推扫式成像光谱系统在食品无损检测中的应用研究

孙梅，刘硕，陈兴海

（1.北京工商大学计算机与信息工程学院，北京100048；2.北京卓立汉光仪器有限公司，北京101102）

推扫式成像光谱系统在食品无损检测中的应用研究

孙梅1，刘硕1，陈兴海2

（1.北京工商大学计算机与信息工程学院，北京100048；2.北京卓立汉光仪器有限公司，北京101102）

利用高光谱成像系统和主成分分析的方法，在可见和近红外（400 nm～1000 nm）光谱范围内，对梨表面特征、表面的农药残留以及鱼肉的寄生虫等几个方面进行初步的探索研究，从常用食品的内部和外部品质同时检测，完成对食品的分级和初步的安全无损检测。

高光谱成像技术；无损检测；主成分分析；食品品质

近年来随着人们的生活水平快速提高，生活品质不断改善，对食物的口味、品质的要求也随之提高。品质是反映某一物体的某些性质的一个模糊概念，反映物体外表特征的外表品质如颜色、纹理、尺寸、形状和表面的缺陷；内部品质如水果的可溶性固体含量、水分含量、坚硬程度，猪肉的嫩度，鳕鱼的新鲜程度；品质安全主要通过对动物粪便等外来物污染、各种病害、品质劣变、细菌感染和农药残留进行检测评估，它关系到消费者的饮食安全和健康，是水果和蔬菜最为重要的品质特征反映物体基本物理性质的品质；无损检测技术可以避免破坏性测量造成的样品损失，具有对待测物进行跟踪、重复检测的优点。其检测速度快，适于大规模产业化生产的在线检测和分级，易于实现自动化。

高光谱成像技术（hyperspectral imaging，HIS）通过将光谱与成像技术相结合，同时提供光谱和空间信息，凭借其定性、定量以及定位的能力，目前已被用于食品质量和安全的无损检测工作。它能够进行食品品质检测的原理是在特定波长处，食品不同的化学组成和物理特征有着不同的反射比、分散度、吸收度以及电磁能，不同波长处的关键峰值可以表示不同化合物的物质属性（光谱指纹），从而通过分析光谱信号实现食品品质信息的定性或定量检测，并根据高光谱图像提供的光谱空间分布信息，实现食品品质信息的可视化表达，从而实现食品的分级分类和品质检测工作。

高光谱成像系统的核心部件包括：镜头，分光部件，CCD。分光设备通过光学元件把宽波长的混合光分散为不同频率的单波长光，并把分散光投射到面阵相机上。不同分光方式的高光谱成像仪的性能特点不同：1）纯反射式，通光效率高，杂散光小，无色差。存在像散和像场弯曲，适合与单通道探测器配合使用。2）傅里叶变换式，干涉成像，分辨率高，系统复杂，维护成本高，重复性差。3）声光可调谐滤波片式（AOTF），波长改变速度快，数据量大。波长范围不够长（450 nm～800 nm），分辨率在同一波段内会不同，如450 nm处为1.5 nm，800 nm处为3 nm。适合静态物体测量。4）液晶可调谐滤波片（LCTF），辨率高，杂散光少，速度快。随着使用时间的加长，液晶体可能会出现波长不稳定的状况。价格高，适合静态物体的测量。5）法布里-玻罗干涉滤光片式，干涉成像，分辨率高，内部多次反射，有一定的杂光。5）透射光栅式，体积相位全息光栅技术，光谱效率高，杂散光低，光强分布均匀，内部反射小。灵敏度分布均匀（最低60％最高95％），散射高。

推扫型和液晶可调滤光型的区别主要在于核心部件，液晶光谱成像系统中的核心部件液晶滤光器目前不能国产化，需要进口，这使得液晶光谱成像系统的造价很高近百万，过高的造价不利于该技术的实用化和成果转化。而光栅分光的优点是能得到更纯净的光谱，更好的光透过率，更短的积分时间，并且出射的各个波段的光是均匀排布的，没有成像失真，适合试验使用与在线移动物体的检测。推扫式高光谱相机结构见图1。

图1　高光谱成像仪系统Fig.1 GaiaSorter hyperspectral imager system

1　仪器和方法

1.1高光谱成像系统

本文中所使用的高光谱成像数据采集采用北京卓立汉光仪器有限公司的GaiaSorter高光谱分选仪系统，此系统的核心部件包括：镜头，分光部件，CCD。扫描方式为推扫式成像技术，该仪器的光谱扫描范围为350 nm～1 000 nm，光谱分辨率是2.8 nm，采样间隔为1.9 nm。

1.2方法理论

高光谱图像数据具有波段数多、光谱分辨率高和数据量大等特点，利用全波段建立模型不仅数据的后续处理比较困难，而且在光谱数据中还隐藏着大量的干扰信息，有些噪声波段的无用数据还会影响识别的准确度，对实现样品的快速无损检测极为不利，因此对光谱数据的降维就变得尤为必要。数据降维是利用线性及非线性的映射将较高维度的数据投影到较低维度的数据空间，在保留或者增强原始信息的前提下尽可能多的去除大量的冗余信息，从而找到能够表征高维数据空间的低维分量的过程，也叫做特征波长的选取。

在光谱分析中，最常见的选择特征波长的方法是主成分分析（PricipalComponentAnalysis，PCA）。主成分分析即通常所称的K-L变换，在图像压缩、随机噪声集积的去除和减小数据集的维数等方面有广泛的应用。它是沿着协方差最大的方向由高维数据空间向低维数据空间投影，得到的每一个主成分都是原来变量的线性之和，主成分分析得到的各个主成分之间互相独立的。利用主成分分析既可以实现对高维数据的降维，又能消除高维数据中的冗余信息。第一主成分包含最大的数据方差百分比，第二主成分包含第二大的方差，以此类推，最后的主成分波段由于包含很小的方差工，因此显示为噪声。通过主成分分析，可以根据方差的贡献的大小来选择主成分图像，从中选择出最能检测出样品的主成分图像。

2　结果与分析

2.1果蔬外部特征检测

果蔬产品在采摘、运输和产后处理阶段中，常常与四周多次发生碰撞而产生轻微碰伤。轻微碰伤部位随着时间推移会变黑甚至腐烂，不仅影响它们的美观，还会引起内部品质的劣变，腐烂甚至会传染给同批次的优质水果或蔬菜，造成不小的经济损失，因此尽早检出并剔除损伤果是很有必要的。高光谱图像集光谱与图像信息于一体，可以综合反映被测物料的物理和化学信息，其用于检测果蔬类农产品的表面轻微碰伤具有可行性［1-8］。梨和脐橙的数码照片和连续光谱曲线见图2。

图2　梨和脐橙的数码照片和连续光谱曲线Fig.2 The pictureand reflectance spectra of thepear and orange

如图2所示的是利用图1所示的高光谱成像设备检测的水果表面的外部特征光谱特性，从光谱特性曲线可以很好地区分梨的果肉损伤处与完好处。我们同样也检测了橙子的外部特征曲线。从我们初步的试验中，证明高光谱成像技术是农产品品质与安全检测的科学有效工具。

2.2果蔬农药残留检测

农药在果蔬的种植过程中虽然能起到防治病虫害的作用，但是由于农药不能完全被果蔬吸收，仍有很大一部分仍残留在果实表面。特别是近年来因过量使用农药造成的农药中毒现象屡见不鲜，所以果蔬的食用安全性也受到人们的关注。现在，农药残留检测方法虽然有很多，但常用的都是化学检测方法，这类方法是破坏性检测，消耗有机试剂、制样繁琐且检测成本高等不利特点。高光谱成像检测能够达到实时、高效、快速、无损检测的目的［9-11］。由于高光谱数据具有多光谱通道、高光谱分辨率和连续光谱的特点，可以得到农药残留区域和无农药区域的连续光谱曲线。梨的数码照片和连续光谱曲线见图3，如图3（a）所示的是进行农药残留所需的梨试验样品，在图中圆圈的地方是涂抹了农药，而其它部分则是干净的没有农药的，如图3（b）所示是样品在450 nm～980 nm范围内农药残留区域和无农药区域的连续光谱曲线。

（a）有农药残留的梨数码照片

图3　梨的数码照片和连续光谱曲线Fig.3 Thepictureand reflectance spectra of the pear

通过主成分分析，可根据方差贡献的大小来选择主成分图像，梨的主成分分析见图4。

图4　梨的主成分分析Fig.4 The PCA of thepear

如图4所示，可以很清楚的看到：在第4主成分波段下，农药残留区域的颜色明显不同于其他区域，证明了高光谱在检测果蔬农药残留方面应用的可行性和优势。

2.3生鲜海产菌斑检测

生鲜肉类、海产品品质的无损检测技术尤其是高光谱图像检测技术在我国还处于试验研究阶段，并没有真正地投入到实际生产当中。所以，加速生鲜肉类、海产品品质无损检测设备的市场应用，实现其在线、快速、无损检测对我国肉类产业的现代化发展具有非常重要的实际意义［12-13］。

鱼片中寄生线虫（鳕鱼蠕虫、密封蠕虫、鲸鱼蠕虫）检测被认为是鱼业质量保证的重要难题。一直以来，人工检查是检测鱼肉内部寄生虫的唯一方法。由检测人员检查每个鱼片，然后手工除去那些有缺陷、有寄生虫或瘀伤的鱼。高光谱成像技术通过采集被寄生的鱼和正常鱼的光谱图像，实现鱼肉中寄生虫的自动检测。鱼肉样品见图5，图5（a）所示为鱼肉样品的彩色图片，而（b）为紫外灯照射下的鱼肉样品，其中的亮点为寄生中。

高光谱的主成分分析及MNF（最小噪声分离变换）图像见图6。

图5　鱼肉样品Fig.5 Thesamplesof fish

如图6所示是利用主成分分析法可得到有效的特征波长和MNF图像。用由高光谱图像系统采集到鱼肉的高光谱图像，通过主成分分析后，在第6主成分波段图像中，可清晰的看到生有寄生虫的部分如图6所示。从图中，我们可以清晰地辨别出经过主成分分析的高光谱图像的菌斑位置。

无菌斑和有菌斑位置的波长曲线拟合图见图7，此图中箭头所指的分别为无细菌的位置波形和有细菌的位置波形。通过试验，可知高光谱成像技术用于生鲜肉类、海产品品质检测具有较好的效果，具有可研究性和可行性。

图6　高光谱的主成分分析及MNF图像Fig.6 The PCA of the fishmeatand MNF

图7　无菌斑和有菌斑位置的波长曲线拟合图Fig.7 The spectra of the spotand thespotof the plaque

3　结论

本文所有试验均采用HyperSIS（高光谱成像系统）系列高光谱成像检测系统采集所需的数据，利用主成分分析的方法，初步研究了梨的外部特征及表面的农药残留以及鱼肉的寄生虫等几个个方面的内容，从常用食品的内部和外部品质同时检测，可以完成对食品的分级和初步的安全检测。通过试验研究进一步证实高光谱技术在食品的品质及安全检测等无损检测中具有巨大潜力。

［1］EIMasry G，Wang N，EISayed A.Hyperspectral imaging fornondestructive determination of some quality attributes forstrawberry［J］. Journalof Food Engineering，2007，81（1）：98-107

［2］Zhang Baohua，HuangWenqian，Li Jiangbo，et al．Detection of slight bruises on apples based on hyperspectral imaging and MNF transform［J］.Spectroscopyand SpectralAnalysis，2014，34（5）：1367-1372

［3］GCarlomagno，LCapozzo，GAttolico，etal.Non-destructivegrading of peaches by near-infrared spectronmetry［J］.InfraredPhysics＆amp; Technology，2004，46（1）：23-29

［4］魏新华，吴姝，范晓东，等．基于高光谱成像分析的冬枣微观损伤识别［J］.农业机械学报，2015，46（3）：242-246

［5］Xing J，BravoC，Jancsók PT，etal.Detectingbruiseson‘Golden Delicious’apples using hyperspectral imagingwithmultiple wavebands［J］.Biosystems Engineering，2005，90（1）：27－36

［6］迟茜，王转卫，杨婷婷，等.基于近红外高光谱成像的猕猴桃早期隐性损伤识别［J］.农业机械学报，2015，46（3）：235-241

［7］王乐妍，张东仙，章海军，等.基于激光光致发光光谱的果实成熟度测试方法研究［J］.光谱学与光谱分析，2008，28（12）：2772-2776

［8］张鹏，李江阔，冯晓元，等.可见/近红外漫反射光谱预测磨盘柿成熟度［J］.食品研究与开发，2013，11（34）：91-94

［9］薛龙，黎静，刘木华.基于高光谱图像技术的水果表面农药残留检测试验研究［J］．光学学报，2008，28（12）：2277-2280

［10］李文秀，徐可欣.蔬菜农药残留检测的红外光谱法研究［J］.光谱学与光谱分析，2004，24（10）：1202-1204

［11］周向阳，林纯忠，胡祥娜.近红外光谱法（NIR）快速诊断蔬菜中有机磷农药残残留［J］.食品科学，2004，25（5）：151-154

［12］吴建虎．利用高光谱成像技术预测新鲜牛肉品质参数［D］．北京：中国农业大学，2010

［13］吴建虎，彭彦昆，江发潮，等．牛肉嫩度的高光谱法检测技术［J］．农业机械学报，2009，40（12）：130-134

Nondestructive Inspect of Food with Pushbroom Grating Hyperspectral Imaging System

SUN Mei1，LIU Shuo1，CHEN Xing-hai2
（1.School of Computerand Information Engineering，Beijing Technology and Business University，Beijing 100048，China；2.Zolix InstrumentsCo.，Ltd.，Beijing 101102，China）

In thispaper，the research of the nondestructive detection forsample，such as fruitsmaturity，pesticide residuesand fishmeat，were studied by the hyperspectral imaging system and PCA，the spectral rangewas 400 nm-1 000 nm.Food classification and safety detection based on both internaland externalquality attributes could beachieved.

hyperspectralimaging；nondestructivetesting；PCA；foodquality

10.3969/j.issn.1005-6521.2016.18.027

国家自然科学基金资助项目（61473009）；北京市自然科学基金项目（4132008）；北京市组织部优秀人才培养D类项目（2013D005003000008）

孙梅（1976—），女（汉），副教授，博士，主要从事高光谱成像与食品安全检测等研究。

2016-04-14