高光譜技術檢測農產品成熟度研究進展

張義志 王瑞 張偉峰 盧曉華 高遠 顧毓敏 王大彬

摘要：高光譜技術作為近年來興起的一項融合傳統成像技術的新型三維光譜檢測技術，能夠同時獲得目標物的光譜信息和圖像信息，具有無損、快速等特點，在農產品成熟度檢測方面應用潛力巨大。綜述了近年來高光譜技術在水果、番茄、煙草等農產品成熟度檢測中的研究現狀和進展，指出了目前在應用方面存在的問題，并提出了改進措施。

關鍵詞：高光譜技術;農產品;成熟度

中圖分類號：S371

文獻標識碼：A

文章編號：0439-8114（ 2020）12-0005-04

DOI：10.1408 8/j .cnki.issn043 9- 8114.2020.12.001

開放科學（資源服務）標識碼（OSID）：

農產品成熟度是農業生產中的核心議題，對成熟度的精準把控是獲得高產優質農產品的必要條件。目前，農產品成熟度的確定主要靠主觀經驗和化學成分檢測。主觀經驗判斷是以生產者對農產品的外觀特征（如顏色）和物理性狀（如硬度、氣味等）進行主觀判斷，是一種以定性描述為主的判別方法。該方法無法進行科學精準地定量描述，受主觀經驗影響較大，而且不同個體之間主觀感受差異較大，存在較強的主觀性和隨意性，因此難以形成一套科學的標準體系[1]?；瘜W成分檢測是通過對樣品的相關代表性組分進行定量檢測的判定技術。該方法是一種有損的、不可重復的檢測方法，操作繁瑣耗時、檢測成本高，而且單個樣品無法代表整體性，在大范圍尺度上難以進行推廣[2]。因此，建立一種兼顧定性和定量，且在大范圍尺度上對農產品成熟度進行無損、快速、高效的檢測技術具有很高的現實性和迫切性。

高光譜遙感是指利用成像光譜儀或地物光譜儀，通過電磁波與地物的相互作用以波譜和空間二維成像方式探查地物表面特性的一種光學遙感探測技術，其測量光譜跨度包括近紅外區域、可見光區域及紫外光區域[3]。高光譜遙感技術目前包括地物光譜測量技術和成像光譜測量技術，并由此發展出了地物光譜儀和成像光譜儀。地物光譜技術主要是用來測量地表沉積物、土壤、植物、水體和人工目標等在400-2 500 nm波段范圍的反射率和透過率，并利用探測到的目標物的吸收特性進行特異性識別，其檢測方式是直接獲取目標物的光譜反射率曲線，然后通過提取特征光譜進行分類分析。此后，隨著探測技術和成像技術的不斷發展，高光譜成像技術應運而生。高光譜成像技術融合了光譜學和圖像學技術，可以同時獲得目標物的光譜信息和圖像信息。目前，高光譜技術被廣泛應用于區域尺度下對地物的遙感探測，如礦物資源調查、林種資源評估、大宗經濟作物估產、病害監測和全球尺度上的地球物理化學過程評價、地球水文過程評價、大氣過程評價等[4]。此外，近年來隨著精準農業的興起，高光譜技術在農產品品質無損檢測方面得到廣泛關注[5，6]。成熟度作為影響農產品品質和經濟效益的重要指標，同樣成為高光譜技術在農產品檢測領域的研究熱點，本研究綜述了近年來高光譜技術在水果、番茄、煙草等農產品成熟度檢測中的研究現狀和進展，指出目前該技術在應用方面存在的問題，并提出改進措施，以期為這方面研究提供參考。

1 高光譜技術檢測水果的成熟度

水果作為一種時令性農產品，掌握其最佳采摘期非常關鍵，若果實采摘過早，會降低成熟后的口感、營養及風味，采摘過晚會導致果實變軟，易受損傷，難以運輸和貯藏。因此，快速無損精確地檢測其成熟度對于確定水果的最佳采摘期意義重大。

目前，高光譜技術在水果成熟判別方面的研究開展最為廣泛。薛建新等[7]利用400-1000 nm波段的高光譜成像技術研究了沙金杏的成熟度，發現其可溶性固形物與成熟度之間存在相關性（r=0.938 6），利用偏最小二乘回歸（PISR）模型提取得到了9個特征波長（434、528、559、595、652、678、692、728、954 nm），利用圖像數據灰度共生矩陣（GLCM）提取到6項圖像紋理指標（均值、對比度、相關性、能量、同質性和熵），利用RCB模型提取到6項圖像顏色指標（R、G、B分量圖像的平均值和標準差），通過對以上3類指標進行優化組合分別建立極限學習機（EIM）模型對沙金杏成熟度進行判別，最后發現使用特征波長與顏色特征融合值建立的ELM模型判別正確率最高（93.33%）。李麗麗等[8]利用高光譜成像技術通過提取不同的信息特征研究了李果實的成熟度，運用Matlab軟件編程對各種成熟度樣本的圖像進行顏色特征值提取，分別獲得RCB和HSV彩色圖像模型不同分量的平均值和標準差作為顏色特征值，并建立RCB、HSV顏色特征值以及RCB-HSV特征值相融合的樣本成熟度PLS判別模型，并對所建立的判別模型進行預測，結果表明，基于RCB-HSV相融合顏色特征值的判別模型準確率優于RCB和HSV彩色圖像模型，對未熟、半熟、成熟、過熟的李果實判別準確率達到98.4%、90.0%、85.6%及90.0%。

李軍宇等[9]采用高光譜成像技術（450-1 000nm）采集不同成熟階段李果實的高光譜信息，同時測定與成熟度有關的理化指標（可溶性固形物和硬度值）并進行單因素方差分析，通過連續投影算法（SPA）和主成分分析（PCA）分別提取得到不同成熟度樣本光譜數據的10個特征波長和前5個主成分值（累積貢獻率達97.83%），利用RCB、HSV顏色模型對樣本圖像進行顏色特征提取，分別建立基于光譜信息、圖像信息及兩者融合的PLS判別模型，結果表明，基于二者信息融合的PLS模型效果最佳（91.25%）。

可溶性固形物含量（SSC）和硬度是哈密瓜等級劃分的重要指標，同時也是成熟度的表征因子。孫靜濤等[10]采用高光譜技術結合特征波長篩選方法對哈密瓜的ssc、硬度及成熟度進行了無損檢測研究，首先利用多元散射校正（MSC）對光譜數據進行預處理，然后分別利用連續投影算法（SPA）、競爭性自適應重加權算法（CARS）和CARS-SPA方法篩選了哈密瓜可溶性固形物和硬度的特征波長，并將原始光譜、MSC預處理光譜以及篩選的特征波長作為輸入變量分別建立哈密瓜可溶性固形物和硬度的支持向量機（SVM）預測模型及成熟度判別模型，結果顯示，MSC-CARS-SPA方法建立的SSC和硬度SVM預測模型最優，同時建立了基于全光譜、單一的可溶性固形物或硬度特征波長和主成分分析（PCA）特征融合的哈密瓜成熟度SVM判別模型。CARS-PCA-SVM模型的判別結果與全光譜的標準正態變換（ SNV） -SVM模型相同，其校正集和預測集判別正確率分別為95%和94%。

蔣浩等[11]采用高光譜圖像技術比較了原有參數與新建參數模型預測草莓成熟度的優劣，通過提取草莓樣本ROI的平均光譜，計算已有的8個成熟度參數（Indl、Ind2、Ind3、IAD、11、12、13、14）的參數值，并結合Fisher線性判別法判斷8個參數對于3種成熟度（成熟、接近成熟、未成熟）草莓樣本的識別效果，發現基于14參數的線性判別分析模型的識別效果最好，建模集和預測集識別準確率分別為90.00%和91.67%;此外，基于草莓的光譜特征新提取與成熟度相關的3個波長為535、675和980 nm，并基于這3個波長構建了4個用于草莓成熟度檢測的新參數（il、i2、i3、i4），通過Fisher線性判別模型發現基于參數il、i2和i4的線性判別分析模型的識別效果均比參數14好，優于原有參數模型。

Pu等[12]分別利用600-1 000 nm和1 000-2 500 nm 2個波段的高光譜成像技術研究了荔枝的成熟度，通過PLSR模型得到2個波段的最優波長，然后基于PLS-DA模型對荔枝成熟度進行判別，準確率分別為90.63%和96.88%。Wei等[13]利用高光譜成像技術（400-1 000 nm）研究了柿子的成熟度，首先利用SPA和CLCM提取了3個光譜和紋理特征波長（518、711、980 nm），基于此建立線性判別分析模型（IDA）進行成熟度分類，正確率高達95.3%。Rajkumar等[14]通過高光譜成像技術（400-1 000 nm）研究了香蕉不同成熟階段與質量參數的關系，運用PLS技術提取了分別代表水分、硬度以及TSS的特征波長，然后基于多線性回歸模型（MIR）進行回歸擬合，相關系數分別為0.87（水分）、0.91（硬度）和0.85（ TSS）.其中成熟度與TSS和硬度之間呈多元線性回歸，與水分呈一元線性回歸關系。Menesatti等[15]利用波長為1 000-1 700 nm的高光譜成像技術研究蘋果的淀粉含量，通過PLS-DA判別模型計算淀粉指數實現對蘋果成熟度的判斷。

2 高光譜技術檢測番茄的成熟度

番茄是世界上重要的蔬菜作物之一，世界范圍內年種植面積約300萬hm2，年平均產量高達6 000萬t。由于番茄中富含抗氧化劑，在日常飲食中得到人們的廣泛青睞。番茄成熟度不僅影響其品相、口感，還與其抗氧化效果密切相關。如番茄中最為重要的抗氧化劑類胡蘿卜素含量會隨著番茄成熟度的增加而不斷積累[16]。此外，番茄在成熟過程中葉綠素類物質會不斷分解，從而導致顏色的變化。目前，番茄成熟度的最主要判定因子是其表面顏色，已有研究報道了通過對其表面顏色的圖像進行處理實現番茄成熟度的在線判別[17.18]。然而，該方法容易受到測量環境、番茄表面的光反射/吸收特征以及儀器等因素的干擾，因此判別誤差較高。后來，研究者還引入聲學、果實硬度等因素以提高番茄成熟度的判別[19]。

番茄成熟過程實質上是其內部某些物質含量發生變化導致的，從而引起了其外在感官特征（顏色）的變化。高光譜技術可以同時獲得檢測對象化學成分的光譜信息和圖像信息，而且目前與番茄成熟有關的葉綠素和類胡蘿卜素的反射光譜信息是已知的，因此理論上通過高光譜技術進行番茄成熟度的在線快速判定是可行的。目前，有關高光譜測定番茄成熟度的研究大多由國外學者報道。Polder等[20]利用波長為450-850 nm的高光譜成像技術研究了番茄成熟度，利用PCA-LDA模型對不同成熟度番茄進行分類，結果表明該方法比標準的RCB圖像方法具有更高的可靠性，單個像素的分類錯誤率由40%降低到7%。隨后利用獨立成分分析（ICA）技術對番茄的高光譜圖像進行分析處理，研究發現不同成熟度番茄的吸收光譜與其含有的番茄紅素和葉綠素含量密切相關，該方法可以應用于番茄成熟度的在線分選系統[21]。Zhu等[22]利用高光譜技術研究了不同成熟度番茄的吸收光譜和散射光譜，結果發現，同時利用番茄的吸收光譜和散射光譜數據進行建模比兩者單獨建模對成熟度進行判別具有更高的準確性。

3 高光譜技術檢測煙葉的成熟度

烤煙是中國重要的經濟作物，其采收成熟度一直是煙葉生產中的關鍵議題。成熟度好的煙葉香氣質好，香氣量充足，雜氣和刺激性小，化學成分協調，煙葉等級和經濟價值高。長期以來，煙葉成熟度問題一直是困擾各產煙國的研究重點和難點。煙葉在田間成熟過程中，葉片中的某些內含物質會發生分解和轉化，并由此引起葉片外觀特征發生變化[23]。目前，判斷煙葉成熟度的方法主要是通過觀察其外觀特征以及測定內在化學成分[24]。然而基于以上方法判斷成熟度具有依賴主觀經驗、檢測繁瑣耗時等缺點，難以進行大面積推廣。因此，通過高光譜技術獲取煙葉的光譜信息進行成熟度判斷，具有快速、無損、重現性好、便于在線分析、易于大面積推廣等優點。高光譜技術檢測煙葉成熟度原理是基于煙葉成熟后由于內含物質轉化而導致葉面外觀相應改變，并由此在反射光譜上得到相應體現。

目前，高光譜技術檢測煙葉成熟度的研究已有諸多報道。李向陽等[25]研究報道了不同施氮水平下不同成熟度烤煙葉片光譜紅邊參數特性，通過相關分析和逐步回歸方法計算發現成熟度和紅邊位置具有很好的相關性，成熟葉片紅邊位置為693-695nm，過熟葉片紅邊位置極值為688 nm。李佛琳等[26]分析了5個不同成熟度烤煙鮮煙葉的可見/近紅外（350-1 650 nm）光譜差異，通過方差分析發現不同成熟度鮮煙葉在可見光503-651 nm的光譜差異顯著，在此范圍內利用逐步回歸分析篩選出3個特征波長（514、629、650 nm），并以此建立典則判別分析模型，對訓練樣本和驗證樣本的判斷準確率達98%、97%。王建偉等[27]分析了不同成熟度煙葉的高光譜反射率、位置變量、面積變量和植被變量等光譜參數的差異，在可見光（400～680 nm）范圍內反射率隨成熟度的提高而逐漸升高，特別是550～680 nm的光譜反射率對不同成熟度煙葉有較好的區分效應，而在近紅外范圍內反射率隨成熟度提高而減小，隨著煙葉成熟度的提高，光譜中的綠峰幅值、紅光吸收谷幅值逐漸增大;綠峰位置、紅光吸收谷位置有推后的趨勢，紅邊位置逐漸提前，紅邊面積與藍邊面積的比值及歸一化比值顯著降低，綠峰與紅谷的比值及歸一化比值有降低的趨勢，通過研究發現某些光譜參數與煙葉成熟度之間具有規律性變化，從而為利用高光譜技術判別煙葉成熟度提供了數據基礎和理論依據。

葉綠素相對含量（SPAD）與煙葉成熟度密切相關，李青山等[28]分析了不同成熟度煙葉的高光譜反射率、位置變量、面積變量和植被變量等光譜參數的差異，并通過相關分析和逐步回歸的方法確定了高光譜參數與SPAD值的關系，發現紅谷反射率與SPAD值回歸方程的預測效果較好，基于此建立了預測SPAD值的回歸模型用于成熟度判別。韓龍洋等[29]利用高光譜儀測定了4個不同成熟度烤煙樣本的光譜特征曲線，將400～2 400 nm波段的光譜進行SNV、Savitzky—Golav平滑濾波和一階微分濾波預處理優化，并建立了烤煙成熟度的PLS—DA判別模型，對訓練集和驗證集的正確識別率為100%、92.5%。梁寅等[30]開展了基于SVM模型的煙葉成熟度高光譜識別研究，通過卜M距離計算提取得到了與成熟度密切相關的特征向量，建立了SVM模型進行判別分類，準確率在90%以上。

目前，高光譜技術研究煙葉成熟度判別方面還處在起步階段，主要是通過其光譜信息的差異進行判別分類，而對于其圖像信息差異的提取研究還鮮見報道，限制了高光譜技術在該領域的應用潛能，因此，未來以光譜信息和圖像信息為基礎的高光譜成像技術在煙葉成熟度判別方面潛力巨大。

4 小結

高光譜技術作為一項新型的無損檢測技術，能夠同時提供研究對象的圖像信息和光譜信息，在農產品成熟度檢測方面具有獨特優勢。然而，總的來說高光譜技術目前在農產品成熟度檢測方面大都處在實驗室研究階段，實際應用的案例較少，這可能是由于以下2個限制因素導致的。一個是目前的高光譜儀器（特別是高光譜成像儀）對檢測環境條件有較高要求，而且儀器的便攜化有待提高，限制了高光譜技術快速無損現場化檢測，因此研制能夠適應現場自然條件下便攜式高光譜成像儀是要解決的首要問題;另一個是高光譜成像技術能夠同時得到大量圖像和光譜信息數據，在這些數據信息中絕大部分是冗余無用的，因此如何從海量數據中得到有效信息是實現應用的關鍵問題，基于目前數據處理技術得到的模型在實際應用中存在缺陷，借助目前最新的人工智能技術，通過深度學習方法建立計算機視覺系統，實現高光譜技術對農產品成熟度的現場快速檢測或許是可行的解決方案。隨著現代科技的不斷發展和學科之間的深度融合，高光譜技術會向著便攜化、智能化方向發展，因此其在農產品成熟度檢測方面有著廣闊的應用前景。

參考文獻：

[1]霍開玲，宋朝鵬，武圣江，等.不同成熟度煙葉烘烤中顏色值和色素含量的變化[J].中國農業科學，2011，44（ 10）：2013-2021.

[2]楊昆程，孫梅，陳興海，水果成熟度的高光譜成像無損檢測研 究[J].食品科學技術學報，2015，33（4）：63-67.

[3]張達，鄭玉權.高光譜遙感的發展與應用LJ].光學與光電技術，2013，11（3）：67-73.

[4]童慶禧，張兵，張立福.中國高光譜遙感的前沿進展[J].遙感學報，2016，20（5）：689-707.

[5]張保華，李江波，樊書祥，等高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J].光譜學與光譜分析，2014，34（10）：2743-2751.

[6]吳龍國，何建國，賀曉光，等高光譜圖像技術在水果無損檢測中的研究進展[J].激光與紅外，2013，43（9）：990-996.

[7]薛建新，張淑娟，張晶晶.基于高光譜成像技術的沙金杏成熟度判別[J].農業a 程學報，2015，31（11）：300-307.

[8]李麗麗，王斌，張學豪，等基于高光譜圖像信息的李果實成熟度判別[J].現代食品科技，2017，33（12）：228-232

[9]李軍宇，張淑娟，張學豪，等李果實成熟度的高光譜成像判別研究[J].農機化研究，2017，39（ 12）：141-145.

[10]孫靜濤，馬本學，董娟，等高光譜技術結合特征波長篩選和支持向量機的哈密瓜成熟度判別研究[J].光譜學與光譜分析，2017， 37（7）：2184-2191.

[11]蔣浩，張初，劉飛，等，基于高光譜圖像多光譜參數的草莓成熟度識別[J].光譜學與光譜分析，2016，36（5）：1423- 1427.

[12] PU H B，LIU D，WANG L，et al.Soluble solids content and pHprediction and maturity discrimination of lvchee fruits using visi-ble and near infrared hyperspectral imaging[Jl. Food analvtical methods. 2016.9（1）：235-244

[13] WEI X，LIU F，QIU Z，et al. Ripeness classification of astringentpersimmon using hyperspectral imaging technique LJl. Food andbioprocess technology， 2014，7（5）：1371-1380.

[14] RAJKUMARP， WANC.N.EIMASRYG，et al Studies on bananafruit quality and maturitV stages using hyperspectral imaging[J].Journal of food engineering. 2012， 108（1）：194-200.

[15] MENESATTI P.ZANELLA A，D'ANDREA S，et al.Supervisedmultivariate analysis of hyper-spectral NIR images to evaluate thestarch index of apples [J]. Food and bioprocess technology，2009.2（3）：308-314.

[16] POLDER G. VAN DER HEIJDEN G. Measuring ripening of toma一Loes using imaging spectrometry [Al. SUN D W. Hyperspectral im-aging for food quality analysis and conLrol [Ml. New York ： Aca-demic Press . 2010. 369-402.

[17] ARIAS R. LEE T C. LOCJENDRA L. et al. Correlation of lyco-pene measured by HPLC with che /*. a*. b* color readings of ahydroponic tomato and the relationship of maturiLy wich color anrllycopene contenL [J]. Journal of agriculLural and food chemistry ，2000. 48（ 5） ： 1697-1702.

[18] CHOI K H G H. LEE G， HAN Y J， et al. TomaLo maturity evalua- Lion using color image analysis [Jl.Transaclions of Lhe ASAE，1995. 38（ 1） ： 171-176.

[19] BALTAZAR A. ARANDA J I， GONZALEZ-AGUILAR G. Bayes-ian classificaLion of ripening stages of Lomato fruic using acousticimpact ancl colorimeter sensor data EJl . Computers and electronicsin agriculture . 2008. 60（ 2） ： 113-121.

[20]POLDER G ， VAN DER HEIJDEN C W A M. YOUNC I T. Hyper-spectral image analysis for measuring ripeness of Lomatoes [J].Transactions of the ASAE . 2002 . 45（4） ： 1155-1161.

[21] POLDER C.VAN DER HEIJDEN C W A M . YOUNG I T. Tomatosorting using independent componenL analysis on spec：Lral imag-es[Jl. Real-time imaging. 2003 ， 9（4） ： 253-259.

[22] ZHU Q， HE C. LU R， et al. Ripeness evaluation of ' Sun Bright' Lomato using oplical absorption and scaUering properties[J].Post-harvest biology and technology， 2015， 103： 27-34.

[23]高漢杰，陳漢新，彭世陽，等煙葉成熟度鑒別方法與實用五段式烘烤新工藝應用研究的回顧[J].中國煙草科學，2002（4）： 40-42

[24]李富強，陳紅華，張學偉，等.烤煙采收成熟度研究進展[J].湖北農業科學，2019，58（ S2）：39-41，81.

[25]李向陽，劉國順，史舟，等.利用室內光譜紅邊參數估測烤煙葉片成熟度[J].遙感學報，2007，11（2）：269-275.

[26]李佛琳，趙春江，王紀華，等.不同成熟度烤煙鮮葉的高光譜響應及其判別分析[J].福建農林大學學報（自然科學版），2008， 37（6）：565-569.

[27]王建偉，張艷玲，李海江，等.田間不同成熟度烤煙上部葉的高光譜特征分析[J].煙草科技，2013（5）：64-67.

[28]李青山，王傳義，譚效磊，等.不同成熟度煙葉高光譜特征分析及與SPAD值的關系[J].西南農業學報，2017，30（2）：333- 338.

[29]韓龍洋，王一丁，張文龍，等.基于高光譜技術的烤煙成熟度判 別研究[J].延邊大學農學學報，2015，37（4）：286-291，301.

[30]梁寅，張云偉，李軍營.基于支持向量機的云煙87煙葉成熟度高光譜遙感識別[J].西南農業學報，2013，26（3）：957-962

基金項目：國家白然科學基金項目（31801646）;中國農業科學院科技創新T程（ASTIP-TRIC 06）;中國農業科學院基本科研業務費（ 1610232017011）

作者簡介：張義志（1982-），男，山東青島人，助理研究員，碩士，主要從事農產品質量與安全研究，（電話）0532-88703386（電子信箱）zhangyizhi@caas.cn;通信作者，王大彬，助理研究員，主要從事煙草化學成分光學分析，（電子信箱）wangdabin@caas.cn。