0 引言

近年来，食品安全问题备受关注，人们对果蔬品质与安全标准的要求也越来越高，已成为社会关注的热点。通常，果蔬品质包括了形状、颜色、大小和表面缺陷等外部品质与糖度、酸度、硬度、可溶性固形物含量、淀粉含量、水分和成熟度及其他营养元素的含量等内部品质，其品质好坏是其市场销量的重要因素[1]。

传统果蔬品质检测方法如化学法、高效液相色谱法、质谱分析法等通常对待测物具有破坏性，且速度慢。机器视觉和光谱技术具有快速、无损、可靠等优点，近年来广泛用于果蔬品质检测中。其中，机器视觉技术通过提取和分析果蔬形状、大小、颜色及表面缺陷等空间信息进行外部品质检测,而近红外光谱技术主要对果蔬内部品质进行检测[1,2]。

高光谱成像技术将图像与光谱技术相结合，可同时获取反映待测物内外部品质的光谱信息与空间信息，近几年国内外对其在果蔬品质的无损检测中进行了广泛的研究。本文将从高光谱成像技术的基本原理与其在果蔬品质无损检测中的研究与应用等方面，介绍其在该领域的最新研究进展。

1 高光谱成像技术原理

高光谱系统中的每个像元均可获取同一个光谱区间内几十到几百个连续的窄波段信息，并得到一条平滑而完整的光谱曲线，同时整个成像系统还可获取被测物的空间信息，实现对待测物内部成分与外观特征的同时检测，具有光谱连续与分辨率高等特点。

总馆组织落实图书、期刊等文献资源以及数字资源的采购、编目和配送。分馆在纳入上海市图书馆“一卡通”借阅系统的基础上，根据所在街镇常住人口数量，按需设岗，明确岗位职责。定期开展业务培训，实施统一的业务和人员考核标准，考核结果视为各街镇绩效考核的重要依据。

果蔬的内部品质通常是衡量其营养价值的重要依据，一般通过检测果蔬的糖度、硬度、可溶性固形物含量(soluble solids content，SCC)、水分、成熟度、蛋白质和淀粉含量等指标对其进行判断。其中，糖度和硬度是反映果蔬内部品质的两个重要指标，糖度能体现出果蔬的口感度，硬度能间接体现果蔬的成熟度。李瑞等[13]利用近红外光谱仪(900-1 700 nm)分别对490个蓝莓的果柄侧和花萼侧进行光谱成像以测量果实的糖度和硬度。他们运用偏最小二乘回归法(partial least squares regression，pLSR)分别对果柄侧、花萼侧和果实的平均光谱建立预测模型。为避免过拟合现象并保证预测结果真正反映模型的表现，样本随机分为四份，三份用于建模，一份用于验证，并采用留一法进行交叉验证以确定预测模型的主成分数，最终得到蓝莓硬度与糖度的分布图如图9所示。试验结果表明，蓝莓硬度呈双峰分布，表明实际生产中有望分为2类；蓝莓糖度呈正态分布。硬度的校正集和验证集的相关系数分别为0.911和0.871，糖度的为0.891和0.774，结果表明高光谱技术对蓝莓的硬度和糖度预测是可行的。

市场上人们对果蔬的直接感受就是其外部品质的好坏，即对颜色、新鲜度、大小、机械损伤、冻伤与腐烂等方面的判断。传统的机器视觉技术在果蔬外部品质的检测中由于精度低、操作复杂，很难区分出机械损伤、冻伤、腐烂及新鲜度等方面外部特征。高光谱成像技术恰好克服了这一缺点，能够实现全方位的无损检测，而且精度高、易于操作，近年来逐步用于果蔬外部品质的检测中。

  

图1 高光谱成像系统结构图Fig.1 Schematic of hyperspectral imaging system

  

图2 高光谱三维立体图像Fig.2 3D hyperspectral image

王巧男等[4,5]利用高光谱技术在可见/近红外波段对菠菜新鲜度的快速识别进行了实验研究。研究中分别建立了全谱偏最小二乘-判别分析(partial least squares-discrimination analysis，pLS-DA)、选择性系数-偏最小二乘-判别分析(selectivity ratio-partial least squares - discrimination analysis，SR-pLS-DA)、选择性系数-支持向量机(selectivity ratio-support vector machine，SR-SVM)，选择性系数-极限学习机(selectivity ratio-extreme learning machine，SR-ELM)、偏最小二乘(partial least squares，pLS)等预测模型，对 4 ℃和20 ℃环境下贮藏的菠菜样本新鲜度进行分析预测，并与化学分析结果进行对比，获得了近100%的预测准确度。Xie C Q等[6]采用高光谱技术分析香蕉颜色以推断其新鲜度与成熟度。实验中将刚采摘的绿色香蕉在实验室里催熟，并采集其颜色数据随时间的变化，利用偏最小二乘(pLS)模型预测新鲜度，在选择的波长段里均匀色度空间L*、a*、b*表色系的三个值分别为0.795，0.972和0.773，数值越大，香蕉颜色越鲜艳，相应的剩余预测偏差(residual predictive deviation，RpD)值为2.234、6.098和2.119，表明该方法对新鲜度的预测结果非常好，实现了非接触式的香蕉颜色及新鲜度无损检测。

2 高光谱成像技术在果蔬品质检测中的应用

马刺是在大树下和狗皮、五趾打的，他们不敢朝太阳看，但能看到树荫下一个个小亮点不再圆了，都缺了一块，他们知道，发生日食了。

2.1 果蔬外部品质的检测

2.3.1 定义应用参数 这里的应用指的是描述每一种业务的属性,在应用配置器中完成．如万维网应用,规定了每次取得页面的尺寸大小和时延间隔;文件传输应用,规定注入和下载的流量及文件块的大小等．根据科文学院校园网运行的实际状况,WWW应用的运行方式设定为Heavy Browsing,FTP应用的运行方式设定为High Load,DB查询应用的运行方式为High Load,E-mail应用的运行方式为High Load,其它参数设为默认值．

新鲜度是反映果蔬品质的重要指标。刚采摘的果蔬通常需经过储存、运输，最终到达消费者，该过程将影响其新鲜度品质。一般而言，人们对果蔬新鲜度的主观判断是不准确的。吴琼等[3]利用高光谱成像技术对蔬菜的新鲜度检测进行了探索。分别在失水0、10、24、48小时状态下，利用成像光谱仪采集了小白菜、菠菜、油菜、娃娃菜等四种蔬菜叶片的光谱图像并进行对比分析。其中，小白菜叶片在不同失水时间下的高光谱图像与机器视觉图像的对比分析如图3、4所示。从中可以看出，随着时间的变化两幅图中的叶片状态均有明显变化，但机器视觉图像只能看出失水状态，而高光谱图像通过分析光谱信息的变化发现，叶片在失水过程中其外观形态及内部叶绿素均有变化，叶绿素相对含量(soil and plant analyzer development，SpAD)值预测模型的相关系数r=0.76，说明高光谱技术可以有效辨别蔬菜叶片的新鲜度。

  

图3 小白菜叶片不同失水时间段下的高光谱成像图Fig.3 Hyperspectral images of pakchoi cabbage under four different water loss status

  

图4 小白菜叶片不同失水时间段下的机器视觉图Fig.4 The machine vision images of pakchoi cabbage under four different water loss status

系统获取的高光谱图像可用一段连续波段的光学图像组成的立体三维图像来表示，如图2所示。其中XY平面的二维图像表示物体的空间信息，如形状大小、缺陷等。由于物品外部变化会影响反射光谱，故形状、颜色或缺陷在某一特定的波长下图谱会有变化。λ坐标表示物体的光谱信息，将反映出待测物成分结构等内部品质。

目前，国内外对高光谱成像技术在果蔬内外部品质检测的应用研究中，主要涉及了如苹果、香蕉、桃子、梨、红枣、脐橙、哈密瓜、马铃薯、菠菜及番茄等品种。

冻伤和机械损伤是果蔬在采摘、运输及贮藏过程中不可避免的表面损伤，将直接影响果蔬的外部品质。李江波[7]以脐橙为研究对象，利用RGB成像技术、可见近红外高光谱及荧光高光谱成像技术，详细研究了脐橙表面11种类型常见缺陷。提出了掩膜法的背景分割理论，并开发了脐橙表面缺陷检测联立算法，同时结合双波段比和主成分分析等缺陷果检测算法，在近红外光谱区域的6个特征波长构建脐橙表面缺陷检测的多光谱成像系统，实现了99%的表面缺陷识别。张然[8]利用高光谱成像技术对马铃薯外部冻伤、机械损伤、摔伤等损伤的识别进行了研究。首先对马铃薯在468-1 000 nm波段的原始高光谱图像数据进行主成分分析，然后选择区域特征明显的主成分图像与对主成分图像贡献率最高的波段进行递推最小二乘法处理，并结合贝叶斯分类器模型进行识别分析，为马铃薯的分级分类提供了技术参考。马艳[9]采用主成分分析(principal component analysis，pCA)方法对全波段的鲜杏高光谱数据进行降维，并分别在全波段和通过权重系数优选出的495 nm、570 nm、729 nm和891 nm四个特征波段中采用支持向量机(support vector machine，SVM)、偏最小二乘、Bp(back propagation)神经网络等三种方法进行表面缺陷识别，结果表明基于特征波段构建的支持向量机预测模型效果最佳，识别率达100%。Sun Y等[10]在油桃冻伤等级分类中采用高光谱技术，并通过人工神经网络模型(artificial neural network，ANN)进行预测，实现了4个冻伤等级的分类与预测。Gamal E M等[11]利用高光谱技术和ANN预测模型对苹果冻伤进行了研究，如图5所示。实验采用如图6所示过程，在400-1 000 nm波段的冻伤苹果高光谱图像中选择5个主成分波段(717，751，875，960和980 nm)进行ANN模型的建立，其训练集、测试集和验证集的相关系数分别为0.93，0.91和0.92，最终实现了98%以上的识别准确率。

腐烂是果蔬在贮藏、运输过程中最常见的一种现象，不仅影响果蔬的内外部品质甚至会导致食品安全问题。Sun Y等[12]对桃子根霉菌进行了深入研究，采用如图7所示的实验装置在400-1 000 nm波段采集桃子360°全方位的高光谱数据(如图8所示)，然后通过统计方法和图像分割算法得到三个单波长图像(709 nm，807 nm和874 nm)，可以明显区分出边缘、健全和腐烂部位。实验中将腐烂部位按照尺寸大小分为3级，在对健全部位、轻微腐烂、中等腐烂以及严重腐烂的建模预测中，轻微腐烂的预测准确率为66.29%，其他三个的预测准确率均在95%以上，而对健全和腐烂两种级别的预测准确率为100%。该研究表明利用高光谱技术与图像分割算法结合可对桃子进行腐烂程度的检测。

王丹等[14]对甜柿子的果实硬度建立了可见近红外漫反射光谱无损检测模型，采用果皮脆性、强度和果肉硬度作为果实硬度的评价指标。研究中，采用400-2 500 nm可见近红外光谱区域，并收集了230个果实的光谱数据，其中170个为定标集，60个为验证集。图10为甜柿贮藏49天不同处理的原始吸收光谱。在果皮强度和脆性的预测中，分别采用最小偏二乘法(modified partial least squares，MpLS)、一阶导数结合标准多元离散校正处理建立预测模型，获得的预测标准误差、预测相关系数和相对分析误差分别为0.094、0.858、2.47和0.157、0.862、2.63；在果肉平均硬度预测中，采用MpLS、一阶导数结合标准正常化及去散射处理建立预测模型，获得的三个参数分别为0.063、0.82、2.35。研究表明可见近红外漫反射高光谱成像技术是可对甜柿子强度与硬度进行快速无损检测。Sun M J等[15]利用近红外(900-1 700 nm)高光谱成像技术实现了对哈密瓜糖分的无损检测。研究中利用相关仪器测得哈密瓜的糖分作为标准集，对获得的高光谱数据采用偏最小二乘回归算法(pLSR)建立预测模型，得到的决定系数为0.79，均方根误差为1.17，实现了对哈密瓜糖分的预测。

  

图5 提取水果光谱特征：(a)选择550 nm波段处的图像；(b)二值化处理；(c)掩膜处理；(d)得到水果光谱特征Fig.5 Extraction of the fruit spectral signature: (a) Selecting 550 nm imagine; (b) Binarization (defining the AOI); (c) Applying the mask; (d) Calculating the fruit spectral signature using only those at the white pixels in the mask

  

图6 对全波段光谱进行数据降维和特征波段选取Fig.6 Layout of ANN model for data dimensionality reduction and optimal wavelength selection

  

图7 高光谱成像测试平台示意图Fig.7 Schematic of hyperspectral imaging testbed

  

图8 包含光谱和空间信息的高光谱图像示意图Fig.8 The conceptual view of a hyperspectral image with spectral and spatial domains

2.2 果蔬内部品质检测

典型的高光谱成像系统如图1所示，主要包括光源、成像光谱仪、CCD(charge coupled device)相机、计算机与载物台等。其中，光源为整个系统提供照明，一般由两个卤素灯组成。成像光谱仪中的光学元件把输入的宽带光分散成不同频率的单色光，并将其投射到CCD相机上实现光谱成像。载物台用于放置待测物品，整个系统由计算机进行控制。

  

图9 蓝莓果实样本的硬度和糖度的Brix值分布Fig.9 Distribution for firmness index and sugar content of blueberries

一进正博的办公楼，现代化的装修体现着团队的活力，整体简约整洁，但细节处格外考究，每扇玻璃窗门的中央都贴印着激励人心的英文名言——“Service achieve dreams（服务收获梦想）”。正是这样一支朝气蓬勃的团队，精力充沛地在制袋机领域大展身手。

  

图10 甜柿贮藏49天不同处理的原始吸收光谱图Fig.10 Original absorption spectrogram for different treatment of the sweet persimmon in 49 days

可溶性固形物含量(SSC)是指果蔬中所有溶解于水的化合物总称，包括糖、酸、维生素、矿物质等。其含量可以衡量果蔬的成熟度，测量其含量在农业采摘方面非常重要。近年来，采用高光谱技术测量果蔬可溶性固形物含量已成热点。Ma T等[16]将近红外高光谱运用到苹果可溶性固形物含量的检测中。其对80个苹果样本分别采集4块尺寸为2 cm×2 cm×1.5 cm区域中的高光谱图像，利用偏最小二乘回归法来估算可溶性固形物含量反射数据与近红外光谱数据之间的关系，得到交叉验证系数为0.89，均方根误差0.55%，最后成功绘制出主要波段的高空间分辨率SSC图像，如图11所示。从图中可以看出靠近苹果边缘部分相比于中心部分有着更高的SSC值。结果表明，可用近红外高光谱成像技术测量苹果的可溶性固形物含量。Gabriel A L V等[17]提出使用高光谱技术来预测蓝莓的硬度和SSC，在500-1 000 nm波段范围内采集了302个蓝莓的茎端和花萼的高光谱图像，通过软件得到每个蓝莓高光谱图像中的平均光谱，采用基于交叉验证方法的偏最小二乘模型来建立蓝莓硬度和SSC的预测模型，得到硬度和SSC的相关系数分别为0.87和0.79，实验还发现蓝莓的茎端对硬度和SSC的预测影响不大。该实验通过对SSC和硬度的研究为蓝莓的在线分类提供了很好的技术途径。

  

图11 a：苹果截面样本；b：SSC含量分布图, 苹果的边缘部分相比于中心部分有更高的SSC含量Fig.11 a: An apple sample; b: SSC mapping result, the apple parts near the peel have higher SSC values compared to the central parts

水分、成熟度、蛋白质以及淀粉含量也是果蔬内部品质的重要组成部分，其中果蔬中水分的流失与其新鲜度、成熟度均有着直接的关系，蛋白质与淀粉的含量关系到果蔬的营养价值和口感度，因此对这些内部品质的检测也尤为重要。崔彬彬等[18]利用可见和近红外高光谱技术(400-2 500 nm)对花生的品种分类以及水分和蛋白质含量进行了检测。采用了7种模式识别分类器建立分类模型，对五种花生品种进行鉴定；其次利用从高光谱图像中提取的光谱数据和通过直接干燥法测定的水分含量，结合pLSR技术与光谱预处理方法在400-1 000 nm波段内建立的校正模型，其预测集决定系数高达0.93，均方根标准误差为0.054%，通过结合回归系数法和连续投影法选择主要波长，解决了共线性问题和信息冗余问题，能够用于花生水分含量的检测；当采用同一预测模型在长波波段(1 000-2 500 nm)可实现对花生蛋白质含量的无损检测。Rajkumar p等[19]利用可见近红外波段(400-1 000 nm)高光谱成像技术在不同温度条件下对香蕉的水分含量、SSC和硬度进行检测，研究中采用偏最小二乘分析法对光谱数据进行处理，利用主成分分析法获取全波段中贡献率最高的特征波段，并结合多重线性回归法建立基于特征波段的预测模型，获得的香蕉SSC、水分含量和硬度的相关系数分别为0.85、0.87和0.91，同时发现在不同温度环境储存下香蕉的SSC和硬度的变化与香蕉成熟度呈多项式关系，而水分的变化随成熟度呈线性变化关系。

通过以上的研究表明，采用高光谱技术能够对果蔬的内外部品质进行有效的检测和判断，具有广阔的应用潜力和价值。

3 结论

随着生活水平的提升，人们对健康食品的品质要求越来越高。传统的机器视觉技术和物理化学方法在测量果蔬品质方面操作复杂、破坏性强，难以满足检测需要。高光谱成像技术融合了机器视觉、光谱和图像处理技术，产生的图像是“图谱结合”的三维数据立方体，不仅包含了待测物的空间信息特征，同时还包含了待测物的光谱信息，能够准确、快速、无损的检测出农产品的品质，并且操作简单，近年来广泛应用于果蔬品质的检测中。但是高光谱成像技术在采集和处理图像数据的过程中，受限于仪器性能和处理速度的影响，该技术现目前主要应用于基础性研究，并未广泛应用于工业的在线实时检测中。针对这些问题，为了实现果蔬品质的商业化在线检测，还需要做到如下两点：一是改进并升级高光谱成像技术的相关设备比如成像光谱仪，提升其性能并降低其生产成本，利于高光谱成像技术在果蔬品质检测中的推广；二是针对全波段的、不同品种的果蔬高光谱图像进行特征波长选取，以降低数据冗余量，减少高光谱图像的获取以及处理时间。尽管如此，随着社会发展与科学进步，高光谱成像技术将不断提升和改进，未来在农产品、食品安全领域将具有更加广阔的发展空间和应用前景。

自是司花别有神，要凭诗句写花真。风翻翠袖惬寒薄，雨湔红妆啼晕新。为困未眠娇欲吐，将唇微褪笑如嗔。牡丹芍药尤无娜(“娜”，《全宋诗》作“那”)，君识莺声识燕身。(卷七海棠门)

参考文献

[1] 张保华, 李江波, 樊书祥, 等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析, 2014, 34(10):2743-2751.

ZHANG Baohua, LI Jiangbo, FAN Shuxiang, et al. principles and applications of hyperspectral imaging technique in quality and safety inspection of fruits and vegetables[J]. Spectroscopy and Spectral Analysis, 2014, 34(10):2743-2751.

[2] 刘建学, 杨莹, 韩四海, 等. 高光谱成像技术在食品品质无损检测中的应用[J]. 食品工业科技, 2016, 37(03):389-393.

LIU Jianxue, YANG Ying, HAN Sihai, et al. Application of hyperspectral imaging technology in nondestructive detection of food quality[J]. Science and Technology of Food Industy, 2016, 37(03):389-393.

[3] 吴琼, 朱大洲, 王成, 等. 基于高光谱成像的蔬菜新鲜度检测初探[J]. 食品安全质量检测学报, 2012, 3(6):685-689.

WU Qiong, ZHU Dazhou, WANG Cheng, et al. preliminary study on detection of vegetable freshness based on hyperspectral imaging[J]. Journal of Foof Safety and Quality, 2012, 3(6):685-689.

[4] 王巧男. 基于高光谱成像技术的蔬菜新鲜度快速检测方法研究[D]. 浙江：浙江大学, 2015.

WANG Qiaonan. Rapid detection of vegetable freshness based on hyperspectral imaging technology[D]. Zhejiang:Zhejiang University, 2015.

[5] ZHANG C, WANG Q N, LIU F, et al. Rapid and non-destructive measurement of spinach pigments content during storage using hyperspectral imaging with chemometrics[J]. Measurement, 2017, 97:149-155.

[6] XIE C Q, CHU B Q, HE Y. prediction of banana color and firmness using a novel wavelengths selection method of hyperspectral imaging[J]. Food Chemistry, 2018, 245:132-140.

[7] 李江波. 脐橙表面缺陷的快速检测方法研究[D]. 浙江：浙江大学, 2012.

LI Jiangbo. Study on rapid detection methods of defects on navel orange surface[D]. Zhejiang:Zhejiang University, 2012.

[8] 张然. 基于高光谱成像技术的马铃薯外部损伤识别研究[D]. 宁夏：宁夏大学, 2013.

ZHANG Ran. Research about potato external damage identification based on the hyperspectral image technology[D]. Ningxia:Ningxia University, 2013.

[9] 马艳. 鲜杏表面缺陷的高光谱成像检测研究[D]. 新疆：石河子大学, 2017.

MA Yan. Surface defects detection of apricot by hyperspectral imaging[D]. Xinjiang:Shihezi University, 2017.

[10] SUN Y, GU X Z, SUN K, et al. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT-Food Science and Technology, 2017, 75:557-564.

[11] GAMAL E M, WANG N, CLEMENT V. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. postharvest Biology and Technology, 2009, 52(1):1-8.

[12] SUN Y, XIAO H, TU S C, et al. Detecting decayed peach using a rotating hyperspectral imaging testbeed[J]. LWT-Food Science and Technology, 2018, 87:326-332.

[13] 李瑞, 傅隆生. 基于高光谱图像的蓝莓糖度和硬度无损测量[J]. 农业工程学报, 2017, 33(增刊1):362-366.

LI Rui, FU Longsheng. Nondestructive measurement of firmness and sugar content of blueberries based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(Supp. 1):362-366.

[14] 王丹, 鲁晓翔, 张鹏, 等. 可见/近红外漫反射光谱无损检测甜柿果实硬度[J]. 食品与发酵工业, 2013, 39(5):180-184.

WANG Dan, LU Xiaoxiang, ZHANG peng, et al. Nondestructive measurement of firmness of sweet persimmon using visible and near infrared diffuse reflection spectroscopy[J]. Food and Fermentation Industries, 2013, 39(5):180-184.

[15] SUN M J, ZHANG D, LIU L, et al. How to predict the sugariness and hardness of melons:a near-infrared hyperspectral imaging method[J]. Food Chemistry, 2017, 218:413-421.

[16] MA T, LI X Z, TETSUYA I, et al. Noncontact evaluation of soluble solids content in apples by near-infrared hyperspectral imaging[J]. Journal of Food Engineering, 2018, 224:53-61.

[17] GABRIEL A L V, LU R F, JOSE M A. prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering, 2013, 115(1):91-98.

[18] 崔彬彬. 基于高光谱成像技术的花生分类及水分和蛋白质含量检测[D]. 河南：河南工业大学, 2015.

CUI Binbin. Classification of peanut and prediction of moisture and protein content in peanut using hyperspectral imaging[D]. Henan:Henan University of Technology, 2015.

[19] RAJKUMAR p, WANG N, EIMASRY G, et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108(1):194-200.