水果是人們日常生活中常見的食品之一，隨著人們對食品安全和品質的要求越來越高，對于水果品質無損檢測技術的研究也越來越受到關注。本文簡單介紹了高光譜成像技術在水果品質無損檢測中的應用。

?

定性指標檢測

近年來，高光譜成像技術已被用于多種水果的品質指標檢測，這些指標主要分為定性指標和定量指標兩類。定性指標主要有損傷、腐敗、著色、成熟度等。

在損傷鑒定方面，Tan等利用高光譜成像技術開展蘋果、柿子的損傷鑒定研究，準確率均達到 90.00%以上。Tang等構建蘋果損傷鑒定模型，分級精度達到97.33%，證實高光譜成像技術在蘋果損傷檢測中的有效性。Yu等[28]構建枇杷的缺陷識別模型，正確分類率達到95.90%以上。Wang等采用隨機森林（Random Forest，RF）算法構建了藍莓內部機械損傷的識別模型，可準確檢測藍莓的損傷狀況。Shao等利用高光譜成像技術對櫻桃進行損傷度測定，實現(xiàn)對櫻桃品質損傷的快速檢測。Xuan等利用高光譜成像技術提取桃表面的光譜特征，對桃進行損傷品質指標判斷，完成對桃品質指標的準確量化。Fang等基于高光譜成像技術開展對梨的損傷指標檢測研究，檢測誤差被有效控制。

在腐敗檢測方面，Yuan等使用高光譜成像技術對黃瓜瑕疵進行檢測，通過提取表面的反射光譜特征，實現(xiàn)對黃瓜腐敗程度的準確檢測。Shao等利用高光譜成像技術對櫻桃進行腐敗損傷的品質評價，實現(xiàn)對櫻桃品質的快速監(jiān)測。Fang等基于高光譜成像技術開展對梨腐敗指標檢測的相關研究，得到誤差較小的檢測結果。在著色評價方面，Wang等對蘋果顏色參數(shù)指標進行評價。沈佳等構建蜜柚葉片色素含量的高光譜估測模型，進而判別蜜柚的健康程度。

在成熟度檢測方面，Wang等基于高光譜成像技術對蘋果成熟度指標進行無損檢測研究。Jie等使用高光譜成像技術評價西瓜成熟度，實現(xiàn)對西瓜成熟度的準確檢測。Benelli等通過獲取葡萄表面的高光譜圖像，對葡萄進行成熟度評價，成功實現(xiàn)對葡萄的成熟度檢測。Shao等利用高光譜成像技術，通過提取桃表面的光譜特征對桃、香蕉進行成熟度評取桃表面的光譜特征對桃、香蕉進行成熟度評價，完成成熟度的準確量化。Achireya等[38]開展菠蘿成熟度的檢測，證實該技術在預測單個水果的成熟度指標方面具有可靠性。Shao等將高光譜成像技術用于草莓成熟度評估，準確率在91.70%~96.70%之間。Zhang等構建草莓成熟度的分析模型，分類準確率超過85.00%，表明高光譜成像技術可用于草莓成熟度評價。Cho等建立番茄成熟度的檢測模型，達到75.00%以上的分類準確率。

這些研究針對蘋果、西瓜、葡萄、桃、香蕉、菠蘿和草莓等不同水果，分別使用高光譜成像技術對其損傷、腐敗、著色、成熟度等定性指標進行評價和檢測，取得一定成效，分類準確率在一定程度上得到提高，表明高光譜成像技術能對多種水果品質指標進行準確檢測。

?

定量指標檢測

水果品質無損檢測中的定量指標主要有可溶性固形物含量（Soluble solid content，SSC）、可滴定酸、硬度等，可以歸為成分品質、外觀品質、內部品質等。成分品質是通過對水果表面的光譜數(shù)據(jù)進行分析，提取營養(yǎng)成分、糖分含量、酸度等信息，從而評價水果的成分質量。其中，營養(yǎng)成分的指標包括維生素含量、礦物質含量等。Malegori等使用高光譜成像技術進行櫻桃維生素C含量的預測和可視化，證明了高光譜成像技術用于評估櫻桃維生素C分布的可靠性，為水果中營養(yǎng)保健化合物的定性繪圖奠定基礎。Wiebke等基于高光譜成像技術測定哈斯鱷梨中硼和鈣的濃度，決定系數(shù)（Coefficient of determination，R）分別為0.61、0.53，預測偏差比分別為1.51、1.71，證實高光譜成像技術可以通過果肉圖像快速確定單個水果內部品質，能夠減少鱷梨的采后損失。

水果糖分含量指標包括總糖含量、果糖含量、葡萄糖含量等。Zhang等利用高光譜圖像技術快速預測碭山梨的糖含量，均方根誤差（Root mean square error，RMSE）低至0.35，表明高光譜成像技術在碭山梨糖度無損定量測量和可視化方面具有巨大潛力。Lan等利用高光譜成像檢測了蘋果切片的果糖、葡萄糖舍量等內部品質，證實該方法減少了對大量化學表征的需求，有助于更好地掌握和管理水果質量。Seki等通過高光譜成像技術進行白草莓糖含量的可視化，最終模型的R和 RMSE 分別是0.84、0.57，該發(fā)現(xiàn)為設計非接觸式系統(tǒng)用于監(jiān)測白草莓質量的可行性奠定基礎。酸度指標包括總酸含量、檸檬酸含量、蘋果酸含量等。Xu等利用高光譜成像技術和深度學習算法無損預測了巨峰葡萄中的可滴定酸含量，R為0.92、RMSE 為0.11，表明深度學習的堆疊自動編碼器算法在從像素級高光譜圖像數(shù)據(jù)中提取特征方面具有巨大潛力。Cecilia等優(yōu)化高光譜成像中的空間數(shù)據(jù)縮減，以預測完整橙子的檸檬酸參數(shù)，展示了高光譜圖像量化橙子酸性味道屬性的潛力。Lan等對蘋果酸含量進行定量檢測，檢測到其強烈的異質性。水果外觀品質通過對水果表面的圖像如紋理特征進行分析檢測，如表面的瑕疵、病斑、裂紋等，其中，瑕疵指標包括病斑面積、裂紋長度等。

Folch等[5]利用成像高光譜技術根據(jù)病斑面積對柑橘進行腐敗分類，準確率達到91%，顯示該方法是區(qū)分柑橘健康程度的有力工具。Yu等使用高光譜成像結合圖像處理識別鮮棗裂紋，判別模型精度近100%，精確量化了裂紋位置、面積，實現(xiàn)鮮棗裂紋特征的快速識別。

水果內部品質通過對水果表面的光譜特征進行分析，即提取光譜特征等信息開展內部品質評價，如成熟度和基本品質。其中，成熟度指標包括葉綠素含量、色澤、硬度等。Sun等基于葉綠素含量進行蜜桃腐爛的高光譜成像檢測，準確率達到98.75%，為基于葉綠素含量的真菌病害檢測提供了新視角。Su等應用高光譜成像和深度學習基于色澤測定草莓成熟度，取得了良好效果，證明了該方法的檢測潛力。Li等[55]基于高光譜成像技術檢測了獼猴桃成熟度，最終的校正硬度模型預測值與真實值的相關系數(shù)超過0.9，預測偏差比超過2，能夠用于預測獼猴桃品質?；酒焚|包括果肉的含水量、纖維素含量等，果肉含水量的指標是重要的內部品質指標。

Ayman等使用高光譜成像檢測了兩種棗的含水量，對棗的質量進行評估，實現(xiàn)了棗類水果質量屬性快速、自動化的監(jiān)測和分析。Sun等對瓜類進行基于纖維素含量的質量檢測，同樣取得良好效果。

表1對相關研究中高光譜成像技術檢測的主要水果品質指標進行列舉和分類，表明高光譜成像技術可用于對水果表面的光譜信息和圖像信息。

?