深度优先搜索(DepthFirstSearch,DFS)和判别分析(DiscriminantAnalysis,DA)等。

　　2高光谱成像技术在水果质量检测中的应用水果质量既包括外观、颜色等外部属性，也包括硬度和可溶性固形物含量(SSC)等内部质量参数。高光谱成像技术用于捕捉与内部质量相关的各种光谱和空间信息。表明了高光谱技术在水果品质无损检测中应用非常广泛。

　　水果的外部特征和内部参数的测量及建模方法在下面小节详细讨论。

　　2.1外部特征

　　2.1.1擦伤

　　在收获和运输时出现在水果表面的表皮擦伤是水果最严重的外部缺陷之一，在研究中备受关注。它影响水果的外观、质地和颜色，并促使水分流失。擦伤的斑点增加了细菌和真菌污染的风险，降低了消费者的接受程度。擦伤区域的化学变化会导致其反射特性的变化。因此，通过比较同一物体上不同空间位置的光谱，可以很容易地检测到擦伤区域。Siedliska(2014)等[29]对苹果擦伤进行无损检测，在构建水果损伤的监督分类模型时，采用了高光谱数据的二阶导数预处理和基于相关性的特征选择算法。测试集的成功率超过95%，验证集的成功率超过90%。在模型中，正确分类的实例的百分比非常高，从测试集的98.2%到100%，到验证集的93%。

　　吴龙国(2015)等[16]对长枣擦伤进行无损检测，采用近红外(NearInfraredReflection,NIR)波段获取300个长枣反射图像，提取并分析各类型长枣光谱曲线，选择9181678nm波段范围进行主成分分析，通过权重系数提取特征波长，然后对特征波长下图像进行主成分分析，选择最优的主成分图像进行识别。最后，对未识别的长枣图像采用波段比算法进一步进行识别。

　　NIR波段碰伤枣的识别率为100%。Keresztes(2016)等[30]开发了一个基于HSI的实时像素早期苹果碰伤检测系统。为了克服HSI光照均匀性较差的限制，对几种反射率校准和预处理技术进行了比较，以校正眩光并最大化信噪比。通过一阶导数和均值中心化的最佳组合，以及图像后处理，该系统能够在像素级以98%的精度检测30个苹果中的新擦伤，每个苹果的处理时间低于200ms。

　　Liu(2017)等[15]对草莓进行缺陷识别，采用最小噪声分数(MinimumNoiseFraction,MNF)变换对高光谱图像数据进行处理，并定位和分离缺陷区域并进行光谱提取。基于水果的目标缺陷区域建立质量参数和光谱特征之间的联系。光谱归一化后，擦伤草莓的光谱区域为650720nm，并通过连续投影算法从整个波长范围中选择八个最佳波长。开发了线性和非线性算法来识别草莓中的缺陷类型。

　　结果表明，基于全波长的SVM模型具有最高的识别准确率，标定准确率为96.91%，预测准确率为92.59%。 上述研究结果表明，基于高光谱成像技术的水果擦伤检测主要集中在苹果、猕猴桃、草莓、枣等水果，其中对苹果的擦伤检测最多。对于区分擦伤和正常水果以及不同深度的擦伤，高光谱成像技术的引入提高了水果擦伤的预测效率。然而，在使用高光谱检测较小面积擦伤时，应谨慎使用图像处理技术。此外，以上研究仅限于某类水果的几个品种，因此需要进一步研究更多不同品种的水果材料。

　　2.1.2冷害

　　冷害是指由水果和蔬菜组织冰点以上的不适低温造成的伤害。大多数热带和亚热带水果都对冷害敏感。在低温条件下，水果组织容易受到损伤，导致代谢活性发生改变。在敏感物种中，可以观察到表面点蚀、变色、萎蔫、风味丧失甚至腐烂。ElMasry(2009)等[31]对苹果冷害进行识别，建立了一个“蛇果”苹果冷害识别模型，利用反向传播神经网络方法，准确率为98.4%，该模型可进一步应用于苹果硬度的预测。

　　Sun(2017)等[19]对桃子冷害进行评价，采用高光谱反射成像(4001000nm)并结合化学计量学方法，建立PLSDA、ANN和SVM判别模型，用于二类(“非冷害”和“冷害”)，三类(“非冷害”、“轻度冷害”和“重度冷害”)，四类(“非冷害”、“轻度冷害”、“中度冷害”和“重度冷害”)分类模式。

　　结果表明，使用全波长时，神经网络模型对预测集的分类率最高，四类、三类和二类分类的准确率分别为85.37%、96.11%和99.29%。此外，通过连续投影算法选择的六个最佳波长用作偏最小二乘法、费希尔线性判别分析、ANN和SVM模型的输入。另外，还通过转换图像的主成分分析算法，生成了冷害区域的空间分布图。结果表明，高光谱反射成像技术用于桃子冷害的无损检测是可行和有效的，甚至可以在食用和加工前进行多波长的检测。

　　2.1.3组织特性

　　除了水果的擦伤和冷害之外，其他组织特性如多汁性和咀嚼性与其感官质量密切相关。苹果绵软是一种组织障碍，其特征是缺乏汁液和组织疏松。Huang和Lu(2010)[18]在6001000nm范围内使用HSI系统检测“金冠”苹果绵软，使用硬度和多汁性这两个参数作为指标。偏最小二乘分类模型对“绵软”和“非绵软”苹果的准确率在74.6%至86.7%之间。

　　利用局部线性嵌入算法进行特征提取，偏最小二乘法的总体分类性能为80.4%，而分类模型的准确率为82.5%。总的来说，高光谱成像有很好的二级分类(绵软，非绵软)结果。对于在长货架期内处理的“粉状”苹果的两级分类，获得了更好的结果(93%的准确性。然而，这项技术仍然不能准确地确定硬度和多汁性方面的粉质水平，也不能区分不太严重的粉质苹果。

　　3发展趋势

　　尽管在水果质量检测过程中，与强大的化学计量学相结合的高光谱成像技术使我们从繁重的测量和繁琐的计算中解脱出来，但在将高光谱成像技术应用于实时应用时仍有一些障碍需要克服。首先，之前构建的模型应用到另一个HSI系统时，应该仔细进行模型转换。第二，样本的特性也可能给质量分类和预测带来一些问题。一方面，由于大多数水果例如，圆形苹果或圆柱形香蕉的形态变化而导致的光谱变化削弱了模型的能力。另一方面，样品所具有的干扰例如，茎和花萼对擦伤检测的干扰)可能会降低分类的准确性[4244]。

　　随着硬件和软件技术的进步，具有低成本和快速检测特性的高光谱成像系统是有望实现的。在今后的应用高光谱对水果质量进行无损检测的过程应注重以下几个方面的研究：(1)目前，基于高光谱图像关键波段的多光谱成像受到了广泛关注。由于多光谱成像系统具有相对较低的仪器成本和较高的分析速度，有望在工业领域中得到广泛应用。(2)另外，HSI可以在不同的模式下执行，每种模式在提供特定的样本信息方面都有自己的优势。因此，以多模式方式运行的未来高光谱成像系统通过提供关于同一物体的更全面的信息将具有良好的潜力。

　　(3)此外，仍然需要改进成像处理算法，以进一步提高该技术的效率，挖掘其降低计算和图像分析成本的潜力，能够快速、实时、准确地确定水果中重要化学成分。(4)更要鼓励业界采用比当前在线多光谱技术更可靠、更灵活的分类解决方案，但建议进一步照明和硬件优化，以进一步减少眩光的影响和提高处理速度，以促进高光谱成像在水果快速和无损质量检测中的广泛应用。

　　结论

　　本文综述了近10年来高光谱成像在水果质量检测方面的研究进展与应用。涵盖了水果的内外属性，外部属性包括擦伤、冷害等，内部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等。在过去的几十年里，现代无损检测技术，包括光谱和成像技术得到了发展。在光谱技术方面，高光谱技术作为一种快速方便的工具，在这些无损检测技术中成本最低，适用于测定皮薄或内部结构均匀的水果。就成像技术而言，高分辨率成像技术是预测内部质量的有力工具，只需选择几个波长即可获得很好的结果。高光谱成像技术使实现对水果的无损检测以及在线分类和分级成为可能。

　　参考文献References：

　　[1]RAJKUMARP,WANGN,ELMASRYG,RAGHAVANG,GARIEPYY.Studiesonbananafruitqualityandmaturitystagesusinghyperspectralimaging[J].JournalofFoodEngineering,2012,108(1):194200.

　　[2]NANYAMY,CHOUDHARYR,GUPTAL,PALIWALJ.Adecisionfusionstrategyforfruitqualityinspectionusinghyperspectralimaging[J].BiosystemsEngineering,2012,111:118125.

　　[3]YANGL,GAOHQ,MENGLW,FUXP,DUXQ,WUD,HUANGLX.Nondestructivemeasurementofpectinpolysaccharidesusinghyperspectralimaginginmulberryfruit[J].FoodChemistry,2021,334:110.

　　[4]LIUJH,SUNX,YOUNGJM,BACHMEIERLA,NEWMANDJ.Predictingporkloinintramuscularfatusingcomputervisionsystem[J].MeatScience,2018,143:1823.

　　[5]WANP,TOUDESHKiA,TANHQ,EHSANIR.Amethodologyforfreshtomatomaturitydetectionusingcomputervision[J].ComputersandElectronicsinAgriculture,2018,146:4350.

　　作者：何馥娴，蒙庆华1*，唐柳，黄新，卢旭恒，王瑞扬，张克智，李钰