基于光谱及高光谱图像的水果表面损伤技术

水果在运输和储存过程中，难免会受到震动、碰撞、挤压等不同形式的机械载荷作用而产生机械损伤及内部损伤。因此，利用无损检测技术对水果的表面损伤进行检测，具有重要的意义。

近红外光谱和高光谱成像分析技术具有成本低、快速和无损等优点，近年来在水果表面损伤检测方面得到了越来越广泛的应用1。Zhang利用400-1000nm波段的高光谱成像技术，对苹果表面损伤进行快速、无损检测，检测准确率为94.75%。

Li利用短波近红外对桃子进行高光谱成像，然后剔除一种基于形态梯度重建和标记提取的改进分水岭分割算法对桃子的高光谱图像进行分割，实现了桃子表面损伤的高精度识别。

Fan分别采用推扫式高光谱成像系统和基于液晶可调谐滤波器的高光谱成像系统采集了蓝莓的高光谱图像，然后采用特征选择法、偏最小二乘判别分析法和支持向量机对两种光谱技术的光谱数据进行了分析，并在数据层、特征层和决策层对三种数据进行融合，提高了蓝莓表面损伤检测的精度]。

Li采集了猕猴桃的VIS/NIR（408-1117nm）高光谱图像，采用主成分分析法，从600~1000nm的数据中提取前四组分图像，并采用平行六面体分类法从图像中提取损伤区域，实验结果表明，高光谱成像检测水果不可见损伤的误差为14.5%]。

在国内，基于高光谱图像的水果表面损伤检测技术也得到了快速发展。

赵杰文采集了苹果的500-900nm波段内的高光谱图像，通过主成分分析方法对高光谱图像进行降维处理，提取了波长为547nm的特征图像，然后通过图像处理的方法检测出苹果的轻微损伤，在自制的样本集上开展了小规模实验，检测正确率为88.57%。

田有文采集了红富士苹果样本的高光谱图像，基于有效光谱区域做主成分分析，选取第四主成分（PC4）提取损伤区域，运用阈值分割的方法建立提取损伤区域的算法模型，并开展了检测实验，损伤苹果样本的检测准确率为97.5%，健康苹果样本的检测准确率达到100%，平均准确率为98.75%。

黄文倩研究了阿克苏苹果的早期轻微损伤检测方法，基于780~1000nm光谱区域结合主成分图像权重系数获取了2个有效波长（820和970nm），并利用这2个波长和全局阀值理论开发了多光谱轻微损伤提取算法，结果表明，正常果的识别率为100%，损伤果的识别率为96%，整体检测精度为98%|。

薛龙通过主成分分析选出了572nm、696nm和945nm三个高光谱图像的特征波长，经过适当的图像处理方法对梨表面的碰压伤进行检测，取得了较好的检测效果。

魏新华采集了冬枣的高光谱图像（波长为871-1766nm），通过无信息变量消除法、相关系数法提取特征波长，最有采用图像自适应阀值分割算法对特征图像进行分割，准确提取冬枣的轻微损伤，实验结果表明，在损伤发生1小时后的检测准确率为98%。

迟茜研究了基于高光谱图像的猕猴桃早期隐性损伤方法，对70个无损猕猴桃和70个隐性损伤猕猴桃的正确识别率分别为100%和95.7%，平均正确识别率为97.9%。

这些研究表明，近红外光谱和高光谱成像分析技术是一种可靠的水果表面损伤检测技术。然而，与苹果、蓝莓等水果相比，利用高光谱对梨进行检测的研究还比较少l1。Lee利用了F-Value的方法找到最优波段比，将梨的高光谱图像的每个像素上的波段比与设定的阈值相比较，分割出损伤区域的图像[42]。Zhao研究了光照不均匀对高光谱成像传感器技术在梨损伤检测中的影响，比较了最大似然分类（MLC）、欧几里得距离分类（EDC）、马哈拉诺比距离分类（MDC）和谱角映射器（SAM）等方法的处理结果，实验结果表明，MDC和SAM具有良好的检测性能，检测精度分别为93.8%和95.0%/43]。Dang将高光谱成像技术与K-最近邻（K-NN）和支持向量机（SVM）等监督分类技术相结合，对梨的损伤区域进行检测[4]。Jiang利用主成分分析方法提取了香梨高光谱图像的特征波长，再利用PLS-DA实现香梨损伤的识别]。

在这些研究中，只是通过实验证明了利用高光谱对香梨损伤检测的可行性，在特征波长选择方面，还需要更多的研究。