水果是人們?nèi)粘Ｉ钪谐Ｒ姷氖称分?，隨著人們對食品安全和品質(zhì)的要求越來越高，對于水果品質(zhì)無損檢測技術(shù)的研究也越來越受到關注。本文簡單介紹了高光譜成像技術(shù)在水果品質(zhì)無損檢測中的應用。

?

定性指標檢測

近年來，高光譜成像技術(shù)已被用于多種水果的品質(zhì)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。

在損傷鑒定方面，Tan等利用高光譜成像技術(shù)開展蘋果、柿子的損傷鑒定研究，準確率均達到 90.00%以上。Tang等構(gòu)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(shù)在蘋果損傷檢測中的有效性。Yu等[28]構(gòu)建枇杷的缺陷識別模型，正確分類率達到95.90%以上。Wang等采用隨機森林（Random Forest，RF）算法構(gòu)建了藍莓內(nèi)部機械損傷的識別模型，可準確檢測藍莓的損傷狀況。Shao等利用高光譜成像技術(shù)對櫻桃進行損傷度測定，實現(xiàn)對櫻桃品質(zhì)損傷的快速檢測。Xuan等利用高光譜成像技術(shù)提取桃表面的光譜特征，對桃進行損傷品質(zhì)指標判斷，完成對桃品質(zhì)指標的準確量化。Fang等基于高光譜成像技術(shù)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等使用高光譜成像技術(shù)對黃瓜瑕疵進行檢測，通過提取表面的反射光譜特征，實現(xiàn)對黃瓜腐敗程度的準確檢測。Shao等利用高光譜成像技術(shù)對櫻桃進行腐敗損傷的品質(zhì)評價，實現(xiàn)對櫻桃品質(zhì)的快速監(jiān)測。Fang等基于高光譜成像技術(shù)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(jié)果。在著色評價方面，Wang等對蘋果顏色參數(shù)指標進行評價。沈佳等構(gòu)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等基于高光譜成像技術(shù)對蘋果成熟度指標進行無損檢測研究。Jie等使用高光譜成像技術(shù)評價西瓜成熟度，實現(xiàn)對西瓜成熟度的準確檢測。Benelli等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(xiàn)對葡萄的成熟度檢測。Shao等利用高光譜成像技術(shù)，通過提取桃表面的光譜特征對桃、香蕉進行成熟度評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(shù)在預測單個水果的成熟度指標方面具有可靠性。Shao等將高光譜成像技術(shù)用于草莓成熟度評估，準確率在91.70%~96.70%之間。Zhang等構(gòu)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(shù)可用于草莓成熟度評價。Cho等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(shù)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(shù)能對多種水果品質(zhì)指標進行準確檢測。

?

定量指標檢測

水果品質(zhì)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(zhì)、外觀品質(zhì)、內(nèi)部品質(zhì)等。成分品質(zhì)是通過對水果表面的光譜數(shù)據(jù)進行分析，提取營養(yǎng)成分、糖分含量、酸度等信息，從而評價水果的成分質(zhì)量。其中，營養(yǎng)成分的指標包括維生素含量、礦物質(zhì)含量等。Malegori等使用高光譜成像技術(shù)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(shù)用于評估櫻桃維生素C分布的可靠性，為水果中營養(yǎng)保健化合物的定性繪圖奠定基礎。Wiebke等基于高光譜成像技術(shù)測定哈斯鱷梨中硼和鈣的濃度，決定系數(shù)（Coefficient of determination，R）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(shù)可以通過果肉圖像快速確定單個水果內(nèi)部品質(zhì)，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等利用高光譜圖像技術(shù)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(shù)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等利用高光譜成像檢測了蘋果切片的果糖、葡萄糖舍量等內(nèi)部品質(zhì)，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(zhì)量。Seki等通過高光譜成像技術(shù)進行白草莓糖含量的可視化，最終模型的R和 RMSE 分別是0.84、0.57，該發(fā)現(xiàn)為設計非接觸式系統(tǒng)用于監(jiān)測白草莓質(zhì)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等利用高光譜成像技術(shù)和深度學習算法無損預測了巨峰葡萄中的可滴定酸含量，R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(shù)據(jù)中提取特征方面具有巨大潛力。Cecilia等優(yōu)化高光譜成像中的空間數(shù)據(jù)縮減，以預測完整橙子的檸檬酸參數(shù)，展示了高光譜圖像量化橙子酸性味道屬性的潛力。Lan等對蘋果酸含量進行定量檢測，檢測到其強烈的異質(zhì)性。水果外觀品質(zhì)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。

Folch等[5]利用成像高光譜技術(shù)根據(jù)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(qū)分柑橘健康程度的有力工具。Yu等使用高光譜成像結(jié)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(xiàn)鮮棗裂紋特征的快速識別。

水果內(nèi)部品質(zhì)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(nèi)部品質(zhì)評價，如成熟度和基本品質(zhì)。其中，成熟度指標包括葉綠素含量、色澤、硬度等。Sun等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(shù)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(shù)超過0.9，預測偏差比超過2，能夠用于預測獼猴桃品質(zhì)。基本品質(zhì)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(nèi)部品質(zhì)指標。

Ayman等使用高光譜成像檢測了兩種棗的含水量，對棗的質(zhì)量進行評估，實現(xiàn)了棗類水果質(zhì)量屬性快速、自動化的監(jiān)測和分析。Sun等對瓜類進行基于纖維素含量的質(zhì)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(shù)檢測的主要水果品質(zhì)指標進行列舉和分類，表明高光譜成像技術(shù)可用于對水果表面的光譜信息和圖像信息。

?