2023, Vol. 50文章信息
引用本文 |
基金项目
- 岭南现代农业科学与技术广东省实验室河源分中心自主科研项目(DT20220011);北京市农林科学院专项(CZZJ202203)；广东省科技创新战略专项(210909114530725)
作者简介
- 陈龙跃(1993—)，男，土家族，硕士，工程师，研究方向为农业遥感技术研究与应用，E-mail：chenly@nercita.org.cn.
通讯作者
- 段丹丹(1984—)，女，博士，工程师，研究方向为作物信息化，E-mail：duandd@nercita.org.cn.
文章历史
- 收稿日期：2023-03-31
2. 岭南现代农业科学与技术广东省实验室河源分中心，广东 河源 517000;
3. 广东科贸职业学院，广东 清远 511500
2. Heyuan Branch Center of Guangdong Laboratory of Lingnan Modern Agricultural Science and Technology, Heyuan 517000, China;
3. Guangdong Polytechnic of Science and Trade, Qingyuan 511500, China
水果是人们日常生活中常见的食品之一，随着人们对食品安全和品质的要求越来越高，对于水果品质无损检测技术的研究也越来越受到关注[1-4]。传统的水果品质检测方法主要依靠人工经验和仪器检测，存在误差较大、检测效率低、对水果造成损伤等问题[5-7]。因此，开发一种快速、准确、无损的水果品质检测技术尤为重要。高光谱成像技术是一种将光谱学与图像学结合的新兴无损检测技术[8-9]，可将整个可见光波段和部分红外波段的光谱信息同时获取，并将其转化为图像信息[10]。该技术在对物体进行拍摄时，将光源在整个可见光谱范围内连续变化，对多张图像连续记录，然后通过计算机处理叠加在一起，形成一个高光谱图像[11]。该图像中每个像素点均包含整个光谱范围内的信息，可用于分析物体的成分、结构和形态等[12]，不仅可以检测水果的外观质量，还可以探测水果内部成分和结构，从而实现对水果品质的全面评估[13]。
近年来，越来越多的研究者开始探索使用高光谱成像技术进行水果品质无损检测，并取得一定的研究进展[14-16]。已有研究证实，高光谱成像技术可以实现非接触式的无损检测，在避免水果表面受损、提高检测效率及准确率等方面具有一定优越性，该技术应用在水果成熟度、糖度、酸度、红色指数等品质指标检测中准确度高、可靠性强[17]，未来将成为水果品质检测的重要手段之一。然而，当前使用高光谱成像技术进行水果品质无损检测依然存在一些技术瓶颈需要克服，如光谱分析算法的改进、仪器设备的提升、检测成本的控制等。本文从高光谱成像技术原理、应用发展现状、应用潜力、存在问题及发展趋势等方面，对该技术在水果品质无损检测方面的研究进行综述，以期为相关研究和生产提供参考，进一步助力水果品质及价值提升。
1 高光谱成像技术概述高光谱成像技术最早由美国陆军研究实验室开始研究，主要用于军事领域的侦察和情报收集。20世纪80-90年代，该技术逐渐应用于农业、环境、地质、气象等领域，并取得一定研究成果；21世纪以来，随着计算机视觉和人工智能技术的发展，高光谱成像技术在水果品质检测、医学诊断、环境监测等领域的应用不断拓展。其基本原理是利用高光谱传感器采集物体反射的电磁波数据，通过对这些数据进行处理和分析，得到物体的空间和频谱信息，进而实现对物体的识别、分类和定量分析[18]。其硬件核心为准直镜、光栅光谱仪、聚焦透镜以及面阵电荷耦合器件[19]。相较于传统的遥感技术，高光谱成像技术具有更高的光谱分辨率和更宽的光谱范围，可为水果品质无损检测获取更为详细和准确的信息[20]。其次，其提供的空间域和光谱域信息能够实现“谱像合一”，对于判断水果外观品质有着重要作用。此外，高光谱成像技术的数据描述模型灵活，主要有图像、光谱和特征等3种模型[21]。而高光谱技术的先进性要求相应的硬件设备具备较高的性能和精度，导致高光谱成像设备的制造成本较高，此外，高光谱图像数据虽能依靠高维度和大体量提供目标物细节信息，但同时也带来了信息冗余度过高的问题，增加了后期解析和处理的难度。总的来说，高光谱成像技术的出现和发展，为人们全面研究和了解水果品质以及精确无损诊断提供了全新手段和途径。随着技术的不断进步和应用的不断拓展，该技术在未来的科学研究和生产实践中将发挥越来越重要的作用。
2 高光谱成像技术在水果品质无损检测中的应用 2.1 定性指标检测近年来，高光谱成像技术已被用于多种水果的品质指标检测，这些指标主要分为定性指标和定量指标两类。定性指标主要有损伤、腐败、着色、成熟度等[22-25]。
在损伤鉴定方面，Tan等[26-27]利用高光谱成像技术开展苹果、柿子的损伤鉴定研究，准确率均达到90.00% 以上。Tang等[23]构建苹果损伤鉴定模型，分级精度达到97.33%，证实高光谱成像技术在苹果损伤检测中的有效性。Yu等[28]构建枇杷的缺陷识别模型，正确分类率达到95.90% 以上。Wang等[29]采用随机森林（Random Forest，RF）算法构建了蓝莓内部机械损伤的识别模型，可准确检测蓝莓的损伤状况。Shao等[30]利用高光谱成像技术对樱桃进行损伤度测定，实现对樱桃品质损伤的快速检测。Xuan等[31]利用高光谱成像技术提取桃表面的光谱特征，对桃进行损伤品质指标判断，完成对桃品质指标的准确量化。Fang等[32]基于高光谱成像技术开展对梨的损伤指标检测研究，检测误差被有效控制。
在腐败检测方面，Yuan等[24]使用高光谱成像技术对黄瓜瑕疵进行检测，通过提取表面的反射光谱特征，实现对黄瓜腐败程度的准确检测。Shao等[30]利用高光谱成像技术对樱桃进行腐败损伤的品质评价，实现对樱桃品质的快速监测。Fang等[32]基于高光谱成像技术开展对梨腐败指标检测的相关研究，得到误差较小的检测结果。
在着色评价方面，Wang等[33]对苹果颜色参数指标进行评价。沈佳等[25]构建蜜柚叶片色素含量的高光谱估测模型，进而判别蜜柚的健康程度。
在成熟度检测方面，Wang等[33]基于高光谱成像技术对苹果成熟度指标进行无损检测研究。Jie等[34]使用高光谱成像技术评价西瓜成熟度，实现对西瓜成熟度的准确检测。Benelli等[9, 35]通过获取葡萄表面的高光谱图像，对葡萄进行成熟度评价，成功实现对葡萄的成熟度检测。Shao等[36-37]利用高光谱成像技术，通过提取桃表面的光谱特征对桃、香蕉进行成熟度评价，完成成熟度的准确量化。Achireya等[38]开展菠萝成熟度的检测，证实该技术在预测单个水果的成熟度指标方面具有可靠性。Shao等[39]将高光谱成像技术用于草莓成熟度评估，准确率在91.70%~96.70% 之间。Zhang等[40]构建草莓成熟度的分析模型，分类准确率超过85.00%，表明高光谱成像技术可用于草莓成熟度评价。Cho等[22]建立番茄成熟度的检测模型，达到75.00% 以上的分类准确率。
这些研究针对苹果、西瓜、葡萄、桃、香蕉、菠萝和草莓等不同水果，分别使用高光谱成像技术对其损伤、腐败、着色、成熟度等定性指标进行评价和检测，取得一定成效，分类准确率在一定程度上得到提高，表明高光谱成像技术能对多种水果品质指标进行准确检测。
2.2 定量指标检测水果品质无损检测中的定量指标主要有可溶性固形物含量（Soluble solid content，SSC）、可滴定酸、硬度等，可以归为成分品质、外观品质、内部品质等。成分品质是通过对水果表面的光谱数据进行分析，提取营养成分、糖分含量、酸度等信息，从而评价水果的成分质量。其中，营养成分的指标包括维生素含量、矿物质含量等[41]。Malegori等[42]使用高光谱成像技术进行樱桃维生素C含量的预测和可视化，证明了高光谱成像技术用于评估樱桃维生素C分布的可靠性，为水果中营养保健化合物的定性绘图奠定基础。Wiebke等[43]基于高光谱成像技术测定哈斯鳄梨中硼和钙的浓度，决定系数（Coefficient of determination，R2）分别为0.61、0.53，预测偏差比分别为1.51、1.71，证实高光谱成像技术可以通过果肉图像快速确定单个水果内部品质，能够减少鳄梨的采后损失。
水果糖分含量指标包括总糖含量、果糖含量、葡萄糖含量等。Zhang等[44]利用高光谱图像技术快速预测砀山梨的糖含量，均方根误差（Root mean square error，RMSE）低至0.35，表明高光谱成像技术在砀山梨糖度无损定量测量和可视化方面具有巨大潜力。Lan等[45]利用高光谱成像检测了苹果切片的果糖、葡萄糖含量等内部品质，证实该方法减少了对大量化学表征的需求，有助于更好地掌握和管理水果质量。Seki等[46]通过高光谱成像技术进行白草莓糖含量的可视化，最终模型的R2和RMSE分别是0.84、0.57，该发现为设计非接触式系统用于监测白草莓质量的可行性奠定基础。酸度指标包括总酸含量、柠檬酸含量、苹果酸含量等。Xu等[47]利用高光谱成像技术和深度学习算法无损预测了巨峰葡萄中的可滴定酸含量，R2为0.92、RMSE为0.11，表明深度学习的堆叠自动编码器算法在从像素级高光谱图像数据中提取特征方面具有巨大潜力。Cecilia等[48]优化高光谱成像中的空间数据缩减，以预测完整橙子的柠檬酸参数，展示了高光谱图像量化橙子酸性味道属性的潜力。Lan等[45]对苹果酸含量进行定量检测，检测到其强烈的异质性。
水果外观品质通过对水果表面的图像如纹理特征进行分析检测，如表面的瑕疵、病斑、裂纹等，其中，瑕疵指标包括病斑面积、裂纹长度等[49]。Folch等[50]利用成像高光谱技术根据病斑面积对柑橘进行腐败分类，准确率达到91%，显示该方法是区分柑橘健康程度的有力工具。Yu等[51]使用高光谱成像结合图像处理识别鲜枣裂纹，判别模型精度近100%，精确量化了裂纹位置、面积，实现鲜枣裂纹特征的快速识别。
水果内部品质通过对水果表面的光谱特征进行分析，即提取光谱特征等信息开展内部品质评价，如成熟度和基本品质。其中，成熟度指标包括叶绿素含量、色泽、硬度等[52]。Sun等[53]基于叶绿素含量进行蜜桃腐烂的高光谱成像检测，准确率达到98.75%，为基于叶绿素含量的真菌病害检测提供了新视角。Su等[54]应用高光谱成像和深度学习基于色泽测定草莓成熟度，取得了良好效果，证明了该方法的检测潜力。Li等[55]基于高光谱成像技术检测了猕猴桃成熟度，最终的校正硬度模型预测值与真实值的相关系数超过0.9，预测偏差比超过2，能够用于预测猕猴桃品质。基本品质包括果肉的含水量、纤维素含量等，果肉含水量的指标是重要的内部品质指标[56]。Ayman等[57]使用高光谱成像检测了两种枣的含水量，对枣的质量进行评估，实现了枣类水果质量属性快速、自动化的监测和分析。Sun等[58]对瓜类进行基于纤维素含量的质量检测，同样取得良好效果。
表 1对相关研究中高光谱成像技术检测的主要水果品质指标进行列举和分类，表明高光谱成像技术可用于对水果表面的光谱信息和图像信息分析，评价水果的成分、外观、成熟度、内部品质等，在水果品质检测领域有广泛的应用前景。
|
3 高光谱成像技术在水果品质无损检测中的发展概况 3.1 发展概况
高光谱成像技术的传感器硬件经历了从只能获取一维光谱信息的线阵成像光谱仪（1980年）到可以同时获取空间和光谱信息的二维阵列成像光谱仪（2000年），再到可以实现高分辨率、高精度、高效率的星载高光谱成像仪和接地式高光谱成像仪（2000年至今）的发展过程[59]。高光谱成像技术的成像质量和分辨率得到较大提高，应用场景也更加广泛。近年来，高光谱成像技术在水果品质检测方面取得了一定进展，但其基本原理仍然是使用二维成像光谱仪。这也意味着近年来传感器硬件的研究和发展相对较慢。因此，目前高光谱成像技术在水果品质检测领域的研究主要集中在数据挖掘方向，以提高水果品质检测的准确性和效率。在基于高光谱成像技术的水果品质无损检测中，高光谱图像获取、数据预处理、特征提取、模型训练和模型应用是高光谱成像技术的基本流程。其中，数据预处理、特征选择提取和模型训练是数据挖掘的核心步骤，也是当下利用高光谱成像技术检测水果品质的关键。借助数学统计、化学计量和计算机技术的交叉融合发展，大量数据处理算法不断得到创新与应用，利用高光谱图像数据解析水果品质逐渐趋于准确和高效。
3.2 技术的数据挖掘核心3.2.1 数据预处理 水果品质检测中的高光谱图像预处理方法以导数、标准正态变量变换（Standard normal transformation，SNV）和多元散射校正（Multiplicative scatter correction，MSC）等为主。导数可以消除基线和其他背景的干扰，提高分辨率和灵敏度，同时可以分辨重叠峰[60]。Anna等[61]通过对图像进行二阶导数运算提取图像中的特征信息进行草莓的真菌感染和花青素含量以及SSC检测，R2均大于0.65，表明基于二阶导数的高光谱图像处理方式具有快速无损检测果实品质的潜力。Wang等[62]基于原始光谱的二阶导数判断红枣受昆虫侵扰状态，分类准确率达到94% 以上，表明高光谱图像的二阶导数可用于昆虫侵扰判识与枣表面混杂特征的区分。Gao等[63]提取每个单一的窄叶橄榄果的平均光谱，并使用二阶导数识别有效波长用于追踪干燥窄叶橄榄果的地理起源，最终分类准确率均超过90%，表明高光谱成像与机器学习相结合可用于追踪干燥窄叶橄榄果的地理起源。Anasar等[64]对高光谱图像数据进行一阶导数运算，开展柑橘叶绿素含量的估算，模型R2和RMSE分别为0.9、0.10，表明高光谱数据一阶导数的处理有助于准确估计金诺柑的叶绿素含量。Ye等[65]比较原始反射率和一阶导数反射率与苹果叶碳含量的相关性，并对氮含量进行预测，达到合理的预测精度。
SNV算法通过对每个样品的光谱进行变换，使其符合正态分布以消除光谱数据中的噪声和杂质，提高数据的质量和可靠性[66]。Adrian等[67]进行枸杞品质分类研究，探讨SNV和SavitskyGolay（SG）数据预处理和优化方法对枸杞干光谱数据的影响，预测的准确率达到96.66%，表明高光谱成像技术结合SNV的预处理方法对枸杞干果品质分类是可行的。MSC可以消除由于样品不均匀性和光谱仪器漂移等因素引起的光谱变化和散射影响[55]。Liu等[68-69]使用MSC预处理方法进行山楂和荸荠缺陷的判别研究，检测精度均达到86% 以上，表明高光谱成像技术结合MSC预处理可以实现水果缺陷的快速识别。Achireya等[38]使用MSC的预处理方法开展菠萝成熟度检测，证实其在预测单个水果的成熟度指标方面具有可靠性。Shao等[39]通过MSC对光谱进行预处理，用于草莓成熟度评估，准确率在91.70%~96.70%，表明该方法可用于田间草莓成熟度的实时评估。Fernando等[70]使用MSC预处理进行苹果SSC检测，为提高水果内部品质的高光谱散射预测提供有效手段。综上所述，这些预处理方法可以有效地降低噪声，减少仪器、环境及人员操作等各种干扰的影响，提高结果检测精度，并简化后续建模处理运算过程。
3.2.2 光谱特征提取 高光谱图像信息特征分为光谱特征和纹理特征，在基于高光谱成像技术的水果品质检测中，多数研究仅使用光谱特征，当前使用较多的提取方法主要有区间偏最小二乘法（IPLS）、无信息变量的消除法（UVE）、连续投影算法（SPA）、竞争性自适应权重取样法（CARS）、随机蛙跳算法、遗传算法和粒子群算法等。
IPLS算法是一种广泛应用于高光谱数据处理和分析的方法，其改进方法可应用于不同场合，有效提高预测精度和稳定性[71]。Gabriel等[72]利用IPLS降低光谱维数，研究光谱图像与蓝莓SSC含量和硬度指数的相关性，R2均达到0.64以上。Guo等[73]使用高光谱成像技术结合IPLS检测苹果的pH值，R2为0.85，RMSE为0.04，表明高光谱成像结合IPLS是一种准确、快速且无损预测苹果pH值的方法。Puneet等[74]比较IPLS和协变量的特征选择方法对梨SSC的检测效果，证实通过IPLS变量选择，模型在新的独立批次水果上进行测试时的性能可以得到极大改善。
UVE算法可以帮助剔除不相关或非线性变量，从而减少模型复杂度和运算量，提高分析模型的准确性和稳健性[75]。Wang等[76]利用UVE的波长选择算法进行苹果硬度的检测，与全波长相比，基于UVE算法的有效波长数量减少34%，相关系数从0.80增加到0.81，而预测结果的RMSE分别从6.00减少到5.73，证实UVE可靠。Zhang等[44]使用UVE的变量选择方法进行梨含糖量的检测，最终预测结果RMSE低于0.40，表明UVE的变量选择方法在梨糖分的无损测量和可视化方面具有巨大潜力。Wei等[77]使用UVE的特征变量选择算法进行柿子SSC和硬度的检测，最佳模型预测结果R2为0.88，RMSE为0.40。
SPA可以极大地减少建模所需的变量数量，从而提高建模的速度和效率[78]。Li等[79]使用SPA选择特征波段，研究樱桃基于SSC和pH值的成熟度评估，正确分类率为96.40%，表明该方法进行樱桃果实的质量检测是可行的。Sun等[53]通过SPA选择最优波段，进行蜜桃叶绿素含量检测，从而判断蜜桃的腐烂程度和病害，准确率为98.75%，为通过叶绿素含量选择高光谱成像的最佳波长提供新视角。Zhang等[80]使用SPA选择有效波段，进行橙子的SSC检测，最优模型预测精度的R2为0.90，RMSE为0.40，表明该方法可用于非侵入性地快速测量橙子的SSC。
CARS是一种基于达尔文的“进化论”和“适者生存”的原则，利用回归系数绝对值进行波长选择的算法[81]。Yu等[28]利用CARS进行最佳敏感波段的选择，进而结合偏最小二乘回归对枇杷进行缺陷检测，最终检测准确率达到92.30%。Sun等[82]使用CARS提取有效波长变量，研究哈密瓜的SSC、可滴定酸和硬度的评估，表明CARS是一种选择波长变量的有效方法。
3.2.3 纹理特征提取 纹理特征作为具有“谱像合一”特点的高光谱图像数据的重要增量信息，在水果品质检测中易被忽略，事实上，纹理特征反映的空间信息，可为水果品质的高精度检测和评价提供重要帮助。水果品质光谱检测中纹理特征的提取算法以灰度共生矩阵（Gray Level Cooccurrence matrix，GLCM）为主，且已有利用GLCM提取纹理特征辅助水果品质的光谱检测取得了良好效果[83-84]。表明高光谱成像技术的图像空间信息相对光谱信息同样具有较大的水果品质检测潜力，通过特征提取优化算法，可以有效消除水果高光谱图像数据中的冗余信息，为更高精度的水果品质检测提供帮助。
3.2.4 模型训练 高光谱模型训练可使高光谱图像数据的处理和分析过程更加自动化、高效化和精确化。在水果品质无损检测的高光谱定量建模分析中，常采用的模型训练算法有多元线性回归（Multiple linear regression，MLR）、主成分回归（Principal component regression，PCR）、偏最小二乘回归（Partial least squares regression，PLSR）、误差反向传播神经网络（Error backpropagation neural network，BP）、支持向量机（Support vector machines，SVM）以及随机森林（Random forest，RF）等。目前在基于高光谱成像技术的水果品质无损检测领域中，稳定可靠且实现简单的模型主要由PLSR、BP、SVM、RF等机器学习算法构建。其中PLSR是应用最广泛的一种线性回归模型，可以最大程度地利用光谱信息和样品浓度信息，得到准确的建模结果[85]。
Rajkumar等[86]利用PLSR构建了香蕉SSC、水分和硬度的检测模型，以此判断香蕉品质和成熟度，Pu等[87]利用PLSR建立荔枝SSC和成熟度的检测模型，取得良好结果。BP神经网络算法在非线性拟合和模式识别分类领域均有广泛应用，可用于高光谱数据的定量分析和定性分析模型的构建[88]。Anna等[61]利用BP算法进行了草莓的品质检测模型训练，得到的最佳预测结果准确率高于97.00%，表明该方法具有快速、无创检测草莓果实品质的潜力。Wang等[76]利用BP构建苹果硬度检测模型，解决算法单一的局限性，为利用高光谱成像技术预测苹果硬度提供一种有效建模方法。SVM算法是一种比线性方法更为合理的解决方案，可以应用于高维输入向量的处理[22]，近年来在光谱分析中的应用逐渐增多，成为一种重要的分析方法。Zhang等[40]利用SVM算法构建草莓成熟度的分析模型，分类准确率超过85.00%，表明高光谱成像结合SVM可用于草莓成熟度评价。Tang等[23]利用SVM算法构建的苹果损伤最佳鉴定模型，分级精度达到97.33%。Cho等[22]使用SVM算法建立了番茄成熟度的检测模型，分类准确率达到75.00% 以上。RF算法在多个领域中均有广泛应用，如分类、回归、聚类和特征选择等[89]。Munera等[89]使用RF算法构建了枇杷的缺陷识别模型，正确分类率达到95.90% 以上。Yang等[90]使用RF算法建立桃的SSC检测模型，最佳模型的R2为0.92，RMSE为0.67，该方法可以提高鲜桃SSC的估算精度。Wang等[29]利用RF算法构建蓝莓内部机械损伤的识别模型，能够准确检测蓝莓的损伤状况。综上可知，以机器学习为主的统计模型训练算法，已成为基于高光谱成像技术的水果品质无损检测模型构建的主流方法，水果品质检测的精度被极大提升。
4 存在问题与发展趋势 4.1 存在问题4.1.1 技术研究方面 高光谱成像技术在水果品质检测应用中已得到广泛应用，但在技术研究方面还存在一些问题。首先，传感器硬件技术发展较为缓慢，导致高光谱成像设备造价成本较高，因此高光谱成像技术的发展只能侧重于数据挖掘方向，通过后期对数据的清洗、处理和分析，准确解析传感器所记录的信息，但现有的信息解析策略依然存在可解释性差、模型普适性弱等问题。其次，高光谱成像技术获取的数据体量大，在进行水果品质检测时需要建立光谱库。而建立光谱库需要大量样本和光谱数据，不同种类的水果样品数量在具体研究中十分有限，且受季节、生长环境等因素影响，因此建立光谱库的难度较大。此外，目前水果品质检测中使用较少的空间数据，虽然能够提高数据利用率避免造成数据浪费以及提升水果品质检测的精度，但需要采用大量的计算和处理方法，如图像预处理、特征提取和降维。另一方面，水果品质受到多种因素的影响，如种类、成熟度、病虫害等，在进行无损检测时需将这些因素的影响分离，但目前仍缺乏有效的方法处理多因素影响的问题。另外，水果品质无损检测需要在生产和销售环节中实现多场景实时检测，以便及时调整生产和销售策略，而目前的高光谱成像技术检测速度慢、设备重量大，需要进一步改进和优化。最后，针对不同的使用场景和检测对象，需要建立相应的标准化指标，而目前此类研究尚相对薄弱，缺乏通用的标准化指标[91]。
4.1.2 应用推广方面 高光谱成像技术在水果品质检测领域的应用上同样存在难点。首先，高光谱成像技术需要从业人员掌握多个学科领域的知识，如光学、物理学、计算机科学等，技术门槛较高，需要专业的人员进行操作。其次，高光谱成像技术需要大量数据进行训练和建模，但是数据的获取难度较大，需要投入大量的人力和物力。最后，高光谱成像技术需要昂贵的设备硬件和软件相融合，同时也需要大量的计算资源[92-93]，成本较高，应用场景有限。此外，高光谱成像数据缺乏标准化，受多种因素影响导致的精度低以及法规监管等问题同样影响其应用推广。
4.2 发展趋势4.2.1 现有技术的优化和改进 针对高光谱成像技术所需数据量大和处理难度大的问题，目前随着计算机技术和传感器的飞速发展，获取的原始数据体量能够逐渐被定向缩减。随着计算资源日益充足，高光谱大数据的光谱图像处理计算将逐渐变得游刃有余。空间纹理信息在今后的技术发展中将逐渐与光谱信息一样被重视并用于水果品质的评价。在利用高光谱成像技术对水果品质进行无损检测的数据获取中，使用室内暗箱操作台配合稳定的卤素光源获取高光谱图像，能够有效避免环境干扰。在模型训练时，不断探索更加简单有效的数据清洗和预处理、数据挖掘、自动化标注算法，能够降低模型训练的难度和成本。此外，因地制宜，针对不同时空源的水果建立分组模型，然后建立集成学习模型，以此解决模型泛化、效果差的问题。另一方面，加强对高光谱成像技术的研究和探索，推动技术的发展和应用。例如针对不同的水果品质检测需求，研发成本更低、体积更小、操作处理简单、数据量小的多光谱技术，在保证精度的前提下大幅度降低应用成本。其次，加强产学研合作、加强学术界和工业界的合作，注重技术人才培养、优化数据采集和处理流程、降低成本，加强技术的应用和探索，研发自动化的数据采集、标注、处理工具，促进成像光谱技术在水果品质无损检测领域的应用和推广，共同推进技术的发展和应用。
4.2.2 新技术的发展和融合 目前，多模态成像技术和人工智能技术逐渐受到关注和重视，多模态成像技术是指将多种成像探测技术相结合，对同个目标进行多方位、多角度、多层次的图像采集和数据处理，以获取更全面、更准确的目标信息。如采用可见光成像和高光谱成像结合，可以实现对水果表面颜色和外观的无损检测，提高检测的准确性和精度；采用X射线成像、热成像和超声成像等技术，可以实现对水果内部质量的无损检测，如水果内部病虫害、软腐等问题；采用近红外光谱成像和高光谱成像结合，对水果糖度进行无损检测，可以提高糖度检测的准确性和效率；采用红外成像、高光谱成像和热成像结合，可以实现对水果成熟度的无损检测，提高检测的准确性和精度；采用多种成像技术相结合，对水果表面和内部的缺陷进行无损检测，如裂纹、凹陷等问题。
人工智能技术在水果品质无损检测中的应用同样越来越广泛，主要包括机器视觉、深度学习、模式识别等方面。在水果品质无损检测中，机器视觉主要用于颜色、纹理、大小、形状等特征的提取和分析，可以实现水果的分类、分级、计数等功能，具有高精度、高效率、无损检测等优势。如局部二进制、方向梯度直方图等纹理特征提取算法在水果品质检测领域的应用探索。深度学习主要用于对复杂的图像数据进行识别和分类，可以实现水果的瑕疵检测、成熟度预测、质量评估等功能，具有高准确度、高鲁棒性、自动化等优势。在水果品质无损检测中，模式识别可用于对水果的质量、成熟度、瑕疵等特征分析和评估，同样具有高准确度、高效率、自动化的优势。总的来说，多模态成像技术与人工智能技术在水果品质无损检测中具有广泛的应用前景和发展潜力，可以提高检测的准确度和效率，为水果产业提供更好的技术支持和服务。
5 结论与展望高光谱成像技术在水果品质检测研究中具有广阔应用前景，可以通过获取水果的多维信息，如外观、质地、成分等，全面地了解水果的品质特征，从而提高检测的准确性和可靠性，还能够实现对多个水果的同时检测，大大提高检测效率，节省时间和人力成本。利用该技术对水果进行无损检测，避免了传统检测方法中可能对水果造成的伤害，进一步保证了产品质量，提高了市场竞争力。在生产线上实现自动化检测，可以降低检测成本，提高生产效率。高光谱成像技术在水果品质检测中的应用，可以提高水果的品质和价值，还可以带动和促进整个水果产业链的发展，提高水果行业的竞争力。
| [1] |
ZHU D J, XIE L Z, CHEN B X, TAN J B, DENG R F, ZHENG Y ZM HU Q, RASHED M, CHEN W S, YI S, YUN K L, ANDREW W H. Knowledge graph and deep learning based pest detection and identification system for fruit quality[J]. Internet of Things, 2023, 21: 100649. DOI:10.1016/j.iot.2022.100649 |
| [2] |
PATEL K K, KAR A, JHA S N, KHAN M A. Machine vision system: a tool for quality inspection of food and agricultural products[J]. Journal of Food Science and Technology, 2012(49): 123-141. DOI:10.1007/s13197-011-0321-4 |
| [3] |
CHEN Q, ZHANG C, ZHAO J, OUYANG Q. Recent advances in emerging imaging techniques for non-destructive detection of food quality and safety[J]. TrAC Trends in Analytical Chemistry, 2013, 52: 261-274. DOI:10.1016/j.trac.2013.09.007 |
| [4] |
薛舒丹, 谢大森, 万小童, 陆森, 刘展舒, 钟玉娟. 近红外光谱分析技术在蔬菜品质检测中的应用研究进展[J]. 广东农业科学, 2021, 48(9): 142-150. DOI:10.16768/j.issn.1004-874X.2021.09.016 XUE S, XIE D, WANG X, LU S, LIU Z, ZHONG Y. Research progress on the application of near-infrared spectroscopy analysis technology in vegetable quality detection[J]. Guangdong Agricultural Science, 2021, 48(9): 142-150. DOI:10.16768/j.issn.1004-874X.2021.09.016 |
| [5] |
MANCINI M, MAZZONI L, QADERI R, LEONI E, TONANNO V, GAGLIARDI F, CAPOCASA F, TOSCANO G, MEZZETTI B. Prediction of soluble solids content by means of NIR spectroscopy and relation with botrytis cinerea tolerance in strawberry cultivars[J]. Horticulturae, 2023, 9(1): 91. DOI:10.3390/horticulturae9010091 |
| [6] |
HODA G, SALAH E, OSAMA E, AIDA A. Using RGB imaging, optimized three-band spectral indices, and a decision tree model to assess orange fruit quality[J]. Agriculture, 2022, 12(10): 1588. DOI:10.3390/agriculture12101558 |
| [7] |
MAGED M, MUHAMMAD M, ALJAZI A. Prediction of date fruit quality attributes during cold storage based on their electrical properties using artificial neural networks models[J]. Foods, 2022, 11(11): 1666. DOI:10.3390/foods11111666 |
| [8] |
ADRIA N, JUN S, RAKHWE K, VINCENT A A, FELIX D N, KEZA D D, YUHAO Z. Nondestructive detection of adulterated wolfberry(Lycium Chinense)fruits based on hyperspectral imaging technology[J]. Journal of Food Process Engineering, 2023, 46(4): e14293. DOI:10.1111/jfpe.14293 |
| [9] |
MARINSAN R S, FERNANDEZNOCALES J, CEBRIANTARANCON C, SANCHEZG OMEZ R, DI AG O M P, GAR DECER DAN T. Monitorization of varietal aroma composition dynamics during ripening in intact Vitis vinifera L. tempranillo blanco berries by hyperspectral imaging[J]. Journal of Agricultural and Food Chemistry, 2023, 71(5): 2616-2627. DOI:10.1021/acs.jafc.2c07425 |
| [10] |
LU H Q, LEE Y R, LIU R D, FAN C C, HUANG Y J. The research of spectral reconstruction for large apertue static imaging spectrometer[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2018, 42: 1229-1235. DOI:10.5194/isprs-archives-XLⅡ-3-1229-2018 |
| [11] |
ZHANG L P, LUO F L. Review on graph learning for dimensionality reduction of hyperspectral image[J]. Geo-spatial Information Science, 2020, 23(1): 98-106. DOI:10.1080/10095020.2020.1720529 |
| [12] |
KAMAL M, PHINN S. Hyperspectral data for mangrove species mapping: A comparison of pixel-based and object-based approach[J]. Remote Sensing, 2011, 3(10): 2222-2242. DOI:10.3390/rs3102222 |
| [13] |
LI B, YIN H, LIU Y D, ZHANG F, YANG A K, SU C T, OUYANG A G. Study on qualitative impact damage of yellow peaches using the combined hyperspectral and physicochemical indicators method[J]. Journal of Molecular Structure, 2022, 1265: 133407. DOI:10.1016/j.molstruc.2022.133407 |
| [14] |
ZHAO Y C, KANG Z L, CHEN L, GUO Y J, MU Q S, WANG S Y, ZHAO B J, FENG C Z. Quality classification of kiwifruit under different storage conditions based on deep learning and hyperspectral imaging technology[J]. Journal of Food Measurement and Characterization, 2022, 17(1): 289-305. DOI:10.1007/s11694-022-01554-4 |
| [15] |
WANG H, HU R, ZHANG M, ZHAI Z Q, ZHANG R Y. Identification of tomatoes with early decay using visible and near infrared hyperspectral imaging and image-spectrum merging technique[J]. Journal of Food Process Engineering, 2021, 44(4): 13654. DOI:10.1111/jfpe.13654 |
| [16] |
SALVADOR G, ALEXANDER W, JAMES U. Spectral filter design based on in-field hyperspectral imaging and machine learning for mango ripeness estimation[J]. Computers and Electronics in Agriculture, 2019, 164: 104890. DOI:10.1016/j.compag.2019.104890 |
| [17] |
ELMASRY G, KAMRUZZAMAN M, SUN D W, SUN D W, ALLEN P. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review[J]. Critical Reviews in Food Science and Nutrition, 2012, 52(11): 999-1023. DOI:10.1080/10408398.2010.543495 |
| [18] |
BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16. DOI:10.1016/j.isprsjprs.2009.06.004 |
| [19] |
HUANG J Z, WANG Y M, ZHANG D, YANG L F, XU M, HE D G, ZHUANG X Q, YAO Y, HOU J. Design and demonstration of airborne imaging system for target detection based on area-array camera and push-broom hyperspectral imager[J]. Infrared Physics & Technology, 2021, 116: 103794. DOI:10.1016/j.infrared.2021.103794 |
| [20] |
王建宇, 李春来. 高光谱遥感成像技术的发展与展望[J]. 空间科学学报, 2021, 41(1): 22-33. DOI:10.11728/cjss2021.01.022 WANG J J, LI C L. Development and prospect of hyperspectral imager and its application[J]. Chinese Journal of Space Science, 2021, 41(1): 22-33. DOI:10.11728/cjss2021.01.022 |
| [21] |
KUMAR B, DIKSHIT O, GUPTA A, SINGH M K. Feature extraction for hyperspectral image classification: A review[J]. International Journal of Remote Sensing, 2020, 41(16): 6248-6287. DOI:10.1080/01431161.2020.1736732 |
| [22] |
CHO B H, KIM Y H, LEE K B, HONG Y K, KIM K C. Potential of snapshot-type hyperspectral imagery using support vector classifier for the classification of tomatoes maturity[J]. Sensors, 2022, 22(12): 4378. DOI:10.3390/s22124378 |
| [23] |
TANG Y, GAO S, ZHUANG J, HOU C, HE Y, CHU X, LUO S. Apple bruise grading using piecewise nonlinear curve fitting for hyperspectral imaging data[J]. Ieee Access, 2020, 8: 147494-147506. DOI:10.1109/ACCESS.2020.3015808 |
| [24] |
YUAN Y, ZHUANG D, HUANG X, YIN Y, YU H, LI X. Early warning potential of cucumber spoilage based on hyperspectral information during its storage[J]. Food Analytical Methods, 2022, 15(10): 2691-2702. DOI:10.1007/s12161-022-02325-z |
| [25] |
沈佳, 熊永柱, 许燕婷, 刘惠娜, 程丹玲. 胁迫处理蜜柚叶片色素含量高光谱成像估测模型研究[J]. 广东农业科学, 2018, 45(8): 118-129. DOI:10.16768/j.issn.1004-874X.2018.08.018 SHEN J, XIONG Y Z, XU Y T, LIU H N, CHENG D L. Study on hyperspectral remote sensing estimation model of pigment content in honey pomelo leaves under stress treatment[J]. Guangdong Agricultural Sciences, 2018, 45(8): 118-129. DOI:10.16768/j.issn.1004-874X.2018.08.018 |
| [26] |
TAN W Y, SUN L J, YANG F, CHE W K, YE D D, ZHANG D, ZOU B R. Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM[J]. Agriculture, 2018, 154: 581-592. DOI:10.1016/j.ijleo.2017.10.090 |
| [27] |
SANDRA M, ALEJANDRO R O, NURIA A, SERGIO C, JUAN G S, JOSE B. Detection of invisible damages in 'rojo brillante' persimmon fruit at different stages using hyperspectral imaging and chemometrics[J]. Foods, 2021, 10(9): 2170. DOI:10.3390/foods10092170 |
| [28] |
YU K, ZHAO Y, LIU Z, LI X, LIU F, HE Y. Application of visible and near-infrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology, 2014, 15: 3077-3087. DOI:10.1007/s11947-014-1357-z |
| [29] |
WANG Z, HU M, ZHAI G. Application of deep learning architectures for accurate and rapid detection of internal mechanical damage of blueberry using hyperspectral transmittance data[J]. Sensors, 2018, 18: 1126. DOI:10.3390/s18041126 |
| [30] |
SHAO Y, XUAN G, HU Z, GAO Z, LIU L. Determination of the bruise degree for cherry using Vis-NIR reflection spectroscopy coupled with multivariate analysis[J]. PLos One, 2019, 14(9): 0222633. DOI:10.1371/journal.pone.0222633 |
| [31] |
XUAN G, GAO C, SHAO Y. Spectral and ima ge analysis of hyperspectral data for internal and external quality assessment of peach fruit[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2022, 272: 121016. DOI:10.1016/j.saa.2022.121016 |
| [32] |
FANG Y, YANG F, ZHOU Z, LIN L, LI X. Hyperspectral wavelength selection and integration for bruise detection of korla pears[J]. Journal of Spectroscopy, 2019, 2019: 1-8. DOI:10.1155/2019/6715247 |
| [33] |
WANG F, ZHAO C, YANG H, JIANG H, LI L, YANG G. Nondestructive and in-site estimation of apple quality and maturity by hyperspectral imaging[J]. Computers and Electronics in Agriculture, 2022, 195: 106843. DOI:10.1016/j.compag.2022.106843 |
| [34] |
JIE D, ZHOU W, WEI X. Nondestructive detection of maturity of watermelon by spectral characteristic using NIR diffuse transmittance technique[J]. S cientia Horticultura e, 2019, 257: 108718. DOI:10.1016/j.scienta.2019.108718 |
| [35] |
BENELLI A, CEVOLI C, RAGNI L, FABBRI A. In-field and nondestructive monitoring of grapes maturity by hyperspectral imaging[J]. Biosystems Engineering, 2021, 207: 59-67. DOI:10.1016/j.biosystemseng.2021.04.006 |
| [36] |
SHAO Y, WANG Y, XUAN G. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager[J]. Biosystems Engineering, 2021, 212: 115-125. DOI:10.1016/j.biosystemseng.2021.10.004 |
| [37] |
CHU X, MIAO P, ZHANG K, WEI H, FU H, LIU H, MA Z. Green banana maturity classification and quality evaluation using hyperspectral imaging[J]. Agriculture, 2022, 12(4): 530. DOI:10.3390/agriculture12040530 |
| [38] |
ACHIR EYA T, SUPAWAN S, ANTHONY K T, SONTI SUK T. Nondestructive evaluation of SW-NIRS and NIR-HSI for predicting the maturity index of intact pineapples[J]. Postharvest Biology and Technology, 2023, 195: 112141. DOI:10.1016/j.postharvbio.2022.112141 |
| [39] |
SHAO Y, WANG Y, XUAN G, GAO Z, HU Z, GAO C. Assessment of strawberry ripeness using hyperspectral imaging[J]. Analytical Letters, 2020, 16: 1547-1560. DOI:10.1080/00032719.2020.1812622 |
| [40] |
ZHANG C, GUO C, LIU F, KONG W, HE Y, LOU B. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J]. Journal of Food Engineering, 2016, 179: 11-18. DOI:10.1016/j.jfoodeng.2016.01.002 |
| [41] |
FATCHURRAHMAN D, NOSRATI M, AMODIO M L, CHAUDHRY M M A, DECHIARA M L V, MASTRANDREA L, CCLELLI G. Comparison performance of visible-nir and near-infrared hyperspectral imaging for prediction of nutritional quality of goji berry(Lycium barbarum L.)[J]. Foods, 2021, 10(7)1676. DOI:10.3390/foods10071676 |
| [42] |
MALEGORI C, GRASSI S, MARQUES, EJN F, ST E. Vitamin C distribution in acerola fruit by near infrared hyperspectral imaging[J]. Journal of Spectral Imaging, 2016, 5: 1-4. DOI:10.1255/jsi.2016.a6 |
| [43] |
W IEBK E K, ST EPHEN J T, IMAN T, SHAHLA H B. Rapid determination of nutrient concentrations in hass avocado fruit by Vis/NIR hyperspectral imaging of flesh or skin[J]. Remote Sensing, 2020, 12(20): 3409. DOI:10.3390/rs12203409 |
| [44] |
ZHANG D, XU L, LIANG D, XU C, JIN X, WENG S. Fast prediction of sugar content in dangshan pear(Pyrus spp.)using hyperspectral imagery data[J]. Food Analytical Methods, 2018, 11: 2336-2345. DOI:10.1007/s12161-018-1212-3 |
| [45] |
LAN W, JAILLAIS B, RENARD C M, LECA A, CHEN S, LIBOURVELLEC C, BUREAU S. A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices[J]. Postharvest Biology and Technology, 2021, 175: 111497. DOI:10.1016/j.postharvbio.2021.111497 |
| [46] |
SEKI H, MA T, MUTRAKAMI H, TSUCHIKAWA S, INAGAKI T. Visualization of sugar content distribution of white strawberry by near-infrared hyperspectral imaging[J]. Foods, 2023, 12(5): 931. DOI:10.3390/foods12050931 |
| [47] |
XU M, SUN J, CHENG J, YAO K, WU X, ZHOU X. Non-destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm[J]. International Journal of Food Science & Technology, 2023, 58(1): 9-21. DOI:10.1111/ijfs.16173 |
| [48] |
CECILIA R, DOLORES P M, ANA G V. Optimizing spatial data reduction in hyperspectral imaging for the prediction of quality parameters in intact oranges[J]. Postharvest Biology and Technology, 2021, 176: 111504. DOI:10.1016/j.postharvbio.2021.111504 |
| [49] |
ZHANG H, CHEN Y, LIU X, HUANG Y, ZHAN B, LUO W. Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique[J]. Food Analytical Methods, 2021, 14: 1176-1193. DOI:10.1007/s12161-020-01960-8 |
| [50] |
FOLCH F A, PRATS M J M, CUBERO S, BLASCO J, FERRER A. VIS/NIR hyperspectral imaging and N-way PLS-DA models for detection of decay lesions in citrus fruits[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 156: 241-248. DOI:10.1016/j.chemolab.2016.05.005 |
| [51] |
YU K Q, ZHAO Y R, LI X L, SHAO Y N, ZHU F L, HE Y. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing[J]. Computers and Electronics in Agriculture, 2014, 103: 1-10. DOI:10.1016/j.compag.2014.01.016 |
| [52] |
KINGSTON C M. Maturity indices for apple and pear[J]. Horticultural Reviews, 1992, 13: 407-432. |
| [53] |
SUN Y, WANG Y, XIAO H, GU Z, PAN L, TU P. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content[J]. Food Chemistry, 2017, 235: 194-202. DOI:10.1016/j.foodchem.2017.05.064 |
| [54] |
SU Z Z, ZHANG C, YAN T Y, ZHU J N, ZENG Y L, LU X J, GAO P, FENG L, HE L H, FAN L H. Application of hyperspectral imaging for maturity and soluble solids content determination of strawberry with deep learning approaches[J]. Frontiers in Plant Science, 2021, 12: 736334. DOI:10.3389/fpls.2021.736334 |
| [55] |
LI J, HUANG B, WU C, SUN Z, XUE L, LIU M, CHEN J. Nondestructive detection of kiwifruit textural characteristic based on near infrared hyperspectral imaging technology[J]. International Journal of Food Properties, 2022, 25(1): 1697-1713. DOI:10.1080/10942912.2022.2098972 |
| [56] |
INDURANI C, SHUBHAM S P, LANAPALLI R, CHANDRA B S. Potential of near-infrared(NIR)spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview[J]. Food Analytical Methods, 2019, 12: 2438-2458. DOI:10.1007/s12161-019-01609-1 |
| [57] |
AYMAN L, ABDULRAHMAN A, AYMAN E, FERENC F, TIMEA K, ZOLTAN K, LAJOS H. Preliminary study for inspecting moisture content, dry matter content, and firmness parameters of two date cultivars using an nir hyperspectral imaging system[J]. Frontiers in Bioengineering and Biotechnology, 2021, 9: 720630. DOI:10.3389/fbioe.2021.720630 |
| [58] |
SUN M J, ZHANG D, LIU L, WANG Z. How to predict the sugariness and hardness of melons: A near-infrared hyperspectral imaging method[J]. Food Chemistry, 2017, 218: 413-421. DOI:10.1016/j.foodchem.2016.09.023 |
| [59] |
HAGEN N, KUDENOV M W. Review of snapshot spectral imaging technologies[J]. Optical Engineering, 2013, 52(9): 90. DOI:10.1117/1.OE.52.9.090901 |
| [60] |
BHADRA S, SAGAN V, MAIMAITIJIANG M, MAIMAITIYIMING M, NEWCOMB M, SHAKOOR N, MOCKLER T C. Quantifying leaf chlorophyll concentration of sorghum from hyperspectral data using derivative calculus and machine learning[J]. Remote Sensing, 2020, 12(13): 2082. DOI:10.3390/rs12132082 |
| [61] |
ANNA S, PIOTR B, MONIKA Z, WOJCIECH M, BOZENA S. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2018, 139: 115-126. DOI:10.1016/j.postharvbio.2018.01.018 |
| [62] |
WANG J, NAKANO K, OHASHI S, KUBOTA Y, TAKIZAWA K, SASAKI Y. Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging[J]. Biosystems Engineering, 2011, 108: 345-351. DOI:10.1016/j.biosystemseng.2011.01.006 |
| [63] |
GAO P, XU W, YAN T Y, ZHANG C, LV X, HE Y. Application of nearinfrared hyperspectral imaging with machine learning methods to identify geographical origins of dry narrow-leaved oleaster(Elaeagnus angustifolia)Fruits[J]. Foods, 2019, 8(12): 620. DOI:10.3390/foods8120620 |
| [64] |
ANSAR A, MUHAMMAD I. Evaluating the potential of red edge position(REP)of hyperspectral remote sensing data for real time estimation of LAI & chlorophyll content of kinnow mandarin(Citrus reticulata)fruit orchards[J]. Scientia Horticulturae, 2020, 267: 109326. DOI:10.1016/j.scienta.2020.109326 |
| [65] |
YE X J, ABE S, ZHANG S H. Estimation and mapping of nitrogen content in apple trees at leaf and canopy levels using hyperspectral imaging[J]. Precision Agriculture, 2020, 21: 198-225. DOI:10.1007/s11119-019-09661-x |
| [66] |
HUANG X, MENG Q, WU Z, HE F, TIAN P, LIN J, HUANG Y. Detection of early bruises in gongcheng persimmon using hyperspectral imaging[J]. Inf rared Physics & Technology, 2022, 125: 10 4316. DOI:10.3390/rs12132082 |
| [67] |
ADRIA N, JUN S, VINCENT A A, AHMAD H, ZHOU X, YAO K S. A comparative analysis of hybrid SVM and LS-SVM classification algorithms to identify dried wolfberry fruits quality based on hyperspectral imaging technology[J]. Journal of Food Processing and Preservation, 2022, 46: 16320. DOI:10.1111/jfpp.16320 |
| [68] |
刘德华, 张淑娟, 王斌, 余克强, 赵艳茹, 何勇. 基于高光谱成像技术的山楂损伤和虫害缺陷识别研究[J]. 光谱学与光谱分析, 2015, 35(11): 3167-3171. LIU D H, ZHANG S J, WANG B, YU K Q, ZHAO Y R, HE Y. Detection of hawthorn fruit defects using hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3167-3171. |
| [69] |
WANG B, YANG H, ZHANG S J, LI L L. Detection of defective features in cerasus humilis fruit based on hyperspectral imaging technology[J]. Applied Sciences, 2023, 13(5): 3279. DOI:10.3390/app13053279 |
| [70] |
FERNANDO M, RENFU L, DIWAN A, HAIYAN C, BENJAMIN B. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J]. Postharvest Biology and Technology, 2011, 62: 149-160. DOI:10.1016/j.postharvbio.2011.05.009 |
| [71] |
NGUYEN N, LIOU N. Ripeness evaluation of achacha fruit using hyperspectral image data[J]. Agriculture, 2022, 12(12): 2145. DOI:10.3390/agriculture12122145 |
| [72] |
GABRIEL A, LEIVA V, LU R F, JOSE M A. Assessment of internal quality of blueberries using hyperspectral transmittance and reflectance images with whole spectra or selected wavelengths[J]. Innovative Food Science & Emerging Technologies, 2014, 24: 2-13. DOI:10.1016/j.ifset.2014.02.006 |
| [73] |
GUO Z M, HUANG W Q, CHEN L P, PENG Y K, WANG X. Shortwave infrared hyperspectral imaging for detection of pH value in Fuji apple[J]. International Journal of Agricultural and Biological Engineering, 2014, 7: 130-137. DOI:10.3965/j.ijabe.20140702.016 |
| [74] |
PUNEET M, ERNST W, BASTIAAN B, ESTHER H E. Improving moisture and soluble solids content prediction in pear fruit using nearinfrared spectroscopy with variable selection and model updating approach[J]. Postharvest Biology and Technology, 2021, 171: 111348. DOI:10.1016/j.postharvbio.2020.111348 |
| [75] |
JIANG H, HU Y, JIANG X, ZHOU H. Maturity stage discrimination of Camellia Oleifera fruit using visible and near-infrared hyperspectral imaging[J]. Molecules, 27(19): 6318. DOI: 10.3390/molecules27196318.
|
| [76] |
WANG S, HUANG M, ZHU Q B. Model fusion for prediction of apple firmness using hyperspectral scattering image[J]. Computers and Electronics in Agriculture, 2012, 80: 1-7. DOI:10.1016/j.compag.2011.10.008 |
| [77] |
WEI X, HE J, ZHENG S, YE D. Modeling for SSC and firmness detection of persimmon based on NIR hyperspectral imaging by sample partitioning and variables selection[J]. Infrared Physics & Technology, 2020, 105: 103099. DOI:10.1016/j.infrared.2019.103099 |
| [78] |
JIANG H, JIANG X, RU Y, CHEN Q, LI X, XU L, SHI M. Rapid and non-destructive detection of natural mildew degree of postharvest Camellia oleifera fruit based on hyperspectral imaging[J]. Infrared Physics & Technology, 2022, 123: 104169. DOI:10.1016/j.infrared.2022.104169 |
| [79] |
LI X, WEI Y, XU J, FENG X, WU F, ZHOU R, JIN J, XU K, YU X, HE Y. SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology[J]. Postharvest Biology and Technology, 2017, 143: 112-118. DOI:10.1016/j.postharvbio.2018.05.003 |
| [80] |
ZHANG H, ZHAN B, PAN F, LUO W. 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. DOI:10.1016/j.postharvbio.2020.111148 |
| [81] |
TANG N, SUN J, YAO K, ZHOU X, TIAN Y, CAO Y, NIRERE A. Identification of Lycium barbarum varieties based on hyperspectral imaging technique and competitive adaptive reweighted sampling-whale optimization algorithm-support vector machine[J]. Journal of Food Process Engineering, 2021, 44(1): 13603. DOI:10.1111/jfpe.13603 |
| [82] |
SUN J, MA B, DONG J, ZHU R, ZHANG R, JIANG W. Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms[J]. Journal of Food Process Engineering, 2016, 10: 12496. DOI:10.1111/jfpe.12496 |
| [83] |
VETREKAR N T, GAD R S, FERNANDES I, PARAB J S, DESAI A R, PAWAR J D, NAIK G M, UMPATHY S. Non-invasive hyperspectral imaging approach for fruit quality control application and classification: case study of apple, chikoo, guava fruits[J]. Journal of Food Science and Technology, 2015, 52: 6978-6989. DOI:10.1007/s13197-015-1838-8 |
| [84] |
ZHANG C, GUO C, LIU F, KONG W, HE Y, LOU B. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J]. Journal of Food Engineering, 2016, 179: 11-18. DOI:10.1016/j.jfoodeng.2016.01.002 |
| [85] |
YUAN R, LIU G, HE J, WAN G, FAN N, LI Y, SUN Y. Classification of Lingwu long jujube internal bruise over time based on visible nearinfrared hyperspectral imaging combined with partial least squaresdiscriminant analysis[J]. Computers and Electronics in Agriculture, 2021, 182: 106043. DOI:10.1016/j.compag.2021.106043 |
| [86] |
RAJKUMAR P, WANG N, ELMASRY G, RAGHAVAN G, GARIEPY Y. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108: 194-200. DOI:10.1016/j.jfoodeng.2011.05.002 |
| [87] |
PU H, WANG D, SUN D. Soluble solids content and pH prediction and maturity discrimination of lychee fruits using visible and near infrared hyperspectral imaging[J]. Food Analytical Methods, 2016, 9: 235-244. DOI:10.1007/s12161-015-0186-7 |
| [88] |
MENG Q, SHANG J, HUANG R, ZHANG Y. Determination of soluble solids content and firmness in plum using hyperspectral imaging and chemometric algorithms[J]. Journal of Food Process Engineering, 2021, 44(1): 13597. DOI:10.1111/jfpe.13597 |
| [89] |
MUNERA S, GÓMEZ-SANCHÍS J, ALEIXOS N, VILA F J, COLELLI G, CUBERO S, BLASCO J. Discrimination of common defects in loquat fruit cv.'Algerie'using hyperspectral imaging and machine learning techniques[J]. Postharvest Biology and Technology, 2021, 171: 111356. DOI:10.1016/j.postharvbio.2020.111356 |
| [90] |
YANG B, GAO Y, YAN Q, QI L, ZHU Y, WANG B. Estimation method of soluble solid content in peach based on deep features of hyperspectral imagery[J]. Sensors, 2020, 20(18): 5021. DOI:10.3390/s20185021 |
| [91] |
PROCTOR C, HE Y. Workflow for building a hyperspectral UAV: Challenges and opportunities[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015, 40: 415-419. DOI:10.5194/isprsarchives-XL-1-W4-415-2015 |
| [92] |
LU Y, SAEYS W, KIM M, PENG Y, LU R. Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress[J]. Postharvest Biology and Technology, 2020, 170: 111318. DOI:10.1016/j.postharvbio.2020.111318 |
| [93] |
徐赛, 陆华忠, 丘广俊, 王陈, 梁鑫. 水果品质无损检测研究进展及应用现状[J]. 广东农业科学, 2020, 47(12): 229-236. DOI:10.16768/j.issn.1004-874X.2020.12.024 XU S, LU H Z, QIU G L, WANG C, LIANG X. Research progress and application status of nondestructive testing for fruit quality[J]. Guangdong Agricultural Sciences, 2020, 47(12): 229-236. DOI:10.16768/j.issn.1004-874X.2020.12.024 |
(责任编辑 白雪娜)