紅棗（Zizyphus jujuba Mill.）作為一種富含營(yíng)養(yǎng)的水果，廣泛應(yīng)用于食品、保健品及中藥領(lǐng)域。其具有較高的經(jīng)濟(jì)價(jià)值和營(yíng)養(yǎng)價(jià)值，尤其富含維生素C、礦物質(zhì)和膳食纖維，具有抗氧化、調(diào)節(jié)血糖和促進(jìn)消化等多種健康益處。隨著市場(chǎng)需求的不斷增長(zhǎng)，高品質(zhì)紅棗逐漸成為人們健康飲食的重要組成部分。然而，在采摘、運(yùn)輸和儲(chǔ)存過程中，紅棗常面臨機(jī)械損傷、蟲害、裂縫等問題，這些缺陷會(huì)影響其外觀、口感及營(yíng)養(yǎng)成分。因此，

2. 傳統(tǒng)紅棗品質(zhì)檢測(cè)方法及其局限性

2.1人工檢測(cè)方法的局限性

傳統(tǒng)的人工目視檢查方法在紅棗質(zhì)量檢測(cè)中長(zhǎng)期占據(jù)主導(dǎo)地位，尤其在日常生產(chǎn)和初步篩選過程中，操作簡(jiǎn)單且直接。然而，人工檢測(cè)方法存在顯著的局限性，首先，檢測(cè)效率低，難以滿足快速、高效的質(zhì)量檢測(cè)需求；其次，人工檢測(cè)主觀性強(qiáng)，容易受到環(huán)境、疲勞以及檢測(cè)人員經(jīng)驗(yàn)水平的影響，導(dǎo)致漏檢和誤判。此外，人工檢測(cè)方法只能在可見光范圍內(nèi)進(jìn)行，導(dǎo)致其對(duì)某些隱性缺陷（如內(nèi)部蟲害、微裂縫等）的檢測(cè)能力有限，無法提供**的質(zhì)量評(píng)估。

2.2化學(xué)分析方法的局限性

傳統(tǒng)的化學(xué)分析方法主要用于紅棗中的成分分析，如糖分、酸度、抗氧化劑、維生素含量等指標(biāo)的測(cè)定。這些方法通常需要昂貴的設(shè)備和專業(yè)的實(shí)驗(yàn)室環(huán)境，且操作過程繁瑣、時(shí)間消耗較大。例如，高效液相色譜法（HPLC）、氣相色譜法（GC）等先進(jìn)技術(shù)，這些方法雖然具有較高的精度，但高成本和操作復(fù)雜使其在大規(guī)模生產(chǎn)過程中應(yīng)用受限。此外，化學(xué)分析方法通常屬于破壞性檢測(cè)，即檢測(cè)過程需要破壞樣品，并且只能在樣品經(jīng)過處理后進(jìn)行分析，無法進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)。

3.  高光譜成像原理與技術(shù)特點(diǎn)

如何高效、無損地檢測(cè)紅棗的品質(zhì)成為產(chǎn)業(yè)發(fā)展的關(guān)鍵。隨著科技的進(jìn)步，高光譜成像技術(shù)和深度學(xué)習(xí)算法的結(jié)合為紅棗品質(zhì)檢測(cè)提供了新的思路。

高光譜成像技術(shù)是一種將二維成像技術(shù)和光譜技術(shù)相結(jié)合的先進(jìn)檢測(cè)方法，能夠同時(shí)獲取圖像和每個(gè)像素的光譜信息，提供多維度的物質(zhì)分析。這項(xiàng)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用得到了廣泛關(guān)注，特別是在紅棗的質(zhì)量檢測(cè)中，提供了一種**、高效、無損的方式來評(píng)估其品質(zhì)。通過高光譜成像，可以對(duì)紅棗的糖分含量、酸度、水分、硬度等品質(zhì)參數(shù)進(jìn)行定性和定量分析，幫助提高紅棗的產(chǎn)地溯源能力和質(zhì)量控制水平。結(jié)合成像與光譜分析，可以在不破壞樣品的前提下，實(shí)時(shí)獲取紅棗的光譜數(shù)據(jù)并進(jìn)行分析。通過光譜數(shù)據(jù)，可以分析紅棗的糖分、酸度、水分等品質(zhì)指標(biāo)，同時(shí)能夠檢測(cè)到紅棗中的隱性缺陷，如內(nèi)部裂縫、蟲害等，從而為紅棗的品質(zhì)控制提供了更**的依據(jù)。特別是結(jié)合深度學(xué)習(xí)算法，高光譜成像技術(shù)可以進(jìn)一步提高數(shù)據(jù)分析的精度和智能化水平。

隨著精準(zhǔn)農(nóng)業(yè)的興起，高光譜成像技術(shù)在紅棗等農(nóng)產(chǎn)品的應(yīng)用前景廣闊。通過實(shí)時(shí)、無損的檢測(cè)，不僅可以提高紅棗的生產(chǎn)效率，減少人工檢查的誤差，還能確保產(chǎn)品質(zhì)量的一致性，推動(dòng)紅棗產(chǎn)業(yè)向標(biāo)準(zhǔn)化、智能化方向發(fā)展。高光譜成像技術(shù)在紅棗品質(zhì)檢測(cè)中的應(yīng)用

4.1高光譜成像技術(shù)在鮮棗損傷檢測(cè)中的應(yīng)用

Di Wu等(D. Wu et al., 2023)以靈武長(zhǎng)棗為對(duì)象，探索了高光譜成像結(jié)合深度學(xué)習(xí)在紅棗瘀傷時(shí)間無損識(shí)別中的應(yīng)用潛力，旨在解決傳統(tǒng)目測(cè)方法主觀性強(qiáng)、效率低、早期瘀傷難識(shí)別的問題。通過標(biāo)準(zhǔn)化機(jī)械裝置在果實(shí)赤道區(qū)域人工制造瘀傷，并設(shè)置0 h、12 h、24 h、48 h四個(gè)時(shí)間點(diǎn)進(jìn)行分組，確保瘀傷時(shí)間的可控性和實(shí)驗(yàn)可重復(fù)性。

圖1靈武長(zhǎng)棗外傷機(jī)械裝置及構(gòu)建的深度學(xué)習(xí)模型

本研究采用波段范圍為900~1700 nm的近紅外高光譜成像系統(tǒng)獲取紅棗樣本圖像，以果實(shí)整區(qū)域?yàn)楦信d趣區(qū)域（ROI）提取平均光譜數(shù)據(jù)，并利用擴(kuò)展多元信號(hào)校正（EMSC）方法對(duì)原始光譜進(jìn)行預(yù)處理，有效消除光譜偏移和噪聲干擾，提升數(shù)據(jù)質(zhì)量。為降低數(shù)據(jù)維度、提高模型運(yùn)行效率并突出與瘀傷時(shí)間相關(guān)的重要信息，分別采用SCARS與BOSS兩種特征波段篩選算法，其中BOSS在保留分類關(guān)鍵信息方面表現(xiàn)更優(yōu)。圖像方面，通過主成分分析（PCA）提取主成分圖像，并結(jié)合灰度-梯度共生矩陣（GLGCM）從中提取14種紋理特征，涵蓋圖像的灰度、梯度分布、結(jié)構(gòu)復(fù)雜度等多個(gè)維度。

圖2紅棗樣品的前三張PC圖（紅色圓圈和箭頭標(biāo)記的區(qū)域?yàn)轲鰝?/span>

在建模階段，分別構(gòu)建了基于原始全波段、特征波段和光譜-紋理融合數(shù)據(jù)的分類模型，采用三種算法進(jìn)行對(duì)比分析：傳統(tǒng)的偏*小二乘判別分析（PLS-DA）、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及深度學(xué)習(xí)的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）。同時(shí)，為探究數(shù)據(jù)規(guī)模對(duì)模型性能的影響，設(shè)定小樣本集（SD，200個(gè)樣本）和大樣本集（LD，820個(gè)樣本）兩種情形，系統(tǒng)比較各模型在不同輸入數(shù)據(jù)和數(shù)據(jù)規(guī)模下的分類效果。實(shí)驗(yàn)結(jié)果表明，融合建模顯著提升分類準(zhǔn)確率，尤其是融合BOSS特征波段與高相關(guān)紋理特征（熵、慣性和梯度均方誤差）的1D-CNN模型在LD條件下取得*優(yōu)表現(xiàn)（預(yù)測(cè)準(zhǔn)確率ACCp高達(dá)96.10%），展現(xiàn)出良好的非線性建模能力與特征提取優(yōu)勢(shì)。進(jìn)一步分析發(fā)現(xiàn)，樣本數(shù)量對(duì)模型性能具有顯著影響，深度學(xué)習(xí)模型在大規(guī)模數(shù)據(jù)條件下尤為穩(wěn)定，魯棒性更強(qiáng)。

Yuan等(Yuan et al., 2022)針對(duì)Lingwu長(zhǎng)棗在采后流通過程中易發(fā)生早期瘀傷且難以肉眼識(shí)別的問題，基于可見-近紅外高光譜成像技術(shù)（400~1000 nm），系統(tǒng)比較了反射率、吸光度與Kubelka-Munk變換三種光譜表達(dá)方式在瘀傷識(shí)別中的表現(xiàn)差異。通過構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系，采集四類不同損傷等級(jí)樣本的光譜數(shù)據(jù)。

圖3紅棗損傷反射率、吸光度與Kubelka-Munk光譜數(shù)據(jù)

通過構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系，采集四類不同損傷等級(jí)樣本，結(jié)合多種光譜預(yù)處理方法（如SNV、MSC、OSC等）及特征波段篩選算法（CARS與iVISSA），分別建立了PLS-DA與SVM分類模型，深入探討了模型精度與波段篩選策略的關(guān)系。結(jié)果表明，吸光度表達(dá)下基于iVISSA篩選的PLS-DA模型在保證特征變量*少（占總波段28.8%）的前提下，交叉驗(yàn)證準(zhǔn)確率達(dá)100%，顯示出優(yōu)異的判別能力與模型簡(jiǎn)潔性。整體來看，PLS-DA模型普遍優(yōu)于SVM模型，而CARS與iVISSA均能有效提升建模效率，尤其在iVISSA支持下，R、A、K-M三類光譜建模均獲得高精度表現(xiàn)。研究表明，結(jié)合iVISSA的PLS-DA建模方案在高光譜數(shù)據(jù)降維與早期瘀傷檢測(cè)中具有高度適配性，為開發(fā)紅棗及其他小果類果實(shí)的快速、無損質(zhì)量檢測(cè)系統(tǒng)提供了理論依據(jù)與技術(shù)路徑。

圖4特征選擇光譜分布位置

(Yu et al., 2014)聚焦于鮮棗果皮裂紋這一關(guān)鍵品質(zhì)缺陷的自動(dòng)識(shí)別問題，基于可見/近紅外高光譜成像（380–1030 nm），提出了融合圖像處理與多變量建模的裂紋識(shí)別方法，**實(shí)現(xiàn)了裂紋的精準(zhǔn)定位與面積定量評(píng)估。使用芬蘭Spectral Imaging公司生產(chǎn)的ImSpector V10高光譜成像光譜儀、HamamatsuC8484-05G高性能CCD相機(jī)以及Fiber-Lite DC950（150W）鹵素?zé)粽彰飨到y(tǒng)構(gòu)建反射式推掃成像系統(tǒng)。

圖5鮮棗果皮裂紋光譜采集系統(tǒng)和光譜曲線

為提取裂紋與非裂紋區(qū)域的光譜差異特征，研究采用了三種特征波段選擇方法：偏*小二乘回歸（PLSR）、主成分分析（SPCA）與獨(dú)立成分分析（SICA）。在此基礎(chǔ)上，分別建立了基于特征波段的*小二乘支持向量機(jī)（LS-SVM）分類模型，其中PLSR–LS-SVM模型在預(yù)測(cè)集上的識(shí)別準(zhǔn)確率達(dá)100%，性能優(yōu)于SPCA與SICA模型。進(jìn)一步，作者以PLSR篩選出的五個(gè)*優(yōu)波段（467、544、639、673和682 nm）構(gòu)建圖像序列并進(jìn)行SPCA變換，選取SPC-4圖像用于圖像處理。通過“區(qū)域增長(zhǎng)”“邊緣檢測(cè)”和“二值模板修復(fù)”等圖像處理技術(shù)，成功實(shí)現(xiàn)了裂紋區(qū)域的提取與面積計(jì)算，平均識(shí)別準(zhǔn)確率達(dá)90.5%。

(L. Wu et al., 2016)針對(duì)紅棗在采后環(huán)節(jié)中常見的三類外觀缺陷—裂紋、蟲蛀與瘀傷，提出了一種基于可見-近紅外（400–1000 nm）和近紅外（978–1586 nm）高光譜成像的綜合識(shí)別方法。研究構(gòu)建了雙波段推掃式成像系統(tǒng)，分別采用Spectral Imaging公司ImSpector N17E成像光譜儀與XC-130 CCD相機(jī)，以及G4-232 CCD相機(jī)，配合線性鹵素?zé)粽彰骱蚙olix步進(jìn)電機(jī)驅(qū)動(dòng)的傳送平臺(tái)，搭建高光譜采集系統(tǒng)，并借助SpectraCube和ENVI等軟件完成采集與ROI特征提取。為了提升模型實(shí)用性，研究采用PCA方法提取*優(yōu)波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm），并在此基礎(chǔ)上重建SVM與SIMCA模型。結(jié)果表明，在保留高分類精度的同時(shí)，有效降低了模型復(fù)雜度和硬件處理壓力。其中，SIMCA基于*優(yōu)波段在四類樣本上的準(zhǔn)確率仍高達(dá)93.9%以上，遠(yuǎn)優(yōu)于SVM模型，且對(duì)樣本小樣本建模更具魯棒性。研究系統(tǒng)比較了不同光譜段、表達(dá)方式、建模策略在紅棗常見缺陷識(shí)別中的效能，確認(rèn)了反射率表達(dá)+PCA選波段+SIMCA建模的方案在精度、簡(jiǎn)潔性與推廣性方面具備優(yōu)越性能，為實(shí)現(xiàn)紅棗商品化分級(jí)檢測(cè)提供了切實(shí)可行的技術(shù)路徑與系統(tǒng)原型。

(Yuan et al., 2021)聚焦于靈武長(zhǎng)棗在采摘運(yùn)輸過程中發(fā)生的內(nèi)部瘀傷分級(jí)識(shí)別問題，提出了基于可見/近紅外高光譜成像（VIS/NIR-HSI，波段范圍400–1000 nm）結(jié)合偏*小二乘判別分析（PLS-DA）的無損檢測(cè)方法，實(shí)現(xiàn)對(duì)不同瘀傷時(shí)間（2 h、4 h、8 h、12 h、24 h）棗樣的快速分類與判別。實(shí)驗(yàn)系統(tǒng)采用芬蘭Specim公司的ImSpector V10E-QE成像光譜儀、日本Hamamatsu的C8484-05G CCD相機(jī)、四個(gè)150W光纖鹵素?zé)簦―CR III）及Zolix步進(jìn)電機(jī)平臺(tái)構(gòu)建推掃式HSI系統(tǒng)。系統(tǒng)比較了多種預(yù)處理算法（MA、GF、SG、MSC、SNV、de-trending等）對(duì)原始光譜建模效果的影響，發(fā)現(xiàn)de-trending處理后構(gòu)建的PLS-DA模型表現(xiàn)*優(yōu)，訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率分別達(dá)85.56%和92.22%。為進(jìn)一步提升模型效率，研究采用了多種特征波段選擇算法（SPA、UVE、CARS、iVISSA、CA、2D-COS及其與SPA組合），結(jié)果顯示de-trending-CARS-PLS-DA模型*優(yōu)，僅用63個(gè)波段即可達(dá)到訓(xùn)練集86.67%、預(yù)測(cè)集91.11%的高精度，且在8 h、12 h、24 h三個(gè)瘀傷階段分類準(zhǔn)確率達(dá)100%。研究結(jié)果表明，高光譜成像結(jié)合波段選擇與PLS-DA判別模型可實(shí)現(xiàn)對(duì)棗果不同瘀傷進(jìn)程的高效判別，尤其在傷后8小時(shí)即可準(zhǔn)確檢測(cè)，顯著提升了果品質(zhì)量監(jiān)測(cè)的時(shí)效性。