高光谱成像技术在水果多品质无损检测中应用.docVIP

高光谱成像技术在水果多品质无损检测中应用 　　摘要：简介高光谱成像系统的原理及优势，综述国内外高光谱技术在水果内部和外部品质检测方面的应用，分析其在相关检测中存在的主要不足，展望其未来发展方向，为提高高光谱成像技术在水果多品质无损检测中的检测准确性提供参考。 　　关键词：高光谱成像技术；水果品质；无损检测；外部品质；内部品质 　　中图分类号：S123；TP391.4 文献标识码：A 文章编号：1674-1161（2016）05-0050-04 　　水果在采摘包装运输过程中，易受人为或水果自身因素影响而内部或外部品质受损。随着人类健康观念的增强，对水果品质的要求越来越高，促使水果多品质分类越来越严格。在水果商品化处理过程中，准确、快速、客观的质量检测系统是确保其安全高质量生产的保证，也是现代水果产业的发展趋势。目前，我国水果分类分级主要依靠人工视觉，既费时费力又难以排除主观因素。 　　水果无损检测是在不损伤果体的情况下，应用一定的检测技术和分析手段，对水果内外部品质进行测定，并按照一定标准作出评价的过程。随着光谱技术发展，国内外学者把目光聚焦在高光谱成像技术上。高光谱成像技术是从遥感图像技术发展而来的，基于非常多窄波段图像数据技术，是传统二维图像技术和光谱技术有机结合的一项新兴技术，融合光学、电子学、图像处理、计算机科学等多学科知识。高光谱成像技术可以同时获取农产品图像和光谱信息，其中图像信息能够直接反映农产品外部形状特征、颜色、纹理、缺陷和污斑情况，光谱数据则可分析农产品内部化学成分含量，如糖度、酸度、含水率、可溶性固形物含量等。 　　1 高光谱成像系统概述 　　一般认为，光谱分辨率在10-1λ数量级范围内称为多光谱，光谱分辨率在10-2λ数量级范围内称为高光谱，光谱分辨率在10-3λ数量级范围内称为超光谱。高光谱图像是在特定波长范围内由一系列连续的窄波段图像组成的三维图像数据块，如图1所示。图1中，X和Y表示二维平面坐标轴，λ表示波长范围坐标轴。高光谱图像有某个特定波长下的图像信息，针对XY平面内某个特定像素，又具有不同波长下光谱信息。因此，高光谱图像集合了图像与光谱信息。在每个波长下，XY平面内每个像素的灰度值与其在该波长下的光谱值一一对应，在某个特定波长下，感兴趣区域（ROI）与正常区域间的光谱值存在很大差异，因此，在此波长下的图像中，它们之间的灰度也存在一定差异。 　　一个典型的基于光谱仪的高光谱成像系统主要包括成像光谱仪、光源、线阵或面阵摄像机、输送装置和计算机等部件，其主要结构见图2。 　　2 高光谱成像在水果内部品质检测中的应用 　　针对果蔬内部品质无损检测，高光谱成像技术主要应于可溶性固形物、坚实度及糖度等指标预测。 　　2.1 可溶性固形物 　　可溶性固形物（SSC）是指水果及蔬菜等农产品中可溶解于水的所有物质总称，包括可溶性糖、维生素、微量元素、矿物质、果胶等，可以判断水果成熟度，是衡量水果品质分级的重要指标之一。传统检测方法一般采用折光仪法，不仅检测速度慢，而且损坏检测对象。目前，随着高光谱技术不断发展，国内外学者开始利利用高光谱成像技术对水果中的可溶性固形物进行预测。 　　Leiva-Valenzuela等利用高光谱成像系统在可见短波近红外范围内，获取402颗蓝莓在茎秆、花萼和直径最大处3个方向的反射和透射光谱图像，选用偏最小二乘法回归方法建立SSC和坚实度预测模型。结果表明，依据反射光谱图得出的预测模型效果最好，其SSC预测模型的预测集相关系数RP为0.90，坚实度预测模型的预测集相关系数RP=0.78；根据透射光谱图得出的预测模型，其SSC预测模型预测集相关系数RP=0.76，坚实度预测模型预测集相关系数RP=0.64。 　　罗霞等以火龙果为研究对象，对光谱数据进行预处理，应用连续投影算法（SPA）进行特征变量选择，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，分析火龙果果皮对SSC模型预测精度的影响。试验结果表明：SPA算法能够有效地对光谱数据进行降维处理，采用优选的15个特征变量建立BPNN预测模型的预测集相关系数RP为0.841 1，预测集均方根误差RMSEP为0.817 1。 　　2.2 坚实度 　　水果坚实度（Firmness）是指果肉抗压力的强弱，可以作为判断水果成熟度和口感品质的重要指标。传统的坚实度检测方法是穿刺试验方法，对样本有损伤，并且不能逐个检验，对大批量产品检测试验是不现实的。高光谱成像是一种融合光谱技术和图像技术的无损检测技术，能够对水果坚实度进行快速、无损和准确检测。 　　Nagata等应用近红外高光谱成像技术对草莓坚实度进行预测，测量波长范围为650～1 000 nm，光谱间隔5 nm，采用多元逐步线性回