任顯丞 張曉 彭步迅 李疆 王家碩

摘 要：高光譜技術(shù)作為新一代的光電無損檢測(cè)技術(shù)，廣泛應(yīng)用于農(nóng)產(chǎn)品快速無損品質(zhì)檢測(cè)。高光譜技術(shù)在蘋果品質(zhì)檢測(cè)方面主要有2個(gè)方向，結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行蘋果內(nèi)部品質(zhì)檢測(cè)以及結(jié)合機(jī)器視覺進(jìn)行蘋果損傷、病害等外部指標(biāo)的外部品質(zhì)檢測(cè)。該文介紹了高光譜技術(shù)在蘋果品質(zhì)檢測(cè)中的應(yīng)用，提出了高光譜技術(shù)在蘋果品質(zhì)檢測(cè)中存在的問題。

關(guān)鍵詞：高光譜;蘋果;內(nèi)外部品質(zhì);無損檢測(cè)

中圖分類號(hào) TS255.7文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2021）01-0132-02

隨著人們健康生活觀念的建立以及水果產(chǎn)后處理技術(shù)的發(fā)展，蘋果作為水果代表，其內(nèi)外部品質(zhì)的檢測(cè)愈發(fā)受到重視。傳統(tǒng)的蘋果內(nèi)部品質(zhì)檢測(cè)依靠化學(xué)計(jì)量法，對(duì)蘋果進(jìn)行采樣檢測(cè)化學(xué)成分，實(shí)驗(yàn)操作繁瑣、檢測(cè)成本高等，高光譜技術(shù)既可利用可見光區(qū)域圖像來檢測(cè)外部品質(zhì)，又可以利用近紅外區(qū)域的圖像來檢測(cè)內(nèi)部品質(zhì)，該技術(shù)的出現(xiàn)有效解決了無損檢測(cè)的難題。

1 高光譜技術(shù)概述

高光譜技術(shù)于上世紀(jì)80年代初期興起，是新一代的光電無損檢測(cè)技術(shù)。通過對(duì)樣品光譜信息的測(cè)量，可在一定程度上反映被測(cè)樣品內(nèi)部的物理結(jié)構(gòu)和化學(xué)成分的差異，具有較高的分辨率，可獲得連續(xù)的波段窄的光譜信息。此外，高光譜設(shè)備操作簡單，分析成本較低且不會(huì)對(duì)被檢測(cè)對(duì)象造成破壞。該技術(shù)早期主要應(yīng)用于空間遙感，隨著科學(xué)技術(shù)的進(jìn)步發(fā)展，高光譜已經(jīng)應(yīng)用于農(nóng)產(chǎn)品檢測(cè)等領(lǐng)域，并且都取得了一定的研究成果。目前，國內(nèi)外眾多專家學(xué)者利用高光譜來進(jìn)行溫室黃瓜病害早期檢測(cè)[1]、大米種類鑒別[2]、高粱摻假無損檢測(cè)[3]、互米花草營養(yǎng)成分反演[4]、綠蘿葉綠素含量檢測(cè)[5]以及牛肉品質(zhì)檢測(cè)[6]等內(nèi)外品質(zhì)的檢測(cè)。

2 高光譜在蘋果品質(zhì)檢測(cè)中的發(fā)展現(xiàn)狀

高光譜蘋果品質(zhì)檢測(cè)主要集中在內(nèi)部品質(zhì)，如糖度、硬度、水分等，外部品質(zhì)，如蘋果損傷、形狀、病害。國內(nèi)外對(duì)蘋果內(nèi)部品質(zhì)檢測(cè)研究偏向近紅外光譜研究方法，主要進(jìn)行光譜分析、光譜與理化值分析;外部品質(zhì)檢測(cè)更偏向于可見光區(qū)域處理，結(jié)合計(jì)算機(jī)領(lǐng)域的技術(shù)對(duì)圖像進(jìn)行處理，判斷蘋果外部損傷等。

2.1 蘋果內(nèi)部品質(zhì)檢測(cè) 內(nèi)部品質(zhì)檢測(cè)主要針對(duì)蘋果內(nèi)部化學(xué)成分，如可溶性固形物（SSC）、pH、硬度、水分等，結(jié)合化學(xué)計(jì)量學(xué)方法采集蘋果理化數(shù)據(jù)進(jìn)行建模分析。在內(nèi)部品質(zhì)方面，國內(nèi)外專家學(xué)者通過設(shè)計(jì)實(shí)驗(yàn)方案，采集到理化數(shù)據(jù)及高光譜圖像，通過設(shè)計(jì)算法進(jìn)行理化值的預(yù)測(cè)反演。EImasry[7]等采集蘋果的硬度數(shù)據(jù)以及光譜圖像，進(jìn)行建模分析研究。結(jié)果表明，預(yù)測(cè)集、校正集和訓(xùn)練集的預(yù)測(cè)值相關(guān)系數(shù)分別為0.93、0.91和0.92，綜合識(shí)別正確率達(dá)到98.4%。馮迪[8]等利用高光譜技術(shù)同時(shí)對(duì)蘋果糖度與硬度檢測(cè)最佳波長，通過對(duì)二次連續(xù)投影算法（SPA）進(jìn)行波長選擇，再采用遺傳算法開發(fā)神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，得出結(jié)論，糖度相關(guān)系數(shù)（R）為0.8476，硬度R為0.7938。相同波長信息可以檢測(cè)蘋果糖度與硬度。孟慶龍[9]等采集“富士”蘋果的高光譜圖像，使用SPA篩選特征波長，建立可溶性固形物含量的多元線性回歸模型，結(jié)果基于特征光譜建立的多元線性回歸預(yù)測(cè)模型具有較好的校正性能（RC=0.804，RCm=0.665%）和預(yù)測(cè)性能（RP=0.859，RPm=0.413%），模型可以滿足實(shí)際應(yīng)用需求。

2.2 蘋果外部品質(zhì)檢測(cè) 因?yàn)槟軌蛲ㄟ^高光譜的可見光區(qū)域圖像信息進(jìn)行直接的反映蘋果的外部品質(zhì)的特征（大小、缺陷、形狀等）。外部品質(zhì)檢測(cè)則主要進(jìn)行蘋果損傷、病害等方面檢測(cè)。外部品質(zhì)主要結(jié)合機(jī)器視覺與光譜學(xué)，對(duì)得到的蘋果高光譜圖像進(jìn)行處理分析。Juan Xing[9]等采集“金冠”蘋果的高光譜圖像，并使用主成分分析（PCA）處理，選取4個(gè)特征波段進(jìn)行損傷檢測(cè)，通過對(duì)圖像閾值進(jìn)行處理，使蘋果損傷識(shí)別精度高達(dá)86%。綜上，高光譜技術(shù)在蘋果品質(zhì)的某項(xiàng)檢測(cè)已經(jīng)取得了不小的進(jìn)展。高光譜圖像結(jié)合計(jì)算機(jī)、化學(xué)計(jì)量學(xué)等諸多領(lǐng)域知識(shí)技術(shù)可以有效進(jìn)行無損品質(zhì)檢測(cè)。

3 高光譜在蘋果品質(zhì)檢測(cè)中的應(yīng)用

3.1 基于高光譜技術(shù)鑒別蘋果品種 傳統(tǒng)蘋果品種鑒別主要依靠化學(xué)計(jì)量學(xué)進(jìn)行，通過對(duì)蘋果理化值進(jìn)行檢測(cè)，對(duì)比已知蘋果指標(biāo)確定品種，該方法耗時(shí)長、成本大且會(huì)對(duì)蘋果進(jìn)行損壞。高光譜技術(shù)的發(fā)展使得無損檢測(cè)成為可能。國內(nèi)外相關(guān)學(xué)者針對(duì)蘋果品種鑒定進(jìn)行大量實(shí)驗(yàn)，取得了不錯(cuò)的成果，能夠明顯區(qū)分蘋果品種。馬惠玲[10]等應(yīng)用高光譜成像技術(shù)對(duì)“喬納金”“紅富士”“秦冠”3種蘋果采集近紅外波段高光譜圖像（865～1711nm），采用K近鄰算法（KNN）以及徑向基核函數(shù)支持向量機(jī)（SVM-RBF）進(jìn)行品種判別。結(jié)果表明，高光譜圖像技術(shù)結(jié)合KNN算法可以對(duì)蘋果品種進(jìn)行快速鑒別，且性能優(yōu)異結(jié)果可靠。

3.2 基于高光譜技術(shù)蘋果分級(jí)系統(tǒng) 當(dāng)前蘋果分級(jí)主要依靠人工和純機(jī)械進(jìn)行蘋果分級(jí)。人工分級(jí)準(zhǔn)確率高、蘋果二次損傷率小但成本高、耗時(shí)長使得其慢慢被市場所淘汰;機(jī)械分級(jí)解決了人工分級(jí)的成本耗時(shí)問題，但使用純機(jī)械進(jìn)行蘋果篩選，二次損傷率居高不下且分揀等級(jí)設(shè)計(jì)過于依賴機(jī)械機(jī)構(gòu)損壞不易維護(hù)，同時(shí)在分揀過程中一些早期輕微損傷、病害難以及時(shí)剔除。李龍[11]等對(duì)蘋果光譜數(shù)據(jù)進(jìn)行研究，設(shè)計(jì)了一款蘋果內(nèi)外品質(zhì)在線無損檢測(cè)分級(jí)系統(tǒng)。該設(shè)計(jì)創(chuàng)造性的針對(duì)蘋果輕微損傷進(jìn)行早期判斷，通過對(duì)運(yùn)動(dòng)過程中的蘋果采集高光譜圖像，對(duì)圖像進(jìn)行降噪、二值化已及輪廓提取等處理，結(jié)合損傷部位光譜特征快速判斷蘋果碰傷，蘋果有無碰傷檢測(cè)總體正確率為94%。

4 高光譜技術(shù)在蘋果品質(zhì)檢測(cè)中存在的問題

4.1 內(nèi)部品質(zhì)檢測(cè) 內(nèi)部品質(zhì)主要結(jié)合化學(xué)計(jì)量法進(jìn)行試驗(yàn)研究，因此在實(shí)際實(shí)驗(yàn)過程中會(huì)存在采集到的蘋果理化數(shù)據(jù)存在較大誤差，且蘋果在實(shí)驗(yàn)過程中已經(jīng)損毀無法有效進(jìn)行二次利用;另外對(duì)實(shí)驗(yàn)人員的操作、實(shí)驗(yàn)室的設(shè)備要求也較高，需要進(jìn)行相關(guān)培訓(xùn);目前眾多學(xué)者檢測(cè)的蘋果指標(biāo)較為單一，只要針對(duì)光譜數(shù)據(jù)針對(duì)某一指標(biāo)進(jìn)行建模分析;大部分特征選擇算法都需要輔助理化值建立線性關(guān)系，脫離理化值篩選效果會(huì)大大降低。

4.2 外部品質(zhì)檢測(cè) 外部品質(zhì)檢測(cè)中降維算法主要采用主成分分析（PCA）算法，無法準(zhǔn)確得出特征波段，每次建模均需要重復(fù)計(jì)算全光譜區(qū)域篩選主成分，嚴(yán)重降低模型識(shí)別效率;另外目前大多數(shù)高光譜系統(tǒng)采集數(shù)據(jù)的速度較慢，無法支持線上快速檢測(cè);高光譜成像技術(shù)主要是采集全波段數(shù)據(jù)，進(jìn)行特征波段篩選;大部分檢測(cè)算法只關(guān)注損傷，較少進(jìn)行損傷程度識(shí)別和判斷;關(guān)于蘋果損傷檢測(cè)目前主要是對(duì)蘋果明顯損傷進(jìn)行研究，使用機(jī)器視覺進(jìn)行識(shí)別，光譜信息主要是進(jìn)行特征波段選擇，沒有有效利用光譜信息，導(dǎo)致1h內(nèi)的損傷識(shí)別準(zhǔn)確率不高。

5 總結(jié)

高光譜技術(shù)由于其特殊的性質(zhì)，在蘋果內(nèi)外部品質(zhì)中取得了有效的成果。在內(nèi)部品質(zhì)檢測(cè)中結(jié)合化學(xué)計(jì)量學(xué)方法可以預(yù)測(cè)蘋果糖度、硬度以及pH等含量;在外部品質(zhì)檢測(cè)中結(jié)合機(jī)器視覺能夠有效檢測(cè)出蘋果損傷、病害。目前，眾多學(xué)者利用高光譜技術(shù)對(duì)蘋果多指標(biāo)同時(shí)檢測(cè)，從而進(jìn)行對(duì)蘋果口感風(fēng)味等多方面綜合考慮的方向進(jìn)行判斷，高光譜無損檢測(cè)技術(shù)正在快速發(fā)展。

參考文獻(xiàn)

[1]秦立峰，張熹，張曉茜.基于高光譜病害特征提取的溫室黃瓜霜霉病早期檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（11）：212-220.

[2]翁士狀，唐佩佩，張雪艷，等.高光譜成像的圖譜特征與卷積神經(jīng)網(wǎng)絡(luò)的名優(yōu)大米無損鑒別[J].光譜學(xué)與光譜分析，2020，40（09）：2826-2833.

[3]Bai Zhizhen，Hu Xinjun，Tian Jianping， et al. Rapid and nondestructive detection of sorghum adulteration using optimization algorithms and hyperspectral imaging.[J]. Food chemistry， 2020， 331：48-52.

[4]朱怡，吳永波，周子堯，等.基于高光譜數(shù)據(jù)的互花米草營養(yǎng)成分反演[J].北京林業(yè)大學(xué)學(xué)報(bào)，2020，42（09）：92-99.

[5]閆明壯，王浩云，吳媛媛，等.基于光譜與紋理特征融合的綠蘿葉綠素含量檢測(cè)[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，24（11）：1-14.

[6]王彩霞，王松磊，賀曉光，等.基于可見/近紅外高光譜成像技術(shù)的牛肉品種鑒別[J].食品工業(yè)科技，2019，40（12）：241-247.

[7]馮迪，紀(jì)建偉，張莉，等.基于高光譜成像提取蘋果糖度與硬度最佳波長[J].發(fā)光學(xué)報(bào)，2017，38（06）：799-806.

[8]孟慶龍，尚靜，張艷.蘋果可溶性固形物含量的多元線性回歸預(yù)測(cè)[J].包裝工程，2020，41（13）：26-30.

[9]Juan Xing，Romdhane Karoui，Josse Baerdemaeker. Combining multispectral reflectance and fluorescence imaging for identifying bruises and stem-end/calyx regions on Golden Delicious apples[J]. Sensing and Instrumentation for Food Quality and Safety，2007，1（3）.

[10]馬惠玲，王若琳，蔡騁，等.基于高光譜成像的蘋果品種快速鑒別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（04）：305-312.

[11]李龍，彭彥昆，李永玉.蘋果內(nèi)外品質(zhì)在線無損檢測(cè)分級(jí)系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（09）：267-275.

（責(zé)編：王慧晴）