高光譜成像技術在水果品質無損檢測中的研究進展

陳龍躍，段丹丹，王 凡，孟翔宇，趙 沖，錢英軍

（1.北京市農林科學院信息技術研究中心，北京 100000；2.嶺南現代農業科學與技術廣東省實驗室河源分中心，廣東 河源 517000；3.廣東科貿職業學院，廣東 清遠 511500）

水果是人們日常生活中常見的食品之一，隨著人們對食品安全和品質的要求越來越高，對于水果品質無損檢測技術的研究也越來越受到關注［1-4］。傳統的水果品質檢測方法主要依靠人工經驗和儀器檢測，存在誤差較大、檢測效率低、對水果造成損傷等問題［5-7］。因此，開發一種快速、準確、無損的水果品質檢測技術尤為重要。高光譜成像技術是一種將光譜學與圖像學結合的新興無損檢測技術［8-9］，可將整個可見光波段和部分紅外波段的光譜信息同時獲取，并將其轉化為圖像信息［10］。該技術在對物體進行拍攝時，將光源在整個可見光譜范圍內連續變化，對多張圖像連續記錄，然后通過計算機處理疊加在一起，形成一個高光譜圖像［11］。該圖像中每個像素點均包含整個光譜范圍內的信息，可用于分析物體的成分、結構和形態等［12］，不僅可以檢測水果的外觀質量，還可以探測水果內部成分和結構，從而實現對水果品質的全面評估［13］。

近年來，越來越多的研究者開始探索使用高光譜成像技術進行水果品質無損檢測，并取得一定的研究進展［14-16］。已有研究證實，高光譜成像技術可以實現非接觸式的無損檢測，在避免水果表面受損、提高檢測效率及準確率等方面具有一定優越性，該技術應用在水果成熟度、糖度、酸度、紅色指數等品質指標檢測中準確度高、可靠性強［17］，未來將成為水果品質檢測的重要手段之一。然而，當前使用高光譜成像技術進行水果品質無損檢測依然存在一些技術瓶頸需要克服，如光譜分析算法的改進、儀器設備的提升、檢測成本的控制等。本文從高光譜成像技術原理、應用發展現狀、應用潛力、存在問題及發展趨勢等方面，對該技術在水果品質無損檢測方面的研究進行綜述，以期為相關研究和生產提供參考，進一步助力水果品質及價值提升。

1 高光譜成像技術概述

高光譜成像技術最早由美國陸軍研究實驗室開始研究，主要用于軍事領域的偵察和情報收集。20 世紀80-90 年代，該技術逐漸應用于農業、環境、地質、氣象等領域，并取得一定研究成果；21 世紀以來，隨著計算機視覺和人工智能技術的發展，高光譜成像技術在水果品質檢測、醫學診斷、環境監測等領域的應用不斷拓展。其基本原理是利用高光譜傳感器采集物體反射的電磁波數據，通過對這些數據進行處理和分析，得到物體的空間和頻譜信息，進而實現對物體的識別、分類和定量分析［18］。其硬件核心為準直鏡、光柵光譜儀、聚焦透鏡以及面陣電荷耦合器件［19］。相較于傳統的遙感技術，高光譜成像技術具有更高的光譜分辨率和更寬的光譜范圍，可為水果品質無損檢測獲取更為詳細和準確的信息［20］。其次，其提供的空間域和光譜域信息能夠實現“譜像合一”，對于判斷水果外觀品質有著重要作用。此外，高光譜成像技術的數據描述模型靈活，主要有圖像、光譜和特征等3 種模型［21］。而高光譜技術的先進性要求相應的硬件設備具備較高的性能和精度，導致高光譜成像設備的制造成本較高，此外，高光譜圖像數據雖能依靠高維度和大體量提供目標物細節信息，但同時也帶來了信息冗余度過高的問題，增加了后期解析和處理的難度。總的來說，高光譜成像技術的出現和發展，為人們全面研究和了解水果品質以及精確無損診斷提供了全新手段和途徑。隨著技術的不斷進步和應用的不斷拓展，該技術在未來的科學研究和生產實踐中將發揮越來越重要的作用。

2 高光譜成像技術在水果品質無損檢測中的應用

2.1 定性指標檢測

近年來，高光譜成像技術已被用于多種水果的品質指標檢測，這些指標主要分為定性指標和定量指標兩類。定性指標主要有損傷、腐敗、著色、成熟度等［22-25］。

在損傷鑒定方面，Tan 等［26-27］利用高光譜成像技術開展蘋果、柿子的損傷鑒定研究，準確率均達到90.00%以上。Tang 等［23］構建蘋果損傷鑒定模型，分級精度達到97.33%，證實高光譜成像技術在蘋果損傷檢測中的有效性。Yu 等［28］構建枇杷的缺陷識別模型，正確分類率達到95.90%以上。Wang 等［29］采用隨機森林（Random Forest，RF）算法構建了藍莓內部機械損傷的識別模型，可準確檢測藍莓的損傷狀況。Shao 等［30］利用高光譜成像技術對櫻桃進行損傷度測定，實現對櫻桃品質損傷的快速檢測。Xuan 等［31］利用高光譜成像技術提取桃表面的光譜特征，對桃進行損傷品質指標判斷，完成對桃品質指標的準確量化。Fang 等［32］基于高光譜成像技術開展對梨的損傷指標檢測研究，檢測誤差被有效控制。

在腐敗檢測方面，Yuan 等［24］使用高光譜成像技術對黃瓜瑕疵進行檢測，通過提取表面的反射光譜特征，實現對黃瓜腐敗程度的準確檢測。Shao 等［30］利用高光譜成像技術對櫻桃進行腐敗損傷的品質評價，實現對櫻桃品質的快速監測。Fang 等［32］基于高光譜成像技術開展對梨腐敗指標檢測的相關研究，得到誤差較小的檢測結果。

在著色評價方面，Wang 等［33］對蘋果顏色參數指標進行評價。沈佳等［25］構建蜜柚葉片色素含量的高光譜估測模型，進而判別蜜柚的健康程度。

在成熟度檢測方面，Wang 等［33］基于高光譜成像技術對蘋果成熟度指標進行無損檢測研究。Jie 等［34］使用高光譜成像技術評價西瓜成熟度，實現對西瓜成熟度的準確檢測。Benelli等［9,35］通過獲取葡萄表面的高光譜圖像，對葡萄進行成熟度評價，成功實現對葡萄的成熟度檢測。Shao 等［36-37］利用高光譜成像技術，通過提取桃表面的光譜特征對桃、香蕉進行成熟度評價，完成成熟度的準確量化。Achireya 等［38］開展菠蘿成熟度的檢測，證實該技術在預測單個水果的成熟度指標方面具有可靠性。Shao 等［39］將高光譜成像技術用于草莓成熟度評估，準確率在91.70%～96.70%之間。Zhang 等［40］構建草莓成熟度的分析模型，分類準確率超過85.00%，表明高光譜成像技術可用于草莓成熟度評價。Cho 等［22］建立番茄成熟度的檢測模型，達到75.00%以上的分類準確率。

這些研究針對蘋果、西瓜、葡萄、桃、香蕉、菠蘿和草莓等不同水果，分別使用高光譜成像技術對其損傷、腐敗、著色、成熟度等定性指標進行評價和檢測，取得一定成效，分類準確率在一定程度上得到提高，表明高光譜成像技術能對多種水果品質指標進行準確檢測。

2.2 定量指標檢測

水果品質無損檢測中的定量指標主要有可溶性固形物含量（Soluble solid content，SSC）、可滴定酸、硬度等，可以歸為成分品質、外觀品質、內部品質等。成分品質是通過對水果表面的光譜數據進行分析，提取營養成分、糖分含量、酸度等信息，從而評價水果的成分質量。其中，營養成分的指標包括維生素含量、礦物質含量等［41］。Malegori 等［42］使用高光譜成像技術進行櫻桃維生素C 含量的預測和可視化，證明了高光譜成像技術用于評估櫻桃維生素C 分布的可靠性，為水果中營養保健化合物的定性繪圖奠定基礎。Wiebke 等［43］基于高光譜成像技術測定哈斯鱷梨中硼和鈣的濃度，決定系數（Coefficient of determination，R2）分別為0.61、0.53，預測偏差比分別為1.51、1.71，證實高光譜成像技術可以通過果肉圖像快速確定單個水果內部品質，能夠減少鱷梨的采后損失。

水果糖分含量指標包括總糖含量、果糖含量、葡萄糖含量等。Zhang 等［44］利用高光譜圖像技術快速預測碭山梨的糖含量，均方根誤差（Root mean square error，RMSE）低至0.35，表明高光譜成像技術在碭山梨糖度無損定量測量和可視化方面具有巨大潛力。Lan 等［45］利用高光譜成像檢測了蘋果切片的果糖、葡萄糖含量等內部品質，證實該方法減少了對大量化學表征的需求，有助于更好地掌握和管理水果質量。Seki 等［46］通過高光譜成像技術進行白草莓糖含量的可視化，最終模型的R2和RMSE分別是0.84、0.57，該發現為設計非接觸式系統用于監測白草莓質量的可行性奠定基礎。酸度指標包括總酸含量、檸檬酸含量、蘋果酸含量等。Xu 等［47］利用高光譜成像技術和深度學習算法無損預測了巨峰葡萄中的可滴定酸含量，R2為0.92、RMSE為0.11，表明深度學習的堆疊自動編碼器算法在從像素級高光譜圖像數據中提取特征方面具有巨大潛力。Cecilia等［48］優化高光譜成像中的空間數據縮減，以預測完整橙子的檸檬酸參數，展示了高光譜圖像量化橙子酸性味道屬性的潛力。Lan 等［45］對蘋果酸含量進行定量檢測，檢測到其強烈的異質性。

水果外觀品質通過對水果表面的圖像如紋理特征進行分析檢測，如表面的瑕疵、病斑、裂紋等，其中，瑕疵指標包括病斑面積、裂紋長度等［49］。Folch 等［50］利用成像高光譜技術根據病斑面積對柑橘進行腐敗分類，準確率達到91%，顯示該方法是區分柑橘健康程度的有力工具。Yu 等［51］使用高光譜成像結合圖像處理識別鮮棗裂紋，判別模型精度近100%，精確量化了裂紋位置、面積，實現鮮棗裂紋特征的快速識別。

水果內部品質通過對水果表面的光譜特征進行分析，即提取光譜特征等信息開展內部品質評價，如成熟度和基本品質。其中，成熟度指標包括葉綠素含量、色澤、硬度等［52］。Sun 等［53］基于葉綠素含量進行蜜桃腐爛的高光譜成像檢測，準確率達到98.75%，為基于葉綠素含量的真菌病害檢測提供了新視角。Su 等［54］應用高光譜成像和深度學習基于色澤測定草莓成熟度，取得了良好效果，證明了該方法的檢測潛力。Li 等［55］基于高光譜成像技術檢測了獼猴桃成熟度，最終的校正硬度模型預測值與真實值的相關系數超過0.9，預測偏差比超過2，能夠用于預測獼猴桃品質。基本品質包括果肉的含水量、纖維素含量等，果肉含水量的指標是重要的內部品質指標［56］。Ayman 等［57］使用高光譜成像檢測了兩種棗的含水量，對棗的質量進行評估，實現了棗類水果質量屬性快速、自動化的監測和分析。Sun 等［58］對瓜類進行基于纖維素含量的質量檢測，同樣取得良好效果。

表1 對相關研究中高光譜成像技術檢測的主要水果品質指標進行列舉和分類，表明高光譜成像技術可用于對水果表面的光譜信息和圖像信息分析，評價水果的成分、外觀、成熟度、內部品質等，在水果品質檢測領域有廣泛的應用前景。

表1 高光譜成像技術檢測的主要水果品質指標Table 1 Main indicators for fruit quality detected by hyperspectral imaging technology

3 高光譜成像技術在水果品質無損檢測中的發展概況

3.1 發展概況

高光譜成像技術的傳感器硬件經歷了從只能獲取一維光譜信息的線陣成像光譜儀（1980 年）到可以同時獲取空間和光譜信息的二維陣列成像光譜儀（2000 年），再到可以實現高分辨率、高精度、高效率的星載高光譜成像儀和接地式高光譜成像儀（2000 年至今）的發展過程［59］。高光譜成像技術的成像質量和分辨率得到較大提高，應用場景也更加廣泛。近年來，高光譜成像技術在水果品質檢測方面取得了一定進展，但其基本原理仍然是使用二維成像光譜儀。這也意味著近年來傳感器硬件的研究和發展相對較慢。因此，目前高光譜成像技術在水果品質檢測領域的研究主要集中在數據挖掘方向，以提高水果品質檢測的準確性和效率。在基于高光譜成像技術的水果品質無損檢測中，高光譜圖像獲取、數據預處理、特征提取、模型訓練和模型應用是高光譜成像技術的基本流程。其中，數據預處理、特征選擇提取和模型訓練是數據挖掘的核心步驟，也是當下利用高光譜成像技術檢測水果品質的關鍵。借助數學統計、化學計量和計算機技術的交叉融合發展，大量數據處理算法不斷得到創新與應用，利用高光譜圖像數據解析水果品質逐漸趨于準確和高效。

3.2 技術的數據挖掘核心

3.2.1 數據預處理 水果品質檢測中的高光譜圖像預處理方法以導數、標準正態變量變換（Standard normal transformation，SNV）和多元散射校正（Multiplicative scatter correction，MSC）等為主。導數可以消除基線和其他背景的干擾，提高分辨率和靈敏度，同時可以分辨重疊峰［60］。Anna 等［61］通過對圖像進行二階導數運算提取圖像中的特征信息進行草莓的真菌感染和花青素含量以及SSC檢測，R2均大于0.65，表明基于二階導數的高光譜圖像處理方式具有快速無損檢測果實品質的潛力。Wang 等［62］基于原始光譜的二階導數判斷紅棗受昆蟲侵擾狀態，分類準確率達到94%以上，表明高光譜圖像的二階導數可用于昆蟲侵擾判識與棗表面混雜特征的區分。Gao 等［63］提取每個單一的窄葉橄欖果的平均光譜，并使用二階導數識別有效波長用于追蹤干燥窄葉橄欖果的地理起源，最終分類準確率均超過90%，表明高光譜成像與機器學習相結合可用于追蹤干燥窄葉橄欖果的地理起源。Anasar 等［64］對高光譜圖像數據進行一階導數運算，開展柑橘葉綠素含量的估算，模型R2和RMSE分別為0.9、0.10，表明高光譜數據一階導數的處理有助于準確估計金諾柑的葉綠素含量。Ye 等［65］比較原始反射率和一階導數反射率與蘋果葉碳含量的相關性，并對氮含量進行預測，達到合理的預測精度。

SNV 算法通過對每個樣品的光譜進行變換，使其符合正態分布以消除光譜數據中的噪聲和雜質，提高數據的質量和可靠性［66］。Adrian 等［67］進行枸杞品質分類研究，探討SNV 和Savitsky-Golay（SG）數據預處理和優化方法對枸杞干光譜數據的影響，預測的準確率達到96.66%，表明高光譜成像技術結合SNV 的預處理方法對枸杞干果品質分類是可行的。MSC 可以消除由于樣品不均勻性和光譜儀器漂移等因素引起的光譜變化和散射影響［55］。Liu 等［68-69］使用MSC 預處理方法進行山楂和荸薺缺陷的判別研究，檢測精度均達到86%以上，表明高光譜成像技術結合MSC 預處理可以實現水果缺陷的快速識別。Achireya 等［38］使用MSC 的預處理方法開展菠蘿成熟度檢測，證實其在預測單個水果的成熟度指標方面具有可靠性。Shao 等［39］通過MSC 對光譜進行預處理，用于草莓成熟度評估，準確率在91.70%～96.70%，表明該方法可用于田間草莓成熟度的實時評估。Fernando等［70］使用MSC預處理進行蘋果SSC檢測，為提高水果內部品質的高光譜散射預測提供有效手段。綜上所述，這些預處理方法可以有效地降低噪聲，減少儀器、環境及人員操作等各種干擾的影響，提高結果檢測精度，并簡化后續建模處理運算過程。

3.2.2 光譜特征提取 高光譜圖像信息特征分為光譜特征和紋理特征，在基于高光譜成像技術的水果品質檢測中，多數研究僅使用光譜特征，當前使用較多的提取方法主要有區間偏最小二乘法（IPLS）、無信息變量的消除法（UVE）、連續投影算法（SPA）、競爭性自適應權重取樣法（CARS）、隨機蛙跳算法、遺傳算法和粒子群算法等。

IPLS 算法是一種廣泛應用于高光譜數據處理和分析的方法，其改進方法可應用于不同場合，有效提高預測精度和穩定性［71］。Gabriel 等［72］利用IPLS 降低光譜維數，研究光譜圖像與藍莓SSC 含量和硬度指數的相關性，R2均達到0.64 以上。Guo 等［73］使用高光譜成像技術結合IPLS 檢測蘋果的pH 值，R2為0.85，RMSE為0.04，表明高光譜成像結合IPLS 是一種準確、快速且無損預測蘋果pH 值的方法。Puneet 等［74］比較IPLS和協變量的特征選擇方法對梨SSC 的檢測效果，證實通過IPLS 變量選擇，模型在新的獨立批次水果上進行測試時的性能可以得到極大改善。

UVE 算法可以幫助剔除不相關或非線性變量，從而減少模型復雜度和運算量，提高分析模型的準確性和穩健性［75］。Wang 等［76］利用UVE 的波長選擇算法進行蘋果硬度的檢測，與全波長相比，基于UVE 算法的有效波長數量減少34%，相關系數從0.80 增加到0.81，而預測結果的RMSE分別從6.00 減少到5.73，證實UVE 可靠。Zhang 等［44］使用UVE 的變量選擇方法進行梨含糖量的檢測，最終預測結果RMSE低于0.40，表明UVE 的變量選擇方法在梨糖分的無損測量和可視化方面具有巨大潛力。Wei 等［77］使用UVE 的特征變量選擇算法進行柿子SSC 和硬度的檢測，最佳模型預測結果R2為0.88，RMSE為0.40。

SPA可以極大地減少建模所需的變量數量，從而提高建模的速度和效率［78］。Li 等［79］使用SPA 選擇特征波段，研究櫻桃基于SSC 和pH 值的成熟度評估，正確分類率為96.40%，表明該方法進行櫻桃果實的質量檢測是可行的。Sun 等［53］通過SPA 選擇最優波段，進行蜜桃葉綠素含量檢測，從而判斷蜜桃的腐爛程度和病害，準確率為98.75%，為通過葉綠素含量選擇高光譜成像的最佳波長提供新視角。Zhang 等［80］使用SPA 選擇有效波段，進行橙子的SSC 檢測，最優模型預測精度的R2為0.90，RMSE為0.40，表明該方法可用于非侵入性地快速測量橙子的SSC。

CARS 是一種基于達爾文的“進化論”和“適者生存”的原則，利用回歸系數絕對值進行波長選擇的算法［81］。Yu 等［28］利用CARS 進行最佳敏感波段的選擇，進而結合偏最小二乘回歸對枇杷進行缺陷檢測，最終檢測準確率達到92.30%。Sun 等［82］使用CARS 提取有效波長變量，研究哈密瓜的SSC、可滴定酸和硬度的評估，表明CARS是一種選擇波長變量的有效方法。

3.2.3 紋理特征提取 紋理特征作為具有“譜像合一”特點的高光譜圖像數據的重要增量信息，在水果品質檢測中易被忽略，事實上，紋理特征反映的空間信息，可為水果品質的高精度檢測和評價提供重要幫助。水果品質光譜檢測中紋理特征的提取算法以灰度共生矩陣（Gray Level Cooccurrence matrix，GLCM）為主，且已有利用GLCM 提取紋理特征輔助水果品質的光譜檢測取得了良好效果［83-84］。表明高光譜成像技術的圖像空間信息相對光譜信息同樣具有較大的水果品質檢測潛力，通過特征提取優化算法，可以有效消除水果高光譜圖像數據中的冗余信息，為更高精度的水果品質檢測提供幫助。

3.2.4 模型訓練 高光譜模型訓練可使高光譜圖像數據的處理和分析過程更加自動化、高效化和精確化。在水果品質無損檢測的高光譜定量建模分析中，常采用的模型訓練算法有多元線性回歸（Multiple linear regression，MLR）、主成分回歸（Principal component regression，PCR）、偏最小二乘回歸（Partial least squares regression，PLSR）、誤差反向傳播神經網絡（Error backpropagation neural network，BP）、支持向量機（Support vector machines，SVM）以及隨機森林（Random forest，RF）等。目前在基于高光譜成像技術的水果品質無損檢測領域中，穩定可靠且實現簡單的模型主要由PLSR、BP、SVM、RF 等機器學習算法構建。其中PLSR 是應用最廣泛的一種線性回歸模型，可以最大程度地利用光譜信息和樣品濃度信息，得到準確的建模結果［85］。

Rajkumar 等［86］利用PLSR 構建了香蕉SSC、水分和硬度的檢測模型，以此判斷香蕉品質和成熟度，Pu 等［87］利用PLSR 建立荔枝SSC 和成熟度的檢測模型，取得良好結果。BP 神經網絡算法在非線性擬合和模式識別分類領域均有廣泛應用，可用于高光譜數據的定量分析和定性分析模型的構建［88］。Anna 等［61］利用BP 算法進行了草莓的品質檢測模型訓練，得到的最佳預測結果準確率高于97.00%，表明該方法具有快速、無創檢測草莓果實品質的潛力。Wang 等［76］利用BP 構建蘋果硬度檢測模型，解決算法單一的局限性，為利用高光譜成像技術預測蘋果硬度提供一種有效建模方法。SVM 算法是一種比線性方法更為合理的解決方案，可以應用于高維輸入向量的處理［22］，近年來在光譜分析中的應用逐漸增多，成為一種重要的分析方法。Zhang 等［40］利用SVM 算法構建草莓成熟度的分析模型，分類準確率超過85.00%，表明高光譜成像結合SVM 可用于草莓成熟度評價。Tang 等［23］利用SVM 算法構建的蘋果損傷最佳鑒定模型，分級精度達到97.33%。Cho 等［22］使用SVM 算法建立了番茄成熟度的檢測模型，分類準確率達到75.00%以上。RF 算法在多個領域中均有廣泛應用，如分類、回歸、聚類和特征選擇等［89］。Munera 等［89］使用RF 算法構建了枇杷的缺陷識別模型，正確分類率達到95.90%以上。Yang 等［90］使用RF 算法建立桃的SSC 檢測模型，最佳模型的R2為0.92，RMSE為0.67，該方法可以提高鮮桃SSC 的估算精度。Wang 等［29］利用RF 算法構建藍莓內部機械損傷的識別模型，能夠準確檢測藍莓的損傷狀況。綜上可知，以機器學習為主的統計模型訓練算法，已成為基于高光譜成像技術的水果品質無損檢測模型構建的主流方法，水果品質檢測的精度被極大提升。

4 存在問題與發展趨勢

4.1 存在問題

4.1.1 技術研究方面 高光譜成像技術在水果品質檢測應用中已得到廣泛應用，但在技術研究方面還存在一些問題。首先，傳感器硬件技術發展較為緩慢，導致高光譜成像設備造價成本較高，因此高光譜成像技術的發展只能側重于數據挖掘方向，通過后期對數據的清洗、處理和分析，準確解析傳感器所記錄的信息，但現有的信息解析策略依然存在可解釋性差、模型普適性弱等問題。其次，高光譜成像技術獲取的數據體量大，在進行水果品質檢測時需要建立光譜庫。而建立光譜庫需要大量樣本和光譜數據，不同種類的水果樣品數量在具體研究中十分有限，且受季節、生長環境等因素影響，因此建立光譜庫的難度較大。此外，目前水果品質檢測中使用較少的空間數據，雖然能夠提高數據利用率避免造成數據浪費以及提升水果品質檢測的精度，但需要采用大量的計算和處理方法，如圖像預處理、特征提取和降維。另一方面，水果品質受到多種因素的影響，如種類、成熟度、病蟲害等，在進行無損檢測時需將這些因素的影響分離，但目前仍缺乏有效的方法處理多因素影響的問題。另外，水果品質無損檢測需要在生產和銷售環節中實現多場景實時檢測，以便及時調整生產和銷售策略，而目前的高光譜成像技術檢測速度慢、設備重量大，需要進一步改進和優化。最后，針對不同的使用場景和檢測對象，需要建立相應的標準化指標，而目前此類研究尚相對薄弱，缺乏通用的標準化指標［91］。

4.1.2 應用推廣方面 高光譜成像技術在水果品質檢測領域的應用上同樣存在難點。首先，高光譜成像技術需要從業人員掌握多個學科領域的知識，如光學、物理學、計算機科學等，技術門檻較高，需要專業的人員進行操作。其次，高光譜成像技術需要大量數據進行訓練和建模，但是數據的獲取難度較大，需要投入大量的人力和物力。最后，高光譜成像技術需要昂貴的設備硬件和軟件相融合，同時也需要大量的計算資源［92-93］，成本較高，應用場景有限。此外，高光譜成像數據缺乏標準化，受多種因素影響導致的精度低以及法規監管等問題同樣影響其應用推廣。

4.2 發展趨勢

4.2.1 現有技術的優化和改進 針對高光譜成像技術所需數據量大和處理難度大的問題，目前隨著計算機技術和傳感器的飛速發展，獲取的原始數據體量能夠逐漸被定向縮減。隨著計算資源日益充足，高光譜大數據的光譜圖像處理計算將逐漸變得游刃有余。空間紋理信息在今后的技術發展中將逐漸與光譜信息一樣被重視并用于水果品質的評價。在利用高光譜成像技術對水果品質進行無損檢測的數據獲取中，使用室內暗箱操作臺配合穩定的鹵素光源獲取高光譜圖像，能夠有效避免環境干擾。在模型訓練時，不斷探索更加簡單有效的數據清洗和預處理、數據挖掘、自動化標注算法，能夠降低模型訓練的難度和成本。此外，因地制宜，針對不同時空源的水果建立分組模型，然后建立集成學習模型，以此解決模型泛化、效果差的問題。另一方面，加強對高光譜成像技術的研究和探索，推動技術的發展和應用。例如針對不同的水果品質檢測需求，研發成本更低、體積更小、操作處理簡單、數據量小的多光譜技術，在保證精度的前提下大幅度降低應用成本。其次，加強產學研合作、加強學術界和工業界的合作，注重技術人才培養、優化數據采集和處理流程、降低成本，加強技術的應用和探索，研發自動化的數據采集、標注、處理工具，促進成像光譜技術在水果品質無損檢測領域的應用和推廣，共同推進技術的發展和應用。

4.2.2 新技術的發展和融合 目前，多模態成像技術和人工智能技術逐漸受到關注和重視，多模態成像技術是指將多種成像探測技術相結合，對同個目標進行多方位、多角度、多層次的圖像采集和數據處理，以獲取更全面、更準確的目標信息。如采用可見光成像和高光譜成像結合，可以實現對水果表面顏色和外觀的無損檢測，提高檢測的準確性和精度；采用X 射線成像、熱成像和超聲成像等技術，可以實現對水果內部質量的無損檢測，如水果內部病蟲害、軟腐等問題；采用近紅外光譜成像和高光譜成像結合，對水果糖度進行無損檢測，可以提高糖度檢測的準確性和效率；采用紅外成像、高光譜成像和熱成像結合，可以實現對水果成熟度的無損檢測，提高檢測的準確性和精度；采用多種成像技術相結合，對水果表面和內部的缺陷進行無損檢測，如裂紋、凹陷等問題。

人工智能技術在水果品質無損檢測中的應用同樣越來越廣泛，主要包括機器視覺、深度學習、模式識別等方面。在水果品質無損檢測中，機器視覺主要用于顏色、紋理、大小、形狀等特征的提取和分析，可以實現水果的分類、分級、計數等功能，具有高精度、高效率、無損檢測等優勢。如局部二進制、方向梯度直方圖等紋理特征提取算法在水果品質檢測領域的應用探索。深度學習主要用于對復雜的圖像數據進行識別和分類，可以實現水果的瑕疵檢測、成熟度預測、質量評估等功能，具有高準確度、高魯棒性、自動化等優勢。在水果品質無損檢測中，模式識別可用于對水果的質量、成熟度、瑕疵等特征分析和評估，同樣具有高準確度、高效率、自動化的優勢。總的來說，多模態成像技術與人工智能技術在水果品質無損檢測中具有廣泛的應用前景和發展潛力，可以提高檢測的準確度和效率，為水果產業提供更好的技術支持和服務。

5 結論與展望

高光譜成像技術在水果品質檢測研究中具有廣闊應用前景，可以通過獲取水果的多維信息，如外觀、質地、成分等，全面地了解水果的品質特征，從而提高檢測的準確性和可靠性，還能夠實現對多個水果的同時檢測，大大提高檢測效率，節省時間和人力成本。利用該技術對水果進行無損檢測，避免了傳統檢測方法中可能對水果造成的傷害，進一步保證了產品質量，提高了市場競爭力。在生產線上實現自動化檢測，可以降低檢測成本，提高生產效率。高光譜成像技術在水果品質檢測中的應用，可以提高水果的品質和價值，還可以帶動和促進整個水果產業鏈的發展，提高水果行業的競爭力。