高光譜技術在蘋果品質檢測中的應用

任顯丞 張曉 彭步迅 李疆 王家碩

摘 要：高光譜技術作為新一代的光電無損檢測技術，廣泛應用于農產品快速無損品質檢測。高光譜技術在蘋果品質檢測方面主要有2個方向，結合化學計量學方法進行蘋果內部品質檢測以及結合機器視覺進行蘋果損傷、病害等外部指標的外部品質檢測。該文介紹了高光譜技術在蘋果品質檢測中的應用，提出了高光譜技術在蘋果品質檢測中存在的問題。

關鍵詞：高光譜;蘋果;內外部品質;無損檢測

中圖分類號 TS255.7文獻標識碼 A文章編號 1007-7731（2021）01-0132-02

隨著人們健康生活觀念的建立以及水果產后處理技術的發展，蘋果作為水果代表，其內外部品質的檢測愈發受到重視。傳統的蘋果內部品質檢測依靠化學計量法，對蘋果進行采樣檢測化學成分，實驗操作繁瑣、檢測成本高等，高光譜技術既可利用可見光區域圖像來檢測外部品質，又可以利用近紅外區域的圖像來檢測內部品質，該技術的出現有效解決了無損檢測的難題。

1 高光譜技術概述

高光譜技術于上世紀80年代初期興起，是新一代的光電無損檢測技術。通過對樣品光譜信息的測量，可在一定程度上反映被測樣品內部的物理結構和化學成分的差異，具有較高的分辨率，可獲得連續的波段窄的光譜信息。此外，高光譜設備操作簡單，分析成本較低且不會對被檢測對象造成破壞。該技術早期主要應用于空間遙感，隨著科學技術的進步發展，高光譜已經應用于農產品檢測等領域，并且都取得了一定的研究成果。目前，國內外眾多專家學者利用高光譜來進行溫室黃瓜病害早期檢測[1]、大米種類鑒別[2]、高粱摻假無損檢測[3]、互米花草營養成分反演[4]、綠蘿葉綠素含量檢測[5]以及牛肉品質檢測[6]等內外品質的檢測。

2 高光譜在蘋果品質檢測中的發展現狀

高光譜蘋果品質檢測主要集中在內部品質，如糖度、硬度、水分等，外部品質，如蘋果損傷、形狀、病害。國內外對蘋果內部品質檢測研究偏向近紅外光譜研究方法，主要進行光譜分析、光譜與理化值分析;外部品質檢測更偏向于可見光區域處理，結合計算機領域的技術對圖像進行處理，判斷蘋果外部損傷等。

2.1 蘋果內部品質檢測 內部品質檢測主要針對蘋果內部化學成分，如可溶性固形物（SSC）、pH、硬度、水分等，結合化學計量學方法采集蘋果理化數據進行建模分析。在內部品質方面，國內外專家學者通過設計實驗方案，采集到理化數據及高光譜圖像，通過設計算法進行理化值的預測反演。EImasry[7]等采集蘋果的硬度數據以及光譜圖像，進行建模分析研究。結果表明，預測集、校正集和訓練集的預測值相關系數分別為0.93、0.91和0.92，綜合識別正確率達到98.4%。馮迪[8]等利用高光譜技術同時對蘋果糖度與硬度檢測最佳波長，通過對二次連續投影算法（SPA）進行波長選擇，再采用遺傳算法開發神經網絡建立預測模型，得出結論，糖度相關系數（R）為0.8476，硬度R為0.7938。相同波長信息可以檢測蘋果糖度與硬度。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，結果基于特征光譜建立的多元線性回歸預測模型具有較好的校正性能（RC=0.804，RCm=0.665%）和預測性能（RP=0.859，RPm=0.413%），模型可以滿足實際應用需求。

2.2 蘋果外部品質檢測 因為能夠通過高光譜的可見光區域圖像信息進行直接的反映蘋果的外部品質的特征（大小、缺陷、形狀等）。外部品質檢測則主要進行蘋果損傷、病害等方面檢測。外部品質主要結合機器視覺與光譜學，對得到的蘋果高光譜圖像進行處理分析。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個特征波段進行損傷檢測，通過對圖像閾值進行處理，使蘋果損傷識別精度高達86%。綜上，高光譜技術在蘋果品質的某項檢測已經取得了不小的進展。高光譜圖像結合計算機、化學計量學等諸多領域知識技術可以有效進行無損品質檢測。

3 高光譜在蘋果品質檢測中的應用

3.1 基于高光譜技術鑒別蘋果品種 傳統蘋果品種鑒別主要依靠化學計量學進行，通過對蘋果理化值進行檢測，對比已知蘋果指標確定品種，該方法耗時長、成本大且會對蘋果進行損壞。高光譜技術的發展使得無損檢測成為可能。國內外相關學者針對蘋果品種鑒定進行大量實驗，取得了不錯的成果，能夠明顯區分蘋果品種。馬惠玲[10]等應用高光譜成像技術對“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）以及徑向基核函數支持向量機（SVM-RBF）進行品種判別。結果表明，高光譜圖像技術結合KNN算法可以對蘋果品種進行快速鑒別，且性能優異結果可靠。

3.2 基于高光譜技術蘋果分級系統 當前蘋果分級主要依靠人工和純機械進行蘋果分級。人工分級準確率高、蘋果二次損傷率小但成本高、耗時長使得其慢慢被市場所淘汰;機械分級解決了人工分級的成本耗時問題，但使用純機械進行蘋果篩選，二次損傷率居高不下且分揀等級設計過于依賴機械機構損壞不易維護，同時在分揀過程中一些早期輕微損傷、病害難以及時剔除。李龍[11]等對蘋果光譜數據進行研究，設計了一款蘋果內外品質在線無損檢測分級系統。該設計創造性的針對蘋果輕微損傷進行早期判斷，通過對運動過程中的蘋果采集高光譜圖像，對圖像進行降噪、二值化已及輪廓提取等處理，結合損傷部位光譜特征快速判斷蘋果碰傷，蘋果有無碰傷檢測總體正確率為94%。

4 高光譜技術在蘋果品質檢測中存在的問題

4.1 內部品質檢測 內部品質主要結合化學計量法進行試驗研究，因此在實際實驗過程中會存在采集到的蘋果理化數據存在較大誤差，且蘋果在實驗過程中已經損毀無法有效進行二次利用;另外對實驗人員的操作、實驗室的設備要求也較高，需要進行相關培訓;目前眾多學者檢測的蘋果指標較為單一，只要針對光譜數據針對某一指標進行建模分析;大部分特征選擇算法都需要輔助理化值建立線性關系，脫離理化值篩選效果會大大降低。

4.2 外部品質檢測 外部品質檢測中降維算法主要采用主成分分析（PCA）算法，無法準確得出特征波段，每次建模均需要重復計算全光譜區域篩選主成分，嚴重降低模型識別效率;另外目前大多數高光譜系統采集數據的速度較慢，無法支持線上快速檢測;高光譜成像技術主要是采集全波段數據，進行特征波段篩選;大部分檢測算法只關注損傷，較少進行損傷程度識別和判斷;關于蘋果損傷檢測目前主要是對蘋果明顯損傷進行研究，使用機器視覺進行識別，光譜信息主要是進行特征波段選擇，沒有有效利用光譜信息，導致1h內的損傷識別準確率不高。

5 總結

高光譜技術由于其特殊的性質，在蘋果內外部品質中取得了有效的成果。在內部品質檢測中結合化學計量學方法可以預測蘋果糖度、硬度以及pH等含量;在外部品質檢測中結合機器視覺能夠有效檢測出蘋果損傷、病害。目前，眾多學者利用高光譜技術對蘋果多指標同時檢測，從而進行對蘋果口感風味等多方面綜合考慮的方向進行判斷，高光譜無損檢測技術正在快速發展。

參考文獻

[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[J].農業機械學報，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網絡的名優大米無損鑒別[J].光譜學與光譜分析，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.基于高光譜數據的互花米草營養成分反演[J].北京林業大學學報，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[J].南京農業大學學報，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的牛肉品種鑒別[J].食品工業科技，2019，40（12）：241-247.

[7]馮迪，紀建偉，張莉，等.基于高光譜成像提取蘋果糖度與硬度最佳波長[J].發光學報，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測[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].農業機械學報，2017，48（04）：305-312.

[11]李龍，彭彥昆，李永玉.蘋果內外品質在線無損檢測分級系統設計與試驗[J].農業工程學報，2018，34（09）：267-275.

（責編：王慧晴）