圖1.獼猴桃理化指標可視化圖
圖2.原始RGB圖像（a）和獼猴桃中SSC（B）和硬度（c）的分布圖（測量值在圖的底部）。
由于獼猴桃采摘后的儲存時間短，需要冷藏以延長其成熟和軟化時間。為探究貯藏環(huán)境對獼猴桃品質(zhì)的影響，Zhao et al. (2023) 采用高光譜成像（HSI）技術(shù)研究了獼猴桃在近紅外（NIR）區(qū)域不同貯藏條件下的獼猴桃品質(zhì)變化。他們提出了一種基于深度學(xué)習(xí)方法對在不同溫度（低溫和室溫）下儲存的獼猴桃進行不同時間（0、2、4 和 6 天）的分類。此外，為了進一步研究低溫環(huán)境下貯藏時間對獼猴桃的影響，采用深度學(xué)習(xí)方法建立高光譜深度特征與獼猴桃之間的關(guān)聯(lián)，并對獼猴桃的貯藏時間進行分類。分類圖可以直觀地顯示了新鮮水果和低溫貯藏水果之間的差異（圖3）。
圖3. 獼猴桃的偽彩色圖像（a）及不同低溫儲存時間的品質(zhì)預(yù)測圖（b）
Zou et al. (2024)對紅心獼猴桃在開花、結(jié)果、成熟和采收過程進行了研究，提出了一種將熒光高光譜成像（FHSI）技術(shù)與化學(xué)計量學(xué)相結(jié)合的獼猴桃品質(zhì)屬性評價和成熟度識別的無損方法（圖4）。該研究發(fā)現(xiàn)隨著獼猴桃成熟，F(xiàn)HSI技術(shù)捕獲的獼猴桃熒光強度逐漸減弱。在獼猴桃品質(zhì)屬性（DMC、硬度和SSC）的預(yù)測中，熒光高光譜技術(shù)結(jié)合PLSR模型準確預(yù)測了獼猴桃的內(nèi)在品質(zhì)特征。在使用深度學(xué)習(xí)模型進行獼猴桃成熟度（未熟、成熟和過熟）的三分類中，深度學(xué)習(xí)相對于機器學(xué)習(xí)模型具有一定的優(yōu)勢。
圖4. FHSI技術(shù)與化學(xué)計量學(xué)相結(jié)合的獼猴桃品質(zhì)和成熟度檢測流程
Ma et al. (2021)利用推掃式近紅外高光譜成像相機和樣品旋轉(zhuǎn)階段相結(jié)合的方法采集了獼猴桃全表面的高光譜數(shù)據(jù)，這項工作提供了一種非破壞性和快速的方法來可視化獼猴桃的SSC和pH值（圖5）。結(jié)果表明獼猴桃SSC和pH的360°映射結(jié)果超過了這一領(lǐng)域的早期工作，它們在每個完整的樣品中顯示出不同的空間分布。研究結(jié)果表明，對象旋轉(zhuǎn)高光譜成像方法是有前途的非破壞性預(yù)測映射的獼猴桃或其他圓柱形樣品中的SSC和pH值。
圖5. 獼猴桃全表面品質(zhì)可視化圖像
高光譜成像技術(shù)在獼猴桃外部品質(zhì)檢測中的應(yīng)用
獼猴桃形狀特征是獼猴桃在產(chǎn)后分級處理過程的一項重要指標，不僅影響果實外觀，也決定果實等級高低的劃分。傳統(tǒng)的形狀分級方法大多采用人工分級,存在耗時長、效率低、重復(fù)性差且易受人為主觀影響等問題。針對傳統(tǒng)獼猴桃形狀分級存在的問題，黎靜 et al. (2020)利用高光譜成像建立了獼猴桃正常果和畸形果的分類檢測方法。該研究以“金魁”獼猴桃為研究對象，采獼猴桃畸形果和正常果的分類由多位專業(yè)果形分析人員綜合評定，得到正常果和畸形果（圖6）。利用可見-近紅外高光譜成像系統(tǒng)采集獼猴桃樣本的光譜數(shù)據(jù)，并采用主成分分析法對光譜數(shù)據(jù)進行降維得到了特征波長的融合光譜圖像。然后計算了獼猴桃區(qū)域的形狀特征參數(shù)，結(jié)合機器學(xué)習(xí)方法實現(xiàn)了正常果與畸形果的識別。
圖6. （a）：正常果；（b）-（d）：畸形果
高光譜成像技術(shù)在獼猴桃貨架期檢測中的應(yīng)用
貨架期是影響果蔬品質(zhì)和供應(yīng)安全的重要因素,快速準確預(yù)測果蔬貨架期已成為消費者、生產(chǎn)者和管理者共同關(guān)注的問題。獼猴桃屬于呼吸躍變型果實，采后成熟、衰老迅速，極易軟化腐爛變質(zhì)，貨架壽命非常有限。但由于獼猴桃表面顏色變化不明顯，人們僅憑感官難以準確判斷獼猴桃的貨架期和質(zhì)量等級。邵園園 et al. (2020) 近紅外高光譜成像技術(shù)獲取冷藏、室溫條件下不同保鮮時間的獼猴桃高光譜信息，結(jié)合化學(xué)計量學(xué)方法，對獼猴桃貨架期進行快速預(yù)測和判別。對獼猴桃切片圖像進行PCA分析，圖7為4℃和（18±2）℃的獼猴桃切片PC1-PC7圖像。由圖中可以看出，PC2圖像反映獼猴桃切片信息最 明顯，４℃和（18±2）℃的獼猴桃切片PC2圖像在各貨架期均呈現(xiàn)出不同程度的內(nèi)部變化。從所得切片信息也進一步驗證了高光譜成像技術(shù)是實現(xiàn)獼猴桃貨架期預(yù)測的可靠工具。
圖7. 獼猴桃切片圖像主成分分析
高光譜成像技術(shù)在獼猴桃其它檢測中的應(yīng)用
1.1 獼猴桃隱性損傷方面
獼猴桃在采收、運輸和儲存過程中，果肉常因碰撞或擠壓而碰傷。然而，獼猴桃身上的傷痕肉眼極難識別，被稱為隱性損傷。Bu et al. (2024)利用高光譜成像（HSI）與深度學(xué)習(xí)相結(jié)合的方法檢測了獼猴桃中隱性損傷（圖8）。該研究使用主成分分析 (PCA) 選擇對獼猴桃隱藏損傷敏感的光譜范圍 (924–1277 nm) 和特征波長（928.19、1051.03和1190.47 nm）。隨后，根據(jù)獼猴桃特征波長圖像生成三通道圖像、灰度圖像和偽彩色圖像，并用于開發(fā)檢測獼猴桃隱藏的瘀傷區(qū)域的 深度學(xué)習(xí)模型。研究結(jié)果表明，深度學(xué)習(xí)模型HSI技術(shù)結(jié)合深度學(xué)習(xí)模型可以有效檢測獼猴桃中的隱藏碰傷。
圖8. 獼猴桃瘀傷區(qū)域識別流程
1.2 獼猴桃灰霉病方面
獼猴桃在貯藏過程中容易受到真菌病害的影響，這可能導(dǎo)致大量的獼猴桃貯藏損失。其中灰葡萄孢真菌也是一種最普遍的病菌，導(dǎo)致獼猴桃采后腐爛。獼猴桃中超過20%的腐敗是由于灰霉菌引起的灰霉病。如果沒有適當?shù)目刂?，這種腐爛可以使大約三分之一的水果變質(zhì)。因此，獼猴桃灰霉病菌感染的早期診斷至關(guān)重要，以便采取適當措施防止嚴重的作物退化和經(jīng)濟損失。Haghbin et al. (2023) 以海沃德獼猴桃為試驗材料，研究了高光譜成像技術(shù)和化學(xué)計量學(xué)方法在獼猴桃采后灰霉病菌感染早期檢測中的應(yīng)用（圖9）。該研究的結(jié)果證明了高光譜成像和化學(xué)計量學(xué)方法在檢測獼猴桃灰霉病菌感染以及監(jiān)測獼猴桃因感染而發(fā)生的理化屬性變化方面具有巨大的應(yīng)用潛力。
圖9 健康獼猴桃和染病獼猴桃在450 ~ 900 nm范圍內(nèi)光譜反射率
1.3 獼猴桃軟腐病方面
隨著獼猴桃產(chǎn)量的不斷增加 ，各種獼猴桃病害也不斷涌現(xiàn)，其中以獼猴桃軟腐?。ㄒ环N真菌性腐爛?。┰斐傻牟珊髶p失最為嚴重。早期發(fā)現(xiàn)軟腐病對于獼猴桃種植者、銷售商和研究人員來說非常重要；也有助于區(qū)分健康果實和患病果實（圖10），并防止健康果實感染造成的采后損失。Guo et al. (2024)利用高光譜圖像和深度學(xué)習(xí)方法（雙分支選擇性注意膠囊網(wǎng)絡(luò)）實現(xiàn)了健康獼猴桃和軟腐病獼猴桃的分類。與現(xiàn)有方法相比，該方法（圖11）在獼猴桃軟腐病數(shù)據(jù)集上表現(xiàn)出最好的分類性。研究結(jié)果表明，使用高光譜成像技術(shù)可以識別潛在的軟腐病獼猴桃。
圖10. 健康獼猴桃及軟腐病獼猴桃的圖像
圖11. 深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)
高宏盛 et al. (2024)為此也利用高光譜成像技術(shù)(470～900 nm)對軟腐病的早期分類檢測展開研究。該研究以湖北省武漢市“云海一號”獼猴桃為研究對象，通過對健康獼猴桃及感染軟腐病的不同時期獼猴桃進行高光譜圖像采集，提出了一種特征波段圖像融合的獼猴桃軟腐病早期分類檢測方法（圖11）。該研究使用高光譜成像技術(shù)能夠在獼猴桃感染軟腐?。场矗鋾r將染病果與健康果成功區(qū)分，實現(xiàn)了獼猴桃軟腐病的早期無損檢測，為獼猴桃的銷售分級提供了一定的指導(dǎo)意義。
圖12. 總體試驗流程
1.4 獼猴桃冷害方面
獼猴桃是典型的呼吸躍變型果實，采后不耐儲，在常溫下貯藏成熟和衰老很快，而且極易腐爛，因此，低溫是延長獼猴桃貯藏期的有效方法。但獼猴桃屬于冷敏性水果，長時間低溫條件極易導(dǎo)致果實發(fā)生冷害，并且冷害癥狀先從組織內(nèi)部開始，只有在轉(zhuǎn)移到常溫銷售條件下才會急劇表現(xiàn)出來，此時的損失已無法挽回。戈永慧 et al. (2022)建立了基于高光譜成像技術(shù)檢測獼猴桃冷害的方法，實現(xiàn)了獼猴桃冷害的無損甄別。不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀如圖12所示，‘紅陽’獼猴桃冷害癥狀主要表現(xiàn)為皮下組織木質(zhì)化和褐變、果實內(nèi)部呈水浸狀，皮下組織木質(zhì)化和褐變的面積隨著冷害程度的加劇逐漸增大，獼猴桃內(nèi)部水浸化呈由內(nèi)向外擴散的趨勢。采集圖像后削皮進行獼猴桃冷害等級的判別，通過觀察皮下果肉木質(zhì)化、水浸狀、褐變等冷害癥狀的面積，
結(jié)合獼猴桃出庫后的商業(yè)價值，將冷害分為４個等級，判別標準如下：０級為正常（未發(fā)生冷害）；１級為極輕（０＜可見病癥≤１/４），不影響果實銷售，仍具有商業(yè)價值；２級為較輕（１/４＜可見病癥≤１/２），失去部分商業(yè)價值，影響果實銷售；３級為嚴重（１/２≤可見病癥），不可食用，徹底失去商業(yè)價值。
圖13. 不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀
如圖13所示：在400~1000 nm、1000~2000 nm波長下，不同冷害程度獼猴桃的平均光譜的總體趨勢是相似的，正常樣品的相對反射率高于冷害樣品，冷害等級越高，相對反射率越低，這可能是由于冷害過程中獼猴桃果實中的成分發(fā)生了變化，樣本的組織塌陷、色素受損造成光反射減少，從而導(dǎo)致相對反射率隨冷害程度加劇而降低。
圖14. 不同冷害程度的獼猴桃反射光譜信息
總結(jié)與展望
高光譜成像技術(shù)作為一種融合光譜信息和圖像信息的先進檢測手段，在獼猴桃品質(zhì)檢測中展現(xiàn)出了巨大的潛力。通過無損檢測的方式，它實現(xiàn)了從獼猴桃內(nèi)部品質(zhì)（如可溶性固形物含量、硬度、顏色）到外部特征（如形狀、畸形等）的全面評估，為獼猴桃采摘時機、分級、貯藏以及貨架期預(yù)測提供了科學(xué)依據(jù)。在隱性損傷、病害識別以及冷害評估方面，高光譜成像結(jié)合深度學(xué)習(xí)模型的應(yīng)用，不僅提升了檢測的準確性，還極大地推動了果蔬品質(zhì)檢測的智能化發(fā)展。然而，盡管取得了豐碩成果，仍存在著數(shù)據(jù)處理復(fù)雜、設(shè)備成本高以及現(xiàn)場應(yīng)用難等挑戰(zhàn)。
未來的主要發(fā)展方向有以下幾個方面：（1）便攜化與低成本化設(shè)備研發(fā)：通過集成優(yōu)化硬件設(shè)計，研制出高效、輕便且經(jīng)濟實惠的高光譜成像設(shè)備，使其適用于田間和市場現(xiàn)場檢測；（2）智能算法的深入應(yīng)用：結(jié)合機器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)，優(yōu)化模型結(jié)構(gòu)與算法參數(shù)，提高檢測的實時性與準確性，開發(fā)一體化的智能檢測系統(tǒng)。（3）多模態(tài)數(shù)據(jù)融合：探索將高光譜數(shù)據(jù)與其他無損檢測技術(shù)（如熒光成像、近紅外光譜、熱成像）相結(jié)合，進一步提升檢測的全面性和可靠性。
參考文獻
Bu, Y., Luo, J., Li, J., Chi, Q., Guo, W., (2024). Detection of hidden bruises on kiwifruit using hyperspectral imaging combined with deep learning. International Journal of Food Science & Technology 59(9), 5975-5984.
Guo, Z., Ni, Y., Gao, H., Ding, G., Zeng, Y., (2024). A dual-branch selective attention capsule network for classifying kiwifruit soft rot with hyperspectral images. Scientific Reports 14(1), 10664.
Haghbin, N., Bakhshipour, A., Zareiforoush, H., Mousanejad, S., (2023). Non-destructive pre-symptomatic detection of gray mold infection in kiwifruit using hyperspectral data and chemometrics. Plant Methods 19(1), 53.
Ma, T., Xia, Y., Inagaki, T., Tsuchikawa, S., (2021). Non-destructive and fast method of mapping the distribution of the soluble solids content and pH in kiwifruit using object rotation near-infrared hyperspectral imaging approach. Postharvest Biology and Technology 174, 111440.
Meng, Q., Tan, T., Feng, S., Wen, Q., Shang, J., (2024). Prediction and visualization map for physicochemical indices of kiwifruits by hyperspectral imaging. 11.
Zhao, Y., Kang, Z., Chen, L., Guo, Y., Mu, Q., Wang, S., Zhao, B., Feng, C., (2023). Quality classification of kiwifruit under different storage conditions based on deep learning and hyperspectral imaging technology. Journal of Food Measurement and Characterization 17(1), 289-305.
Zhu, H., Chu, B., Fan, Y., Tao, X., Yin, W., He, Y., (2017). Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selection Algorithms and Chemometric Models. Scientific Reports 7(1), 7845.
Zou, Z., Wang, Q., Wu, Q., Li, M., Zhen, J., Yuan, D., Xiao, Y., Xu, C., Yin, S., Zhou, M., Xu, L., (2024). Fluorescence hyperspectral imaging technology combined with chemometrics for kiwifruit quality attribute assessment and non-destructive judgment of maturity. Talanta 280, 126793.
高宏盛, 郭志強, 曾云流, 丁港, 王逍遙, 李黎, (2024). 基于高光譜圖像波段融合的獼猴桃軟腐病早期分類檢測. 光譜學(xué)與光譜分析 44(01), 241-249.
戈永慧, 宋進, 潘磊慶, 屠康, (2022). 基于高光譜成像檢測獼猴桃冷害的研究. 南京農(nóng)業(yè)大學(xué)學(xué)報 45(02), 386-394.
黎靜, 伍臣鵬, 劉木華, 陳金印, 鄭建鴻, 張一帆, 王威, 賴曲芳, 薛龍, (2020). 高光譜成像的獼猴桃形狀特征檢測. 光譜學(xué)與光譜分析 40(08), 2564-2570.
邵園園, 王永賢, 玄冠濤, 高宗梅, 劉藝, 韓翔, 胡志超, (2020). 高光譜成像的獼猴桃貨架期快速預(yù)測. 光譜學(xué)與光譜分析 40(06), 1940-1946.
地址：無錫市梁溪區(qū)南湖大道飛宏路58-1-108.png)
電話：13810664973.png)
郵箱：info@dualix.com.cn
在線咨詢