高光谱成像技术在水果品质无损检测中的研究现状

张 飞，罗华平※，高 峰，王长旭，张 辉，于智海，王玉婷

（1.塔里木大学机械电气化工程学院，新疆 阿拉尔 843300；2.新疆维吾尔自治区现代农业工程重点实验室）

0 引言

随着社会经济的发展和人民生活品质的日益提高，水果在日常饮食中的比例越来越大，人们对水果品质安全的关注也越来越重视。水果中含有的丰富纤维素、矿物质以及铁、钙、磷、锰、锌等人体必需的微量元素，对身体有较大裨益[1]。果品经济是农业经济的重要组成部分之一，目前主要用传统化学检测手段对水果品质进行检测，化学检测方法既费时又费力，是一种破坏性的检测，严重破坏了水果外观和内部组织成分，检测结果受外界环境和人为因素影响最大，不适用于水果的批量及流水线化处理，严重制约了果品经济的发展[2]。

常见的无损检测技术有光学无损检测、声学无损检测、电磁学无损检测和气味无损检测[3]。高光谱成像技术能同时得到对象的高光谱数据信息和RGB图像信息，将两者优势融合于一身，可以获取更多内外部品质参数信息，实现图像信息与光谱信息融合。

1 高光谱成像系统

如图1，高光谱图像上的每个像元均可获取一个光谱区间内的窄波段信息，并得到一个平滑而完整的光谱曲线[4]。光谱信息和对象的物理特性和化学成分息息相关，而图像信息能反映物体的形状、大小、颜色等特征，因此高光谱成像技术能采集到丰富的光谱信息和完整的RGB图像。高光谱成像技术可实现对水果进行表面腐烂、损伤等的定性检测分析，以及糖度、水分、硬度、可溶性固形物等的定量检测分析。

图1 高光谱图像数据立体图

高光谱成像系统的组成有两部分，一部分是数据采集软件和数据分析软件，另一部分是硬件组成，如图2，主要包含成像光谱仪、光源、CCD相机、计算机与运动平台等。高光谱成像系统的核心部件为CCD相机和成像光谱仪，能实现对检测对象光谱和图像信息的快速获取，利用在检测过程中光谱仪接收到的反射光、散射光和透射光，最终得到检测对象的高光谱图像。

图2 高光谱系统组成

高光谱成像系统常采用“推扫式”成像方式获得对象在空间中的每个像素在不同波长下的高光谱图像信息，可以从紫外光波段到可见光波段再到红外光（200~2500 nm）波段。常见的成像光谱仪光谱范围有400~1000nm、900~1 700 nm、900~2 500 nm等。高光谱图像能包含对象的光谱信息和空间信息，不仅能反映外部特征，也能反映内部品质特征。

2 数据处理方法

高光谱图像的光谱分辨率高，因此物体的微小特征也能精细的显示出来。成像光谱仪在每个波段都进行拍照，数据量大、相关性高，同时包含了样品内外部信息。但是采集的数据包含噪声以及其他无用信息，以全波段信息建立模型并计算不仅耗费大量时间，噪声也会影响建模精度。因此需要进行光谱信息预处理，消除噪声，对数据降维、压缩、提取特征波段数据等，提高处理效率和精度。通常采用的预处理方法有：标准化（standardization）、多元散射校正（multiplicative scatter correction,MSC）、Savitzky-Golay卷积平滑算法（SG平滑）、移动平均平滑算法（moving average smoothing）等[5]。

目前国内外对光谱数据处理的过程是：光谱数据校正，选择感兴趣区域（region of interest,ROI），获取光谱信息数据，采用连续投影算法（successive projections algorithm,SPA）、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、和主成分分析法(principal component analysis,PCA)等算法对数据处理，去除无用信息，找出特征波段，建立相应的模型。常用建模方法有：主成分回归（PCR）、随机森林（RF）、支持向量机（SVM）和偏最小二乘法（PLS）等。

3 在水果品质检测中的应用

3.1 水果外部品质检测

水果的外部品质无损检测主要是对颜色、大小、形状、表面缺陷、表面污染等外部特征进行检测判断，外部品质特征能最直观的反应水果的品质。传统方式靠分拣人员的肉眼和经验进行判断，效率低、误差大。机器视觉技术虽然能实现外观品质的快速自动检测，但是对不明显的表面损伤和缺陷，例如冻伤、碰伤、病菌等区域的识别准确度较低，不能精确的反映出外部品质缺陷。

3.1.1 水果表面损伤和缺陷的检测

方益明等[6]利用高光谱成像技术对库尔勒香梨表面损伤进行检测（400~1000nm），根据不同波段下香梨的高光谱图像清晰度及与背景区域对比选择863 nm处高光谱图像建立掩膜图像，并对数据进行降维，采用的是主成分分析（PCA）算法，根据损伤区域与背景区域光谱差异选择主成分图像，与其他主成分图像进行比值处理，将图像进行分割、运算及形态学分析，结论表明能够有效识别出香梨的表面损伤，准确度为93.75%。

Janos等[7]开发了苹果早期淤伤无损检测系统，使用高光谱成像技术实现在线快速检测，该系统在光谱数据与处理的基础上加入了眩光校正，结果表明对淤伤识别准确度达98%。Keresztes等[8]对苹果表面挫伤进行高光谱成像技术检测，通过光谱归一化处理和采用偏最小二乘算法建模对于挫伤预测最准确，准确率可达90.1%。

3.1.2 水果表面农药残留检测

赵曼彤等[9]利用高光谱成像技术对香梨表面不同浓度杜邦万灵检测进行了研究。首先对香梨376~1 051 nm波段的原始数据进行预处理并采用连续投影算法选取特征波段，结果表明通过多元线性回归建立农药残留检测模型正确率可达到80%。

徐洁等[10]使用高光谱成像技术对农药残留种类进行了研究，在卤素灯下采集450~1000nm波长范围数据，将不同种类的农药溶液滴在哈密瓜表面，提取感兴趣区域（ROI）光谱数据后结合贝叶斯判别法，分析结果表明在卤素灯下对农药残留识别准确率可达100%。

3.1.3 水果表面腐败检测

薛书凝等[11]采集不同贮藏时间香蕉的高光谱数据，对原始图像数据进行降噪处理后进行主成分分析，使用Wilks统计量结合主成分分析数据提取特征波长，做出不同贮藏时间下平均光谱反射值曲线。同时对香蕉色差数据进行分析，分析测试随时间变化色差数据异常点发生时间。结果表明特征光谱数据与色差指标分析结果一致，确定了腐败基准为第6个贮藏日。利用马氏距离构建了腐败预警模型，验证结果与香蕉实际腐败过程相吻合。

张棣等[12]对同一批不同贮藏时间段黄瓜进行高光谱数据采集，进行光谱预处理后使用偏最小二乘回归提取特征波长，使用马氏距离建立腐败预警模型，结果与黄瓜贮藏实际情况符合。

3.2 水果内部品质检测

水果内部品质特征是衡量水果营养价值的重要依据，主要包含糖度、水分、硬度、可溶性固形物等指标。因此利用高光谱成像技术对糖度、水分和可溶性固形物等的检测成为研究热点。

3.2.1 成熟度

曹晓峰等[13]使用高光谱成像技术采集了未成熟果、白熟—初红果和半红—全红果冬枣的高光谱图像，用CARS和SPA算法对光谱进行处理，提取特征波长，同时从冬枣生理成分变化计算得到7个光谱参数（SIs）。分别对两种算法和SIs建立偏最小二乘模型（PLS）进行对比,判别精度分别为：99.27%，95.45%，98.18%。结果表明SIs建立的模型效果最好，并通过回归分析将结果以不同颜色表示出来。

3.2.2 硬度

孟庆龙等[14]以高光谱成像技术结合误差方向传播（error Back Propagation,BP）网络算法采集李子的高光谱数据，提取感兴趣区域的反射率，使用不同预处理与BP网络模型结合，之后采用主成分分析提取李子硬度特征光谱。结果表明采用一阶导数预处理的光谱建立的模型RC=0.939，采用标准正态变换处理的光谱建立的模型RC=0.723，有较好预测能力。

3.2.3 糖度

程丽娟等[15]利用高光谱成像技术与化学计量方法建立了蔗糖的无损预测模型，采用高效液相色谱法检测蔗糖含量，对光谱数据处理后建立三种回归模型对比，结果表明采用竞争性自适应加权算法和主成分分析建模效果最好，校正集、预测集相关系数为0.861、0.843，实现了对糖分的预测。

王风云等[16]获取了套袋和不套袋两种种植模式的红富士苹果的高光谱数据，利用三种光谱预处理方法（全光谱、主成分分析、蚁群算法）和两种建模算法（反向传播神经网络、最小二乘模型），建立了六种模型，对比发现蚁群算法和偏最小二乘模型在套袋和不套袋苹果糖度的预测上都表现出了最高的预测精度，套袋校正集R为0.9449，预测集为0.9602，不套袋正集R为0.9258，预测集为0.9279，能够预测糖分含量。

3.2.4 可溶性固形物

MaT等[17]采用高光谱成像技术对苹果可溶性固形物进行检测，分别获取苹果表面4个区域的高光谱图像，计算光谱反射率与可溶性固形物含量关系，得到结果交叉验证系数0.89，均方根误差0.55%，结果说明高光谱成像技术可以检测苹果可溶性固形物。

邵园园等[18]将0%、0.5%和1%浓度的壳聚糖涂膜草莓分别储藏1天、2天和4天后进行成像并测量样品的SSC。对样品SSC分析后发现，在相同贮藏时间内，表面含有壳聚糖涂层的草莓SSC增加量更高。采用蒙特卡洛—偏最小二乘法剔除异常数据样本，采用不同预处理方法，通过竞争性自适应重加权采样算法和连续投影算法选择特征波段，最后采用偏最小二乘回归和支持向量回归建立回归模型。结果表明竞争性自适应算法—支持向量回归方法最优，模型结果表明0%浓度、0.5%浓度和1%浓度的决定系数分别为0.865、0.808、0.834。表明高光谱成像技术在壳聚糖涂膜草莓的无损检测中有较好效果。

4 结语

高光谱成像技术在各类水果无损检测中得到广泛应用，尤其是对水果表面损伤、内部糖分水分、表面农药残留等的检测，相较于传统的检测方式有有快速、高精度、无破坏性等特点。大量研究性论文已经证明了高光谱成像作为水果品质的检测工具是可行的，在水果品质检测方面有巨大发展潜力。

目前高光谱成像技术主要有以下不足：首先是高光谱成像技术采集的数据量大，冗余信息多，通常需要利用各种算法提取特征波长进行降维，使得数据处理与结果分析耗费时间长，不利于大规模在线检测；其次，高光谱相机不易携带，通常需要配合三角架等设备才能工作，高光谱成像技术目前主要工作范围仍然为近地面，不能同无人机及卫星区域遥感建立相互联系，实现户外果树果品大范围采集检测；最后，高光谱相机价格较为昂贵，不利于推广，增加了应用成本。高光谱成像技术作为一种有效的无损检测技术未来将在农产品、食品等领域继续发挥作用以促进高光谱成像实现便捷、快速、高精度的实时在线检测。