(Thien Pham & Liou, 2022)圍繞紅棗果面常見(jiàn)缺陷（如裂紋、銹斑、腐爛、黑白霉等）在線(xiàn)識(shí)別問(wèn)題，開(kāi)發(fā)了一套基于推掃式高光譜成像系統(tǒng)的實(shí)時(shí)檢測(cè)系統(tǒng)，兼顧了檢測(cè)精度與運(yùn)行效率，展示了高光譜技術(shù)在果品工業(yè)分選中的落地能力。實(shí)驗(yàn)系統(tǒng)采用芬蘭Specim公司的ImSpector V10成像光譜儀、Edmund Optics的VIS-NIR鏡頭（50 mm/F2.0）、德國(guó)Basler的acA1920-155um CMOS單色相機(jī)、兩盞50W鹵素?zé)?，并結(jié)合NI-myDAQ數(shù)據(jù)采集卡、LabVIEW編程平臺(tái)和Python建模框架實(shí)現(xiàn)設(shè)備協(xié)同控制與模型調(diào)用，整體波段覆蓋468–950 nm。研究以“Kaohsiung No.11”紅棗為研究對(duì)象，采集了7種典型表皮狀態(tài)（包含正常、腐爛、裂紋、銹斑、白霉、黑霉與高光反射區(qū)）共計(jì)3.5萬(wàn)個(gè)像素樣本，并分別使用支持向量機(jī)（SVM）和三層人工神經(jīng)網(wǎng)絡(luò)（ANN）構(gòu)建像素級(jí)分類(lèi)模型。模型在VIS-NIR全波段下達(dá)到96.3%（SVM）和96.5%（ANN）的分類(lèi)精度，但SVM推理時(shí)長(zhǎng)高達(dá)320秒，不利于實(shí)時(shí)部署。通過(guò)等間隔法與PCA法在可見(jiàn)光波段（468–760 nm）中篩選出14個(gè)代表性波段（如469、491、535、602、713、757 nm等），構(gòu)建簡(jiǎn)化模型，顯著降低計(jì)算量。ANN模型在14波段下依然保持95%的準(zhǔn)確率，推理耗時(shí)縮短至16.6秒，展現(xiàn)出較強(qiáng)的實(shí)用價(jià)值。

圖6鮮棗損傷種類(lèi)和光譜采集系統(tǒng)

此外，系統(tǒng)軟件支持LabVIEW前端配置界面，調(diào)用Python訓(xùn)練模型實(shí)現(xiàn)在線(xiàn)分選，并結(jié)合圖像遮罩模型實(shí)現(xiàn)背景/果面區(qū)域自動(dòng)剔除，*終輸出帶分類(lèi)標(biāo)簽的掃描圖像。針對(duì)邊緣像素反射率低導(dǎo)致誤判問(wèn)題提出了去邊策略，并分析了常見(jiàn)誤判（如銹斑與腐爛混淆、白霉覆蓋誤識(shí)）成因及后續(xù)圖像分析優(yōu)化方向。

圖7圖像軟件界面及識(shí)別系統(tǒng)

(Pham et al., 2025)圍繞棗類(lèi)果實(shí)采后分選與分級(jí)中因表面曲率、雜散反光、柄端結(jié)構(gòu)等因素引發(fā)的誤判問(wèn)題，提出了一種基于可見(jiàn)-近紅外高光譜圖像（468–950 nm）與深度學(xué)習(xí)算法相結(jié)合的兩階段棗類(lèi)分選與分級(jí)方法。實(shí)驗(yàn)選取294個(gè)高雄11號(hào)“蜜棗”為研究對(duì)象，覆蓋銹斑、腐爛、黑霉、白霉、果肉暴露等常見(jiàn)表面缺陷。系統(tǒng)采用芬蘭Specim公司ImSpector V10成像光譜儀、Edmund Optics公司的VIS-NIR鏡頭（50 mm/F2.0）、德國(guó)Basler公司acA1920–155um黑白CMOS相機(jī)構(gòu)建推掃式高光譜成像平臺(tái)，并在暗室中完成數(shù)據(jù)采集，確保圖像光譜質(zhì)量。

采用像素級(jí)缺陷識(shí)別模型與果實(shí)級(jí)分選決策模型。通過(guò)訓(xùn)練含有27個(gè)特征波段的多類(lèi)別人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，對(duì)每個(gè)像素進(jìn)行分類(lèi)，構(gòu)建七類(lèi)缺陷圖層（正常、銹斑、腐爛、白霉、黑霉、果肉暴露、反光）。為提升模型魯棒性，系統(tǒng)引入YOLOv8n-seg語(yǔ)義分割網(wǎng)絡(luò)實(shí)現(xiàn)柄端區(qū)域識(shí)別，并通過(guò)一系列規(guī)則剔除因果實(shí)曲率（±45°照明條件下）或柄端結(jié)構(gòu)造成的錯(cuò)誤分類(lèi)。此外，針對(duì)儀器噪聲及灰塵導(dǎo)致的“椒鹽噪聲”，提出融合bwareaopen與imopen形態(tài)學(xué)處理的自適應(yīng)算法，顯著提升圖像純凈度?！胺诌x”階段，提出多標(biāo)簽分類(lèi)規(guī)則，若某一缺陷圖層中像素超過(guò)閾值，則判定該棗為不合格品。在“分級(jí)”階段，融合果形不規(guī)則度指標(biāo)與銹斑面積閾值對(duì)合格棗進(jìn)一步劃分為上等（Premium）、禮盒（Gifted）、普通（Good）三個(gè)等級(jí)。實(shí)驗(yàn)表明，像素分類(lèi)準(zhǔn)確率高達(dá)97.8%，而在處理曲率、柄端與噪聲干擾后，*終整果分選準(zhǔn)確率提升至91.78%，顯著高于未處理狀態(tài)下的34.88%。

(Jiang et al., 2023)面向冬棗采后貯藏過(guò)程中易感染的黑斑病，系統(tǒng)探索了可見(jiàn)-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像系統(tǒng)對(duì)病害不同階段的無(wú)損檢測(cè)與可視化能力。實(shí)驗(yàn)分為健康組、水處理對(duì)照組與病原接種組（人工創(chuàng)口注入1×10? CFU/mL**孢子懸液），在20°C條件下貯藏5天，每天采集40個(gè)樣本進(jìn)行高光譜圖像采集。Vis-NIR系統(tǒng)由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機(jī)構(gòu)成，SWIR系統(tǒng)則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機(jī)，實(shí)現(xiàn)數(shù)據(jù)獲取。

在圖像處理上，研究首先通過(guò)SNV、MSC和Auto Scale三種預(yù)處理方法對(duì)原始光譜去噪，然后以PLS-DA與SVM-DA構(gòu)建六階段病程分類(lèi)模型。結(jié)果顯示，Vis-NIR光譜下的SNV-PLS-DA模型表現(xiàn)*佳，預(yù)測(cè)準(zhǔn)確率達(dá)92.31%，明顯優(yōu)于SVM；而SWIR下SNV-PLS-DA模型準(zhǔn)確率亦達(dá)91.03%。但SWIR模型在早期（Day 2）病變階段識(shí)別準(zhǔn)確率低（69.23%），顯示其對(duì)初期癥狀敏感性有限。結(jié)合一元ANOVA結(jié)果，研究進(jìn)一步篩選出判別力較強(qiáng)的特征波段，如Vis-NIR中的492、518、638、683 nm，與類(lèi)胡蘿卜素和葉綠素吸收相關(guān)，SWIR中的1152、1327、1851 nm則與糖類(lèi)和O-H振動(dòng)有關(guān)。基于PCA對(duì)Vis-NIR圖像進(jìn)行可視化處理，成功提取出黑斑病病變區(qū)域的主成分偽彩圖，其中PC1圖像在Day 1和Day 2階段即可初步顯現(xiàn)感染部位，遠(yuǎn)優(yōu)于肉眼觀測(cè)。相較之下，SWIR系統(tǒng)在病變區(qū)域可視化能力較差，主要由于其光譜在前期感知差異度不高。

圖8HSI系統(tǒng)在兩個(gè)光譜區(qū)域檢測(cè)冬棗黑斑病并監(jiān)測(cè)其發(fā)病過(guò)程

(Pham & Liou, 2020)開(kāi)發(fā)了一種**的基于旋轉(zhuǎn)平臺(tái)的高光譜成像系統(tǒng)，用于檢測(cè)紅棗表面的缺陷。該系統(tǒng)工作波段范圍為468–950 nm，與傳統(tǒng)的線(xiàn)性?huà)呙柘到y(tǒng)相比，具有顯著優(yōu)勢(shì)，能在一次掃描中覆蓋紅棗表面約95%的區(qū)域，而傳統(tǒng)線(xiàn)性?huà)呙柘到y(tǒng)只能覆蓋約49%。通過(guò)旋轉(zhuǎn)平臺(tái)，該系統(tǒng)能夠掃描球形果實(shí)的大部分表面，避免了由于果實(shí)表面曲率導(dǎo)致的圖像畸變問(wèn)題。研究中針對(duì)紅棗的六種常見(jiàn)皮膚缺陷（銹斑、腐爛、白霉、黑霉、裂紋和反光）進(jìn)行了分類(lèi)，采用支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型進(jìn)行缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，兩種模型均表現(xiàn)出較高的分類(lèi)準(zhǔn)確率，SVM模型達(dá)到了97.3%的準(zhǔn)確率，ANN模型的準(zhǔn)確率為97.4%。通過(guò)混淆矩陣對(duì)模型進(jìn)行了評(píng)估，發(fā)現(xiàn)基于旋轉(zhuǎn)掃描數(shù)據(jù)訓(xùn)練的模型優(yōu)于線(xiàn)性?huà)呙钄?shù)據(jù)訓(xùn)練的模型。研究開(kāi)發(fā)了圖形用戶(hù)界面（GUI），用于高光譜數(shù)據(jù)的預(yù)處理，包括LOESS平滑濾波和使用白色與黑色參考圖像計(jì)算相對(duì)反射率。此外，為了解決果實(shí)邊緣區(qū)域因掃描線(xiàn)強(qiáng)度較低而導(dǎo)致的誤分類(lèi)問(wèn)題，采用了自適應(yīng)掩膜技術(shù)，有效減少了反光等因素對(duì)分類(lèi)結(jié)果的干擾。

圖9基于旋轉(zhuǎn)平臺(tái)的高光譜成像系統(tǒng)及光譜采集流程

(Lu et al., 2018)基于高光譜反射成像的青棗冷害檢測(cè)方法，選擇*合適的光譜分辨率和掃描速度，提高冷害在線(xiàn)分選的效率。實(shí)驗(yàn)中，使用了ImSpector V10光譜儀（Spectral Imaging Ltd., Finland）和C8484-05G CCD相機(jī)（Hamamatsu）構(gòu)建的高光譜成像系統(tǒng)，掃描范圍為380–1023 nm，并結(jié)合不同光譜分辨率（1.25 nm、2.51 nm、5.03 nm、10.08 nm）和掃描速度（8 mm/s與20 mm/s）進(jìn)行分析。青棗樣本經(jīng)過(guò)冷藏處理（0°C±0.5°C）不同天數(shù)后，分別分為正常、輕度冷害和重度冷害三類(lèi)。研究首先使用Criminisi算法對(duì)光譜圖像中的鏡面反射區(qū)域進(jìn)行修復(fù)，再通過(guò)隨機(jī)蛙算法選擇*優(yōu)的波長(zhǎng)特征進(jìn)行冷害分類(lèi)。

結(jié)果表明，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基于光譜特征的線(xiàn)性判別分析（LDA）模型能夠提供*佳的分類(lèi)性能，分別達(dá)到98.3%（兩類(lèi)分類(lèi)）和93.3%（三類(lèi)分類(lèi)）的準(zhǔn)確率。同時(shí)，使用基于圖像紋理的分類(lèi)方法時(shí)，分類(lèi)準(zhǔn)確率相對(duì)較低，顯示出光譜特征在冷害檢測(cè)中的重要性。對(duì)于光譜特征的選擇，1.25 nm分辨率下的關(guān)鍵波長(zhǎng)為726、724、889 nm，而在5.03 nm分辨率下，重要波長(zhǎng)則主要集中在839–880 nm范圍內(nèi)。這些波長(zhǎng)的選取有助于識(shí)別冷害對(duì)青棗果肉的影響，特別是在細(xì)胞結(jié)構(gòu)崩解引起的光散射變化上。

圖10基于高光譜成像技術(shù)的青棗冷害管道檢測(cè)

4.2高光譜成像技術(shù)在鮮棗內(nèi)部品質(zhì)檢測(cè)中的應(yīng)用

(Shao et al., 2024)采用可見(jiàn)-近紅外（Vis-NIR）高光譜成像技術(shù)，探索了不同成熟階段冬棗的可溶性固形物含量（SSC）監(jiān)測(cè)與貯藏期分析方法。通過(guò)支持向量回歸（SVR）和偏*小二乘回歸（PLSR）模型，研究了中熟與熟透冬棗的SSC與光譜數(shù)據(jù)之間的關(guān)系，結(jié)果表明SVR模型在篩選的有效波長(zhǎng)下表現(xiàn)出*佳的預(yù)測(cè)性能，外部驗(yàn)證集的決定系數(shù)（R2）和殘差預(yù)測(cè)偏差（RPD）分別為0.837和2.47（中熟）及0.806和2.28（熟透）。該研究還發(fā)現(xiàn)，SSC與果實(shí)成熟度和貯藏期之間存在顯著的空間分布相關(guān)性，并利用預(yù)測(cè)圖展示了不同成熟度和貯藏期下SSC的時(shí)空演化。進(jìn)一步，通過(guò)支持向量機(jī)（LIBSVM）庫(kù)建立了貯藏期分析模型，結(jié)果顯示中熟和熟透冬棗的貯藏期預(yù)測(cè)準(zhǔn)確率分別為89%和91%。這些結(jié)果表明，高光譜成像技術(shù)在冬棗質(zhì)量監(jiān)測(cè)及貯藏期分析中具有重要潛力，能夠提供非破壞性的質(zhì)量評(píng)估和儲(chǔ)藏期預(yù)測(cè)，促進(jìn)冬棗在儲(chǔ)存和市場(chǎng)中的管理。

圖11中熟(a)和熟(b)冬棗保質(zhì)期的SSC可視化圖

(Ma et al., 2024)基于無(wú)人機(jī)（UAV）多光譜技術(shù)，提出了一種用于檢測(cè)紅棗果實(shí)水分含量（MC）和可溶性固形物含量（SSC）的無(wú)損檢測(cè)方法。研究利用DJI Phantom 4 RTK UAV搭載的多光譜相機(jī)，采集了不同相對(duì)方位角下的紅棗多光譜數(shù)據(jù)，并采用偏*小二乘回歸（PLSR）和支持向量機(jī)（SVM）構(gòu)建了預(yù)測(cè)模型。研究發(fā)現(xiàn)，90°相對(duì)方位角下獲取的多光譜數(shù)據(jù)在MC預(yù)測(cè)中效果*佳，而180°相對(duì)方位角下的數(shù)據(jù)則在SSC預(yù)測(cè)中表現(xiàn)*佳。

研究進(jìn)一步提出了相對(duì)方位角數(shù)據(jù)融合方法，通過(guò)將來(lái)自8個(gè)不同相對(duì)方位角的數(shù)據(jù)進(jìn)行融合，建立了MC和SSC的聯(lián)合預(yù)測(cè)模型。結(jié)果顯示，相比于單一相位角的數(shù)據(jù)，多角度數(shù)據(jù)融合的模型在預(yù)測(cè)精度上有顯著提升，其中MC預(yù)測(cè)模型在PLSR與SVM模型中分別達(dá)到0.9067和0.9319的訓(xùn)練集R2，1.9935和2.1368的RMSEP；而在SSC預(yù)測(cè)方面，SVM模型表現(xiàn)更優(yōu)，訓(xùn)練集R2為0.8624，預(yù)測(cè)集R2為0.7663。

圖12無(wú)人機(jī)光譜采集

(Di et al., 2025)基于高光譜成像技術(shù)，提出了一種冬棗含水量的定量檢測(cè)方法，采用了光譜形態(tài)特征來(lái)提取與水分含量相關(guān)的特征。研究選取了四個(gè)特征波段（波峰R1、波谷R2、波峰R3、波谷R4）進(jìn)行光譜形態(tài)特征提取，包含了波高、全寬半高、左坡、右坡、肩寬、峰區(qū)面積等七個(gè)形態(tài)參數(shù)。通過(guò)多元線(xiàn)性回歸（MLR）分析，建立了不同波段的回歸模型，分析了各特征波段對(duì)冬棗水分含量的影響。使用了部分*小二乘回歸（PLSR）模型來(lái)構(gòu)建冬棗含水量的檢測(cè)模型，并利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）方法選擇有效的波長(zhǎng)變量。結(jié)果表明，波谷R2（1146 nm）的回歸模型在校準(zhǔn)集和預(yù)測(cè)集中的表現(xiàn)*佳，校準(zhǔn)集的相關(guān)系數(shù)（Rc）為0.9942，預(yù)測(cè)集的相關(guān)系數(shù)（Rp）為0.8698，表明該模型具有較高的預(yù)測(cè)精度。

圖13高光譜采集及分析可視化流程