高光谱成像技术在水果品质无损检测中的应用

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。本文简单介绍了高光谱成像技术在水果品质无损检测中的应用。

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。

在损伤鉴定方面，Tan等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等对苹果颜色参数指标进行评价。沈佳等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。

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。Malegori等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，R）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等利用高光谱成像检测了苹果切片的果糖、葡萄糖舍量等内部品质，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R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，R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。

Folch等[5]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。Sun等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。

Ayman等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。