摘要：水果具有較高的經(jīng)濟(jì)價(jià)值，實(shí)現(xiàn)其品質(zhì)無(wú)損檢測(cè)可減少經(jīng)濟(jì)損失并提高市場(chǎng)競(jìng)爭(zhēng)力，機(jī)械分選、機(jī)器視覺和化學(xué)檢測(cè)等方法僅能實(shí)現(xiàn)對(duì)水果外部或內(nèi)部品質(zhì)的單獨(dú)檢測(cè)，而高光譜成像技術(shù)可準(zhǔn)確、無(wú)損地檢測(cè)水果內(nèi)、外部品質(zhì)，市場(chǎng)前景廣闊。本文介紹了典型高光譜成像系統(tǒng)的構(gòu)成，總結(jié)了點(diǎn)掃描、線掃描和面掃描3種高光譜數(shù)據(jù)獲取方式的優(yōu)、缺點(diǎn)及適用情況，并歸納了常用的光譜校正和預(yù)處理方法、特征波長(zhǎng)提取方法、建模方法及評(píng)價(jià)指標(biāo)，以及常用圖像分割方法的優(yōu)缺點(diǎn)。綜述了近年利用高光譜成像技術(shù)檢測(cè)常見水果的表面缺陷、輕微損傷、病菌感染和冷害等外部品質(zhì)及可溶性固形物含量、干物質(zhì)含量、硬度和成熟度等內(nèi)部品質(zhì)的研究工作，對(duì)于外部品質(zhì)檢測(cè)，使用高光譜成像技術(shù)獲取圖像數(shù)據(jù)，提取特征圖像后結(jié)合支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)技術(shù)進(jìn)行品質(zhì)檢測(cè)是目前的主流方法，內(nèi)部品質(zhì)通常結(jié)合化學(xué)檢測(cè)和多元回歸方法進(jìn)行檢測(cè)。最后，分析了高光譜成像技術(shù)在水果品質(zhì)無(wú)損評(píng)估中面臨的挑戰(zhàn)和未來(lái)發(fā)展趨勢(shì)。

關(guān)鍵詞：水果；品質(zhì)；高光譜成像；無(wú)損檢測(cè)

中圖分類號(hào)：TS255.1 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）15-0016-11

收稿日期：2023-05-20

基金項(xiàng)目：國(guó)家留學(xué)基金委公派訪問(wèn)學(xué)者項(xiàng)目（編號(hào)：201808440136）。

作者簡(jiǎn)介：丁世春（1998—），男，四川瀘州人，碩士研究生，從事計(jì)算機(jī)視覺研究。E-mail：2233429841@qq.com。

通信作者：馬瑞峻，博士，教授，從事農(nóng)業(yè)自動(dòng)化研究。E-mail：maruijun_mrj@scau.edu.cn。

我國(guó)2021年全國(guó)果園總面積1 280.8萬(wàn)hm2，年水果總產(chǎn)量2.997億t［1］，均位于世界首位。將采后水果進(jìn)行分級(jí)有利于水果生產(chǎn)、流通等環(huán)節(jié)的標(biāo)準(zhǔn)化操作，降低成本，并實(shí)現(xiàn)優(yōu)質(zhì)優(yōu)價(jià)，提高水果市場(chǎng)競(jìng)爭(zhēng)力。傳統(tǒng)機(jī)械分選設(shè)備主要針對(duì)水果形狀、尺寸和質(zhì)量［2］，無(wú)法檢測(cè)外部缺陷和內(nèi)部品質(zhì)。隨著水果產(chǎn)業(yè)規(guī)模升級(jí)，怎樣實(shí)現(xiàn)水果品質(zhì)準(zhǔn)確、無(wú)損和快速地檢測(cè)問(wèn)題亟待解決。計(jì)算機(jī)視覺技術(shù)因無(wú)損、高效和準(zhǔn)確在果蔬外部品質(zhì)分級(jí)領(lǐng)域受到廣泛研究和應(yīng)用［3-7］，除尺寸和形狀外，還能實(shí)現(xiàn)對(duì)色澤、疤痕和腐爛等品質(zhì)的檢測(cè)，是目前最有可能廣泛應(yīng)用到實(shí)際水果外部品質(zhì)檢測(cè)的技術(shù)。

隨著生活水平的提高，消費(fèi)者同樣注重水果安全問(wèn)題和內(nèi)部品質(zhì)。水果殘留的動(dòng)物糞便和農(nóng)藥都會(huì)威脅人體健康［8］，而含糖量、硬度、干物質(zhì)含量（DMC）和可溶性固形物含量（SSC）等是水果營(yíng)養(yǎng)價(jià)值的體現(xiàn)。取部分果肉進(jìn)行理化分析能得到較為準(zhǔn)確的內(nèi)部品質(zhì)信息，但費(fèi)時(shí)、費(fèi)力，破壞了水果內(nèi)部組織，難以滿足大批量檢測(cè)的需求。傳統(tǒng)的光譜檢測(cè)設(shè)備只能進(jìn)行單點(diǎn)檢測(cè)，誤差較大［9-12］。隨著高光譜成像（HSI）技術(shù)的發(fā)展，已成為目前最先進(jìn)的水果品質(zhì)無(wú)損檢測(cè)技術(shù)之一［13-15］，具有“圖譜合一”的特點(diǎn)，可同時(shí)進(jìn)行內(nèi)、外部品質(zhì)檢測(cè)，在柑橘［16- 17］、蘋果［18- 19］、棗［20］和獼猴桃［21］等常見水果中得到廣泛研究和應(yīng)用。

本文介紹了HSI系統(tǒng)的組成和數(shù)據(jù)處理方法，綜述了HSI在水果表面缺陷、輕微損傷、病菌感染和冷害等外部品質(zhì)及SSC、DMC、硬度和成熟度等內(nèi)部品質(zhì)中的研究應(yīng)用，總結(jié)分析了HSI在水果品質(zhì)無(wú)損檢測(cè)中面臨的挑戰(zhàn)和未來(lái)發(fā)展趨勢(shì)。

1 HSI系統(tǒng)和數(shù)據(jù)處理方法

1.1 HSI數(shù)據(jù)獲取方式

典型的HSI系統(tǒng)由光源、相機(jī)、鏡頭、計(jì)算機(jī)、輸送機(jī)構(gòu)和成像光譜儀組成。由圖1可知，成像光譜儀將光線分為不同頻率的單波長(zhǎng)λ，然后將單波長(zhǎng)光投射到相機(jī)上，可同時(shí)獲取被測(cè)對(duì)象空間域和光譜域的信息。常見的成像光譜儀光譜范圍包括可見近紅外（400～1 000 nm）、近紅外（900～1 700 nm）和短波紅外（900～2 500 nm）。

根據(jù)掃描方式，HSI可分為點(diǎn)掃描、線掃描和面掃描，由圖2可知，點(diǎn)掃描每次僅獲取1個(gè)像素點(diǎn)的

信息，需頻繁移動(dòng)相機(jī)或被測(cè)對(duì)象，常用于檢測(cè)微觀對(duì)象；線掃描每次可獲取到整條掃描線上所有點(diǎn)的信息，適合對(duì)水果進(jìn)行動(dòng)態(tài)采集，是最常用的掃描方式；不同于點(diǎn)掃描和線掃描在空間域進(jìn)行，面掃描是在光譜域進(jìn)行，每次可獲取至單個(gè)波長(zhǎng)λ下所有像素點(diǎn)的信息，以該方式獲取高光譜圖像時(shí)，需要轉(zhuǎn)動(dòng)濾光片切換器或調(diào)節(jié)可調(diào)濾波器，因此一般用于所需波長(zhǎng)較少的多光譜成像系統(tǒng)中。

根據(jù)光源和相機(jī)不同的位置關(guān)系，HSI又可分為反射、透射和漫透射［22］。由圖3可知，反射模式下光源和采集裝置均位于樣品同一側(cè)，光線經(jīng)過(guò)漫反射后進(jìn)入采集裝置，此模式因易于實(shí)施而廣泛應(yīng)用在水果品質(zhì)檢測(cè)中。但該模式下反射光線所攜帶信息有限，在檢測(cè)水果內(nèi)部品質(zhì)時(shí)，效果較差。透射模式下光源和檢測(cè)裝置位于樣品的兩側(cè)，光線透過(guò)樣品從而攜帶豐富的內(nèi)部信息。但該模式需要高強(qiáng)度的光源和高靈敏度的采集裝置以獲得足夠的可用信息，實(shí)際實(shí)施相對(duì)困難，且其光線透射率受被測(cè)對(duì)象的尺寸和形狀影響，較長(zhǎng)的光程會(huì)使內(nèi)部品質(zhì)評(píng)估工作復(fù)雜化。第3種漫透射模式下光源和采集裝置位于樣品同一側(cè)，使用擋板將兩者分隔，有利于評(píng)估水果淺層組織的特性。

1.2 高光譜圖像處理方法

高光譜圖像是由不同波段圖像組成的三維立方體，可同時(shí)在空間域和光譜域進(jìn)行處理和分析，也可單獨(dú)在空間域或光譜域進(jìn)行分析，其處理流程見圖4，首先進(jìn)行校正，然后選擇感興趣區(qū)域進(jìn)行預(yù)處理，以光譜和圖像分別分析水果內(nèi)、外部品質(zhì)，最后結(jié)合兩者完成水果品質(zhì)分級(jí)。

1.2.1 光譜數(shù)據(jù)處理分析方法

1.2.1.1 校正和預(yù)處理

為消除不均勻光照和相機(jī)暗電流噪聲的影響，需要對(duì)原始高光譜圖像進(jìn)行校正［23］，方法如下：

Rc=Rraw-RdarkRwhite-Rdark 。

式中：Rc是校正后的光譜圖像，Rraw是原始光譜圖像，Rdark是關(guān)閉光源，蓋上鏡頭后采集的全暗參考圖像，Rwhite是使用反射率為99%的標(biāo)準(zhǔn)白板得到的全白參考圖像。

光譜數(shù)據(jù)易受到雜散光、噪聲和基線漂移等因素的干擾［24-25］，因此建模前需進(jìn)行預(yù)處理。光譜預(yù)處理方法根據(jù)處理效果可分為基線校正、散射校正、平滑處理和尺度縮放4類［26-27］?；€校正包括一階導(dǎo)數(shù)（FD）、二階導(dǎo)數(shù)（SD）和小波變換（WT）等；散射校正包括乘法散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量（SNV）等；平滑處理主要為SG平滑和高斯平滑；尺度縮放包括中心化、Pareto尺度化、最大最小歸一化和標(biāo)準(zhǔn)化等。由于儀器、樣品特征和測(cè)量環(huán)境的不同，光譜預(yù)處理并沒有通用的方法，可根據(jù)光譜信號(hào)的特征直接選擇預(yù)處理方法，但需要豐富的經(jīng)驗(yàn)。也可根據(jù)建模效果選擇預(yù)處理方法，可選擇出最優(yōu)方法，但數(shù)據(jù)量較大時(shí)十分耗時(shí)［28］。

1.2.1.2 特征波長(zhǎng)提取

提取特征波長(zhǎng)的常用方法包括方差分析法、相關(guān)系數(shù)法、遺傳算法（GA）、隨機(jī)蛙跳（RF）、模擬退火（SA）、主成分分析（PCA）、無(wú)信息變量消除法（UVE）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)取樣法（CARS）和連續(xù)投影算法（SPA）。

1.2.1.3 建模方法及評(píng)價(jià)指標(biāo)

高光譜圖像數(shù)據(jù)具有多重共線性和高維度的特點(diǎn)，通常選擇多元分析方法建模分析數(shù)據(jù)和目標(biāo)特征的關(guān)系，多元分析方法又可分為定量分析和定性分類。

典型的定量分析方法有支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、主成分回歸（PCR）、偏最小二乘回歸（PLSR）、支持向量回歸（SVR）、多元線性回歸（MLR）和逐步線性回歸（SLR）。常用的模型性能評(píng)價(jià)指標(biāo)包括相關(guān)系數(shù)（R）、確定系數(shù)（R2）、均方根誤差（RMSE）和殘差預(yù)測(cè)偏差（RPD）。通常來(lái)說(shuō)，預(yù)測(cè)效果較好的模型R2接近1，RPD>2.5且RMSE盡量小。

常用的定性分類方法包括ANN、SVM、PCA、聚類、K-最近鄰（KNN）、線性判別分析（LDA）和偏最小二乘判別分析（PLS-DA）。通常以準(zhǔn)確率和誤判率評(píng)價(jià)模型分類效果［29］，模型準(zhǔn)確率越接近100%，誤判率越接近0，模型分類效果越好。

1.2.2 圖像處理方法

圖像中的主要特征包括顏色、形狀、紋理和空間關(guān)系，可反映水果的缺陷、病害等信息。圖像處理流程主要包括預(yù)處理、分割和特征提取，預(yù)處理方法包括像素亮度變換、幾何變換、局部鄰域預(yù)處理；分割方法主要基于閾值、區(qū)域、邊緣和深度學(xué)習(xí)。由表1可知，特征提取方法有Canny邊緣檢測(cè)、Harris角點(diǎn)提取、尺度不變特征變換、方向梯度直方圖、局部二值模式和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。

2 HSI在水果品質(zhì)檢測(cè)中的應(yīng)用

2.1 外部品質(zhì)檢測(cè)

水果外部品質(zhì)包括尺寸、形狀、顏色、缺陷、污染和病菌感染等，是影響消費(fèi)者購(gòu)買選擇的主要因素。目前，機(jī)器視覺技術(shù)可較好地檢測(cè)尺寸、形狀、顏色等特征顯著的表面品質(zhì)［30-31］，但基本無(wú)法檢測(cè)特征不明顯的輕微損傷、凍傷和早期病菌感染等品質(zhì)。而HSI具有圖譜合一的特點(diǎn)，檢測(cè)水果隱性損傷時(shí)具有較大優(yōu)勢(shì)。

2.1.1 表面缺陷

水果表面缺陷檢測(cè)主要基于缺陷的顏色、形狀、亮度和紋理，HSI彌補(bǔ)了傳統(tǒng)彩色成像的缺點(diǎn)，在較多波長(zhǎng)處成像，可凸顯不明顯的特征。目前，利用HSI檢測(cè)水果表面缺陷面臨的主要問(wèn)題是如何采集水果較為完整的表面信息以及解決眩光、果莖和果萼的干擾。

HSI掃描成像時(shí)水果速度較低，且常規(guī)掃描方法單次掃描僅能獲取到水果約50%的表面信息，旋轉(zhuǎn)掃描可將其提高到95%以上，可有效提高檢測(cè)準(zhǔn)確率，但目前的旋轉(zhuǎn)掃描系統(tǒng)無(wú)法完成連續(xù)、自動(dòng)的水果信息采集，為滿足流水線檢測(cè)的需求有待進(jìn)一步改進(jìn)。眩光會(huì)對(duì)品質(zhì)檢測(cè)造成不利影響，將其視為一種缺陷特征進(jìn)行檢測(cè)和分類也是可行的［32］。果莖和果萼常會(huì)被誤識(shí)別為缺陷，極有必要對(duì)其進(jìn)行準(zhǔn)確的區(qū)分。結(jié)合能量、熵、慣性矩和相關(guān)性等紋理特征和光譜特征開發(fā)的SVM對(duì)蘋果果莖、果萼、蟲傷的總體識(shí)別率為97.8%［18］。ANN結(jié)合哈爾級(jí)聯(lián)算法（HCA）也能較好地區(qū)分蘋果結(jié)痂和果莖［33］。

對(duì)于柑橘疤痕，Zhang等以PCA選取特征波長(zhǎng)，利用單色圖像之比（680 nm/715 nm）結(jié)合閾值分割得到缺陷區(qū)域，測(cè)試準(zhǔn)確率為96.63%，僅使用2個(gè)特征波長(zhǎng)可為開發(fā)快速的多光譜檢測(cè)系統(tǒng)提供參考［34］。對(duì)于蘋果的常見缺陷，Zhang等以SVM和最小噪聲分?jǐn)?shù)（MNF）提取高光譜反射圖像的特征波長(zhǎng)，提出的（930～730 nm）/930 nm方法可以忽略光照變化，具有較高的穩(wěn)定性和可移植性［35］。

由表2可知，總結(jié)了近年利用HSI檢測(cè)水果表面缺陷的相關(guān)研究。水果表面缺陷種類豐富，而且各生長(zhǎng)、儲(chǔ)存階段的缺陷特征存在較大差異，很難有統(tǒng)一的檢測(cè)標(biāo)準(zhǔn)，通常針對(duì)收獲后短期內(nèi)的水果進(jìn)行缺陷檢測(cè)，可結(jié)合HSI分析水果儲(chǔ)存期間缺陷形成的原因，為進(jìn)一步延長(zhǎng)水果保質(zhì)期提供參考。

2.1.2 輕微損傷

水果輕微損傷通常是水果在采摘和運(yùn)輸過(guò)程中受外部擠壓、撞擊形成，一般在果皮之下，和正常組織的差異較小，很難通過(guò)肉眼進(jìn)行識(shí)別，尤以果皮顏色較深時(shí)為甚。輕微損傷會(huì)導(dǎo)致果肉進(jìn)一步褐變甚至腐爛，降低水果的商品價(jià)值，所以在其形成初期進(jìn)行檢測(cè)及剔除具有重要的經(jīng)濟(jì)意義。獼猴桃、草莓和蘋果等薄皮水果極易產(chǎn)生輕微損傷，相關(guān)研究見表3。

輕微損傷的嚴(yán)重程度通常從其產(chǎn)生區(qū)域中央向四周逐漸減弱，為使數(shù)據(jù)更加均勻，Pan等將蘋果瘀傷區(qū)域劃分為10等份進(jìn)行數(shù)據(jù)重采樣，并對(duì)比DT、隨機(jī)森林（RF）、極致隨機(jī)化樹（ERT）、梯度增強(qiáng)決策樹（GBDT）等模型使用重采樣數(shù)據(jù)和原始數(shù)據(jù)的效果，發(fā)現(xiàn)模型準(zhǔn)確率均有所提高［50］。對(duì)于光譜數(shù)據(jù)的預(yù)處理，質(zhì)子分析法可使光譜分布更加多樣化，利用分段非線性擬合提取的特征波長(zhǎng)檢測(cè)蘋果瘀傷的效果優(yōu)于常用的SPA、GA和PCA［51］。Huang的團(tuán)隊(duì)開發(fā)了一套基于780、850、960 nm的多光譜蘋果瘀傷檢測(cè)系統(tǒng)，對(duì)比了蘋果在靜態(tài)和動(dòng)態(tài)條件下的檢測(cè)效果，發(fā)現(xiàn)動(dòng)態(tài)條件下檢測(cè)準(zhǔn)確率急劇下降，主要原因是運(yùn)動(dòng)狀況下850、960 nm波長(zhǎng)的圖像質(zhì)量下降。為提高HSI的實(shí)際應(yīng)用效果，應(yīng)更加注重動(dòng)態(tài)條件下的分析和測(cè)試［52］。

ResNet［53］、VGG16［54］、Inception［55］和YOLO v3［56］等深度學(xué)習(xí)模型在水果輕微損傷檢測(cè)領(lǐng)域也有廣泛應(yīng)用。相比傳統(tǒng)的機(jī)器學(xué)習(xí)模型，此類模型的準(zhǔn)確率更高、魯棒性更強(qiáng)，但模型的性能主要取決于數(shù)據(jù)集的數(shù)量和質(zhì)量，而且訓(xùn)練耗時(shí)。

有研究表明，近紅外光譜區(qū)域的高光譜圖像比可見光區(qū)域和可見近紅外光區(qū)域能更有效地檢測(cè)水果瘀傷組織，因?yàn)轲鰝麉^(qū)域的含水量高于正常組織，而含水量的光譜響應(yīng)主要在近紅外區(qū)域，引入可見光譜區(qū)域進(jìn)行分析時(shí)可能會(huì)削弱損傷區(qū)域和正常組織之間的光譜強(qiáng)度差異［57］。

以上研究表明，利用高光譜圖像能夠很好地完成水果輕微損傷的檢測(cè)，絕大多數(shù)研究選擇完好水果然后在其赤道處制造輕微損傷，但實(shí)際損傷產(chǎn)生的位置具有很強(qiáng)的隨機(jī)性，且通常伴有會(huì)對(duì)損傷檢測(cè)造成極大干擾的其他缺陷。此外，對(duì)損傷嚴(yán)重程度的判斷十分主觀，缺乏相應(yīng)的依據(jù)和標(biāo)準(zhǔn)，所以未來(lái)的研究應(yīng)確保輕微損傷位置的隨機(jī)性，探究如何從眾多缺陷中準(zhǔn)確地檢測(cè)出輕微損傷，并制定相應(yīng)的損傷程度等級(jí)標(biāo)準(zhǔn)。

2.1.3 早期病菌感染

病菌容易入侵水果損傷和果蒂處，且造成的感染在水果運(yùn)輸和儲(chǔ)藏期間較難防治，容易在短時(shí)間內(nèi)迅速擴(kuò)大，所以檢測(cè)早期階段的病菌感染有極高的必要性，相關(guān)研究見表4。

為快速獲取到一定數(shù)量的病菌感染水果，通常以人工接種病菌的方式制造感染。為選取柑橘早期感染的最佳檢測(cè)波段，Li等采集反射高光譜圖像，以500～1 050 nm光譜范圍內(nèi)的7個(gè)波長(zhǎng)圖像構(gòu)建多光譜圖像，使用BEMD去噪，對(duì)比Otsu和WSA分割感染區(qū)域的效果，發(fā)現(xiàn)由于不同波段的各個(gè)主成分圖中缺陷的強(qiáng)度差別較大，且柑橘?gòu)澢谋砻鏁?huì)造成光線分布不均，Otsu效果較差，可使用來(lái)自不同品種、批次和種植區(qū)域的更多樣本來(lái)優(yōu)化圖像處理算法［58］。Tian等以透射高光譜圖像檢測(cè)柑橘早期感染，結(jié)合偽彩色圖和WSA能準(zhǔn)確地分割出感染區(qū)域和果梗區(qū)域，對(duì)感染柑橘的檢測(cè)準(zhǔn)確率為93%。但以被分割區(qū)域的像素個(gè)數(shù)和周長(zhǎng)像素個(gè)數(shù)判斷該區(qū)域是否為果梗，結(jié)果易受相機(jī)安裝位置及圖像大小等影響，缺乏穩(wěn)定性和普適性［14］。Quoc等使用ANN和SVM 這2種分類器進(jìn)行逐像素點(diǎn)分類檢測(cè)棗的銹斑和霉菌等感染，使用全波段圖像時(shí)，ANN和SVM的處理時(shí)間分別為25 s和 320 s。為減少處理時(shí)間，以等間隔和PCA方式各選取14個(gè)波長(zhǎng)，2種方式下ANN和SVM的準(zhǔn)確率為950%、94.9%和95.0%、94.6%，且使用等間隔波長(zhǎng)時(shí)檢測(cè)時(shí)間分別減少到16.6 s和30.0 s，可區(qū)分出眩光區(qū)域，準(zhǔn)確率較高，但檢測(cè)時(shí)間有待進(jìn)一步減少［15］。

各種機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型也被廣泛應(yīng)用于水果早期病菌感染檢測(cè)中，使用反射高光譜圖像訓(xùn)練的ResNet101對(duì)感染炭疽病5 d后的橄欖識(shí)別準(zhǔn)確率可達(dá)100%，但數(shù)據(jù)量較少，模型泛化能力弱，應(yīng)采集更多各感染時(shí)期的圖像［67］。Sandra等對(duì)枇杷的紫斑等感染進(jìn)行識(shí)別，對(duì)比RF、XGBoost和PLS的效果，XGBoost識(shí)別效果最佳。但該研究使用的是450～1 040 nm全波段，應(yīng)進(jìn)一步選取特征波長(zhǎng)減少處理時(shí)間［40］。

HSI不同的采集模式均可準(zhǔn)確地檢測(cè)出水果淺層組織的早期病菌感染，但檢測(cè)時(shí)間仍有待進(jìn)一步減少以滿足實(shí)際需求，且對(duì)水果內(nèi)部感染的研究較少，而內(nèi)部感染很容易導(dǎo)致消費(fèi)者誤食被感染的果肉，危害人體健康，可展開深入研究。

2.1.4 冷害

冷害是指由0 ℃以上的低溫造成的傷害。香蕉、芒果和菠蘿等亞熱帶及熱帶水果都對(duì)冷害較為敏感，水果發(fā)生冷害后，可能會(huì)變色、萎縮，甚至腐爛。

高光譜圖像結(jié)合ANN可較好地檢測(cè)蘋果冷害［68］，Sun等為檢測(cè)桃子受冷害程度，采集400～1 000 nm 的反射高光譜圖像，建立了PLS-DA、ANN和SVM判別模型，結(jié)果表明，使用全波長(zhǎng)數(shù)據(jù)時(shí)ANN分類效果最佳，可實(shí)現(xiàn)對(duì)非冷害、輕度冷害、中度冷害和重度冷害的區(qū)分。又以SPA選擇6個(gè)最佳波長(zhǎng)作為PLS、費(fèi)舍爾線性判別分析、ANN和SVM的輸入，也能較好地區(qū)分冷害和非冷害。此外，還對(duì)圖像進(jìn)行PCA生成了冷害的分布圖。結(jié)果表明，反射高光譜圖像無(wú)損檢測(cè)桃子冷害是可行的［69］。Lu等研究發(fā)現(xiàn)，使用5.03 nm的光譜分辨率以及 20 mm/s 的速度掃描效率較高，適合檢測(cè)青棗冷害。以RF提取最佳波長(zhǎng)，建立的LDA模型對(duì)非冷害、輕度冷害和重度冷害的總體分類準(zhǔn)確率為93.3%［70］。

HSI已成功用于識(shí)別蘋果、棗和桃的冷害，但對(duì)亞熱帶及熱帶地區(qū)更易感冷害的水果研究較少。由于不同生長(zhǎng)時(shí)期的水果遭受冷害時(shí)的癥狀各不相同，且有的水果受到冷害時(shí)從內(nèi)部開始惡化，外表仍然完好，可利用高光譜方法開發(fā)相關(guān)檢測(cè)設(shè)備，提高檢測(cè)效率，降低由冷害造成的損失。

2.2 水果內(nèi)部品質(zhì)分析

水果的內(nèi)部品質(zhì)指標(biāo)包括pH值、SSC、DMC、硬度、含糖量、可滴定酸（TA）等，HSI已被廣泛用于水果內(nèi)部品質(zhì)的評(píng)估（表5）。

2.2.1 SSC

SSC是水果中所有可溶于水的化合物的總稱，包括糖、酸、礦物質(zhì)、維生素等，是水果最重要的內(nèi)部品質(zhì)評(píng)價(jià)指標(biāo)之一。目前，研究仍以反射成像為主，透射和漫透射方式較少。為提高蘋果SSC的預(yù)測(cè)準(zhǔn)確率，F(xiàn)an等結(jié)合反射高光譜圖像和紋理灰度共生矩陣建立的PLSR模型預(yù)測(cè)效果優(yōu)于單獨(dú)使用反射高光譜圖像，使用CARS選取特征波長(zhǎng)，建立的模型效果優(yōu)于使用全波段，預(yù)測(cè)集和驗(yàn)證集的R及RMSE分別為0.932 7%、0.641 0%和0913 0%、0.665 6%［90］。

對(duì)于不同產(chǎn)地蘋果的SSC，使用反射高光譜圖像也有較好的預(yù)測(cè)效果，以SPA選取特征波長(zhǎng)建立LS-SVM模型，預(yù)測(cè)集的R和RMSE分別為0878、0908 Brix［91］。為預(yù)測(cè)2種獼猴桃的SSC，Guo等采集反射高光譜圖像，使用基于聯(lián)合x-y距離方法劃分訓(xùn)練集和驗(yàn)證集，使用單個(gè)品種建模時(shí)，以SPA選擇9個(gè)特征波長(zhǎng)，2個(gè)品種則選擇19個(gè)特征波長(zhǎng)，對(duì)比PLS和LS-SVM模型使用全波段及特征波長(zhǎng)的效果，LS-SVM較優(yōu)，以2個(gè)品種建模時(shí)，使用全波段的效果優(yōu)于特征波長(zhǎng)，預(yù)測(cè)集的R和RMSE分別為0.911和1.137，表明開發(fā)多品種檢測(cè)模型有助于減少計(jì)算誤差和提高計(jì)算速度［21］。

Zhang等利用透射圖像檢測(cè)臍橙的SSC，通過(guò)蒙特卡羅異常值檢測(cè)方法消除樣本中的潛在異常值，以CARS-SPA選取有效波長(zhǎng)建立LS-SVM模型，預(yù)測(cè)集的R為0.9，RMSE為0.4。但僅使用了單個(gè)品種臍橙的單批次樣本，需使用更多的樣本以增強(qiáng)模型泛化能力［92］。

HSI檢測(cè)水果SSC的多數(shù)研究集中于水果赤道位置，為得到更全面的檢測(cè)結(jié)果，可利用不同算法對(duì)水果的不同位置進(jìn)行檢測(cè)，以HSI反射成像模式檢測(cè)SSC的分布是未來(lái)的主要方向。檢測(cè)小型水果時(shí)，HSI的反射模式可獲取到足夠的檢測(cè)信息，如草莓、獼猴桃等，但對(duì)于西瓜、菠蘿等大型厚皮水果，反射模式很難有較好的效果，可結(jié)合多種模式進(jìn)行對(duì)比分析，探索更有效的檢測(cè)方案。

2.2.2 硬度

硬度表示水果的抗壓能力，不同水果之間區(qū)別極大，是衡量鮮果品質(zhì)和貯藏性狀的重要指標(biāo)。為預(yù)測(cè)不同顏色李子的硬度，Meng等利用反射圖像建立了基于全波段的PLSR和PCR模型，又以SPA和CARS選取特征波長(zhǎng)建立了MLR和BPNN模型，結(jié)果表明，CARS-MLR預(yù)測(cè)效果最佳，其對(duì)硬度的決定系數(shù)R2>0.6，RPD>1.8［93］。

Xu等結(jié)合SAE、PLS和LS-SVM建立了巨峰葡萄硬度的預(yù)測(cè)模型，結(jié)果表明SAE-LSSVM模型性能最佳，其預(yù)測(cè)集對(duì)硬度的R2、RMSE和RPD分別為0.92、0.442 2 N、3.26，表明SAE可作為處理高維高光譜圖像數(shù)據(jù)的替代方案［94］。Yu等結(jié)合SAE和FNN建立了梨的硬度預(yù)測(cè)模型，預(yù)測(cè)集對(duì)硬度的R2、RMSE、RPD分別為0.89、1.81 N、3.05。但該研究中高光譜掃描的速度僅1.5 mm/s，很難滿足實(shí)時(shí)應(yīng)用，應(yīng)進(jìn)一步研究如何以更快的速度獲取高光譜圖像［95］。

HSI已用于檢測(cè)蘋果、桃、李和哈密瓜等多種水果的硬度，且基于硬度對(duì)水果成熟度進(jìn)行分類也展現(xiàn)出較大的潛力，但還需要通過(guò)增加樣本規(guī)模和改善測(cè)量條件等方法實(shí)現(xiàn)進(jìn)一步改進(jìn)。

2.2.3 成熟度

水果成熟度由酸度、含糖量和硬度等多種指標(biāo)共同決定，對(duì)其進(jìn)行準(zhǔn)確判斷對(duì)水果分級(jí)和保鮮具有重要意義。為方便運(yùn)輸和存儲(chǔ)，香蕉通常在未成熟時(shí)采摘，所以準(zhǔn)確地判斷成熟度可確定合理的采摘時(shí)間，Chu等將香蕉劃分為6個(gè)成熟度，并測(cè)量香蕉成熟過(guò)程中SSC、TA、葉綠素含量和總色素含量的變化，以果梗、果萼和香蕉中部的光譜信息建立PLS-DA預(yù)測(cè)模型，以全波段建立的模型性能優(yōu)于特征波段［96］。Juan等以整簇葡萄的SSC、TA、pH值、酒石酸、蘋果酸、花青素和總酚建立預(yù)測(cè)成熟度的PLS模型，測(cè)試結(jié)果表明該模型可實(shí)現(xiàn)對(duì)整簇葡萄成熟度的預(yù)測(cè)，但采集的只是整簇水果一個(gè)表面的光譜信息，缺乏代表性，預(yù)測(cè)效果較差［97］。Shao等將草莓分為成熟、中熟和未成熟3個(gè)階段，采集草莓位于室內(nèi)和田間時(shí)的光譜信息，建立了PLS-DA和LS-SVM預(yù)測(cè)模型，田間評(píng)估時(shí)的準(zhǔn)確率分別為91.7%和96.7%，略低于室內(nèi)環(huán)境，而且以CARS方法選取特征波長(zhǎng)建立的LS-SVM模型預(yù)測(cè)效果更好，可用于田間草莓成熟度的實(shí)時(shí)評(píng)估［98］。

不同水果的成熟度評(píng)價(jià)指標(biāo)不同，多數(shù)研究?jī)H針對(duì)相同產(chǎn)地的單一品種進(jìn)行成熟度檢測(cè)，模型的適用范圍較低，可同時(shí)對(duì)多品種展開研究，增強(qiáng)模型泛化能力。

3 展望

水果經(jīng)濟(jì)價(jià)值較高，實(shí)現(xiàn)其采后品質(zhì)分級(jí)可有效減少損失，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。隨著水果產(chǎn)業(yè)的快速發(fā)展，需實(shí)現(xiàn)快速、準(zhǔn)確、無(wú)損和全面的品質(zhì)檢測(cè)。HSI可無(wú)損檢測(cè)水果內(nèi)外部品質(zhì)，已有許多研究結(jié)合HSI和化學(xué)計(jì)量學(xué)成功實(shí)現(xiàn)了水果的品質(zhì)檢測(cè)，但仍很難應(yīng)用到實(shí)際檢測(cè)中，可結(jié)合以下幾個(gè)方面展開深入研究。

3.1 優(yōu)化輸送設(shè)備和照明條件

在常規(guī)的水平輸送方式下，HSI系統(tǒng)只能獲取到水果約50%的表面信息，容易造成誤檢和漏檢。也有研究將水果進(jìn)行旋轉(zhuǎn)以采集更多的信息，但通常是人工更換水果，不能實(shí)現(xiàn)自動(dòng)、連續(xù)采集，難以滿足流水線檢測(cè)的需求。而某些表面光滑的水果極易形成眩光，給表面品質(zhì)檢測(cè)帶來(lái)極大的干擾，應(yīng)進(jìn)一步優(yōu)化輸送設(shè)備和照明條件以滿足實(shí)際應(yīng)用。

3.2 加強(qiáng)水果動(dòng)態(tài)下的品質(zhì)檢測(cè)

水果處在靜態(tài)或極緩慢運(yùn)動(dòng)狀態(tài)下HSI系統(tǒng)可采集最準(zhǔn)確的品質(zhì)信息，實(shí)現(xiàn)最準(zhǔn)確的品質(zhì)檢測(cè)，但批量檢測(cè)時(shí)需要水果具有一定的速度，會(huì)大幅降低成像質(zhì)量。目前，關(guān)于如何克服動(dòng)態(tài)檢測(cè)時(shí)成像質(zhì)量降低的研究較少，缺少科學(xué)的解決方案。

3.3 多源信息、多模式融合

HSI檢測(cè)中、小型薄皮水果內(nèi)部品質(zhì)效果較好，但獲取大型厚皮水果的內(nèi)部品質(zhì)信息較為困難，已有的研究主要分析西瓜、哈密瓜和甜瓜3種厚皮水果，而對(duì)表面粗糙、果殼密度大的榴蓮、菠蘿蜜等研究較少，可結(jié)合X射線和核磁共振等穿透力較強(qiáng)的技術(shù)進(jìn)行深入研究。對(duì)于特定的樣本，不同HSI模式下獲得的信息具有不同的優(yōu)勢(shì)，所以，多模式結(jié)合的HSI系統(tǒng)可提供同一樣本更全面的信息，可為開發(fā)更準(zhǔn)確的HSI系統(tǒng)提供參考。

3.4 提高模型通用性

基于HSI的水果品質(zhì)檢測(cè)研究通常聚焦于特定品種、特定產(chǎn)地、特定采摘批次水果的特定品質(zhì)，做了較多的重復(fù)工作，效率較低。但不同的水果品質(zhì)檢測(cè)研究中使用的HSI技術(shù)是相通的，且不同的水果品質(zhì)檢測(cè)研究面臨的難點(diǎn)也有相似之處，因此，開展品質(zhì)檢測(cè)時(shí)可適當(dāng)統(tǒng)籌，對(duì)不同水果的同一品質(zhì)，以及同一水果的不同品質(zhì)可以同時(shí)展開研究，利用技術(shù)的通用性加快研究進(jìn)展。

參考文獻(xiàn)：

［1］國(guó)家統(tǒng)計(jì)局. 中國(guó)第三產(chǎn)業(yè)統(tǒng)計(jì)年鑒：2022［M］. 北京：中國(guó)統(tǒng)計(jì)出版社，2022.

［2］李 梅. 水果分揀技術(shù)的研究現(xiàn)狀與發(fā)展［J］. 江蘇理工學(xué)院學(xué)報(bào)，2018，24（2）：121-124.

［3］高 輝，馬國(guó)峰，劉偉杰. 基于機(jī)器視覺的蘋果缺陷快速檢測(cè)方法研究［J］. 食品與機(jī)械，2020，36（10）：125-129，148.

［4］王紅軍，熊俊濤，黎鄒鄒，等. 基于機(jī)器視覺圖像特征參數(shù)的馬鈴薯質(zhì)量和形狀分級(jí)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（8）：272-277.

［5］田海韜，趙 軍，蒲富鵬. 馬鈴薯芽眼圖像的分割與定位方法［J］. 浙江農(nóng)業(yè)學(xué)報(bào)，2016，28（11）：1947-1953.

［6］何 軍，馬稚昱，褚 璇，等. 基于機(jī)器視覺的芒果果形評(píng)價(jià)方法研究［J］. 現(xiàn)代農(nóng)業(yè)裝備，2021，42（1）：56-60.

［7］李 龍，彭彥昆，李永玉. 蘋果內(nèi)外品質(zhì)在線無(wú)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（9）：267-275.

［8］張保華，李江波，樊書祥，等. 高光譜成像技術(shù)在果蔬品質(zhì)與安全無(wú)損檢測(cè)中的原理及應(yīng)用［J］. 光譜學(xué)與光譜分析，2014，34（10）：2743.

［9］Huang Y P，Lu R F，Chen K J. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system［J］. Postharvest Biology and Technology，2020，161：111065.

［10］Nordey T，Joas J，Davrieux F，et al. Robust NIRS models for non-destructive prediction of mango internal quality［J］. Scientia Horticulturae，2017，216：51-57.

［11］Wang J H，Wang J，Chen Z，et al. Development of multi-cultivar models for predicting the soluble solid content and firmness of European pear （Pyrus communis L.） using portable vis-NIR spectroscopy［J］. Postharvest Biology and Technology，2017，129：143-151.

［12］Zhang D Y，Xu L，Wang Q Y，et al. The optimal local model selection for robust and fast evaluation of soluble solid content in melon with thick peel and large size by vis-NIR spectroscopy［J］. Food Analytical Methods，2019，12（1）：136-147.

［13］遲 茜，王轉(zhuǎn)衛(wèi)，楊婷婷，等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（3）：235-241，234.

［14］Tian X，F(xiàn)an S X，Huang W Q，et al. Detection of early decay on citrus using hyperspectral transmittance imaging technology coupled with principal component analysis and improved watershed segmentation algorithms［J］. Postharvest Biology and Technology，2020，161：111071.

［15］Thien Pham Q，Liou N S. The development of on-line surface defect detection system for jujubes based on hyperspectral images［J］. Computers and Electronics in Agriculture，2022，194：106743.

［16］Zhang H L，Chen Y，Liu X M，et al. Identification of common skin defects and classification of early decayed Citrus using hyperspectral imaging technique［J］. Food Analytical Methods，2021，14（6）：1176-1193.

［17］章海亮，高俊峰，何 勇. 基于高光譜成像技術(shù)的柑橘缺陷無(wú)損檢測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（9）：177-181.

［18］田有文，程 怡，王小奇，等. 基于高光譜成像的蘋果蟲傷缺陷與果梗/花萼識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（4）：325-331.

［19］Che W K，Sun L J，Zhang Q，et al. Pixel based bruise region extraction of apple using Vis-NIR hyperspectral imaging［J］. Computers and Electronics in Agriculture，2018，146（C）：12-21.

［20］Liu G S，He J G，Wang S L，et al. Application of near-infrared hyperspectral imaging for detection of external insect infestations on jujube fruit［J］. International Journal of Food Properties，2016，19（1）：41-52.

［21］Guo W C，Zhao F，Dong J L. Nondestructive measurement of soluble solids content of kiwifruits using near-infrared hyperspectral imaging［J］. Food Analytical Methods，2016，9（1）：38-47.

［22］Lu Y Z，Huang Y P，Lu R F. Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables：a review［J］. Applied Sciences，2017，7（2）：189.

［23］Zhang M Li G H. Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging［J］. International Journal of Food Properties，2018 21（1）： 1598-1607.

［24］Devos O，Downey G，Duponchel L. Simultaneous data pre-processing and SVM classification model selection based on a parallel genetic algorithm applied to spectroscopic data of olive oils［J］. Food Chemistry，2014，148：124-130.

［25］Liu Y J，Yu Y D，Zhou X G，et al. A new automatic threshold selecting criteria for spectroscopy data processing［J］. Chemometrics and Intelligent Laboratory Systems，2017，161：8-14.

［26］Gerretzen J，Szymańska E，Jansen J J，et al. Simple and effective way for data preprocessing selection based on design of experiments［J］. Analytical Chemistry，2015，87（24）：12096-12103.

［27］Engel J，Gerretzen J，Szymańska E，et al. Breaking with trends in pre-processing？［J］. TrAC Trends in Analytical Chemistry，2013，50：96-106.

［28］第五鵬瑤，卞希慧，王姿方，等. 光譜預(yù)處理方法選擇研究［J］. 光譜學(xué)與光譜分析，2019，39（9）：2800.

［29］Keresztes J C，Goodarzi M，Saeys W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques［J］. Food Control，2016，66：215-226.

［30］Su Q H，Kondo N，Li M Z，et al. Potato quality grading based on machine vision and 3D shape analysis［J］. Computers and Electronics in Agriculture，2018，152（C）：261-268.

［31］Zhang W Z，Hu J，Zhou G X，et al. Detection of apple defects based on the FCM-NPGA and a multivariate image analysis［J］. IEEE Access，2020，8：38833-38845.

［32］Pham Q T，Liou N S. Hyperspectral imaging system with rotation platform for investigation of jujube skin defects［J］. Applied Sciences，2020，10（8）：2851.

［33］Balabanov P V，Divin A G，Egorov A S，et al. Vision system for detection of defects on apples using hyperspectral imaging coupled with neural network and Haar cascade algorithm［J］. IOP Conference Series：Materials Science and Engineering，2020，862（5）：052058.

［34］Zhang H L，Zhang S，Dong W T，et al. Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging［J］. Infrared Physics & Technology，2020，108：103341.

［35］Zhang B H，Liu L S，Gu B X，et al. From hyperspectral imaging to multispectral imaging：Portability and stability of HIS-MIS algorithms for common defect detection［J］. Postharvest Biology and Technology，2018，137：95-105.

［36］Xie C Q，Lee W S. Detection of citrus black spot symptoms using spectral reflectance［J］. Postharvest Biology and Technology，2021，180：111627.

［37］Liu Y S，Zhou S B，Wu H M，et al. Joint optimization of autoencoder and self-supervised classifier：anomaly detection of strawberries using hyperspectral imaging［J］. Computers and Electronics in Agriculture，2022，198：107007.

［38］Mesa A R，Chiang J Y. Multi-input deep learning model with RGB and hyperspectral imaging for banana grading［J］. Agriculture，2021，11（8）：687.

［39］Pan T T，Chyngyz E，Sun D W，et al. Pathogenetic process monitoring and early detection of pear black spot disease caused by Alternaria alternata using hyperspectral imaging［J］. Postharvest Biology and Technology，2019，154：96-104.

［40］Munera S，Gómez-Sanchís J，Aleixos N，et al. Discrimination of common defects in loquat fruit cv.‘Algerie’ using hyperspectral imaging and machine learning techniques［J］. Postharvest Biology and Technology，2021，171：111356.

［41］Li J B，Chen L P，Huang W Q，et al. Multispectral detection of skin defects of bi-colored peaches based on vis-NIR hyperspectral imaging［J］. Postharvest Biology and Technology，2016，112：121-133.

［42］Rady A，Ekramirad N，Adedeji A A，et al. Hyperspectral imaging for detection of codling moth infestation in GoldRush apples［J］. Postharvest Biology and Technology，2017，129：37-44.

［45］Wu L G，He J G，Liu G S，et al. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging［J］. Postharvest Biology and Technology，2016，112：134-142.

［43］Zhu X L，Li G H. Rapid detection and visualization of slight bruise on apples using hyperspectral imaging［J］. International Journal of Food Properties，2019，22（1）：1709-1719.

［44］吳龍國(guó)，王松磊，康寧波，等. 基于高光譜成像技術(shù)的靈武長(zhǎng)棗缺陷識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（20）：281-286.

［45］Wu L G，He J G，Liu G S，et al. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging［J］. Postharvest Biology and Technology，2016，112：134-142.

［46］Yuan R R，Liu G S，He J G，et al. Classification of Lingwu long jujube internal bruise over time based on visible near-infrared hyperspectral imaging combined with partial least squares-discriminant analysis［J］. Computers and Electronics in Agriculture，2021，182：106043.

［47］Munera S，Rodríguez-Ortega A，Aleixos N，et al. Detection of invisible damages in ‘Rojo Brillante’ persimmon fruit at different stages using hyperspectral imaging and chemometrics［J］. Foods，2021，10（9）：2170.

［48］Fang Y M，Yang F，Zhou Z，et al. Hyperspectral wavelength selection and integration for bruise detection of Korla pears［J］. Journal of Spectroscopy，2019，2019：6715247.

［49］Fan S X，Li C Y，Huang W Q，et al. Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with optimum wavelengths［J］. Postharvest Biology and Technology，2017，134：55-66.

［50］Pan X Y，Sun L J，Li Y S，et al. Non-destructive classification of apple bruising time based on visible and near-infrared hyperspectral imaging［J］. Journal of the Science of Food and Agriculture，2019，99（4）：1709-1718.

［51］Tang Y，Gao S J，Zhuang J J，et al. Apple bruise grading using piecewise nonlinear curve fitting for hyperspectral imaging data［J］. IEEE Access，2020，8：147494-147506.

［52］Huang W Q，Li J B，Wang Q Y，et al. Development of a multispectral imaging system for online detection of bruises on apples［J］. Journal of Food Engineering，2015，146：62-71.

［53］Wang Z D，Hu M H，Zhai G T. Application of deep learning architectures for accurate and rapid detection of internal mechanical damage of blueberry using hyperspectral transmittance data［J］. Sensors，2018，18（4）：1126.

［54］Zhang M Y，Jiang Y，Li C Y，et al. Fully convolutional networks for blueberry bruising and calyx segmentation using hyperspectral transmittance imaging［J］. Biosystems Engineering，2020，192：159-175.

［55］Gai Z D，Sun L J，Bai H Y，et al. Convolutional neural network for apple bruise detection based on hyperspectral［J］. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2022，279：121432.

［56］Pang Q，Huang W Q，F(xiàn)an S X，et al. Detection of early bruises on apples using hyperspectral imaging combining with YOLO v3 deep learning algorithm［J］. Journal of Food Process Engineering，2022，45（2）：1-14.

［57］Luo W，Zhang H L，Liu X M. Hyperspectral/multispectral reflectance imaging combining with watershed segmentation algorithm for detection of early bruises on apples with different peel colors［J］. Food Analytical Methods，2019，12（5）：1218-1228.

［58］Li J B，Zhang R Y，Li J B，et al. Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method［J］. Postharvest Biology and Technology，2019，158：110986.

［59］Tian X，Zhang C，Li J B，et al. Detection of early decay on citrus using LW-NIR hyperspectral reflectance imaging coupled with two-band ratio and improved watershed segmentation algorithm［J］. Food Chemistry，2021，360：130077.

［60］Luo W，F(xiàn)an G Z，Tian P，et al. Spectrum classification of citrus tissues infected by fungi and multispectral image identification of early rotten oranges［J］. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2022，279：121412.

［61］Liu Q，Wei K L，Xiao H，et al. Near-infrared hyperspectral imaging rapidly detects the decay of postharvest strawberry based on water-soluble sugar analysis［J］. Food Analytical Methods，2019，12（4）：936-946.

［62］Siedliska A，Baranowski P，Zubik M，et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging［J］. Postharvest Biology and Technology，2018，139：115-126.

［63］Liu Q，Sun K，Peng J，et al. Identification of bruise and fungi contamination in strawberries using hyperspectral imaging technology and multivariate analysis［J］. Food Analytical Methods，2018，11（5）：1518-1527.

［64］Zhang B H，F(xiàn)an S X，Li J B，et al. Detection of early rottenness on apples by using hyperspectral imaging combined with spectral analysis and image processing［J］. Food Analytical Methods，2015，8（8）：2075-2086.

［65］Ekramirad N，Khaled A Y，Doyle L E，et al. Nondestructive detection of codling moth infestation in apples using pixel-based NIR hyperspectral imaging with machine learning and feature selection［J］. Foods，2021，11（1）：8.

［66］Sun Y，Wei K L，Liu Q，et al. Classification and discrimination of different fungal diseases of three infection levels on peaches using hyperspectral reflectance imaging analysis［J］. Sensors，2018，18（4）：1295.

［67］Fazari A，Pellicer-Valero O J，Gómez-Sanchs J，et al. Application of deep convolutional neural networks for the detection of anthracnose in olives using VIS/NIR hyperspectral images［J］. Computers and Electronics in Agriculture，2021，187：106252.

［68］ElMasry G，Wang N，Vigneault C. Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks［J］. Postharvest Biology and Technology，2009，52（1）：1-8.

［69］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，2017，75：557-564.

［70］Lu H D，Yu X J，Zhou L J，et al. Selection of spectral resolution and scanning speed for detecting green jujubes chilling injury based on hyperspectral reflectance imaging［J］. Applied Sciences，2018，8（4）：523.

［71］Lan W J，Jaillais B，Renard C M G C，et al. A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices［J］. Postharvest Biology and Technology，2021，175：111497.

［72］Tian X，Li J B，Wang Q Y，et al. A multi-region combined model for non-destructive prediction of soluble solids content in apple，based on brightness grade segmentation of hyperspectral imaging［J］. Biosystems Engineering，2019，183：110-120.

［73］Zhu H Y，Chu B Q，F(xiàn)an Y Y，et al. Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models［J］. Scientific Reports，2017，7（1）：7845.

［74］Hu W H，Sun D W，Blasco J. Rapid monitoring 1-MCP-induced modulation of sugars accumulation in ripening ‘Hayward’ kiwifruit by Vis/NIR hyperspectral imaging［J］. Postharvest Biology and Technology，2017，125：168-180.

［75］Ma T，Xia Y，Inagaki T，et al. Non-destructive and fast method of mapping the distribution of the soluble solids content and pH in kiwifruit using object rotation near-infrared hyperspectral imaging approach［J］. Postharvest Biology and Technology，2021，174：111440.

［76］Silva R，Gomes V，Mendes-Faia A，et al. Using support vector regression and hyperspectral imaging for the prediction of oenological parameters on different vintages and varieties of wine grape berries［J］. Remote Sensing，2018，10（2）：312.

［77］Gao S，Xu J H. Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes［J］. Computers and Electronics in Agriculture，2022，196：106822.

［78］Yang B H，Gao Y，Yan Q，et al. Estimation method of soluble solid content in peach based on deep features of hyperspectral imagery［J］. Sensors，2020，20（18）：5021-5033.

［79］Pan L Q，Zhang Q，Zhang W，et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network［J］. Food Chemistry，2016，192：134-141.

［80］Munera S，Blasco J，Amigo J M，et al. Use of hyperspectral transmittance imaging to evaluate the internal quality of nectarines［J］. Biosystems Engineering，2019，182：54-64.

［81］Liu Y，Wang H H，F(xiàn)ei Y Q，et al. Research on the prediction of green plum acidity based on improved XGBoost［J］. Sensors，2021，21（3）：930.

［82］Gao Q，Wang P，Niu T，et al. Soluble solid content and firmness index assessment and maturity discrimination of Malus micromalus Makino based on near-infrared hyperspectral imaging［J］. Food Chemistry，2022，370：131013.

［83］孫靜濤，馬本學(xué)，董 娟，等. 高光譜技術(shù)結(jié)合特征波長(zhǎng)篩選和支持向量機(jī)的哈密瓜成熟度判別研究［J］. 光譜學(xué)與光譜分析，2017，37（7）：2184.

［84］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.

［85］Li Y J，Ma B X，Li C，et al. Accurate prediction of soluble solid content in dried Hami jujube using SWIR hyperspectral imaging with comparative analysis of models［J］. Computers and Electronics in Agriculture，2022，193：106655.

［86］Weng S Z，Yu S，Dong R L，et al. Nondestructive detection of storage time of strawberries using visible/near-infrared hyperspectral imaging［J］. International Journal of Food Properties，2020，23（1）：269-281.

［87］Weng S Z，Yu S，Guo B Q，et al. Non-destructive detection of strawberry quality using multi-features of hyperspectral imaging and multivariate methods［J］. Sensors，2020，20（11）：3074.

［88］Kang Z L，Geng J P，F(xiàn)an R S，et al. Nondestructive testing model of mango dry matter based on fluorescence hyperspectral imaging technology［J］. Agriculture，2022，12（9）：1337.

［89］Teerachaichayut S，Ho H T. Non-destructive prediction of total soluble solids，titratable acidity and maturity index of limes by near infrared hyperspectral imaging［J］. Postharvest Biology and Technology，2017，133：20-25.

［90］Fan S X，Zhang B H，Li J B，et al. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data［J］. Postharvest Biology and Technology，2016，121：51-61.

［91］Dong J L，Guo W C，Wang Z W，et al. Nondestructive determination of soluble solids content of ‘fuji’ apples produced in different areas and bagged with different materials during ripening［J］. Food Analytical Methods，2016，9（5）：1087-1095.

［92］Zhang H L，Zhan B S，Pan F，et al. Determination of soluble solids content in oranges using visible and near infrared full transmittance hyperspectral imaging with comparative analysis of models［J］. Postharvest Biology and Technology，2020，163：111148.

［93］Meng Q L，Shang J，Huang R S，et al. Determination of soluble solids content and firmness in plum using hyperspectral imaging and chemometric algorithms［J］. Journal of Food Process Engineering，2021，44（1）：1-9.

［94］Xu M，Sun J，Yao K S，et al. Developing deep learning based regression approaches for prediction of firmness and pH in Kyoho grape using Vis/NIR hyperspectral imaging［J］. Infrared Physics & Technology，2022，120：104003.

［95］Yu X J，Lu H D，Wu D. Development of deep learning method for predicting firmness and soluble solid content of postharvest Korla fragrant pear using Vis/NIR hyperspectral reflectance imaging［J］. Postharvest Biology and Technology，2018，141：39-49.

［96］Chu X，Miao P，Zhang K，et al. Green banana maturity classification and quality evaluation using hyperspectral imaging［J］. Agriculture，2022，12（4）：530.

［97］Juan F，Ignacio B，Paz D M. Non-invasive monitoring of berry ripening using on-the-go hyperspectral imaging in the vineyard［J］. Agronomy，2021，11（12）：2534.

［98］Shao Y Y，Wang Y X，Xuan G T，et al. Assessment of strawberry ripeness using hyperspectral imaging［J］. Analytical Letters，2021，54（10）：1547-1560.