基于高光谱成像技术对桑椹品质无损检测的研究进展

孟留伟 ，杨 良，王静禹，黄凌霞 ，2＊

（1.浙江大学 应用生物资源研究所，浙江 杭州 310058；2.浙江大学-湖州南太湖农业技术推广中心，浙江 湖州 313000）

基于高光谱成像技术对桑椹品质无损检测的研究进展

孟留伟1，杨 良1，王静禹1，黄凌霞1，2＊

（1.浙江大学 应用生物资源研究所，浙江 杭州 310058；2.浙江大学-湖州南太湖农业技术推广中心，浙江 湖州 313000）

高光谱成像技术是近几年研究较多的一种检测技术，其通过将计算机成像技术和光谱技术进行有机结合而发展起来的一种新型无损检测技术。为进一步了解高光谱成像技术在桑椹无损检测中的研究进展，我们对相关的文献进行了检索、分析和学习，最后对基于高光谱成像技术的桑椹无损检测的研究进行了总结，并分析和展望了高光谱成像技术的未来。

高光谱成像技术；桑椹品质；无损检测；研究进展

随着当前社会经济的发展和人民群众生活水平的提高，人们对于农产品品质的要求也更加严格，不仅要品质优良，还要绿色健康，这就为当前农产品品质的检测提出了一大难题。当前对农产品品质的检测主要是通过传统的化学方法进行，不仅费时费力，而且还不符合检测的无损要求，因此在实际应用中也有很大的局限性。因此发展新型的快速无损检测技术就成了当前的一项紧迫任务。目前的无损检测主要基于检测物的声学、电学、光学等特性进行，而其中高光谱成像技术是目前在农产品品质无损检测中研究最多的，高光谱成像技术不仅具有计算机成像技术和光谱技术的双重优点，而且相对于其他技术来说还具有快速准确等优点［1～4］，因此可以用来对农产品进行在线检测，目前的许多研究已经将其应用在蔬菜和水果的研究中，并取得了良好的检测效果。

桑椹作为第三代水果，其具有酸甜可口、营养物质丰富、药用价值较高等优点［5］，但由于桑椹皮薄肉软多汁，极易发生腐烂变质，因此对桑椹进行及时快速的无损检测是避免其品质降低和经济损失的有效手段。当前桑椹成熟度和品质的评价主要是通过对颜色、质地、纹理、尺寸、香味等指标进行主观判断进行的［6］，由于评价人员在进行判断时存在个人主观性和经验偏差，使得品质评价结论存在误差甚至错误，因此需要一种更准确更客观地无损检测方法。最近几年随着高光谱成像技术的研究越来越成熟，已经有许多研究人员将其应用到农产品品质的无损检测中来［7］，而桑椹作为第三代水果的代表，应用高光谱成像技术对其品质进行检测，也成为了当前无损检测研究的热点之一。因此本文以桑椹作为检测对象，通过文献检索和学习总结来介绍高光谱成像技术在桑椹品质无损检测中的研究进展。

1 高光谱成像技术的原理和装置

1.1 高光谱成像原理

光谱根据分辨率的高低可以将其分成多光谱、高光谱、超光谱三种类型，这三种类型对应的光谱分辨率分别为10-1λ以内、10-2λ以内、10-3λ以内［8］，而高光谱图像就是由一系列连续的光波波长组成的光学图像。因此高光谱成像就是指在特定的波长范围内获得由一系列连续的窄波段图像组成的包含三维图像数据块的过程［9］。一个典型的高光谱数据块示意图如图1所示，进行高光谱成像时，成像仪通过接收被测物体表面反射和透射光以及在X轴上进行分光，在Y轴上进行成像，从而获得包含一维光谱和二维图像的高光谱三维数据块。通常高光谱的光谱范围主要包括可见光谱区域（400～760 nm）和近红外光谱区域（760～2560 nm），目前其光谱分辨率可以达到2～3nm［10］。在利用高光谱成像技术在获得样品图像的同时，还能够为图像上每个像素点提供上千个波长点的光谱信息，因此包含了样品内部丰富的成分含量信息，可以达到实现样品的成分、含量、空间分布的无损测量的目的。

图1 典型高光谱数据块示意图Figure 1 Sketch map oftypical hyperspectral data block

1.2 高光谱成像系统装置

一个典型的高光谱成像系统主要包含硬件和软件这两部分［11］。硬件系统包括：电荷耦合器件探测器、成像光谱仪、镜头、光源及其控制器、可调载物台、移动步进机等，而软件系统包含运动控制系统和图像采集系统两部分。通过将软硬件进行结合可以对样品信息进行快速采集，采集过程如下：首选是将样品平稳放置已调整好高光谱系统载物平台上，而后应用运动控制系统启动移动步进机，以点扫描、线扫描或者面扫描进行图像的获取［12］，在图像采集的过程中，被测物体表面的光反射和透射信息被高光谱成像仪接收，从而获得在平面X轴、Y轴和光波长λ上的三维信息，因此既包含了图像信息，也包含了光谱信息，而后将采集的图谱信息储存在计算机中，从而进行后续的数据处理和分析［13］。

2 高光谱图像数据处理与分析

高光谱成像采集的三维数据块能够提供被检样品内外部丰富的成分含量信息，但由于高光谱数据具有波段多、分辨率高、数据维度高、冗余性强等特点，因此必须采取合适的的数学算法对数据进行处理和分析。通常高光谱图像处理的流程一般包括：高光谱图像的获取、图像的校正，图谱信息的提取、数据预处理、数据降维和特征变量提取、模型建立、结果分析等几个方面。总结以上的几个方面，可以将其分成三个方面：高光谱图像校正、光谱数据降维以及检测模型构建。具体的分析流程图可见图2。

2.1 高光谱图像校正和光谱预处理

在高光谱图像采集过程中，由于图像是未经校正的原始图像，在图像的的采集过程中由于相机中的暗电流的存在会对采集系统产生一定的影响，使得采集的高光谱图像稳定性较差［14，15］，另一方面由于原始高光谱图像数据是光子的强度信息，需要通过反射校正来获取相对反射率［16］。因此对高光谱进行黑白版校正是数据分析前一个必要的过程［17］。另外，由于在光谱信息采集的过程中存在光散射、检测物图像不规则以及随机噪声等不利因素［18］，会使光谱曲线出现不平滑，信噪比较低等问题，所以在进行相关数据分析之前都会进行数据的预处理，常用的预处理方法有平滑、归一化、求导、多元散射校正、傅里叶变换、小波分析等，通过预处理后的数据不仅提高了曲线的平滑性和信噪比，而且对后续所建模型的准确性也有一定的提升。

图2 高光谱数据处理和分析流程图Figure 2 Flowchart of hyperspectral data processing and analysis

2.2 高光谱数据降维

由于高光谱采集的数据块通常含有几百甚至上千个波段的光谱信息，这就造成了过高维度的光谱信息和数据较大的冗余性，不仅使得计算过程繁琐，而且还会降低无损检测模型的准确性，因此在建模前对高光谱数据块进行降维处理是进行数据分析的重要一步。查阅文献发现，当前应用较多的降维处理方法主要有以下几种：主成分分析法、独立成分分析法、遗传算法以及最小噪声分离法等［19～22］，通过相应的降维算法处理后，大量的冗余信息被去除，并且特征波段和图像被提取，这些对于简化计算过程和提高模型的准确性发挥着重要的作用。

2.3 检测模型的构建

通过对降维处理后的图谱数据进行建模，可将图谱信息和待测品质关联起来，目前常用的一些化学计量学建模方法有偏最小二乘法、支持向量机、人工神经网络、多元线性回归法，线性判别分析，Fisher判别分析等算法［16，21，23，24］，通常的做法是应用多种建模方法，最后比较不同建模方法建模集和预测集结果来选出最优模型，因此建模方法不是固定的，而是根据不同的数据类型选用不同的建模算法，不匹配的建模方法通常会对结果准确性会产生较大的影响。而对于降维后的图像维，通常采用相应的数字图像处理技术对图像进行分割处理，从处理后的图像中提取特征参数建立模型，进而对被测样本表面缺陷或残留物进行检测和识别［23］。

3 高光谱成像技术在桑椹品质无损检测中的研究进展

水果品质的好坏，通常是由其内外品质共同决定的。内外品质也决定着桑椹的成熟度、货架期长短以及市场表现等［25］。因此客观全面的评估水果的品质就成了采摘和销售之前必要的内容。随着计算机技术和信息技术的发展，高光谱无损检测技术变得越来越成熟，以往破坏性的传统化学方法也正在被高光谱成像技术逐渐所取代。桑椹作为一种比较“小众化”的水果，由于易发生软化腐烂，因此应用高光谱技术对其进行品质检测的研究还较少［26］。但为了更好的了解高光谱在桑椹品质检测中的研究方向，本部分将介绍高光谱在桑椹和其他水果的上的应用，为桑椹以后的研究提供参考方向。

3.1 桑椹外部品质检测

外部品质是桑椹品质优良与否的直观体现，对桑椹的外部品质的评价通常是通过对颜色、硬度、纹理、尺寸、形状以及表面缺陷等指标进行评估，传统的评价往往根据个人经验进行，因此主观性较强，且不同品种的水果具有不同的外观特性，使得评价结果容易出现偏差和错误。而高光谱成像技术则能很好地解决这一问题，并且许多的研究已经在不同的水果上展开［27］。

通过文献检索发现，应用高光谱成像技术对桑椹外部品质的研究尚未开展，但其他水果的研究较多，例如LU等对两个品种苹果表面的的损伤进行了研究，结果表明在波长为1000～1340nm时，高光谱成像技术可以检测出两种苹果表面的损伤，并且检测的准确性分别介于62%～88%和59%～94%之间［28］。YU等通过高光谱成像技术对蓝莓的愈伤进行了研究，通过采用支持向量机成功地将愈伤组织和健康组织区分开来，并且准确性达到了90%以上［29］。此外也有研究对水果表面的农药残留和虫害进行了研究，如J.WANG等用反射高光谱成像系统对枣类水果虫害损伤进行了研究，通过检测枣的有损表皮和无损表皮，成功地将两者区分开来，区分总精度达到了97%以上［30］。而张玲表等应用高光谱成像对番茄表面的农药残留进行了研究，其通过对喷洒不同浓度农药的番茄进行光谱采集，而后通过对图谱处理和分析，不仅选出了特征波长而且利用特征波长建立的识别模型可以对经过不同浓度农药喷洒的番茄表面进行了识别，结果展示高浓度的的农药残留检出率为100%，而低浓度检出率为0，直接说明高光谱成像技术在农药残留检测方面具有一定的应用性［31］。除此以外，应用高光谱成像技术对水果的冻伤［32］、腐烂［33］、缺陷［34］等也有相应的研究，而且这类检测精度通常在80%以上，证明了高光谱成像技术在水果外观品质检测上的巨大潜力。以上所提的几种外观检测类型，在桑椹上的研究还较少，可能的原因是，桑椹体积小且表面凹凸不平，对于图像处理和分割有一定的困难性，但随着计算机信息技术的进步和图像处理技术的发展，应用高光谱成像技术对桑椹外观品质进行检测和研究会逐渐变为可能。

3.2 桑椹内部品质检测

目前应用高光谱成像技术对桑椹品质的研究主要集中在内部品质的无损检测上，通常检测以下几项内容：可溶性固形物、水分含量、酸度、干物质含量、可滴定酸等［35］。目前在桑椹中可溶性固形物的研究较多，如Zhao等通过将化学计量学方法和高光谱成像技术进行结合对桑椹中的总可溶性固形物进行了研究，采集了310个桑椹的高光谱信息，然后用糖度计对其可溶性固形物进行测定，通过相应的变量选择方法得到特征波长，最后应用偏最小二乘法和支持向量机两种建模方法对样品中的可溶性固形物进行了研究，成功地将其分布进行了可视化呈现［36］。另外我们实验室也对桑椹的内部品质进行了无损检测研究，Huang对可溶性固形物进行了研究，并通过不同的变量选择方法和和建模方法，对桑椹中的可溶性固形物进行了预测，通过综合比较选出了最优组合，相关系数达到了0.700；除此以外我们还对pH进行了研究，其相关系数达到了0.900，结果显示高光谱有成像技术对桑椹中的可溶性固形物和pH具有很好的检测效果［37］。另外Huang还利用高光谱成像系统中的两种CCD探测器对桑椹中的总花青素含量和抗氧化活性进行了快速无损检测，相关的系数也分别达到了0.959和0.995［38］。由于当前桑椹的研究还较少，桑椹的许多内部品质指标尚未应用高光谱成像技术进行研究，而在其他水果中已经进行许多相关内部指标的检测，如对草莓［39，40］、苹果［41，42］、桃子［43，44］水分含量、总的可溶性固形物、硬度等的检测。通过学习和借鉴高光谱成像技术在其他水果内部品质中的应用，可以为以后桑椹的研究奠定基础和研究方向，另外从这些研究中可以看出高光谱成像技术在桑椹品质无损检测中广阔前景。

4 总结与展望

基于高光谱成像技术对于桑椹品质进行快速无损检测，已经成为当前无损检测技术中研究最多的一项技术，通过此项技术不仅可以进行品质的无损检测，而且还可以用来确定最优采摘时机，指导定价以及分级销售，从而提高桑椹的经济效益。但应用高光谱成像技术进行对桑椹进行无损检测还存在一些不足：首先是利用高光成像技术对桑椹品质进行无损检测存在检测指标过于单一的问题，未能形成一套全面的无损检测模型和体系，因此只能对单一指标进行评价，不能从整体确认桑椹品质的优劣，这也说明全面系统地对桑椹进行品质检测是以后研究的热点方向。其次是利用高光谱成像技术进行的某些品质指标的无损检测，其准确性较低，造成模型实用性不高，因此对于如何提高模型的准确性和实用性也是当前需要重点研究的内容。再次是当前的一些光谱预处理方法，数据挖掘方法、图像处理方法以及建模方法不够丰富，虽然相应的化学计量学方法已有十几种，但由于高光谱图像所具有的高维度性、冗余性以及图谱合一性，使得数学算法在光谱数据的处理过程中占有重要的地位，有时甚至决定着模型的复杂度和准确性，因此开发尽量多的新数学算法，对于推广和应用高光谱成像技术具有重要意义。最后是高光谱设备采集信息较为缓慢，且高光谱成像仪价格昂贵，不利于大范围的推广和应用，因此开发轻便、快速、简单的高光谱成像系统对于实际生产更加实用。以上几个问题是以后研究的重点内容和方向，相信随着信息技术的快速发展和计算机技术的日益成熟，会极大地提高高光谱成像技术的适用性。因此高光谱成像技术在桑椹等农产品的品质无损检测上具有较大的发展潜力，相信不久的将来会成为一种重要的无损检测手段。

［1］李江波，饶秀勤，应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展［J］.光谱学与光谱分析，2011（08）：2021-2026.

［2］QIN J，CHAO K，KIM M S，et al.Hyperspectral and mul⁃tispectral imaging for evaluating food safety and quality［J］.Journal of Food Engineering，2013，118（2）：157-171.

［3］王雷，乔晓艳，董有尔，等.高光谱图像技术在农产品检测中的应用进展［J］.应用光学，2009（04）：639-645.

［4］彭彦昆，张雷蕾.农畜产品品质安全高光谱无损检测技术进展和趋势［J］.农业机械学报，2013（04）：137-145.

［5］李娇娇，郜海燕，陈杭君，等.温度对桑椹采后贮藏品质及细胞壁代谢酶的影响［J］.中国食品学报，2016（02）：166-172.

［6］CHENG J H，SUN D W.Rapid Quantification Analysis and Visualization of Escherichia coli Loads in Grass Carp Fish Flesh by Hyperspectral Imaging Method［J］.Food and Bioprocess Technology，2015，8（5）：951-959.

［7］WU D，SUN D W.Advanced applications of hyperspec⁃tral imaging technology for food quality and safety analy⁃sis and assessment：A review-Part II：Applications［J］.In⁃novative Food Science&Emerging Technologies，2013，19（1）：15-28.

［8］刘木华，赵杰文，郑建鸿，等.农畜产品品质无损检测中高光谱图像技术的应用进展［J］.农业机械学报，2005（09）：139-143.

［9］黄培贤，姚志湘，粟晖，等.高光谱图像技术在食品无损检测中的研究进展［J］.食品工业科技，2012（15）：412-417.

［10］孙梅，付妍，徐冉冉，等.基于高光谱成像技术的水果品质无损检测［J］.食品科学技术学报，2013（02）：67-71.

［11］陈守满.高光谱图像与农产品品质无损检测研究进展［J］.安康学院学报，2011（06）：1-6.

［12］FENG Y Z，SUN D W.Application of hyperspectral imag⁃ing in food safety inspection and control：a review［J］.Critical Reviews in Food Science and Nutrition，2012，52（11）：1039.

［13］GOWEN A A，O'DONNELL C P，CULLEN P J，et al.Hy⁃perspectral imaging-an emerging process analytical tool for food quality and safety control［J］.Trends in Food Science&Technology，2007，18（12）：590-598.

［14］YAO H，LEWIS D.CHAPTER 2-Spectral Preprocessing and Calibration Techniques［J］.Hyperspectral Imaging for Food Quality Analysis&Control，2010：45-78.

［15］NICOLAÏ B M，LÖTZE E，PEIRS A，et al.Non-destruc⁃tive measurement of bitter pit in apple fruit using NIR hyperspectral imaging［J］.Postharvest Biology&Technol⁃ogy，2006，40（1）：1-6.

［16］周竹，李小昱，高海龙，等.马铃薯干物质含量高光谱检测中变量选择方法比较［J］.农业机械学报，2012（02）：128-133.

［17］单佳佳，彭彦昆，王伟，等.基于高光谱成像技术的苹果内外品质同时检测［J］.农业机械学报，2011（03）：140-144.

［18］GOMEZSANCHIS J，MOLTO E，CAMPSVALLS G，et al.Automatic correction of the effects of the light source on spherical objects.An application to the analysis of hyper⁃spectral images of citrus fruits［J］.Journal of Food Engi⁃neering，2008，85（2）：191-200.

［19］罗阳，何建国，贺晓光，等.农产品无损检测中高光谱成像技术的应用研究［J］.农机化研究，2013（06）：1-7.

［20］周竹，李小昱，陶海龙，等.基于高光谱成像技术的马铃薯外部缺陷检测［J］.农业工程学报，2012（21）：221-228.

［21］YU K，ZHAO Y，LI X，et al.Identification of crack fea⁃tures in fresh jujube using Vis/NIR hyperspectral imag⁃ing combined with image processing［J］.Computers&Electronics in Agriculture，2014，103（103）：1-10.

［22］张保华，黄文倩，李江波，等.基于高光谱成像技术和MNF检测苹果的轻微损伤［J］.光谱学与光谱分析，2014（05）：1367-1372.

［23］陈全胜，张燕华，万新民，等.基于高光谱成像技术的猪肉嫩度检测研究［J］.光学学报，2010（09）：2602-2607.

［24］ELMASRY G，WANG N，VIGNEAULT C.Detecting chill⁃ing injury in Red Delicious apple using hyperspectral im⁃aging and neural networks［J］.Postharvest Biology&Technology.2009，52（1）：1-8.

［25］MOREDA G P，ORTIZCAÑAVATE J，GARCÍARAMOS F J，et al.Non-destructive technologies for fruit and vege⁃table size determination-A review［J］.Journal of Food Engineering，2009，92（2）：119-136.

［26］韩强，郜海燕，陈杭君，等.臭氧处理对桑椹采后生理品质的影响及机理［J］.中国食品学报，2016，16（10）：147-153.

［27］ZHANG R，YING Y，RAO X，et al.Quality and safety as⁃sessment of food and agricultural products by hyperspec⁃tral fluorescence imaging［J］.Journal of the Science of Food&Agriculture，2012，92（12）：2397-2408.

［28］LU R.Detection of Bruises on Apples Using Near-Infra⁃red Hyperspectral Imaging［J］.Transactions of the Asae，2003，46（2）：523-530.

［29］JIANG Y，LI C，TAKEDA F.Nondestructive Detection and Quantification of Blueberry Bruising using Near-in⁃frared（NIR）Hyperspectral Reflectance Imaging［J］.Sci⁃entific Reports，2016，6：35679.

［30］WANG J，NAKANO K，OHASHI S，et al.Detection of ex⁃ternal insect infestations in jujube fruit using hyperspec⁃tral reflectance imaging［J］.Biosystems Engineering，2011，108（4）：345-351.

［31］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，2014（01）：82-85.

［32］CEN H，LU R，ZHU Q，et al.Nondestructive detection of chilling injury in cucumber fruit using hyperspectral im⁃aging with feature selection and supervised classification［J］.Postharvest Biology&Technology，2016，111：352-361.

［33］李江波，王福杰，应义斌，等.高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究［J］.光谱学与光谱分析，2012，32（1）：142-146.

［34］CHO B K，KIM M S，BAEK I S，et al.Detection of cuti⁃cle defects on cherry tomatoes using hyperspectral fluo⁃rescence imagery［J］.Postharvest Biology&Technology，2013，76：40-49.

［35］SADEGHI N，NAYAK A，WALKER L，et al.Analysis of the contribution of experimental bias，experimental noise，and inter-subject biological variability on the assessment of developmental trajectories in diffusion MRI studies of the brain［J］.Food and Bioprocess Technology，2012，5（4）：1121-1142.

［36］ZHAO Y R，YU K Q，HE Y.Hyperspectral Imaging Cou⁃pled with Random Frog and Calibration Models for As⁃sessment of Total Soluble Solids in Mulberries［J］.Jour⁃nal of Analytical Methods in Chemistry，2015，2015（2）：343782.

［37］HUANG L，WU D，JIN H，et al.Internal quality determi⁃nation of fruit with bumpy surface using visible and near infrared spectroscopy and chemometrics：A case study with mulberry fruit［J］.Biosystems Engineering，2013，109（4）：377-384.

［38］HUANG L，ZHOU Y，MENG L，et al.Comparison of dif⁃ferent CCD detectors and chemometrics for predicting to⁃tal anthocyanin content and antioxidant activity of mul⁃berry fruit using visible and near infrared hyperspectral imaging technique［J］.Food Chemistry，2017，224：1.

［39］NAGATA M，TALLADA J G，KOBAYASHI T.Non-De⁃structive Estimation of Firmness of Strawberries（Fragar⁃ia*ananassa Duch.）Using NIR Hyperspectral Imaging［J］.Environmental Control in Biology，2006，44（4）：245-255.

［40］ELMASRY G，WANG N，ELSAYED A，et al.Hyperspec⁃tral imaging for nondestructive determination of some quality attributes for strawberry［J］.Journal of Food Engi⁃neering，2007，81（1）：98-107.

［41］PENG Y K，LI Y Y，ZHAO J，et al.Establishment of rap⁃id and non-destructive detection method of apple firm⁃ness using hyperspectral images［J］.Journal of Food Safe⁃ty&Quality，2012.

［42］DONG J，GUO W.Nondestructive Determination of Ap⁃ple Internal Qualities Using Near-Infrared Hyperspectral Reflectance Imaging［J］.Food Analytical Methods，2015，8（10）：1-12.

［43］GUO W C，DONG J L.Nondestructive detection on firm⁃ness of peaches based on hyperspectral imaging and arti⁃ficial neural networks［J］.Guangxue Jingmi Gongcheng/optics&Precision Engineering，2015，23（6）：1530-1537.

［44］LU R，MENDOZA F A，ARIANA D P.Peach maturity/quality assessment using hyperspectral imaging-based spatially resolved technique［J］.Sensing for Agriculture&Food Quality&Safety III，2011，8027（4）：80270L.

Research Progress of Hyperspectral Imaging Technology in Non-destructive Detection of Mulberry Fruit

MENG Liu-wei1,YANG Liang1，WANG Jing-yu1，HUANG Ling-xia1,2＊
（1.Research Institute of Applied Bioresource,Zhejiang University,Hangzhou 310058,China 2.South Taihu Agriculutural Technology Extension Center in Huzhou Zhejiang University,Hangzhou 313000 Zhejiang,China）

Hyperspectral imaging technology is a kind of testing technology and more researched in recent years,which is a new non-destructive detection technology by combining computer imaging technology and spectral technology.In order to concludethe research progress of the non-destructive testing in mulberry quality based on hyperspectral imaging technology,the research on the mulberry non-destructive testing based on hyperspectral imaging technology was described and summarized.Moreover,the future of hyperspectral imaging technology were also analyzed and prospected.

mulberry quality;hyperspectral imaging technology;non-destructive testing;research progress

S663.9

A

0258-4069［2017］03-009-06

中央高校基本科研业务费专项资金资助（2017QNA6025）；国家自然科学基金（3170100331）；浙江省科技计划项目（2017C32013）；现代农业产业技术体系专项（CARS-22）；湖州市公益性技术应用研究项目（2015GZ12）

孟留伟（1989-），男，河南周口人，硕士研究生。主要从事数字蚕桑研究。E-mail：1193414839@qq.com

黄凌霞，女，副研究员，硕士生导师。E-mail：lxhuang@zju.edu.cn