基於光譜及高光譜圖像的水果表面損傷技術

水果在運輸和儲存過程中，難免會受到震動、碰撞、擠壓等不同形式的機械載荷作用而産生機械損傷及内部損傷。因此，利用無損檢測技術對水果的表面損傷進行檢測，具有重要的意義。

近紅外光譜和高光譜成像分析技術具有成本低、快速和無損等優點，近年來在水果表面損傷檢測方面得到瞭(le)越來越廣泛的應用1。Zhang利用400-1000nm波段的高光譜成像技術，對蘋果表面損傷進行快速、無損檢測，檢測準確(què)率爲94.75%。

Li利用短波近紅外對桃子進行高光譜成像
，然後剔除一種基於(yú)形态梯度重建和标記提取的改進分水嶺分割算法對桃子的高光譜圖像進行分割，實現瞭(le)桃子表面損傷的高精度識别。

Fan分别採用推掃式高光譜成像系統和基於液晶可調諧濾波器的高光譜成像系統採集瞭(le)藍莓的高光譜圖像，然後採用特征選擇法、偏最小二乘判别分析法和支持向量機對兩種光譜技術的光譜數據進行瞭(le)分析，並(bìng)在數據層、特征層和決策層對三種數據進行融合，提高瞭(le)藍莓表面損傷檢測的精度]。

Li採集瞭(le)猕猴桃的VIS/NIR（408-1117nm）高光譜圖像，採用主成分分析法，從600~1000nm的數據中提取前四組分圖像，並(bìng)採用平行六面體分類法從圖像中提取損傷區域，實驗結果表明，高光譜成像檢測水果不可見損傷的誤差爲14.5%]。

在國内，基於(yú)高光譜圖像的水果表面損傷檢測技術也得到瞭(le)快速發展。

趙傑文採集瞭(le)蘋果的500-900nm波段内的高光譜圖像，通過主成分分析方法對高光譜圖像進行降維處理，提取瞭(le)波長爲547nm的特征圖像，然後通過圖像處理的方法檢測出蘋果的輕微損傷，在自制的樣本集上開展瞭(le)小規模實驗，檢測正確(què)率爲88.57%。

田有文採集瞭(le)紅富士蘋果樣本的高光譜圖像，基於有效光譜區域做主成分分析，選取第四主成分（PC4）提取損傷區域，運用阈值分割的方法建立提取損傷區域的算法模型，並(bìng)開展瞭(le)檢測實驗，損傷蘋果樣本的檢測準確率爲97.5%，健康蘋果樣本的檢測準確率達到100%，平均準確率爲98.75%。

黃文倩研究瞭(le)阿克蘇蘋果的早期輕微損傷檢測方法，基於780~1000nm光譜區域結合主成分圖像權重系數獲取瞭(le)2個有效波長（820和970nm），並(bìng)利用這2個波長和全局閥值理論開發瞭(le)多光譜輕微損傷提取算法，結果表明，正常果的識别率爲100%，損傷果的識别率爲96%，整體檢測精度爲98%|。

薛龍通過主成分分析選出瞭(le)572nm、696nm和945nm三個高光譜圖像的特征波長，經過适當的圖像處理方法對梨表面的碰壓傷進行檢測(cè)，取得瞭(le)較好的檢測(cè)效果。

魏新華採集瞭(le)冬棗的高光譜圖像（波長爲871-1766nm），通過無信息變量消除法、相關系數法提取特征波長，最有採用圖像自适應閥值分割算法對特征圖像進行分割，準確(què)提取冬棗的輕微損傷，實驗結果表明，在損傷發生1小時後的檢測準確(què)率爲98%。

遲茜研究瞭(le)基於(yú)高光譜圖像的猕猴桃早期隐性損傷方法，對70個無損猕猴桃和70個隐性損傷猕猴桃的正確識别率分别爲100%和95.7%，平均正確識别率爲97.9%。

這些研究表明，近紅外光譜和高光譜成像分析技術是一種可靠的水果表面損傷檢測(cè)技術。然而，與蘋果、藍莓等水果相比
，利用高光譜對梨進行檢測(cè)的研究還比較少l1。Lee利用瞭(le)F-Value的方法找到最優波段比，将梨的高光譜圖像的每個像素上的波段比與設定的阈值相比較，分割出損傷區域的圖像[42]。Zhao研究瞭(le)光照不均勻對高光譜成像傳感器技術在梨損傷檢測(cè)中的影響，比較瞭(le)最大似然分類（MLC）、歐幾裏得距離分類（EDC）、馬哈拉諾比距離分類（MDC）和譜角映射器（SAM）等方法的處理結果，實驗結果表明，MDC和SAM具有良好的檢測(cè)性能，檢測(cè)精度分别爲93.8%和95.0%/43]。Dang将高光譜成像技術與K-最近鄰（K-NN）和支持向量機（SVM）等監督分類技術相結合，對梨的損傷區域進行檢測(cè)[4]。Jiang利用主成分分析方法提取瞭(le)香梨高光譜圖像的特征波長，再利用PLS-DA實現香梨損傷的識别]。

在這些研究中，隻是通過實驗證明瞭(le)利用高光譜對香梨損傷檢測(cè)的可行性，在特征波長選擇方面，還需要更多的研究。