高光谱技术在农产品质量检测中的研究进展
摘要：蓝莓因其独特的风味、丰富的营养价值和保健价值，深受我国广大消费者的喜爱。但是，在实际生产当中，霉变的蓝莓会严重影响食用者的健康。因此，及时检测出蓝莓是否霉变对提升蓝莓食用的安全性有重要意义。国内外在用高光谱研究果实品质方面已取得许多成果，本文在对这些成果进行系统总结的基础上，简要分析了总体的研究现状，以期可以初步探索出检测霉变蓝莓的系列方法。
关键词：霉变蓝莓；高光谱；检测
1 引言
蓝莓又名越橘，果实深蓝色，浆果，因此又称蓝浆果，是中国新兴的小浆果之一[2]蓝莓果实营养价值丰富，但是霉变的蓝莓会对人体健康造成损害。目前，霉变蓝莓的分选主要采用人工识别的方式，效率低且难以精确分选。因此开发无损、高效的蓝莓霉变检测方法对于依据内部品质实现蓝莓的质量评价具有重要的意义。近年来，高光谱成像技术作为一门新兴的无损检测技术，它融合了图像处理与光谱分析的各自优势，具有波段多、分辨率高等特点。该技术能够同时得到研究对象的图像和光谱信息，图像技术能反映研究对象的外在特征，光谱技术能检测研究对象的物理结构和化学成分，因此近年来在水果品质检测技术中获得了相当广泛的应用[1]，尤其为蓝莓霉变的检测提供了一条新途径。本文主要介绍基于高光谱成像技术的检测方法在蓝莓瘀伤，蓝莓品质，蓝莓成熟度及其他果实的品质判别等方面的已有研究成果。
2 国内外研究进展与现状
高光谱成像技术作为一门新兴的无损检测技术，能够同时得到研究对象的图像和光谱信息，因此近年来在对农产品的品质检测中获得了相当广泛的应用。
在关于农产品的霉变识别方面，崔博[16] 在用高光谱成像技术采集到玉米种子的图像后，先进行了黑白板校正。再采用变量标准化进行预处理。然后用连续投影法对特征波长为490nm、572nm、735nm、845nm的图像进行特征提取。而纹理特征主要选择能量、熵、惯性矩、相关性。并通过试验发现光谱特征结合纹理特征是最好的高光谱图像特征提取方法。最后通过BP神经网络进行建模。此法对健康样本、霉变样本的识别正确率分别为93.3％、100％。这是只针对健康与霉变两种情况的研究分析，而在霉变程度鉴别这一方面。龚中良等[17]利用高光谱技术对正常、轻度霉变、中度霉变 和重度霉变这四种程度不同的籼稻样本的光谱数据进行采集，通过不同预处理后也是利用连续投影算法(SPA)提取特征波长，并采用多元线性回归判别分析(MLR－DA)建立模型，鉴别籼稻霉变程度。另一方面，通过竞争性自适应重加权算法(CARS)筛选特征变量，采用偏最小二乘法回归判别分析( PLS－DA) 建立鉴别模型。随后将这两种模型进行比较，研究结果表明RAW－CARS－PLS－DA模型的预测效果最优，其验证集相关系数RP高达0.969，均方根误差ＲMSEP为0.269，对未知籼稻样本的总体分类准确率为93.33% 。此模型对霉变程度不同的籼稻的鉴别能力总体来说较强。除此之外，冯洁等[18]利用高光谱技术对霉变程度不同的金银花进行研究。他们将得到的光谱用SG－MSC预处理，用SPA提取特征波长并建立了LS－SVM 判别分析模型，其训练集与验证集的判别正确率均达到了100.0% 。但是此研究在对不同霉变程度的金银花进行辨别时仅使用了光谱信息，并未涉及其图像信息。
在农产品的外部损伤或农药残留识别方面，薛龙等(2008年)[22]在研究脐橙时，获取了625～725 nm范围的脐橙的高光谱图像，然后对提取到的特征波长的图像应用主成分分析方法(PCA)进行处理，检测出了不同浓度的农药在脐橙表面的残留情况。然后在2009年时，该团队又以梨为研究对象，这次通过采集在400－1000nm范围的高光谱图像，再选取PC3中各波长的权重，精准检测出了梨表面的撞击损伤[23]。Lu等(2003年)[21]开发了一种适用于1000～1340nm波段范围的高光谱图像的算法，他们使用了主成分分析法和最小噪声分离变换，对20－40个波段进行分析，区分出苹果的新瘀伤和旧瘀伤，对不同品种苹果的检测正确率分别为蛇果62％－88％， 金冠59％－94％。而在农产品外部轻微损伤这一块刘剑华（2008年）[24]对苹果在分级过程中难以识别的轻微损伤缺陷进行了研究，他采用主成分分析方法减少了高光谱图像数据块中的冗余数据，实现了数据降维。得到了四个特征波长（553、706、800和845nm）来表征损伤。之后，为得到能够表征损伤区域的最佳图像，又对选出的4幅特征图像按照主成分分析的运算法则进行线性组合。然后通过对其进行阈值分割、数学形态学运算和区域填充等处理完成可疑损伤区域的提取，最后提取可疑区域的面积和形状复杂度两个参数对损伤加以识别。实验结果表明，该方法对带有轻微损伤样本的检测正确率达到86.7%。
在对农产品的一些外部品质参数方面的应用，如厚度，重量等。程国首等[25]对所得到的高光谱图像中背景和前景的最大偏差波长图像进行提取。对于苹果目标的分割，他们采用了简单的图像分割方法，分割结果很准确。在预测苹果重量时，他们使用了两个体积特征，采用多元线性回归分析方法，此法准确预测了苹果重量，其预测集相关系数达到0.9927。预测均方根误差为4.3393g。 从实验所得的数据来看，利用高光谱图像技术确实可以准确预测出新疆红富士苹果重量，因此在生产过程中，可以选定特征波长，然后选取相应的滤波片，采用此实验所得到的计算模型，从而实现对新疆红富士苹果重量的在线快速检测，提高生产效率。黄敏等[26]的研究对象则是菜用大豆，在基于高光谱图像技术下对菜用大豆的厚度进行预测。实验的样本是200个同一产地产出的菜用大豆。在得出这200个大豆的高光谱图像后，先对图像进行去奇异点处理并用MSC和SNV这两种方法进行数据预处理，随后在波段400～1000 nm分别采用PLS和MLR两种分析方法建立模型对菜用大豆厚度进行定量分析。经过比较后发现基于MSC处理后的PLS模型所产生的预测结果相比于没有对光谱进行任何处理后的结果，其RMSEP由0．73mm降低到0．70 mm ，RP也由0．929提高到0．933，数据对比表明MSC处理后的PLS模型不仅更为简洁，其精度也大大提高。此次实验使用基于高光谱图像技术较为精确的，无损地检测出了菜用大豆厚度。
在农产品的内部参数如糖度，坚实度等方面的检测，王海建等[29]对基于高光谱图像技术提取出来的沙梨样本光谱数据，采用无信息变量消除法和多元散射校正对光谱变量进行处理，建立沙梨糖度预测模型。对原始光谱数据，采用多元散射校正、变量标准化、平滑滤波、基线校正等预处理方法进行处理，多元散射校正能更有效地提高光谱数据的信噪比，降低在试验过程中外部因素带来的噪声影响．使得后期建立模型更理想。无信息变量消除法将光谱变量压缩到234个，有效地减少建模的输入变量，同时剔除了对待测成分不敏感的波段。所建立的PLS预测模型和 BP神经网络的预测相关系数均在0.85以上。在建模效果 比较中，PLS预测模型的相关系数达到0.9508，均方根误 差为0.268，明显优于BP神经网络模型。徐爽等[30]将高光谱 图像技术与无信息变量消除法相结合，建立沙梨糖度PLS预测模型，为实现水果快速、无损检测奠定了理论基础。本试验利用高光谱图像技术结合主成分分析及化学计量学方法，建立长枣糖度预测模型。结果表明，采用BP神经网络预测长枣糖度的效果优于PLS预测结果，模型的相关 系数和均方根误羞分别为0.9274和1.7125。高光谱图像 技术对长枣糖度进行无损检测是可行的。本试验选用100个样品作为研究对象，虽然结果比较理想，但后续应扩大试 验样品的数量和样品的广泛性，进一步完善预测模型。还可 以结合长枣外部品质对它进行内外品质同时检测，并尝试其 它建模方法，使预测效果达到更好。而在检测农产品的坚实度方面，Lu和Peng等(2006年)[28]认为光散射与水果的结构特点有关，Lu通过高光谱 成像系统得到153个光谱散射图，使用非线性回归，对153个波长散射图进行曲线拟 合，拟合函数是二参数的Lorentzian分布函数，因此特定波长的散射图可由Lorentzian两个参数a和b表示。进一步运用多线性回归方法分析了这两个参数的组合与桃坚实 度的相关性，建立了最佳波长的预测模型，得到两个品种桃的最佳预测值分别为0.77 和0.58。预测结果受品种差异影响较大，同时MT硬度测试仪测试较软的水果时精度 不高，不可重复，因此在寻找散射参数与桃的坚实度之间的相关关系时，发现两者的 相关性不是很明显。但在检测桃的坚实度方面，这是一个可行的新方法，但对桃的品种和软硬程度有要求，适用范围较窄。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
