刘亚 木合塔尔·米吉提 曹鹏程 岳建魁

摘要：简介高光谱成像系统的原理及优势，综述国内外高光谱技术在水果内部和外部品质检测方面的应用，分析其在相关检测中存在的主要不足，展望其未来发展方向，为提高高光谱成像技术在水果多品质无损检测中的检测准确性提供参考。

关键词：高光谱成像技术；水果品质；无损检测；外部品质；内部品质

中图分类号：S123；TP391.4 文献标识码：A 文章编号：1674-1161（2016）05-0050-04

水果在采摘包装运输过程中，易受人为或水果自身因素影响而内部或外部品质受损。随着人类健康观念的增强，对水果品质的要求越来越高，促使水果多品质分类越来越严格。在水果商品化处理过程中，准确、快速、客观的质量检测系统是确保其安全高质量生产的保证，也是现代水果产业的发展趋势。目前，我国水果分类分级主要依靠人工视觉，既费时费力又难以排除主观因素。

水果无损检测是在不损伤果体的情况下，应用一定的检测技术和分析手段，对水果内外部品质进行测定，并按照一定标准作出评价的过程。随着光谱技术发展，国内外学者把目光聚焦在高光谱成像技术上。高光谱成像技术是从遥感图像技术发展而来的，基于非常多窄波段图像数据技术，是传统二维图像技术和光谱技术有机结合的一项新兴技术，融合光学、电子学、图像处理、计算机科学等多学科知识。高光谱成像技术可以同时获取农产品图像和光谱信息，其中图像信息能够直接反映农产品外部形状特征、颜色、纹理、缺陷和污斑情况，光谱数据则可分析农产品内部化学成分含量，如糖度、酸度、含水率、可溶性固形物含量等。

1 高光谱成像系统概述

一般认为，光谱分辨率在10-1λ数量级范围内称为多光谱，光谱分辨率在10-2λ数量级范围内称为高光谱，光谱分辨率在10-3λ数量级范围内称为超光谱。高光谱图像是在特定波长范围内由一系列连续的窄波段图像组成的三维图像数据块，如图1所示。图1中，X和Y表示二维平面坐标轴，λ表示波长范围坐标轴。高光谱图像有某个特定波长下的图像信息，针对XY平面内某个特定像素，又具有不同波长下光谱信息。因此，高光谱图像集合了图像与光谱信息。在每个波长下，XY平面内每个像素的灰度值与其在该波长下的光谱值一一对应，在某个特定波长下，感兴趣区域（ROI）与正常区域间的光谱值存在很大差异，因此，在此波长下的图像中，它们之间的灰度也存在一定差异。

一个典型的基于光谱仪的高光谱成像系统主要包括成像光谱仪、光源、线阵或面阵摄像机、输送装置和计算机等部件，其主要结构见图2。

2 高光谱成像在水果内部品质检测中的应用

针对果蔬内部品质无损检测，高光谱成像技术主要应于可溶性固形物、坚实度及糖度等指标预测。

2.1 可溶性固形物

可溶性固形物（SSC）是指水果及蔬菜等农产品中可溶解于水的所有物质总称，包括可溶性糖、维生素、微量元素、矿物质、果胶等，可以判断水果成熟度，是衡量水果品质分级的重要指标之一。传统检测方法一般采用折光仪法，不仅检测速度慢，而且损坏检测对象。目前，随着高光谱技术不断发展，国内外学者开始利利用高光谱成像技术对水果中的可溶性固形物进行预测。

Leiva-Valenzuela等利用高光谱成像系统在可见短波近红外范围内，获取402颗蓝莓在茎秆、花萼和直径最大处3个方向的反射和透射光谱图像，选用偏最小二乘法回归方法建立SSC和坚实度预测模型。结果表明，依据反射光谱图得出的预测模型效果最好，其SSC预测模型的预测集相关系数RP为0.90，坚实度预测模型的预测集相关系数RP=0.78；根据透射光谱图得出的预测模型，其SSC预测模型预测集相关系数RP=0.76，坚实度预测模型预测集相关系数RP=0.64。

罗霞等以火龙果为研究对象，对光谱数据进行预处理，应用连续投影算法（SPA）进行特征变量选择，通过偏最小二乘法（PLS）和前馈反向传播神经网络法（BPNN）建立预测模型，分析火龙果果皮对SSC模型预测精度的影响。试验结果表明：SPA算法能够有效地对光谱数据进行降维处理，采用优选的15个特征变量建立BPNN预测模型的预测集相关系数RP为0.841 1，预测集均方根误差RMSEP为0.817 1。

2.2 坚实度

水果坚实度（Firmness）是指果肉抗压力的强弱，可以作为判断水果成熟度和口感品质的重要指标。传统的坚实度检测方法是穿刺试验方法，对样本有损伤，并且不能逐个检验，对大批量产品检测试验是不现实的。高光谱成像是一种融合光谱技术和图像技术的无损检测技术，能够对水果坚实度进行快速、无损和准确检测。

Nagata等应用近红外高光谱成像技术对草莓坚实度进行预测，测量波长范围为650～1 000 nm，光谱间隔5 nm，采用多元逐步线性回归进行分析。最后提取3个波长（685，985，865 nm）对五成熟到全熟样本的坚实度进行预测，相关系数为0.786，SEP为0.350 N。

李锋霞等用高光谱技术对哈密瓜坚实度进行检测，对比分析不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响。结果表明，在500～820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18 N，预测集相关系数为0.646，预测均方根误差为6.40 N。

2.3 糖度

糖度是水果的重要内部品质之一，直接决定水果的糖酸比。

Jiewen Z等用高光谱成像系统（408～1117 nm）检测苹果的糖度，用偏最小二乘法建模，发现检测糖度的最佳光谱范围为704～805 nm。

赵凡等以“华优”猕猴桃为对象，分别提取10×10，20×20，30×30（像素×像素）的正方形光谱区域及样品掩膜图像平均光谱，对平均光谱进行平滑去噪和标准正态变量变换预处理，用处理后的全光谱建立预测猕猴桃糖度的偏最小二乘法、最小二乘支持向量机、极限学习机和误差反向传播网络模型。结果表明，基于猕猴桃掩膜图像的平均光谱所建立的最小二乘支持向量机模型测性能最好，其预测相关系数为 0.97，预测均方根误差为0.86Brix，相对预测误差为4.06。

3 高光谱成像在水果外部品质检测中的应用

水果外部品质检测主要包括颜色、大小、质量、形状、表面缺陷等特征检测。颜色及表面缺陷检测大量使用可见光成像系统，而某些肉眼难以识别的表面缺陷如动物粪污染、轻微损伤等，通常对除可见光以外的波段更加敏感。高光谱技术获得的图像数据能反映农产品外部特征、表面缺陷、污斑情况等，可以有效检测水果外部品质。

3.1 表面损伤

水果表面损伤（轻微的碰压伤、隐性损伤等）对水果贮藏影响极大。通过对水果表面损伤研究，确定适宜贮藏条件，减少水果腐烂变质，延长水果货架期。

Ferrari， C等将每幅图像转换为一维信号，高光谱图像数据集可以看成是二维数据矩阵，进行数据处理后获取800幅近红外高光谱图像，利用偏最小二乘判别分析建模来预测苹果表面损伤，可以检测苹果表面损伤随时间的变化。

田有文等以红富士苹果为试验样本，采集苹果样本高光谱图像，根据正常苹果表面区域和刚损伤、损伤后（3，10，24 h）的损伤区域光谱反射率平均曲线得到有效光谱区域723～923 nm，然后基于有效光谱区域进行数据处理和分析。结果表明：正常苹果样本正确检测率达100.0%，损伤苹果样本的正确检测率为97.5%，总体检测精确度高达98.75%。

3.2 表面缺陷

鉴于消费者在购买水果时更多地关注水果外表面是否美观、完整、有无缺陷等，国内外学者利用高光谱图像技术对水果表面缺陷进行大量研究。

Nicola等利用近红外高光谱反射成像技（900～

1 700 nm）对苹果表面的凹陷进行检测，采用偏最小二乘法建立校正模型，选用阈值分割处理图像。该方法能够检测肉眼无法识别的凹陷，但在光强度比较弱的边界位置会出现错误检测。

刘燕德等采集表面缺陷黄桃与正常黄桃的近红外漫透射光谱。对比分析同一个黄桃样品损伤前后的光谱特征，建立黄桃最小二乘支持向量机判别模型与偏最小二乘判别模型。同时，建立黄桃可溶性固形物偏最小二乘回归模型并用连续投影算法对模型进行优化，研究表面缺陷果对黄桃可溶性固形物检测模型精度的影响，最终实现黄桃表面缺陷与可溶性固形物同时在线检测。采用未参与建模的样品来评价模型在线分选的准确性，缺陷果的正确判断率为100%，可溶性固形物分选准确率达到93%。

3.3 农药残留及污染物

水果表面的农药残留以及污染物不仅影响食品质量安全，还影响果品出口贸易。

Lefcout等利用高光谱图像技术检测被动物排泄物污染的苹果表面情况，人工配置3种比例的动物粪便稀释溶液，然后喷洒到苹果表面。试验表明，前两种稀释液检测准确率达到100%，第3种粪便稀释液检测准确率达到97%。

张令标等对番茄表面的农药残留进行检测，结果表明，高浓度农药检测率达100%，低浓度农药检测率为0。

3.4 冻伤

张嫱等通过分析桃果实贮藏期间感官指标、褐变指数、硬度、出汁率变化，分析各指标间的相关性，将‘霞晖5号水蜜桃的冷害进程分为0～3级，再利用半透射高光谱技术采集冷害桃果实400～1 000 nm波段的图像，应用独立主成分分析法和权重系数法优选出冷害的特征波长，半透射条件下波长为640，745，811 nm，同时得到桃果实不同冷害阶段的半透射高光谱图像特征，及冷害发生水蜜桃的ICA图像中的黑色斑点部位。最终提取特征波长处的光谱平均值作为Fisher判别方法建模的特征集，建立霞晖5号水蜜桃不用冷害等级判别模型并进行验证，验证组的总体正确率为91.0%。

4 结语与展望

应用高光谱图像采集时，反射模型是最常用的模型，可检测食品表面和近表面许多地方的质量和安全属性，且成本相对较低。其次是散射模型，用于检测硬度、粉体和SCC等。透射模型很少用于水果检测。值得注意的是，大多数研究只用一个模型，很少同时运用两个模型，建议在未来的研究中运用并比较不同的成像模型。

大部分研究都集中在获取与特殊属性相关波段范围，但在大多数情况下，这些结果都是在实验室条件下或者统计技术下实现的，很难运用于实际情况，应在未来的研究中使结果更有利于实际运用。

获取和处理图像速度较慢，不能广泛应用于生产实时检测。可借鉴的解决办法是选用一些范围小的波段，但有可能因丢失重要信息而限制最终应用。

参考文献

[1] MAHESH S， JAYAS D S， PALIWAL J， et al. Hyperspectral imaging to classify and monitor quality of agricultural materials[J]. Journal of Stored Products Research， 2015（61）：17-26.

[2] GABRIEL A. LEIVA-VALENZUELA， RENFU LU， et al. Assessment of internal quality of blueberries using hyperspectral transmittance and re？ectance images with whole spectra or selected wavelengths[J]. Innovative Food Science and Emerging Technologies ，2014，24（8）：12–13.

[3] 罗霞，洪添胜，罗阔，等.高光谱技术在无损检测火龙果可溶性固形物中的应用[J].激光与光电子学进展，2015，52（8）：309-317.

[4] 李锋霞，马本学，何青海，等.哈密瓜坚实度的高光谱无损检测技术[J].光子学报，2013，42（5）：592-595.

[5] FERRARI，CARLOTTA，FOCA，et al. Fast exploration and classi cation of large hyperspectral image datasets for early bruise detection on apples[J]. Chemometrics and Intelligent Laboratory Systems，2015，146（8）：108–119.

[6] 田有文，牟鑫，程怡.基于高光谱成像技术的苹果表面轻微损伤检测[J].沈阳农业大学学报，2015，46（4）：508-512.

[7] 张令标，何建国，刘贵珊，等.基于可见/近红外高光谱成像技术的番茄表面农药残留无损检测[J].食品与机械，2015，30（1）：82-85.

[8] 张嫱，潘磊庆，屠康.利用半透射高光谱图像检测‘霞晖5号水蜜桃冷害[J].食品科学，2015，36（2）：160-167.

Abstract： This paper had carried on the brief introduction of the principle and advantages of hyperspectral imaging system， summarized the application of hyperspectral technology in internal and external fruit quality examination home and abroad， analyzed the main limitation in the relative examination， and looked forward to its future development direction， providing reference for improving the accuracy of hyperspectral imaging technology in fruit multi-quality nondestructive examination.

hyperspectral technology in fruit quality deficiency .

Key word： hyperspectral imaging technology； fruit quality； nondestructive examination； external quality； internal quality