高光譜成像技術在水果品質檢測中的應用研究進展

譚濤 馮樹南 溫青純 黃人帥 孟慶龍 尚靜

摘要：高光譜成像技術結合成像技術和光譜技術，可以從樣本中獲取其空間和光譜信息。因此，高光譜成像技術能夠識別和檢測水果的各種化學成分及其空間分布，在水果品質的檢測中備受關注。本文首先綜述了高光譜成像原理及系統裝置，并展開討論了高光譜圖像的校正方法、多種光譜預處理、數據降維和樣本集劃分方法，從定量和定性角度對模型的構建方法和性能評估進行了分析。其次，總結了高光譜成像技術在水果內部品質（可溶性固形物含量、酸度、硬度、水分含量）和外部品質（損傷、缺陷和紋理）檢測和分級中的最新研究進展。最后，對高光譜成像技術在水果品質檢測與分級中的應用前景提出展望，以期為優化水果品質的檢測方法提供理論依據。同時，也指出了當前可能存在的挑戰和局限性。

關鍵詞：高光譜成像；水果品質；缺陷；物理化學屬性；無損檢測

中圖分類號：TS255.7；S127文獻標志碼：A

文章編號：1002-1302（2024）06-0011-08

收稿日期：2023-06-07

基金項目：中央引導地方科技發展資金（編號：黔科中引地[2022]4050）；貴州省科技計劃（編號：黔科合基礎[2020]1Y270）；貴州省普通高等學校青年人才成長項目（編號：黔教合KY字[2020]081）；貴陽市科技計劃（編號：筑科合同[2021]43-15號）；貴陽學院碩士研究生科研基金（編號：GYU-YJS[2022]-53）；大學生創新創業訓練計劃（編號：S202210976046）。

作者簡介：譚 濤（1998—），男，貴州銅仁人，碩士研究生，主要從事農產品品質無損檢測研究。E-mail：gyu_tt@163.com。

通信作者：尚 靜，碩士，副教授，主要從事基于高光譜成像技術的農產品品質無損檢測研究。E-mail：shji0124@163.com。

在人們的飲食中新鮮的水果占據著重要的作用，水果中富含糖分、有機酸、蛋白質、維生素、總黃酮、花青素、多酚等成分，其中的抗氧化劑和植物化學物質具有巨大的潛在益處，這些物質可以幫助清除體內的自由基，減緩細胞老化和氧化損傷，預防多種慢性疾病的發生^[1]。隨著人們生活水平的快速提高，人們對水果品質的要求也在不斷提高，這些要求不再局限于水果外觀和保質期長等；相反，味道和高營養價值已成為吸引消費者和增加消費的重要因素。然而，水果的品質受果實的品種、產地、采前和采后條件、成熟度、采摘時間和溫度的影響，果實品質參差不齊，品質好的水果不僅可以直接食用，還可以用于產品的開發，如制作果汁、果干等，水果品質是決定水果市場價值的一個非常重要的因素^[2]。此外，水果在運輸和儲存過程中常常受到機械損壞，尤其是早期損傷是難以通過肉眼識別的。機械損壞不僅會降低產品質量，還會對消費者的購買決策產生負面影響^[3]。因此，確定水果品質最佳的檢測及評估方法尤為重要。

新鮮或者加工水果的品質由一系列外部特征來定義，這些屬性包括其大小、質量、形狀、顏色、狀況或是否存在缺陷、損傷，以及一系列內在特性，如糖度、酸度、含水量、質地、硬度等。它們涵蓋了影響水果外觀、營養和感官品質或保存適宜性的所有因素。因此，在競爭激烈的新鮮水果市場里，對水果內部和外部品質的評估變得至關重要^[4]。傳統的檢測方法大部分以人工檢測為基礎，以化學分析方法為輔助，這些方法既耗時又費力，且無法實現大規模檢測^[5]。隨著計算機技術的迅猛發展，水果品質的無損檢測與分級研究取得了一系列重要成果。通過對水果品質的無損檢測與分級，不僅可以提升水果的市場價值，還能保障消費者的健康。為了提高其檢測和分級效率，減少人為誤差，并降低分析成本，研究人員進行了大量分析，以找到快速、準確和無損檢測水果品質的解決方案^[6-8]。機器視覺技術在水果收獲前和收獲后產品質量、安全檢測、分級和過程自動化領域正變得越發重要，利用該技術可以識別物體的大小、形狀、顏色和紋理。機器視覺技術具有準確性高、無破壞性的優點，有助于評估水果的外部屬性，但它對檢測果皮下的損傷沒有幫助，也不能用于評估水果的內部質量^[9]。高光譜成像技術是一項基于光學原理的成像技術，可以同時獲取多個波長范圍內的數據，以獲得目標物體的分光學信息。與傳統成像技術不同，高光譜成像技術的成像過程是將物體的光譜特性轉化為像素點的顏色或灰度值，從而獲得比傳統成像技術更多的詳細信息。由于其簡單、連續、無干擾、準確性高、大范圍的成像能力和高效的分析速度等特點，在評估水果品質方面顯示出巨大的潛力。它結合成像技術和光譜學技術，從樣本中獲取空間和光譜信息，可以大大增強識別和檢測水果的各種化學成分及其空間分布的能力，能夠同時測量和實現可視化水果中的物理化學成分^[10]。

本文綜述了高光譜成像技術在水果品質檢測及分級方面的研究進展。首先，綜述了高光譜成像系統及其原理，并對高光譜數據處理與分析方法展開討論。然后，總結了高光譜成像技術在水果外部品質和內部品質檢測中的評估及其應用。最后，對高光譜成像技術在水果品質檢測與分級中的應用前景提出展望。

1 高光譜成像原理和系統裝置

1.1 高光譜成像原理

高光譜成像技術中成像和光譜的結合性質使該系統能夠通過光譜分析同時提供樣本的物理和幾何特征以及樣本的化學成分，從而在相對較寬范圍的連續波長下生成一系列高分辨率圖像^[11]。如圖1-b所示，成像技術使樣本能夠顯示在二維圖像平面上，從這些二維圖像中獲得的全高光譜圖像構成了一個包含空間（x，y）和光譜（λ）維度的三維數據立方體。如圖1所示，圖1-a是從680 nm的超立方體中提取的圖像，在680 nm處的吸收峰是由水果中葉綠素吸收引起的^[12]。從某個像素點中提取光譜，提取的光譜是對應像素的唯一光譜特征，可以用來描繪樣品的化學成分（圖1-c）。

1.2 高光譜成像系統裝置

高光譜成像系統（GaiaField-F-V10，圖2）由4個部分組成：成像單元、照明源、樣品平臺和帶有相應控制軟件的計算機^[13]。成像單元是構建目標樣品光譜和空間信息的核心部分，由標準變焦鏡頭、高靈敏度和特異性攝譜儀以及CCD相機或互補金屬氧化物半導體（CMOS）相機組成。攝譜儀的功能是將捕獲的光分散到一定的連續光譜范圍內。光源作為有效探測目標物理結構和化學成分的光學探針，在高光譜成像系統中具有重要意義。暗箱能防止其他光源干擾。

2 高光譜數據處理與分析方法

高光譜成像系統采集圖像時，點掃描的采集樣

品比較耗時，因此無法進行實時檢測。目前，線掃描由于其快速的檢測速度和二維陣列檢測器的可用性，是研究和應用中最廣泛使用的采集方式^[14]。為了從高光譜數據立方體中提取有用的空間信息，需要涉及圖像校準和圖像處理。高光譜成像評價水果品質的流程如圖3所示。

2.1 高光譜圖像校正及光譜預處理

CCD相機光電探測器中存在暗電流，采集到的圖像會產生許多干擾，如譜線、雜散光等，同時在不同波段下，由于檢測樣本形狀大小的差異以及背景光源強度分布不均衡等會產生干擾，故需要對高光譜圖像進行黑白校正，以去除背景、平滑和噪聲的干擾，從而提高圖像質量，高光譜圖像的校正方法^[15]如下：

式中：I為樣本的原始高光譜圖像；W為白板圖像；B為暗圖像；R為校正后的高光譜圖像。

高光譜成像系統采集圖像時會伴隨光散射、路徑長度變化和由可變物理樣本屬性或儀器效應產生的隨機噪聲，使得光譜數據表現不佳，因此，想要構建具有較好檢測能力的穩定模型，有必要使用一些光譜預處理方法來提高光譜數據的質量?；瘜W計量學方法是高光譜成像技術數據分析的一個重要手段，將化學測量法與光譜信息相互聯系起來，高光譜圖像中提取的光譜數據運用化學計量學方法能夠對原始光譜數據進行處理，以校正噪聲的影響。使用最廣泛的預處理方法^[16]包括一階導數、二階導數、光譜濾波、均值中心化、歸一化、正交信號校正（OSC）、多元散射校正（MSC）、標準正態變換（SNV）等，其目的是校正光譜，消除異常樣本數據，去除無關方差，消除基線偏移、乘法散射效果和其他不必要的系統變化的影響，從而簡化光譜，使光譜更平滑，修正感興趣的質量特征之間的關系，提高校準模型的魯棒性。光譜數據的有效預處理有助于數據分析中提取有用的化學信息，并獲得可靠、準確和穩健的預測模型。

2.2 高光譜數據降維

高光譜成像系統采集的數據立方體有廣泛的波段范圍，包含幾十到幾百個波段，許多波長包含不相關信息，并沒有提升模型性能，反而增加了信息分析的復雜性^[17]。因此，對光譜數據進行降維處理可以簡化模型過程，選擇與目標變量相關性高的最佳關鍵波長能夠提高預測模型的準確性和可靠性。被廣泛用于數據降維的方法^[18]有連續投影算法（SPA）、競爭性自適應重加權算法（CARS）、主成分分析法（PCA）、無信息變量消除法（UVE）、回歸系數（RC）、遺傳算法（GA）以及隨機蛙跳算法（RF）等。在數據降維時，通?；谧罴杨A處理方法結合不同降維算法以獲取最佳預測模型^[19]。

2.3 高光譜數據樣本集的劃分

通常使用最廣泛的劃分方法有隨機取樣法（RS）、Kennard Stone（KS）算法、光譜-理化值共生距離算法（SPXY）^[20]。隨機取樣就是隨機在樣本中抽取樣本，排除了人的主觀隨意性和能動性，但當總樣本數量較大時，隨機采樣抽得的樣本代表性差、隨意性大、不具有典型性^[21]。KS算法是基于歐幾里德距離的算法，它的計算主要選取所有樣本中與其他樣本距離最遠的樣本，接著選取離所選樣本盡可能遠的樣本，直至達到所選樣本數，這樣能涵蓋整個樣本空間，但是建模集不能涵蓋預測集^[22]。SPXY算法是在KS算法的基礎上將光譜數據和樣本距離同時考慮在分類參考里，有效地覆蓋多維向量空間，是對KS算法的進一步精確，能夠保證模型建模集中樣本均勻分布，使得劃分的樣本集具有代表性，以提高模型的穩定性^[23]。

2.4 模型的構建與驗證

在高光譜成像技術的實際應用中，最常見的高光譜數據分析方法是回歸（用于預測水果的物理化學屬性）和分級（用于對水果分級和檢測水果的缺陷）。為了創建用于回歸和分級的數據模型，需要使用多變量方法分析和建立光譜數據與水果的特定的質量屬性之間的關系。通常來說，多變量分析方法有定量分析和定性分析2種形式^[24]。

對于定量分析，其核心在于建立一種光譜數據與水果特定屬性之間的回歸關系，以實現對水果品質的無損檢測。定量分析方法包括線性分析和非線性分析^[25]。廣泛使用的非線性分析有支持向量機（SVM）、支持向量回歸（SVR）和人工神經網絡（ANN）。線性分析方法有逐步線性回歸（SLR）、偏最小二乘回歸（PLSR）、主成分回歸（PCR）和多元線性回歸（MLR）。經過定量分析，常用于評估模型性能優劣的指標包括相關系數（R）和決定系數（R²）、均方根誤差（RMSE）和殘差預測偏差（RPD）。

一般較好的模型具有較大的校正集相關系數（R_C）、校正集決定系數（R²_C）和預測集相關系數（R_P）、預測集決定系數（R²_P）以及較小的校正集均方根誤差（RMSEC）和預測集均方根誤差（RMSEP）。R_C、R_P、R²_C、R²_P、RMSEC、RMSEP和RPD計算公式如下所示：

式中：n_C和n_P分別為校正集和預測集中的樣本數；y_act和y_mean分別為樣本參考值實測值和平均值；y_cal和y_pre分別為校正集和預測集中樣本預測值；SD表示預測集中參考值的標準偏差。

對于定性分析，有2種，即監督分類和無監督分類^[26]。監督分類，需要預定義類標簽，常用于光譜數據分析的監督分類方法包括K近鄰（KNN）、人工神經網絡（ANN）、線性判別分析（LDA）、支持向量機（SVM）和偏最小二乘判別分析（PLS-DA）；而用于分析光譜數據的無監督分類方法包括主成分分析（PCA）、層次聚類和K均值。

3 水果品質檢測的應用現狀

隨著人們生活水平的快速提高，對高質量的水果的需求也迅速增加，為了保證水果的營養與質量，開發快速準確的水果品質檢測方法至關重要。在光學技術的快速發展下，高光譜成像技術在水果質量分析中應用越來越廣泛。本文綜述了高光譜成像技術在水果內部品質和外部品質檢測中的最新應用進展，在表1中總結了高光譜成像技術對不同類型水果品質的分析，通過研究分析水果內、外部的特征屬性（可溶性固形物含量、酸度、硬度、水分含量、損傷、缺陷和紋理）等來對水果品質進行檢測和分級。

3.1 水果外部缺陷屬性分析

水果外部品質是通過大小、形狀、顏色和表面缺陷等屬性來評估，在市場上這些屬性是水果分級與銷售的重要依據之一^[38]。傳統的機器視覺可以對水果的大小和形狀進行評估，但是對于顏色較深的水果以及隱藏在水果表皮下的損傷和缺陷，很難通過機器視覺來判別^[39]。高光譜成像能夠實現水果顏色、表面缺陷的預測，現今采用高光譜成像技術檢測水果的外部品質的應用研究非常廣泛。

孟慶龍等采用高光譜成像技術結合閾值分割技術和數學形態學方法實現了獼猴桃表面疤痕的快速無損識別，正確識別率分別達到98.3%和95.0%，表明高光譜技術能夠實現獼猴桃表面疤痕的快速識別^[40]。他們選取的樣本比較少，之后的研究中，可以增加樣本量，來提高識別準確率。張立秀等利用高光譜成像技術對桃的外部缺陷展開了研究，在建立偏最小二乘回歸（PLSR）模型的過程中，采用了5種預處理方法，發現經過中值濾波預處理的模型性較其他方法更為優越，在特征波長的提取階段，他們采用了回歸系數法和競爭性重加權算法，隨后，利用網格搜索法、遺傳算法和粒子群算法對支持向量機（SVM）模型進行優化，并進行了詳細的分析比較。研究結果顯示，經過網格搜索法優化的支持向量機模型在預測效果上表現最為出色，該模型在訓練集上的判別率達到93.33%，在預測集上的判別率為96.77%，驗證集的判別準確率達到91.94%，該模型能夠實現桃外部缺陷的檢測^[41]。但他們只對一個品種進行了缺陷檢測，接下來的研究中可以采集不同品種，提高模型的穩健性和通用性。歐陽愛國等運用高光譜成像系統獲取毛桃果實的圖像信息和光譜信息，探究了毛桃不同碰傷時間（12、24、36、48 h）對分類效果的影響。選取圖像100個像素點的平均光譜作為毛桃果實的光譜，基于主成分分析（PCA）對毛桃圖像進行降維，最后基于最小二乘支持向量機（LS-SVM）算法建立毛桃碰傷時間的判別模型。結果表明，徑向基核函數建立的圖像特征結合光譜特征的模型預測效果最好，對碰傷12、24、36、48 h的識別正確率分別為83.33%、96.67%、100%、100%，圖像與光譜特征相結合能較好地實現對毛桃碰傷時間的評估^[42]。該研究選取100個像素點作為感興趣區域，缺乏果實的完整信息，之后的研究可以選取更大的感興趣區域，提高信息的完整性。Wang等利用高光譜成像技術實現了櫻桃果實缺陷的無損檢測，通過分析3種類型的缺陷和未損壞樣本圖像，得出通過光譜信息建立的CARS-LS-SVM模型的識別準確率達到了91.43%，而通過圖像信息建立的CARS-PCA模型對櫻桃果實缺陷特征的位置和面積的檢測準確度為88.57%，該研究采用高光譜成像技術可實現對櫻桃果實無損樣品和天然缺陷的快速識別^[43]。但他們只是選取部分感興趣區域，接下來的研究可以采集櫻桃整個樣本作為感興趣區域，提高模型的準確性。

3.2 水果內部物理化學屬性分析

水果的內部品質（可溶性固形物含量、硬度、糖度、酸度、維生素和礦物質等）直接反映其營養價值，能夠為消費者提供指導作用^[44]。但這些理化指標無法輕易通過目測檢測出來，需要破壞性的物理化學分析，如高效液相色譜、紫外分光光度法、質譜法等，使用化學方法分析水果質量，能夠獲取準確的結果，但是存在許多缺點，如耗時長、破壞樣本、效率低。運用高光譜成像技術快速無損檢測水果內部品質已作了大量研究。

高升等通過高光譜成像技術獲取紅提的光譜和圖像信息，對紅提酸度和硬度進行預測及分布可視化，首先運用5種不同的方法對原始光譜數據預處理，然后采用一次降維和組合降維方法對光譜信息進行特征變量提取，最后基于提取的特征變量分別建立紅提總酸和硬度的偏最小二乘回歸最優預測模型，并根據最優的預測模型實現了紅提總酸和硬度的分布可視化^[45]。但他們只運用了1種建模方法即PLSR，之后的研究中可以運用多種建模方法進行對比分析，以確定最優的預測模型。李雄等使用高光譜成像技術結合偏最小二乘判別法（PLS-DA）和偏最小二乘支持向量機（LS-SVM）算法對酥梨貨架期進行了研究，實現了對酥梨貨架期的檢測和判別，同時也為水果新鮮度判別方法提供了研究方向^[46]。但他們運用圖像建立的模型效果比較差，可以增加樣本量來提高圖像建模的精度。葛春靖等運用高光譜成像儀采集玉露香梨的光譜信息，探究了玉露香梨可溶性固形物含量（SSC）的預測方法，采用6種不同的預處理方法對原始光譜數據進行預處理，發現經過中值濾波（MF）預處理后的結果最佳，然后，分別建立遺傳算法（GA）優化的反向傳播（BP）神經網絡和PLSR預測模型，結果表明，MF-GA-BP建立的模型性能最佳，其預測集決定系數為0.98，均方根誤差為0.20，經過優化后的BP神經網絡模型能夠快速準確地預測玉露香梨SSC^[47]。他們僅對1個品種進行研究，之后的研究中可以采集不同的品種，提高模型的通用性。Huang等采用高光譜成像系統獲取了油桃的圖像和光譜信息，探究了一種檢測油桃內外部品質的無損檢測方法，根據內部質量與外部質量指標，分別建立了不同的外部質量判別模型和內部質量預測模型^[48]。他們構建的模型在區分其他水果方面的通用性較低，之后研究可以提高缺陷類型和物理化學指標的多樣性，找到更加適用和準確的判別算法。Xu等運用高光譜成像技術采集葡萄的圖像信息和光譜信息，分別比較了深度學習的堆疊自編碼器（SAE）算法、競爭性自適應重加權采樣算法和連續投影算法篩選特征波長，發現SAE提取的特征波長更具潛力；然后，基于提取的特征光譜分別建立偏最小二乘法（PLS）和最小二乘支持向量機（LS-SVM）預測葡萄總可溶性固形物（TSS）和可滴定酸度（TA）的模型，結果表明，SAE-LS-SVM深度學習模型能夠實現葡萄TSS和TA的快速無損檢測^[49]。他們僅研究了1種葡萄的同一成熟度預測模型，在未來可以對不同品種、不同成熟度的葡萄進行研究，以構建更穩健的評估模型。孫靜濤等運用高光譜技術結合連續投影算法（SPA）、競爭性重加權算法（CARS）和SPA-CARS 3種提取特征波長方法對哈密瓜可溶性固形物含量和硬度進行特征波長的篩選，基于支持向量機（SVM）模型預測哈密瓜可溶性固形物含量、硬度及判別成熟度，結果表明，構建的MSC-CARS-SPA-SVM模型對可溶性固形物和硬度的預測性能最優，其可溶性固形物的R_p、RMSEP和RPD分別為0.940 4、0.402 7、2.941，硬度的R_p、RMSEP和RPD分別為0.825 3、35.220 0、1.771，該模型能夠實現哈密瓜可溶性固形物含量和硬度的預測，但對于硬度的預測效果良好，準確性有待進一步提高^[50]。Tian等利用可見光和近紅外（400～1 000 nm）高光譜成像技術對芒果品質進行評估，結果顯示，在比較了5種光譜預處理方法后，發現經過SNV預處理的方法相對較好，基于CARS方法篩選的特征變量建立的偏最小二乘法（PLS）回歸模型展現出最佳性能，其預測集決定系數高達0.900 1，均方根誤差為0.616 2。該模型能夠有效預測芒果的SSC^[51]。但他們僅運用1種建模方法，還可以增加更多的建模方法，比較不同建模結果，得出最佳預測模型。

4 總結與展望

從本文對前人研究的總結可以清楚地看出，高光譜技術在水果內外部品質的檢測中得到了廣泛的應用。檢測的目標質量屬性也是全面的，不僅包括了水果外部顏色、表皮缺陷、損傷，而且也能檢測分析物理化學屬性，這些成功的應用表明，高光譜成像技術具有快速、準確的優點，可以成為一種分析水果品質的快速、無損檢測手段。

高光譜成像技術是將機器視覺技術與光譜技術相結合，獲得三維光譜數據。它具有檢測能力強、圖像分辨率高、多波段、光譜信息豐富等優點，盡管高光譜成像技術有許多優點，但仍然存在許多挑戰，高光譜數據在選取感興趣區域時，沒有可以廣泛用于選擇水果樣本的感興趣區域；大量的冗余數據影響高光譜數據的處理速度和在線分析，同時多重共線性影響高光譜數據分析的準確性。與室內觀察相比，基于高光譜成像技術的室外果實品質檢測的研究較少，特別是在果園進行實時監測，因為需要獲取和處理數十到數百個波長的大量圖像數據，高光譜儀器自身成本較高，難以從實驗室轉移到產業自動檢測，實現條件復雜的室外檢測還需更加有效的數據處理方法來提高預測模型的穩定性和精確性。

因此，在之后的研究中，可以進行不同地區樣本的采集，使得模型應用更廣泛、準確、穩定。在處理大量數據方面，可以針對化學計量學方法和機器學習方法的研究，開發出更精準、快速的技術和算法，實現高精度的數據分析，建立精度高的模型，同時研究更先進和便攜式的設備讓高光譜成像技術在市場中普遍使用，為水果品質檢測實現快速高效的無損檢測。

參考文獻：

[1]Pathmanaban P，Gnanavel B K，Anandan S S. Recent application of imaging techniques for fruit quality assessment[J]. Trends in Food Science & Technology，2019，94：32-42.

[2]徐 賽，陸華忠，丘廣俊，等. 水果品質無損檢測研究進展及應用現狀[J]. 廣東農業科學，2020，47（12）：229-236.

[3]田有文，吳 偉，盧時鉛，等. 深度學習在水果品質檢測與分級分類中的應用[J]. 食品科學，2021，42（19）：260-270.

[4]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.

[5]武琳霞，李 玲，習佳林，等. 桃品質的無損檢測技術研究進展[J]. 食品科學，2022，43（15）：367-377.

[6]周 偉，徐穎若. 基于PLC和圖像處理的水果分類智能控制系統[J]. 農機化研究，2021，43（5）：235-239.

[7]郝瑞龍，魯任翔，王 哲，等. 基于近紅外光譜的芒果采后品質與貯放潛力預判的無損檢測模型[J]. 熱帶作物學報，2022，43（9）：1918-1927.

[8]Li Y F，Feng X Y，Liu Y D，et al. Apple quality identification and classification by image processing based on convolutional neural networks[J]. Scientific Reports，2021，11：16618.

[9]馬佳佳，王克強. 水果品質光學無損檢測技術研究進展[J]. 食品工業科技，2021，42（23）：427-437.

[10]Lu B，Dao P，Liu J G，et al. Recent advances of hyperspectral imaging technology and applications in agriculture[J]. Remote Sensing，2020，12（16）：2659.

[11]Wang B，Sun J F，Xia L M，et al. The applications of hyperspectral imaging technology for agricultural products quality analysis：a review[J]. Food Reviews International，2023，39（2）：1043-1062.

[12]黃文倩，陳立平，李江波，等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J]. 農業工程學報，2013，29（1）：272-277.

[13]Sun J F，Shi X J，Zhang H，et al. Detection of moisture content in peanut kernels using hyperspectral imaging technology coupled with chemometrics[J]. Journal of Food Process Engineering，2019，42（7）：e13263.

[14]鞠 皓，姜洪喆，周宏平. 油料作物與產品品質近紅外光譜及高光譜成像檢測研究進展[J]. 中國糧油學報，2022，37（9）：303-310.

[15]Wu D，Sun D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment：a review—Part Ⅰ：fundamentals[J]. Innovative Food Science & Emerging Technologies，2013，19：1-14.

[16]Jiao Y P，Li Z C，Chen X S，et al. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics，2020，34（11）：e3306.

[17]賈夢夢，殷 勇，于慧春，等. 高光譜成像融合特征波長篩選監測番茄貯藏中品質變化的方法[J]. 光譜學與光譜分析，2023，43（3）：969-975.

[18]Zou X B，Zhao J W，Povey M J W，et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta，2010，667（1/2）：14-32.

[19]盧 偉，蔡苗苗，張 強，等. 高光譜和集成學習的黑枸杞快速分級方法[J]. 光譜學與光譜分析，2021，41（7）：2196-2204.

[20]Tian H，Zhang L N，Li M，et al. Weighted SPXY method for calibration set selection for composition analysis based on near-infrared spectroscopy[J]. Infrared Physics & Technology，2018，95：88-92.

[21]Morais C L M，Santos M C D，Lima K M G，et al. Improving data splitting for classification applications in spectrochemical analyses employing a random-mutation Kennard-Stone algorithm approach[J]. Bioinformatics，2019，35（24）：5257-5263.

[22]Zhang L N，Li G，Sun M X，et al. Kennard-Stone combined with least square support vector machine method for noncontact discriminating human blood species[J]. Infrared Physics & Technology，2017，86：116-119.

[23]Li Z G，Lv H，Li T H，et al. Reagent-free simultaneous determination of glucose and cholesterol in whole blood by FTIR-ATR[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2017，178：192-197.

[24]Quelal-Vásconez M A，Lerma-García M J，Pérez-Esteve é，et al. Fast detection of cocoa shell in cocoa powders by near infrared spectroscopy and multivariate analysis[J]. Food Control，2019，99：68-72.

[25]Elmasry G，Kamruzzaman M，Sun D W，et al. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products：a review[J]. Critical Reviews in Food Science and Nutrition，2012，52（11）：999-1023.

[26]Liu J Y，Zeng L H，Ren Z H. Recent application of spectroscopy for the detection of microalgae life information：a review[J]. Applied Spectroscopy Reviews，2020，55（1）：26-59.

[27]Li J，Huang B H，Wu C P，et al. Nondestructive detection of kiwifruit textural characteristic based on near infrared hyperspectral imaging technology[J]. International Journal of Food Properties，2022，25（1）：1697-1713.

[28]王廣來，王恩鳳，王聰聰，等. 基于高光譜圖像技術與遷移學習的水晶梨早期損傷檢測[J]. 光譜學與光譜分析，2022，42（11）：3626-3630.

[29]Munera S，Gómez-Sanchís J，Aleixos N，et al. Discrimination of common defects in loquat fruit cv.‘Algerie using hyperspectral imaging and machine learning techniques[J]. Postharvest Biology and Technology，2021，171：111356.

[30]劉燕德，王 舜. 基于圖像和光譜融合的臍橙貨架期高光譜成像無損檢測研究[J]. 光譜學與光譜分析，2022，42（6）：1792-1797.

[31]Zhang H L，Zhang S，Dong W T，et al. Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging[J]. Infrared Physics & Technology，2020，108：103341.

[32]Kang Z L，Geng J P，Fan R S，et al. Nondestructive testing model of mango dry matter based on fluorescence hyperspectral imaging technology[J]. Agriculture，2022，12（9）：1337.

[33]楊寶華，高志偉，齊 麟，等. 高光譜影像的鮮桃可溶性固形物含量預測模型[J]. 光譜學與光譜分析，2021，41（11）：3559-3564.

[34]尚增強，楊東福，馬質璞. 香蕉成熟期品質可視化與高光譜成像研究[J]. 保鮮與加工，2021，21（9）：98-104.

[35]Gao S，Xu J H. Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes[J]. Computers and Electronics in Agriculture，2022，196：106822.

[36]Lan W J，Jaillais B，Renard C M G C，et al. A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices[J]. Postharvest Biology and Technology，2021，175：111497.

[37]Seki H，Ma T，Murakami H，et al. Visualization of sugar content distribution of white strawberry by near-infrared hyperspectral imaging[J]. Foods，2023，12（5）：931.

[38]丁 燕，孫元明，李冬升，等. 基于CiteSpace對水果無損檢測研究進展和趨勢的可視化分析[J]. 食品工業科技，2023，44（16）：444-453.

[39]沈 宇，房 勝，鄭紀業，等. 基于高光譜成像技術的富士蘋果輕微機械損傷檢測研究[J]. 山東農業科學，2020，52（2）：144-150.

[40]孟慶龍，張 艷，尚 靜. 基于高光譜成像的獼猴桃表面疤痕無損識別[J]. 浙江農業學報，2019，31（8）：1372-1378.

[41]張立秀，張淑娟，孫海霞，等. 高光譜技術結合網格搜索優化支持向量機的桃缺陷檢測[J]. 食品與發酵工業，2023，49（16）：269-275.

[42]歐陽愛國，劉昊辰，成 龍，等. 高光譜圖像特征結合光譜特征用于毛桃碰傷時間分類[J]. 光譜學與光譜分析，2021，41（8）：2598-2603.

[43]Wang B，Yang H，Zhang S J，et al. Detection of defective features in Cerasus humilis fruit based on hyperspectral imaging technology[J]. Applied Sciences，2023，13（5）：3279.

[44]陳玥瑤，夏靜靜，韋 蕓，等. 近紅外光譜法無損檢測平谷產大桃品質方法研究[J]. 分析化學，2023，51（3）：454-462.

[45]高 升，徐建華. 高光譜成像的紅提總酸與硬度的預測及其分布可視化[J]. 食品科學，2023，44（2）：327-336.

[46]李 雄，劉燕德，歐陽愛國，等. 酥梨貨架期的高光譜成像無損檢測模型研究[J]. 光譜學與光譜分析，2019，39（8）：2578-2583.

[47]葛春靖，張淑娟，孫海霞. 基于GA-BP神經網絡玉露香梨可溶性固形物高光譜技術檢測[J]. 現代食品科技，2021，37（5）：296-302，278.

[48]Huang F H，Liu Y H，Sun X Y，et al. Quality inspection of nectarine based on hyperspectral imaging technology[J]. Systems Science & Control Engineering，2021，9（1）：350-357.

[49]Xu M，Sun J，Cheng J H，et al. Non-destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm[J]. International Journal of Food Science & Technology，2023，58（1）：9-21.

[50]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.

[51]Tian P，Meng Q H，Wu Z F，et al. Detection of mango soluble solid content using hyperspectral imaging technology[J]. Infrared Physics & Technology，2023，129：104576.