高光谱图像技术在水果品质无损检测研究进展

分类：论文范文 发表时间：2021-06-04 09:47

　　摘要:为满足商家和普通消费者对水果品质的需求，水果品质的无损检测与分级十分必要。高光谱图像技术将光谱学与计算机图像学两学科的优势结合起来，可同时获得水果空间图像和光谱信息，能够全面反映水果内部和外部的品质信息，在水果品质无损检测与分析方面有着广阔的应用前景。综述了该技术用于水果品质无损检测的研究进展，并对未来发展趋势进行展望。

　　关键词:高光谱成像;无损检测;水果;品质

　　随着人民生活质量的逐步提升，消费者对水果质量的要求也越来越高［1］。但水果的内部品质不宜观察，且在采摘、包装和运输过程中，水果很容易受到人工或外界等物理因素的影响，致使其内外部的品质受到损伤［2］。因此，发展准确、快速、无损的检测技术已成为水果品质检测领域重要的研究课题。随着光谱技术的不断发展，高光谱图像技术被逐渐应用于水果无损检测。作为新一代的光电检测技术，高光谱图像技术结合了光谱学、机器视觉、计算机图像学、近红外光谱检测等多学科知识，将光谱技术和传统的二维成像技术进行了有机融合，具有高分辨率、超多波段和图像光谱合一等优点［3］，将高光谱图像技术应用于水果品质检测领域具有重要的意义［4］。

　　1高光谱图像技术简介

　　1.1高光谱成像系统

　　高光谱成像系统是20世纪80年代兴起的新一代光电探测技术。一般认为，光谱分辨率在10－1λ数量级的范围内称之为多光谱，光谱分辨率在10－2λ数量级的范围内称为高光谱［9］，高光谱成像相对多光谱成像而言具有更高的分辨率［10］。

　　1.2高光谱图像数据的采集方式

　　根据高光谱图像采集方式的不同，可分为点扫描、线扫描和面扫描三种。点扫描方式每次扫描只能获得一个像素点的光谱，不适用于快速检测，所以点扫描的方式常常被用于检测微观对象。线扫描方式通过每次扫描可以获得扫描线上的光谱，适用于传输带上物体的实时检测，因此该方法是水果品质检测中最常用的图像采集方法。点扫描和线扫描方式都属于光谱域扫描方式，首先获得图像的光谱和一个维度的空间信息，再通过扫描移动，获得另一维度空间信息。而面扫描方式属于空间域扫描方式，可以同时获取单个波长下被测物体两个空间维度的图像信息，其数据采集量大且数据采集时间较长，高光谱成像系统中通常会选择面扫描方式。

　　2高光谱图像技术的研究进展

　　2.1水果品质定性分析

　　2.1.1机械损伤

　　水果在收获和运输过程中很容易因为外界的冲击、振动或挤压而出现机械损伤，从而使水果的品级降低并造成经济损失。现在对水果机械损伤的检测多是通过人眼检测，检测精度较低，致使分类不够精准，无法满足消费者对水果质量的要求，而高光谱检测技术以其高精度无损检测的特点正在逐渐取代原有的检测技术.

　　2.1.2冻伤

　　冻伤是水果缺陷检测中最常见的指标之一，其早期检测和监测比较困难，为了更早地将有缺陷的水果从营销链中去除，需要一种快速、精确和无损的检测技术。近年来，研究人员针对苹果冻伤方面的研究主要集中在算法优化层面。ElMasry等［23］利用高光谱成像(400～1000nm)检测“红元帅”苹果中的冻伤，开发了一种前馈反向传播模型，选择出五个特征波长的光谱作为模型的输入，以普通与冻伤为输出结果，构建了人工神经网络识别模型。结果表明，该模型的平均分类精度达到98.4%。张嫱等［24］搭建半透射高光谱系统，采集样本在400～1000nm波段的图像，利用独立主成分分析法和权重系数法对图像进行处理，建立水蜜桃冷害等级判别模型并进行验证，验证组的总体正确率为91.0%。Pan等［25］建立了一个高光谱成像系统来检测桃子的冻伤，开发了一种人工神经网络(ANN)模型，确定了8个特征波长，并将特征波长作为ANN模型的输入，对完好果和冻伤果进行分类，其分类精度为95.8%。高光谱图像技术结合化学计量学方法在识别冻伤水果方面的研究已有一定进展，检测精度普遍较高，未来可以进行水果冻伤分级识别的在线检测研究，进一步提高检测效率。

　　2.2水果品质定量分析

　　2.2.1硬度预测

　　硬度是表现水果成熟度和口感品质的一个重要特征，传统的硬度检测方法普遍对样本有损伤，而高光谱成像技术则能够对水果硬度进行快速、无损检测。张巍［32］使用自主搭建的高光谱成像系统(500～1000nm)，以蓝莓为研究对象，采用连续投影算法(SPA)对特征光谱进行提取，并建立基于全波段-BP神经网络的硬度预测模型与基于SPA-BP神经网络的硬度预测模型。试验结果表明，所建模型都有较好的预测结果，且基于SPA-BP神经网络预测模型的预测结果更好。卢娜等［33］利用高光谱成像系统，获取草莓在400～1000nm范围波长的高光谱数据，采用四种方法对光谱数据进行预处理，并建立PLS预测模型，比较不同的预处理方法对预测模型产生的影响。结果表明，经过标准正态变换(SNV)处理后的偏最小二乘(PLS)模型预测效果最好。Ｒeddy等［34］利用高光谱成像和多变量数据分析对樱桃硬度进行预测。结果表明，与偏最小二乘回归法相比，利用高斯过程回归所预测的樱桃硬度精度更高。Xie等［35］使用高光谱成像系统对香蕉的硬度进行预测，设计了一种双波长组合的方法选择出特征波长，基于所选波长，得出ＲP2=0.760，ＲPD=2.062。结果表明，可以通过双波长组合的方法对香蕉硬度进行分类。在硬度预测方面，Xie等所设计的双波长组合方法检测香蕉硬度时有良好的表现，可以将此方法应用到其他水果的硬度检测上。

　　2.2.2可溶性固形物预测

　　水果中的可溶性固形物(SSC)包括可溶性糖类、维生素、矿物质等［36］，是影响水果内部品质的重要因素。罗霞等［37］利用高光谱技术采集火龙果的漫反射光谱，并进行火龙果可溶性固形物的无损检测。应用连续投影算法(SPA)对特征变量进行选择，采用8种方法对原始光谱数据进行预处理，通过偏最小二乘法(PLS)和前馈反向传播神经网络法(BPNN)建立预测模型。结果表明，采用平滑去噪(MAS)进行预处理的模型精度最高，其验证相关系数和交叉验证均方根误差分别为0.8635、0.6791。侯宝路等［38］利用近红外高光谱成像技术(400～1000nm)检测梨内部的可溶性固形物。采用SPA算法提取梨的有效波长，利用多元线性回归算法(MLＲ)建立线性回归模型。结果表明，预测可溶性固形物模型的相关系数Ｒ为0.898，均方根误差为0.192，检测结果较为准确。Zhang等［39］使用可见光和近红外全透光高光谱成像对橙子中可溶性固体含量(SSC)进行预测，结合了自适应权重加权采样和连续投影算法(CAＲS-SPA)来选择有效波长，将水果尺寸作为补偿因子，建立了三种与光谱信息相结合的校准模型，包括部分最小平方(PLS)、多线性回归(MLＲ)和最平方支持向量机(LS-SVM)。结果表明，根据所选的有效波长，新提出的CAＲS-SPA-LS-SVM模型能够实现对橙子SSC的满意预测。何洪巨等［40］研究高光谱技术在检测无籽/有籽西瓜、青色/黄色甜瓜糖度上的可行性，利用可见/近红外高光谱成像技术，分析不同品种西瓜、甜瓜的光谱反射率对糖度的响应差异，得出在639.3nm波段其响应最高，在此波段下建模并检验，其建模Ｒ2为0.904、检验Ｒ2为0.847、相对均方根误差为6.78%。Sun等［41］采用在波长900～1700nm范围内的高光谱成像对甜瓜的糖度进行无损检测。使用传统的方法对样本甜瓜进行检测，并建立了四种模型对样本进行预测。结果表明，偏最小二乘回归(PLSＲ)产生的预测结果最为准确，其Ｒ2值为0.80。

　　3存在问题及发展趋势

　　高光谱成像技术虽然在水果无损检测方面有较多的应用，但仍存在着一些不足。高光谱的穿透深度不够高，对于果皮比较厚的水果难以检测。反射、透射时需要使用大光源，但光源能量过高又容易损伤水果，如何在无损检测和更深层检测间达到平衡是未来要解决的关键问题;高光谱的图像数据量大，冗余信息多，如何选择特征波长，去除无相关的变量来提升检测效率也是急需解决的一个问题;水果含水率普遍较高，高光谱检测时在1400nm后会受到水分吸收峰的影响，如何避免水分吸收峰对检测结果的影响也亟待解决。

　　小结

　　近年来，高光谱图像检测技术在水果品质的无损检测方面得到了广泛的应用，硬件的设计与实现以及图像处理的算法都取得了进步，检测的准确率逐渐提升，体现出其克服传统分析工具复杂性、繁琐性、破坏性的巨大潜力。但高光谱图像技术还有较多问题值得深入研究，随着科技的进步以及信息时代的到来，此技术必将会越来越成熟，应用前景也将越来越广阔。

　　参考文献:

　　［1］吕华．基于消费者偏好的水果追溯信息共享策略调查研究［J］．食品安全质量检测学报，2019，10(5):1422－1426．

　　［2］唐敏，刘英，费叶琦，等．图像处理技术在现代林果采摘中的应用［J］．林业机械与木工设备，2020，48(4):4－7．

　　［3］吴龙国，何建国，贺晓光，等．高光谱图像技术在水果无损检测中的研究进展［J］．激光与红外，2013，43(9):990－996．

　　申亚其，李松林，何杰，闫祖龙，李春林，黄玉萍

上一篇：互联网+”背景下高中地理生活化教学 下一篇：水果成熟度检测技术的现状与发展