高光譜成像技術(shù)在農(nóng)產(chǎn)品無(wú)損檢測(cè)中的應(yīng)用

高光譜成像技術(shù)在農(nóng)產(chǎn)品內(nèi)外部品質(zhì)檢測(cè)方面也有重要作用。例如，利用高光譜成像技術(shù)可以檢測(cè)水果的果面缺陷和表面污染，同時(shí)也可以預(yù)測(cè)水果的內(nèi)部品質(zhì)，如糖度、水分、堅(jiān)實(shí)度、可溶性固形物含量等。此外，該技術(shù)也可用于肉類的品質(zhì)檢測(cè)和分級(jí)，比如通過(guò)在線判斷肉色、花紋和嫩度等品質(zhì)指標(biāo)，提高評(píng)級(jí)的客觀性和自動(dòng)化程度。

2.1 在果蔬檢測(cè)中的應(yīng)用

2.1.1果蔬內(nèi)部品質(zhì)檢測(cè) 水果和蔬菜內(nèi)部品質(zhì)無(wú)損檢測(cè)的研究主要對(duì)糖度、硬度、成熟度、SSC、水分等指標(biāo)的預(yù)測(cè)，國(guó)內(nèi)外學(xué)者已取得了一系列研究成果。

糖度是水果的重要內(nèi)部品質(zhì)之一，其決定水果的酸甜度。馬本學(xué)等[12]利用高光譜成像系統(tǒng)獲取哈密瓜糖度的漫反射光譜圖像，選取500～820 nm為有效波段，分別采用PLS、SMLR和PCR3種方法建立帶皮和去皮哈密瓜糖度檢測(cè)模型。結(jié)果表明，利用PLS方法檢測(cè)帶皮哈密瓜糖度是可行的，而利用SMLR檢測(cè)去皮哈密瓜糖度效果最好，其校正集和預(yù)測(cè)集相關(guān)系數(shù)R。、R,和RMSEC分別

為0.928、0.818和0.458、0.727。郭俊先等進(jìn)行了蘋果的分級(jí)和糖度預(yù)測(cè)研究，提取蘋果的平均光譜并進(jìn)行白板校正，然后采用一階微分進(jìn)行光譜預(yù)處理，合并10個(gè)波長(zhǎng)的光譜，采用多元線性回歸法建立蘋果糖度預(yù)測(cè)模型。結(jié)果表明，驗(yàn)證集中蘋果糖度預(yù)測(cè)模型的相關(guān)系數(shù)R,和RMSEC分別為0.911和0.727。單佳佳等(14)基于高光譜圖像處理技術(shù)和光譜分析方法，研究了蘋果表面摔傷和糖度同時(shí)檢測(cè)的可行性，首先對(duì)蘋果第一主成分圖像和794nm圖像的波段差圖像進(jìn)行去噪、閾值分割處理，然后采用多元散射校正、一階導(dǎo)數(shù)和SG平滑處理感興趣區(qū)域(ROI)的反射光譜曲線后，利用PLS法建立蘋果糖度預(yù)測(cè)模型。結(jié)果表明，蘋果表面摔傷檢測(cè)的準(zhǔn)確率達(dá)到92.6%,糖度預(yù)測(cè)模型的校正集和驗(yàn)證集的相關(guān)系數(shù)R,和R,分別為0.93和0.92。以上研究表明利用高光譜成像技術(shù)對(duì)水果糖度進(jìn)行無(wú)損檢測(cè)是可行的?？扇苄怨绦挝?SSC)是指水果以及蔬菜等農(nóng)產(chǎn)品中可溶解于水的所有物質(zhì)的總稱，包括糖、維生素、微量元素、礦物質(zhì)等，SSC也是水果和蔬菜重要的內(nèi)部品質(zhì)之一。Laiva-Valenzuela等[18]以藍(lán)莓為對(duì)象，進(jìn)行硬度和SSC含量?jī)煞N內(nèi)部品質(zhì)的檢測(cè)。前期研究中，首先利用高光譜成像系統(tǒng)獲取302個(gè)藍(lán)莓樣本兩種放置方式的反射光譜圖像，波段范圍為500~1000nm。得到每個(gè)藍(lán)莓的感興趣區(qū)域平均光譜后利用偏最小二乘法建立預(yù)測(cè)模型，結(jié)果表明硬度的預(yù)測(cè)效果(R=0.87)比SSC的預(yù)測(cè)效果(R=0.79)好。在后期研究中，為了驗(yàn)證高光譜成像技術(shù)運(yùn)用于藍(lán)莓自動(dòng)分類分級(jí)操作的可行性，對(duì)400-1000nm波段中藍(lán)莓的反射光譜圖像和透射光譜圖像分別利用iPLS方法建立預(yù)測(cè)模型，結(jié)果表明建立在反射光譜圖像的預(yù)測(cè)模型效果(硬度和SSC的R,分別為0.78、0.90)比透射光譜模型的預(yù)測(cè)效果(硬度和SSC的R,分別

為0.64、0.76)好。這些研究表明高光譜成像技術(shù)對(duì)藍(lán)莓進(jìn)行硬度和SSC含量無(wú)損檢測(cè)是可行的。李江波等[利用近紅外高光譜成像技術(shù)并結(jié)合競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)算法測(cè)定鴨梨SSC含量。首先采用CARS算法選擇NIR高光譜數(shù)據(jù)的關(guān)鍵變量，再比較基于關(guān)鍵變量建立的PLS模型(CARS-PLS)和基于全變量建立的PLS模型效果，結(jié)果表明僅用原始變量的15.6%信息的CARS-PLS模型比基于全變量的PLS模型SSC含量預(yù)測(cè)效果更好。CARS-PLS鴨梨SSC含量預(yù)測(cè)模型的rm2、RMSEP和RPD分別為0.9082、0.3120和3.3005,表明NIR高光譜圖像技術(shù)結(jié)合CARS算法可以預(yù)測(cè)鴨梨SSC含量。硬度在一定程度上可以反映出水果和蔬菜的成熟度。彭彥昆等[18]利用高光譜圖像技術(shù)建立了蘋果硬度的快速無(wú)損檢測(cè)方法，首先利用洛倫茲函數(shù)對(duì)蘋果高光譜圖像中的空間散射曲線進(jìn)行擬合，然后利用擬合曲線中提取出的相關(guān)參數(shù)，分別采用統(tǒng)計(jì)建模方法建立蘋果硬度預(yù)測(cè)模型。結(jié)果表明，利用PLS方法對(duì)擬合曲線峰值建立的蘋果硬度預(yù)測(cè)模型效果最好，其校正集和驗(yàn)證集預(yù)測(cè)值與標(biāo)準(zhǔn)值相關(guān)系數(shù)R,、R。分別為0.89、0.88,說(shuō)明利用高光諧散射成像技術(shù)可以對(duì)蘋果硬度進(jìn)行快速無(wú)損檢測(cè)。Leiva-Valenzuela等(1516)證明了高光譜圖像技術(shù)檢測(cè)藍(lán)莓硬度和SSC含量的可行性。

水分含量也是果蔬產(chǎn)品重要的內(nèi)部品質(zhì)之一。李丹等利用近紅外高光譜成像技術(shù)研究小黃瓜的水分無(wú)損檢測(cè)方法，首先采集小黃瓜的原始光譜，在900~1700nm波段范圍內(nèi)，采用多元散射校正和Savitzky-Golay卷積平滑進(jìn)行預(yù)處理，然后分別建立基于全波段和特征波長(zhǎng)的PLS小黃瓜水分預(yù)測(cè)模型。結(jié)果表明，經(jīng)S-G卷積平滑處理過(guò)的光譜預(yù)測(cè)模型效果最佳，基于特征波長(zhǎng)的預(yù)測(cè)模型(校正集和驗(yàn)證集模型相關(guān)系數(shù)和均方根誤差分別為0.86、0.90和0.111、0.156)優(yōu)于基于全波段的預(yù)測(cè)模型，表明利用高光譜成像技術(shù)對(duì)小黃瓜水分含量進(jìn)行無(wú)損檢測(cè)是可行的。

國(guó)內(nèi)外學(xué)者利用高光譜成像技術(shù)對(duì)果蔬糖度、酸度、硬度、SSC、成熟度等內(nèi)部品質(zhì)的無(wú)損檢測(cè)進(jìn)行了大量研究，研究結(jié)果如表1所示。

2.1.2果蔬外部品質(zhì)檢測(cè) 水果和蔬菜外部品質(zhì)的好壞主要從其大小、色澤、形狀特征及表面缺陷等方面進(jìn)行評(píng)估，在果蔬外部品質(zhì)無(wú)損檢測(cè)中，高光譜成像技術(shù)主要應(yīng)用于損傷、凍傷、腐爛等表面缺陷的檢測(cè)。

凍傷、損傷、擦傷是在水果和蔬菜的采摘、運(yùn)輸、儲(chǔ)存過(guò)程中產(chǎn)生的，這些傷害容易造成果蔬變質(zhì)及腐爛，且早期損傷不容易用肉眼識(shí)別，而高光譜成像技術(shù)可以對(duì)果蔬凍傷和損傷進(jìn)行快速無(wú)損檢測(cè)。Gowen等(20)利用票的反射成構(gòu)圖統(tǒng)對(duì)蘑菇早期凍傷進(jìn)行研究，分別深酶A和bPA分類檢測(cè)方法檢測(cè)，結(jié)果表明該方套煒巧沓之后的凍傷檢測(cè)效果最佳，凍傷樣品的檢測(cè)正確率達(dá)

97.9%。Siedliska等(21)利用高光譜圖像技術(shù)研究了蘋果在可見(jiàn)1近紅外/短波紅外波段內(nèi)的擦傷檢測(cè)與品種識(shí)別模型。采用相關(guān)特征選擇算法與第二衍生性預(yù)處理建立蘋果擦傷檢測(cè)和種類識(shí)別模型，結(jié)果表明，采用SVM、SLOG、SMO等方法建立蘋果擦傷檢測(cè)模型可以獲取最佳效果，校正集和驗(yàn)證集識(shí)別準(zhǔn)確率分別達(dá)到95%、90%。孫梅等(21應(yīng)用高光譜成像技術(shù)，采用主成分分析方法對(duì)蘋果的風(fēng)傷和壓傷進(jìn)行分析，通過(guò)分析不同光譜區(qū)域主成分對(duì)識(shí)別結(jié)果的影響，優(yōu)選識(shí)別光譜區(qū)域?yàn)?50~950

nm。根據(jù)權(quán)重系數(shù)并通過(guò)主成分分析，得出研究蘋果風(fēng)傷和壓傷的最佳特征波長(zhǎng)為714nm。薛龍等[23]利用高光譜圖像技術(shù)研究了梨表面碰壓傷無(wú)損檢測(cè)方法。采集梨在400~1000nm波段范圍的高光譜圖像，采用PCA法獲取主成分圖像，選出3

個(gè)特征波長(zhǎng)(572、696、945nm),再通過(guò)適當(dāng)?shù)膱D像處理技術(shù)檢測(cè)梨碰壓傷，結(jié)果表明高光譜圖像技術(shù)對(duì)梨表面碰壓傷檢測(cè)具有明顯效果。

腐爛也是水果和蔬菜常見(jiàn)的表面缺陷，腐爛不僅會(huì)縮短果蔬儲(chǔ)存的時(shí)間，而且容易產(chǎn)生安全問(wèn)題，很多學(xué)者對(duì)水果和蔬菜腐爛的高光譜無(wú)損檢測(cè)進(jìn)行了研究。Zhang等(24)利用高光譜反射率光

譜圖像對(duì)蘋果早期腐爛檢測(cè)進(jìn)行了研究，提取ROI平均光譜，采用連續(xù)投影算法選取出可以識(shí)別腐爛區(qū)域的候選最優(yōu)波段，在光譜域通過(guò)PLS-DA法證明選擇的最優(yōu)波段的檢測(cè)效率，在空間城利用一般圖像處理方法結(jié)合PCA和MNF法證明最優(yōu)波段的檢測(cè)效率，并建立了魯棒檢測(cè)算法，最后用120個(gè)蘋果樣本建立并測(cè)試了SPA-PLS-DA-MNF的檢測(cè)算法。結(jié)果表明，蘋果早期腐爛檢測(cè)模型的精度達(dá)到98%。這項(xiàng)研究為開(kāi)發(fā)蘋果腐爛的快速、無(wú)損、在線檢測(cè)裝置奠定了基礎(chǔ)。G 6mez-Sanchis等[2s]采用基于雙液晶可調(diào)諧濾波器的高光譜成像系統(tǒng)獲取柑橘類水果的高光譜圖像，提出了一種獲取和增強(qiáng)光譜圖像的方法，并運(yùn)用到柑橘類水果腐爛的檢測(cè)，取得了很好的效果。李江波等(26)研究了從不同缺陷臍橙中識(shí)別出潰瘍果的方法，提出了特征波段主成分分析法和波段比算法。提取感興趣區(qū)域光譜曲線并結(jié)合PCA法選取5個(gè)最佳波段(630、685、720、810、875nm),再根據(jù)特征波長(zhǎng)做主成分分析，識(shí)別準(zhǔn)確率達(dá)到80%,最后結(jié)合主成分分析法與波段比算法，潰瘍果的識(shí)別率提高到

95.4%。高光譜成像技術(shù)在水果和蔬菜的損傷、凍傷、腐爛等外部品質(zhì)檢測(cè)中的應(yīng)用如表1所示。

2.2在肉類檢測(cè)中的應(yīng)用

Tao等[27]利用高光譜圖像技術(shù)對(duì)豬肉嫩度和大腸桿菌無(wú)損檢測(cè)進(jìn)行研窄，采集31個(gè)樣本在400~1100nm波段范圍內(nèi)的光磨圖像，通好修正的Gompertz函數(shù)提取豬肉罕四分辨事高水請(qǐng)圖像的散射特性，代表不同光學(xué)意義的Gompertz參數(shù)α、β、g、δ通過(guò)原始散射曲線擬合得到，擬合

系數(shù)接近0.99。分別基于單個(gè)參數(shù)和綜合參數(shù)建立多元線性回歸模型，結(jié)果表明，Gompertz參數(shù)δ在嫩度和大腸桿菌污染檢測(cè)模型中的效果優(yōu)于其他單個(gè)參數(shù)，而綜合參數(shù)檢測(cè)效果則優(yōu)于所有單個(gè)參數(shù)，豬肉嫩度和大腸桿菌污染模型的驗(yàn)證系數(shù)Rcv分別為0.949和0.939。此研究表明高光譜圖像技術(shù)結(jié)合Gompertz函數(shù)可以實(shí)現(xiàn)豬肉嫩度及大腸桿菌污染的快速檢測(cè)。Liu和Barhin等(28-20)也分別研究了豬肉肌內(nèi)脂肪和蛋白質(zhì)、水分、脂肪等化學(xué)成分的高光譜成像檢測(cè)方法，并取得了良好的預(yù)測(cè)效果。ElMasry等[利用近紅外(900~1700 nm)高光譜反射率光譜圖像對(duì)牛肉的主要化學(xué)成分進(jìn)行無(wú)損檢測(cè)研究，利用提取的光譜數(shù)據(jù)和測(cè)量質(zhì)量參數(shù)并采用PLSR法建立牛肉水分、脂肪和蛋白質(zhì)含量預(yù)測(cè)模型，3種成分的預(yù)測(cè)系數(shù)R2。分別是0.89、0.84和0.886,預(yù)測(cè)標(biāo)準(zhǔn)差SEP分別為0.46%、0.65%和0.29%,說(shuō)明高光譜圖像技術(shù)結(jié)合適當(dāng)?shù)幕瘜W(xué)計(jì)量學(xué)多變量分析法可以同時(shí)檢測(cè)牛肉的多種化學(xué)成分。Ighal等(3)采用高光譜檢測(cè)技術(shù)在近紅外波段(900~1700nm)對(duì)火雞火腿的水分、pH值和顏色進(jìn)行了研究，利用PLSR方法提取和分析光譜數(shù)據(jù)，多元校正法進(jìn)行數(shù)據(jù)降維，分別提取預(yù)測(cè)水分的9個(gè)最優(yōu)波段，預(yù)測(cè)pH值的8個(gè)最優(yōu)波段和預(yù)測(cè)顏色的9個(gè)波段。結(jié)果表明，3種成分的預(yù)測(cè)系數(shù)R2和RMSECV分別為0.88、0.81、0.74和2.52、0.02、0.35。彭彥昆等[22-11]利用高光譜的散射特性進(jìn)行牛肉的嫩度、pH值和顏色的預(yù)測(cè)，根據(jù)高光譜圖像在400~1100nm波段范圍內(nèi)的散射特征，并對(duì)散射曲線進(jìn)行擬合，選擇優(yōu)化波長(zhǎng)及相應(yīng)的擬合參數(shù)建立MLR牛肉品質(zhì)預(yù)測(cè)模型，得到3種品質(zhì)參數(shù)的預(yù)測(cè)相關(guān)系數(shù)和標(biāo)準(zhǔn)差分別為0.86、0.86、0.90和11.7、0.07、0.41。基于高光譜圖像紋理特征并利用PCA提取的3個(gè)主成分，計(jì)算出8個(gè)主要紋理特征參數(shù)，并分別建立支持向量機(jī)和線性判斷法的牛肉嫩度判別模型，結(jié)果表明基于主成分紋理特征建立的LDA模型判別精度達(dá)到94.44%。國(guó)內(nèi)外學(xué)者對(duì)嫩度、水分、蛋白質(zhì)、顏色等肉類品質(zhì)的高光譜圖像無(wú)損檢測(cè)作了很多研究，研究結(jié)果如表1所示。

2.3 在谷物檢測(cè)中的應(yīng)用

我國(guó)是世界上最大的糧食生產(chǎn)國(guó)家，主要包括水稻、小麥、玉米、花生等糧食作物。近年來(lái)，我國(guó)的糧食安全問(wèn)題層出不窮，許多學(xué)者將谷物品質(zhì)的無(wú)損檢測(cè)作為研究重點(diǎn)，并取得了一系列成果。

Wang等利用高光譜成像技術(shù)對(duì)大米的質(zhì)量和種類進(jìn)行檢測(cè)和識(shí)別，獲取大米的高光譜圖像，采用主成分分析法對(duì)圖像感興趣區(qū)域進(jìn)行降維處理，提取堊白度和形狀特征并利用PCA和BPNN建立大米種類識(shí)別模型，結(jié)果表明，基于光譜數(shù)據(jù)的BPNN預(yù)測(cè)模型的效果優(yōu)于基于光譜數(shù)據(jù)的PCA預(yù)測(cè)模型，兩種預(yù)測(cè)模型的識(shí)別準(zhǔn)確率分別為89.91%和89.18%,基于數(shù)據(jù)融合的BPNN模型識(shí)別效果最好，準(zhǔn)確度達(dá)到94.45%,結(jié)果表明高光譜成像技術(shù)檢測(cè)識(shí)別大米的種類和質(zhì)量是可行的。Singh等(38|研究了近紅外高光譜反射率光譜圖像檢測(cè)小麥真菌感染的可行性，結(jié)果表明這種方法可以檢測(cè)真菌感染的谷物，首先選取3個(gè)最重要的波段(1284.2、1315.8、1347.4nm),再應(yīng)用K-均值聚類和判別分析建立二級(jí)和四級(jí)分類模型，二級(jí)判別分類模型最大分類準(zhǔn)確度為100%,線性判別分類器對(duì)感染種子的識(shí)別準(zhǔn)確率為97.8%,四級(jí)線性判別分類器對(duì)感染種子的識(shí)別率為95%,正常種子的識(shí)別率為91.7%。Del等(16)利用高光譜圖像技術(shù)檢測(cè)玉米真菌感染，采用主成分分析法選擇出4個(gè)特征波長(zhǎng)(410、470、535、945nm),再通過(guò)方差分析和費(fèi)舍爾顯著性差異測(cè)試，玉米真菌感染檢測(cè)的正確率達(dá)到95%。高光譜成像技術(shù)在谷物無(wú)損檢測(cè)中的應(yīng)用如表1所示。

3 結(jié)語(yǔ)

高光譜圖像結(jié)合了圖像信息和光譜信息，既能分析農(nóng)產(chǎn)品的外部品質(zhì)，又能檢測(cè)農(nóng)產(chǎn)品的內(nèi)部品質(zhì)，相比傳統(tǒng)的檢測(cè)手段，具有快速、無(wú)損、準(zhǔn)確度高等特點(diǎn)，逐漸成為農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)的一種重要發(fā)展趨勢(shì)。國(guó)內(nèi)外學(xué)者運(yùn)用高光譜成像技術(shù)對(duì)水果、蔬菜、肉類、谷物等農(nóng)產(chǎn)品無(wú)損檢測(cè)作了大量研究，取得了豐碩成果，這些研究成果對(duì)農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)的發(fā)展奠定了基礎(chǔ)，為開(kāi)辟高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中更廣闊的應(yīng)用提供了思路。我國(guó)農(nóng)產(chǎn)品檢測(cè)技術(shù)的研究起步較晚，主要研究了蘋果、梨、臍橙等水果內(nèi)外部品質(zhì)無(wú)損檢測(cè)，也取得了很好的效果，為實(shí)現(xiàn)農(nóng)產(chǎn)品自動(dòng)分級(jí)分類打下了基礎(chǔ)，大大促進(jìn)了我國(guó)農(nóng)業(yè)科學(xué)的發(fā)展。國(guó)外研究起步較早，在果蔬品質(zhì)檢測(cè)方面技術(shù)已經(jīng)很成熟，農(nóng)產(chǎn)品檢測(cè)研究已經(jīng)延伸到肉類、谷物等農(nóng)產(chǎn)品，證明了高光譜成像技術(shù)在肉類和谷物品質(zhì)檢測(cè)中的可行性。

高光譜成像技術(shù)還可以應(yīng)用于農(nóng)作物生長(zhǎng)狀況的檢測(cè)。通過(guò)獲取農(nóng)作物冠層、葉面等部分的反射光，可以預(yù)測(cè)個(gè)體農(nóng)作物的生長(zhǎng)速度、養(yǎng)分吸收等情況。這不僅有助于實(shí)時(shí)了解農(nóng)作物的生長(zhǎng)狀態(tài)，更為灌溉、施肥等農(nóng)業(yè)操作提供了科學(xué)依據(jù)，有效提高農(nóng)作物的耕作管理水平。