紅棗（Zizyphus jujuba Mill.）作為一種富含營(yíng)養(yǎng)的水果，廣泛應(yīng)用于食品、保健品及中藥領(lǐng)域。其具有較高的經(jīng)濟(jì)價(jià)值和營(yíng)養(yǎng)價(jià)值，尤其富含維生素C、礦物質(zhì)和膳食纖維，具有抗氧化、調(diào)節(jié)血糖和促進(jìn)消化等多種健康益處。隨著市場(chǎng)需求的不斷增長(zhǎng)，高品質(zhì)紅棗逐漸成為人們健康飲食的重要組成部分。然而，在采摘、運(yùn)輸和儲(chǔ)存過(guò)程中，紅棗常面臨機(jī)械損傷、蟲害、裂縫等問(wèn)題，這些缺陷會(huì)影響其外觀、口感及營(yíng)養(yǎng)成分。因此，
2.1人工檢測(cè)方法的局限性
傳統(tǒng)的人工目視檢查方法在紅棗質(zhì)量檢測(cè)中長(zhǎng)期占據(jù)主導(dǎo)地位，尤其在日常生產(chǎn)和初步篩選過(guò)程中，操作簡(jiǎn)單且直接。然而，人工檢測(cè)方法存在顯著的局限性，首先，檢測(cè)效率低，難以滿足快速、高效的質(zhì)量檢測(cè)需求；其次，人工檢測(cè)主觀性強(qiáng)，容易受到環(huán)境、疲勞以及檢測(cè)人員經(jīng)驗(yàn)水平的影響，導(dǎo)致漏檢和誤判。此外，人工檢測(cè)方法只能在可見光范圍內(nèi)進(jìn)行，導(dǎo)致其對(duì)某些隱性缺陷（如內(nèi)部蟲害、微裂縫等）的檢測(cè)能力有限，無(wú)法提供全面的質(zhì)量評(píng)估。
2.2化學(xué)分析方法的局限性
傳統(tǒng)的化學(xué)分析方法主要用于紅棗中的成分分析，如糖分、酸度、抗氧化劑、維生素含量等指標(biāo)的測(cè)定。這些方法通常需要昂貴的設(shè)備和專業(yè)的實(shí)驗(yàn)室環(huán)境，且操作過(guò)程繁瑣、時(shí)間消耗較大。例如，高效液相色譜法（HPLC）、氣相色譜法（GC）等先進(jìn)技術(shù)，這些方法雖然具有較高的精度，但高成本和操作復(fù)雜使其在大規(guī)模生產(chǎn)過(guò)程中應(yīng)用受限。此外，化學(xué)分析方法通常屬于破壞性檢測(cè)，即檢測(cè)過(guò)程需要破壞樣品，并且只能在樣品經(jīng)過(guò)處理后進(jìn)行分析，無(wú)法進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)。
如何高效、無(wú)損地檢測(cè)紅棗的品質(zhì)成為產(chǎn)業(yè)發(fā)展的關(guān)鍵。隨著科技的進(jìn)步，高光譜成像技術(shù)和深度學(xué)習(xí)算法的結(jié)合為紅棗品質(zhì)檢測(cè)提供了新的思路。
高光譜成像技術(shù)是一種將二維成像技術(shù)和光譜技術(shù)相結(jié)合的先進(jìn)檢測(cè)方法，能夠同時(shí)獲取圖像和每個(gè)像素的光譜信息，提供多維度的物質(zhì)分析。這項(xiàng)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用得到了廣泛關(guān)注，特別是在紅棗的質(zhì)量檢測(cè)中，提供了一種精確、高效、無(wú)損的方式來(lái)評(píng)估其品質(zhì)。通過(guò)高光譜成像，可以對(duì)紅棗的糖分含量、酸度、水分、硬度等品質(zhì)參數(shù)進(jìn)行定性和定量分析，幫助提高紅棗的產(chǎn)地溯源能力和質(zhì)量控制水平。結(jié)合成像與光譜分析，可以在不破壞樣品的前提下，實(shí)時(shí)獲取紅棗的光譜數(shù)據(jù)并進(jìn)行分析。通過(guò)光譜數(shù)據(jù)，可以分析紅棗的糖分、酸度、水分等品質(zhì)指標(biāo)，同時(shí)能夠檢測(cè)到紅棗中的隱性缺陷，如內(nèi)部裂縫、蟲害等，從而為紅棗的品質(zhì)控制提供了更全面的依據(jù)。特別是結(jié)合深度學(xué)習(xí)算法，高光譜成像技術(shù)可以進(jìn)一步提高數(shù)據(jù)分析的精度和智能化水平。
隨著精準(zhǔn)農(nóng)業(yè)的興起，高光譜成像技術(shù)在紅棗等農(nóng)產(chǎn)品的應(yīng)用前景廣闊。通過(guò)實(shí)時(shí)、無(wú)損的檢測(cè)，不僅可以提高紅棗的生產(chǎn)效率，減少人工檢查的誤差，還能確保產(chǎn)品質(zhì)量的一致性，推動(dòng)紅棗產(chǎn)業(yè)向標(biāo)準(zhǔn)化、智能化方向發(fā)展。高光譜成像技術(shù)在紅棗品質(zhì)檢測(cè)中的應(yīng)用
4.1高光譜成像技術(shù)在鮮棗損傷檢測(cè)中的應(yīng)用
Di Wu等(D. Wu et al., 2023)以靈武長(zhǎng)棗為對(duì)象，探索了高光譜成像結(jié)合深度學(xué)習(xí)在紅棗瘀傷時(shí)間無(wú)損識(shí)別中的應(yīng)用潛力，旨在解決傳統(tǒng)目測(cè)方法主觀性強(qiáng)、效率低、早期瘀傷難識(shí)別的問(wèn)題。通過(guò)標(biāo)準(zhǔn)化機(jī)械裝置在果實(shí)赤道區(qū)域人工制造瘀傷，并設(shè)置0 h、12 h、24 h、48 h四個(gè)時(shí)間點(diǎn)進(jìn)行分組，確保瘀傷時(shí)間的可控性和實(shí)驗(yàn)可重復(fù)性。
圖1 靈武長(zhǎng)棗外傷機(jī)械裝置及構(gòu)建的深度學(xué)習(xí)模型
本研究采用波段范圍為900~1700 nm的近紅外高光譜成像系統(tǒng)獲取紅棗樣本圖像，以果實(shí)整區(qū)域?yàn)楦信d趣區(qū)域（ROI）提取平均光譜數(shù)據(jù)，并利用擴(kuò)展多元信號(hào)校正（EMSC）方法對(duì)原始光譜進(jìn)行預(yù)處理，有效消除光譜偏移和噪聲干擾，提升數(shù)據(jù)質(zhì)量。為降低數(shù)據(jù)維度、提高模型運(yùn)行效率并突出與瘀傷時(shí)間相關(guān)的重要信息，分別采用SCARS與BOSS兩種特征波段篩選算法，其中BOSS在保留分類關(guān)鍵信息方面表現(xiàn)更優(yōu)。圖像方面，通過(guò)主成分分析（PCA）提取主成分圖像，并結(jié)合灰度-梯度共生矩陣（GLGCM）從中提取14種紋理特征，涵蓋圖像的灰度、梯度分布、結(jié)構(gòu)復(fù)雜度等多個(gè)維度。
圖2紅棗樣品的前三張PC圖（紅色圓圈和箭頭標(biāo)記的區(qū)域?yàn)轲鰝?/span>
在建模階段，分別構(gòu)建了基于原始全波段、特征波段和光譜-紋理融合數(shù)據(jù)的分類模型，采用三種算法進(jìn)行對(duì)比分析：傳統(tǒng)的偏最小二乘判別分析（PLS-DA）、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及深度學(xué)習(xí)的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）。同時(shí)，為探究數(shù)據(jù)規(guī)模對(duì)模型性能的影響，設(shè)定小樣本集（SD，200個(gè)樣本）和大樣本集（LD，820個(gè)樣本）兩種情形，系統(tǒng)比較各模型在不同輸入數(shù)據(jù)和數(shù)據(jù)規(guī)模下的分類效果。實(shí)驗(yàn)結(jié)果表明，融合建模顯著提升分類準(zhǔn)確率，尤其是融合BOSS特征波段與高相關(guān)紋理特征（熵、慣性和梯度均方誤差）的1D-CNN模型在LD條件下取得*優(yōu)表現(xiàn)（預(yù)測(cè)準(zhǔn)確率ACCp高達(dá)96.10%），展現(xiàn)出良好的非線性建模能力與特征提取優(yōu)勢(shì)。進(jìn)一步分析發(fā)現(xiàn)，樣本數(shù)量對(duì)模型性能具有顯著影響，深度學(xué)習(xí)模型在大規(guī)模數(shù)據(jù)條件下尤為穩(wěn)定，魯棒性更強(qiáng)。
Yuan等(Yuan et al., 2022)針對(duì)Lingwu長(zhǎng)棗在采后流通過(guò)程中易發(fā)生早期瘀傷且難以肉眼識(shí)別的問(wèn)題，基于可見-近紅外高光譜成像技術(shù)（400~1000 nm），系統(tǒng)比較了反射率、吸光度與Kubelka-Munk變換三種光譜表達(dá)方式在瘀傷識(shí)別中的表現(xiàn)差異。通過(guò)構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系，采集四類不同損傷等級(jí)樣本的光譜數(shù)據(jù)。
圖3紅棗損傷反射率、吸光度與Kubelka-Munk光譜數(shù)據(jù)
通過(guò)構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系，采集四類不同損傷等級(jí)樣本，結(jié)合多種光譜預(yù)處理方法（如SNV、MSC、OSC等）及特征波段篩選算法（CARS與iVISSA），分別建立了PLS-DA與SVM分類模型，深入探討了模型精度與波段篩選策略的關(guān)系。結(jié)果表明，吸光度表達(dá)下基于iVISSA篩選的PLS-DA模型在保證特征變量最少（占總波段28.8%）的前提下，交叉驗(yàn)證準(zhǔn)確率達(dá)100%，顯示出優(yōu)異的判別能力與模型簡(jiǎn)潔性。整體來(lái)看，PLS-DA模型普遍優(yōu)于SVM模型，而CARS與iVISSA均能有效提升建模效率，尤其在iVISSA支持下，R、A、K-M三類光譜建模均獲得高精度表現(xiàn)。研究表明，結(jié)合iVISSA的PLS-DA建模方案在高光譜數(shù)據(jù)降維與早期瘀傷檢測(cè)中具有高度適配性，為開發(fā)紅棗及其他小果類果實(shí)的快速、無(wú)損質(zhì)量檢測(cè)系統(tǒng)提供了理論依據(jù)與技術(shù)路徑。
圖4 特征選擇光譜分布位置
(Yu et al., 2014)聚焦于鮮棗果皮裂紋這一關(guān)鍵品質(zhì)缺陷的自動(dòng)識(shí)別問(wèn)題，基于可見/近紅外高光譜成像（380–1030 nm），提出了融合圖像處理與多變量建模的裂紋識(shí)別方法，首*實(shí)現(xiàn)了裂紋的精準(zhǔn)定位與面積定量評(píng)估。使用芬蘭Spectral Imaging公司生產(chǎn)的ImSpector V10高光譜成像光譜儀、Hamamatsu C8484-05G高性能CCD相機(jī)以及Fiber-Lite DC950（150W）鹵素?zé)粽彰飨到y(tǒng)構(gòu)建反射式推掃成像系統(tǒng)。
圖5 鮮棗果皮裂紋光譜采集系統(tǒng)和光譜曲線
為提取裂紋與非裂紋區(qū)域的光譜差異特征，研究采用了三種特征波段選擇方法：偏最小二乘回歸（PLSR）、主成分分析（SPCA）與獨(dú)立成分分析（SICA）。在此基礎(chǔ)上，分別建立了基于特征波段的最小二乘支持向量機(jī)（LS-SVM）分類模型，其中PLSR–LS-SVM模型在預(yù)測(cè)集上的識(shí)別準(zhǔn)確率達(dá)100%，性能優(yōu)于SPCA與SICA模型。進(jìn)一步，作者以PLSR篩選出的五個(gè)*優(yōu)波段（467、544、639、673和682 nm）構(gòu)建圖像序列并進(jìn)行SPCA變換，選取SPC-4圖像用于圖像處理。通過(guò)“區(qū)域增長(zhǎng)"“邊緣檢測(cè)"和“二值模板修復(fù)"等圖像處理技術(shù)，成功實(shí)現(xiàn)了裂紋區(qū)域的提取與面積計(jì)算，平均識(shí)別準(zhǔn)確率達(dá)90.5%。
(L. Wu et al., 2016)針對(duì)紅棗在采后環(huán)節(jié)中常見的三類外觀缺陷—裂紋、蟲蛀與瘀傷，提出了一種基于可見-近紅外（400–1000 nm）和近紅外（978–1586 nm）高光譜成像的綜合識(shí)別方法。研究構(gòu)建了雙波段推掃式成像系統(tǒng)，分別采用Spectral Imaging公司ImSpector N17E成像光譜儀與XC-130 CCD相機(jī)，以及G4-232 CCD相機(jī)，配合線性鹵素?zé)粽彰骱蚙olix步進(jìn)電機(jī)驅(qū)動(dòng)的傳送平臺(tái)，搭建高光譜采集系統(tǒng)，并借助SpectraCube和ENVI等軟件完成采集與ROI特征提取。為了提升模型實(shí)用性，研究采用PCA方法提取*優(yōu)波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm），并在此基礎(chǔ)上重建SVM與SIMCA模型。結(jié)果表明，在保留高分類精度的同時(shí)，有效降低了模型復(fù)雜度和硬件處理壓力。其中，SIMCA基于*優(yōu)波段在四類樣本上的準(zhǔn)確率仍高達(dá)93.9%以上，遠(yuǎn)優(yōu)于SVM模型，且對(duì)樣本小樣本建模更具魯棒性。研究系統(tǒng)比較了不同光譜段、表達(dá)方式、建模策略在紅棗常見缺陷識(shí)別中的效能，確認(rèn)了反射率表達(dá)+PCA選波段+SIMCA建模的方案在精度、簡(jiǎn)潔性與推廣性方面具備優(yōu)*性能，為實(shí)現(xiàn)紅棗商品化分級(jí)檢測(cè)提供了切實(shí)可行的技術(shù)路徑與系統(tǒng)原型。
(Yuan et al., 2021)聚焦于靈武長(zhǎng)棗在采摘運(yùn)輸過(guò)程中發(fā)生的內(nèi)部瘀傷分級(jí)識(shí)別問(wèn)題，提出了基于可見/近紅外高光譜成像（VIS/NIR-HSI，波段范圍400–1000 nm）結(jié)合偏最小二乘判別分析（PLS-DA）的無(wú)損檢測(cè)方法，實(shí)現(xiàn)對(duì)不同瘀傷時(shí)間（2 h、4 h、8 h、12 h、24 h）棗樣的快速分類與判別。實(shí)驗(yàn)系統(tǒng)采用芬蘭Specim公司的ImSpector V10E-QE成像光譜儀、日本Hamamatsu的C8484-05G CCD相機(jī)、四個(gè)150W光纖鹵素?zé)簦―CR III）及Zolix步進(jìn)電機(jī)平臺(tái)構(gòu)建推掃式HSI系統(tǒng)。系統(tǒng)比較了多種預(yù)處理算法（MA、GF、SG、MSC、SNV、de-trending等）對(duì)原始光譜建模效果的影響，發(fā)現(xiàn)de-trending處理后構(gòu)建的PLS-DA模型表現(xiàn)*優(yōu)，訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率分別達(dá)85.56%和92.22%。為進(jìn)一步提升模型效率，研究采用了多種特征波段選擇算法（SPA、UVE、CARS、iVISSA、CA、2D-COS及其與SPA組合），結(jié)果顯示de-trending-CARS-PLS-DA模型*優(yōu)，僅用63個(gè)波段即可達(dá)到訓(xùn)練集86.67%、預(yù)測(cè)集91.11%的高精度，且在8 h、12 h、24 h三個(gè)瘀傷階段分類準(zhǔn)確率達(dá)100%。研究結(jié)果表明，高光譜成像結(jié)合波段選擇與PLS-DA判別模型可實(shí)現(xiàn)對(duì)棗果不同瘀傷進(jìn)程的高效判別，尤其在傷后8小時(shí)即可準(zhǔn)確檢測(cè)，顯著提升了果品質(zhì)量監(jiān)測(cè)的時(shí)效性。
(Thien Pham & Liou, 2022)圍繞紅棗果面常見缺陷（如裂紋、銹斑、腐爛、黑白霉等）在線識(shí)別問(wèn)題，開發(fā)了一套基于推掃式高光譜成像系統(tǒng)的實(shí)時(shí)檢測(cè)系統(tǒng)，兼顧了檢測(cè)精度與運(yùn)行效率，展示了高光譜技術(shù)在果品工業(yè)分選中的落地能力。實(shí)驗(yàn)系統(tǒng)采用芬蘭Specim公司的ImSpector V10成像光譜儀、Edmund Optics的VIS-NIR鏡頭（50 mm/F2.0）、德國(guó)Basler的acA1920-155um CMOS單色相機(jī)、兩盞50W鹵素?zé)簦⒔Y(jié)合NI-myDAQ數(shù)據(jù)采集卡、LabVIEW編程平臺(tái)和Python建模框架實(shí)現(xiàn)設(shè)備協(xié)同控制與模型調(diào)用，整體波段覆蓋468–950 nm。研究以“Kaohsiung N*.11"紅棗為研究對(duì)象，采集了7種典型表皮狀態(tài)（包含正常、腐爛、裂紋、銹斑、白霉、黑霉與高光反射區(qū)）共計(jì)3.5萬(wàn)個(gè)像素樣本，并分別使用支持向量機(jī)（SVM）和三層人工神經(jīng)網(wǎng)絡(luò)（ANN）構(gòu)建像素級(jí)分類模型。模型在VIS-NIR全波段下達(dá)到96.3%（SVM）和96.5%（ANN）的分類精度，但SVM推理時(shí)長(zhǎng)高達(dá)320秒，不利于實(shí)時(shí)部署。通過(guò)等間隔法與PCA法在可見光波段（468–760 nm）中篩選出14個(gè)代表性波段（如469、491、535、602、713、757 nm等），構(gòu)建簡(jiǎn)化模型，顯著降低計(jì)算量。ANN模型在14波段下依然保持95%的準(zhǔn)確率，推理耗時(shí)縮短至16.6秒，展現(xiàn)出較強(qiáng)的實(shí)用價(jià)值。
圖6 鮮棗損傷種類和光譜采集系統(tǒng)
此外，系統(tǒng)軟件支持LabVIEW前端配置界面，調(diào)用Python訓(xùn)練模型實(shí)現(xiàn)在線分選，并結(jié)合圖像遮罩模型實(shí)現(xiàn)背景/果面區(qū)域自動(dòng)剔除，最終輸出帶分類標(biāo)簽的掃描圖像。針對(duì)邊緣像素反射率低導(dǎo)致誤判問(wèn)題提出了去邊策略，并分析了常見誤判（如銹斑與腐爛混淆、白霉覆蓋誤識(shí)）成因及后續(xù)圖像分析優(yōu)化方向。
圖7 圖像軟件界面及識(shí)別系統(tǒng)
(Pham et al., 2025)圍繞棗類果實(shí)采后分選與分級(jí)中因表面曲率、雜散反光、柄端結(jié)構(gòu)等因素引發(fā)的誤判問(wèn)題，提出了一種基于可見-近紅外高光譜圖像（468–950 nm）與深度學(xué)習(xí)算法相結(jié)合的兩階段棗類分選與分級(jí)方法。實(shí)驗(yàn)選取294個(gè)高雄11號(hào)“蜜棗"為研究對(duì)象，覆蓋銹斑、腐爛、黑霉、白霉、果肉暴露等常見表面缺陷。系統(tǒng)采用芬蘭Specim公司ImSpector V10成像光譜儀、Edmund Optics公司的VIS-NIR鏡頭（50 mm/F2.0）、德國(guó)Basler公司acA1920–155um黑白CMOS相機(jī)構(gòu)建推掃式高光譜成像平臺(tái)，并在暗室中完成數(shù)據(jù)采集，確保圖像光譜質(zhì)量。
采用像素級(jí)缺陷識(shí)別模型與果實(shí)級(jí)分選決策模型。通過(guò)訓(xùn)練含有27個(gè)特征波段的多類別人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，對(duì)每個(gè)像素進(jìn)行分類，構(gòu)建七類缺陷圖層（正常、銹斑、腐爛、白霉、黑霉、果肉暴露、反光）。為提升模型魯棒性，系統(tǒng)引入YOLOv8n-seg語(yǔ)義分割網(wǎng)絡(luò)實(shí)現(xiàn)柄端區(qū)域識(shí)別，并通過(guò)一系列規(guī)則剔除因果實(shí)曲率（±45°照明條件下）或柄端結(jié)構(gòu)造成的錯(cuò)誤分類。此外，針對(duì)儀器噪聲及灰塵導(dǎo)致的“椒鹽噪聲"，提出融合bwareaopen與imopen形態(tài)學(xué)處理的自適應(yīng)算法，顯著提升圖像純凈度。 “分選"階段，提出多標(biāo)簽分類規(guī)則，若某一缺陷圖層中像素超過(guò)閾值，則判定該棗為不合格品。在“分級(jí)"階段，融合果形不規(guī)則度指標(biāo)與銹斑面積閾值對(duì)合格棗進(jìn)一步劃分為優(yōu)質(zhì)（Premium）、禮盒（Gifted）、普通（Good）三個(gè)等級(jí)。實(shí)驗(yàn)表明，像素分類準(zhǔn)確率高達(dá)97.8%，而在處理曲率、柄端與噪聲干擾后，最終整果分選準(zhǔn)確率提升至91.78%，顯著高于未處理狀態(tài)下的34.88%。
(Jiang et al., 2023)面向冬棗采后貯藏過(guò)程中易感染的黑斑病，系統(tǒng)探索了可見-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像系統(tǒng)對(duì)病害不同階段的無(wú)損檢測(cè)與可視化能力。實(shí)驗(yàn)分為健康組、水處理對(duì)照組與病原接種組（人工創(chuàng)口注入1×10? CFU/mL真菌孢子懸液），在20°C條件下貯藏5天，每天采集40個(gè)樣本進(jìn)行高光譜圖像采集。Vis-NIR系統(tǒng)由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機(jī)構(gòu)成，SWIR系統(tǒng)則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機(jī)，實(shí)現(xiàn)數(shù)據(jù)獲取。
在圖像處理上，研究首先通過(guò)SNV、MSC和Auto Scale三種預(yù)處理方法對(duì)原始光譜去噪，然后以PLS-DA與SVM-DA構(gòu)建六階段病程分類模型。結(jié)果顯示，Vis-NIR光譜下的SNV-PLS-DA模型表現(xiàn)最佳，預(yù)測(cè)準(zhǔn)確率達(dá)92.31%，明顯優(yōu)于SVM；而SWIR下SNV-PLS-DA模型準(zhǔn)確率亦達(dá)91.03%。但SWIR模型在早期（Day 2）病變階段識(shí)別準(zhǔn)確率低（69.23%），顯示其對(duì)初期癥狀敏感性有限。結(jié)合一元ANOVA結(jié)果，研究進(jìn)一步篩選出判別力較強(qiáng)的特征波段，如Vis-NIR中的492、518、638、683 nm，與類胡蘿卜素和葉綠素吸收相關(guān)，SWIR中的1152、1327、1851 nm則與糖類和O-H振動(dòng)有關(guān)。基于PCA對(duì)Vis-NIR圖像進(jìn)行可視化處理，成功提取出黑斑病病變區(qū)域的主成分偽彩圖，其中PC1圖像在Day 1和Day 2階段即可初步顯現(xiàn)感染部位，遠(yuǎn)優(yōu)于肉眼觀測(cè)。相較之下，SWIR系統(tǒng)在病變區(qū)域可視化能力較差，主要由于其光譜在前期感知差異度不高。
圖8 HSI系統(tǒng)在兩個(gè)光譜區(qū)域檢測(cè)冬棗黑斑病并監(jiān)測(cè)其發(fā)病過(guò)程
(Pham & Liou, 2020)開發(fā)了一種創(chuàng)新的基于旋轉(zhuǎn)平臺(tái)的高光譜成像系統(tǒng)，用于檢測(cè)紅棗表面的缺陷。該系統(tǒng)工作波段范圍為468–950 nm，與傳統(tǒng)的線性掃描系統(tǒng)相比，具有顯著優(yōu)勢(shì)，能在一次掃描中覆蓋紅棗表面約95%的區(qū)域，而傳統(tǒng)線性掃描系統(tǒng)只能覆蓋約49%。通過(guò)旋轉(zhuǎn)平臺(tái)，該系統(tǒng)能夠掃描球形果實(shí)的大部分表面，避免了由于果實(shí)表面曲率導(dǎo)致的圖像畸變問(wèn)題。研究中針對(duì)紅棗的六種常見皮膚缺陷（銹斑、腐爛、白霉、黑霉、裂紋和反光）進(jìn)行了分類，采用支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型進(jìn)行缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，兩種模型均表現(xiàn)出較高的分類準(zhǔn)確率，SVM模型達(dá)到了97.3%的準(zhǔn)確率，ANN模型的準(zhǔn)確率為97.4%。通過(guò)混淆矩陣對(duì)模型進(jìn)行了評(píng)估，發(fā)現(xiàn)基于旋轉(zhuǎn)掃描數(shù)據(jù)訓(xùn)練的模型優(yōu)于線性掃描數(shù)據(jù)訓(xùn)練的模型。研究開發(fā)了圖形用戶界面（GUI），用于高光譜數(shù)據(jù)的預(yù)處理，包括LOESS平滑濾波和使用白色與黑色參考圖像計(jì)算相對(duì)反射率。此外，為了解決果實(shí)邊緣區(qū)域因掃描線強(qiáng)度較低而導(dǎo)致的誤分類問(wèn)題，采用了自適應(yīng)掩膜技術(shù)，有效減少了反光等因素對(duì)分類結(jié)果的干擾。
圖9基于旋轉(zhuǎn)平臺(tái)的高光譜成像系統(tǒng)及光譜采集流程
(Lu et al., 2018)基于高光譜反射成像的青棗冷害檢測(cè)方法，選擇最合適的光譜分辨率和掃描速度，提高冷害在線分選的效率。實(shí)驗(yàn)中，使用了ImSpector V10光譜儀（Spectral Imaging Ltd., Finland）和C8484-05G CCD相機(jī)（Hamamatsu）構(gòu)建的高光譜成像系統(tǒng)，掃描范圍為380–1023 nm，并結(jié)合不同光譜分辨率（1.25 nm、2.51 nm、5.03 nm、10.08 nm）和掃描速度（8 mm/s與20 mm/s）進(jìn)行分析。青棗樣本經(jīng)過(guò)冷藏處理（0°C±0.5°C）不同天數(shù)后，分別分為正常、輕度冷害和重度冷害三類。研究首先使用Criminisi算法對(duì)光譜圖像中的鏡面反射區(qū)域進(jìn)行修復(fù)，再通過(guò)隨機(jī)蛙算法選擇*優(yōu)的波長(zhǎng)特征進(jìn)行冷害分類。
結(jié)果表明，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基于光譜特征的線性判別分析（LDA）模型能夠提供最佳的分類性能，分別達(dá)到98.3%（兩類分類）和93.3%（三類分類）的準(zhǔn)確率。同時(shí)，使用基于圖像紋理的分類方法時(shí)，分類準(zhǔn)確率相對(duì)較低，顯示出光譜特征在冷害檢測(cè)中的重要性。對(duì)于光譜特征的選擇，1.25 nm分辨率下的關(guān)鍵波長(zhǎng)為726、724、889 nm，而在5.03 nm分辨率下，重要波長(zhǎng)則主要集中在839–880 nm范圍內(nèi)。這些波長(zhǎng)的選取有助于識(shí)別冷害對(duì)青棗果肉的影響，特別是在細(xì)胞結(jié)構(gòu)崩解引起的光散射變化上。
圖10基于高光譜成像技術(shù)的青棗冷害管道檢測(cè)
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號(hào)：蘇ICP備2021046114號(hào)-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服