高光谱技术检测农产品成熟度研究进展

张义志 王瑞 张伟峰 卢晓华 高远 顾毓敏 王大彬

摘要：高光谱技术作为近年来兴起的一项融合传统成像技术的新型三维光谱检测技术，能够同时获得目标物的光谱信息和图像信息，具有无损、快速等特点，在农产品成熟度检测方面应用潜力巨大。综述了近年来高光谱技术在水果、番茄、烟草等农产品成熟度检测中的研究现状和进展，指出了目前在应用方面存在的问题，并提出了改进措施。

关键词：高光谱技术;农产品;成熟度

中图分类号：S371

文献标识码：A

文章编号：0439-8114（ 2020）12-0005-04

DOI：10.1408 8/j .cnki.issn043 9- 8114.2020.12.001

開放科学（资源服务）标识码（OSID）：

农产品成熟度是农业生产中的核心议题，对成熟度的精准把控是获得高产优质农产品的必要条件。目前，农产品成熟度的确定主要靠主观经验和化学成分检测。主观经验判断是以生产者对农产品的外观特征（如颜色）和物理性状（如硬度、气味等）进行主观判断，是一种以定性描述为主的判别方法。该方法无法进行科学精准地定量描述，受主观经验影响较大，而且不同个体之间主观感受差异较大，存在较强的主观性和随意性，因此难以形成一套科学的标准体系[1]。化学成分检测是通过对样品的相关代表性组分进行定量检测的判定技术。该方法是一种有损的、不可重复的检测方法，操作繁琐耗时、检测成本高，而且单个样品无法代表整体性，在大范围尺度上难以进行推广[2]。因此，建立一种兼顾定性和定量，且在大范围尺度上对农产品成熟度进行无损、快速、高效的检测技术具有很高的现实性和迫切性。

高光谱遥感是指利用成像光谱仪或地物光谱仪，通过电磁波与地物的相互作用以波谱和空间二维成像方式探查地物表面特性的一种光学遥感探测技术，其测量光谱跨度包括近红外区域、可见光区域及紫外光区域[3]。高光谱遥感技术目前包括地物光谱测量技术和成像光谱测量技术，并由此发展出了地物光谱仪和成像光谱仪。地物光谱技术主要是用来测量地表沉积物、土壤、植物、水体和人工目标等在400-2 500 nm波段范围的反射率和透过率，并利用探测到的目标物的吸收特性进行特异性识别，其检测方式是直接获取目标物的光谱反射率曲线，然后通过提取特征光谱进行分类分析。此后，随着探测技术和成像技术的不断发展，高光谱成像技术应运而生。高光谱成像技术融合了光谱学和图像学技术，可以同时获得目标物的光谱信息和图像信息。目前，高光谱技术被广泛应用于区域尺度下对地物的遥感探测，如矿物资源调查、林种资源评估、大宗经济作物估产、病害监测和全球尺度上的地球物理化学过程评价、地球水文过程评价、大气过程评价等[4]。此外，近年来随着精准农业的兴起，高光谱技术在农产品品质无损检测方面得到广泛关注[5，6]。成熟度作为影响农产品品质和经济效益的重要指标，同样成为高光谱技术在农产品检测领域的研究热点，本研究综述了近年来高光谱技术在水果、番茄、烟草等农产品成熟度检测中的研究现状和进展，指出目前该技术在应用方面存在的问题，并提出改进措施，以期为这方面研究提供参考。

1 高光谱技术检测水果的成熟度

水果作为一种时令性农产品，掌握其最佳采摘期非常关键，若果实采摘过早，会降低成熟后的口感、营养及风味，采摘过晚会导致果实变软，易受损伤，难以运输和贮藏。因此，快速无损精确地检测其成熟度对于确定水果的最佳采摘期意义重大。

目前，高光谱技术在水果成熟判别方面的研究开展最为广泛。薛建新等[7]利用400-1000 nm波段的高光谱成像技术研究了沙金杏的成熟度，发现其可溶性固形物与成熟度之间存在相关性（r=0.938 6），利用偏最小二乘回归（PISR）模型提取得到了9个特征波长（434、528、559、595、652、678、692、728、954 nm），利用图像数据灰度共生矩阵（GLCM）提取到6项图像纹理指标（均值、对比度、相关性、能量、同质性和熵），利用RCB模型提取到6项图像颜色指标（R、G、B分量图像的平均值和标准差），通过对以上3类指标进行优化组合分别建立极限学习机（EIM）模型对沙金杏成熟度进行判别，最后发现使用特征波长与颜色特征融合值建立的ELM模型判别正确率最高（93.33%）。李丽丽等[8]利用高光谱成像技术通过提取不同的信息特征研究了李果实的成熟度，运用Matlab软件编程对各种成熟度样本的图像进行颜色特征值提取，分别获得RCB和HSV彩色图像模型不同分量的平均值和标准差作为颜色特征值，并建立RCB、HSV颜色特征值以及RCB-HSV特征值相融合的样本成熟度PLS判别模型，并对所建立的判别模型进行预测，结果表明，基于RCB-HSV相融合颜色特征值的判别模型准确率优于RCB和HSV彩色图像模型，对未熟、半熟、成熟、过熟的李果实判别准确率达到98.4%、90.0%、85.6%及90.0%。

李军宇等[9]采用高光谱成像技术（450-1 000nm）采集不同成熟阶段李果实的高光谱信息，同时测定与成熟度有关的理化指标（可溶性固形物和硬度值）并进行单因素方差分析，通过连续投影算法（SPA）和主成分分析（PCA）分别提取得到不同成熟度样本光谱数据的10个特征波长和前5个主成分值（累积贡献率达97.83%），利用RCB、HSV颜色模型对样本图像进行颜色特征提取，分别建立基于光谱信息、图像信息及两者融合的PLS判别模型，结果表明，基于二者信息融合的PLS模型效果最佳（91.25%）。

可溶性固形物含量（SSC）和硬度是哈密瓜等级划分的重要指标，同时也是成熟度的表征因子。孙静涛等[10]采用高光谱技术结合特征波长筛选方法对哈密瓜的ssc、硬度及成熟度进行了无损检测研究，首先利用多元散射校正（MSC）对光谱数据进行预处理，然后分别利用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长，并将原始光谱、MSC预处理光谱以及筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机（SVM）预测模型及成熟度判别模型，结果显示，MSC-CARS-SPA方法建立的SSC和硬度SVM预测模型最优，同时建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析（PCA）特征融合的哈密瓜成熟度SVM判别模型。CARS-PCA-SVM模型的判别结果与全光谱的标准正态变换（ SNV） -SVM模型相同，其校正集和预测集判别正确率分别为95%和94%。

蒋浩等[11]采用高光谱图像技术比较了原有参数与新建参数模型预测草莓成熟度的优劣，通过提取草莓样本ROI的平均光谱，计算已有的8个成熟度参数（Indl、Ind2、Ind3、IAD、11、12、13、14）的参数值，并结合Fisher线性判别法判断8个参数对于3种成熟度（成熟、接近成熟、未成熟）草莓样本的识别效果，发现基于14参数的线性判别分析模型的识别效果最好，建模集和预测集识别准确率分别为90.00%和91.67%;此外，基于草莓的光谱特征新提取与成熟度相关的3个波长为535、675和980 nm，并基于这3个波长构建了4个用于草莓成熟度检测的新参数（il、i2、i3、i4），通过Fisher线性判别模型发现基于参数il、i2和i4的线性判别分析模型的识别效果均比参数14好，优于原有参数模型。

Pu等[12]分别利用600-1 000 nm和1 000-2 500 nm 2个波段的高光谱成像技术研究了荔枝的成熟度，通过PLSR模型得到2个波段的最优波长，然后基于PLS-DA模型对荔枝成熟度进行判别，准确率分别为90.63%和96.88%。Wei等[13]利用高光谱成像技术（400-1 000 nm）研究了柿子的成熟度，首先利用SPA和CLCM提取了3个光谱和纹理特征波长（518、711、980 nm），基于此建立线性判别分析模型（IDA）进行成熟度分类，正确率高达95.3%。Rajkumar等[14]通过高光谱成像技术（400-1 000 nm）研究了香蕉不同成熟阶段与质量参数的关系，运用PLS技术提取了分别代表水分、硬度以及TSS的特征波长，然后基于多线性回归模型（MIR）进行回归拟合，相关系数分别为0.87（水分）、0.91（硬度）和0.85（ TSS）.其中成熟度与TSS和硬度之间呈多元线性回归，与水分呈一元线性回归关系。Menesatti等[15]利用波长为1 000-1 700 nm的高光谱成像技术研究苹果的淀粉含量，通过PLS-DA判别模型计算淀粉指数实现对苹果成熟度的判断。

2 高光谱技术检测番茄的成熟度

番茄是世界上重要的蔬菜作物之一，世界范围内年种植面积约300万hm2，年平均产量高达6 000万t。由于番茄中富含抗氧化剂，在日常饮食中得到人们的广泛青睐。番茄成熟度不仅影响其品相、口感，还与其抗氧化效果密切相关。如番茄中最为重要的抗氧化剂类胡萝卜素含量会随着番茄成熟度的增加而不断积累[16]。此外，番茄在成熟过程中叶绿素类物质会不断分解，从而导致颜色的变化。目前，番茄成熟度的最主要判定因子是其表面颜色，已有研究报道了通过对其表面颜色的图像进行处理实现番茄成熟度的在线判别[17.18]。然而，该方法容易受到测量环境、番茄表面的光反射/吸收特征以及仪器等因素的干扰，因此判别误差较高。后来，研究者还引入声学、果实硬度等因素以提高番茄成熟度的判别[19]。

番茄成熟过程实质上是其内部某些物质含量发生变化导致的，从而引起了其外在感官特征（颜色）的变化。高光谱技术可以同时获得检测对象化学成分的光谱信息和图像信息，而且目前与番茄成熟有关的叶绿素和类胡萝卜素的反射光谱信息是已知的，因此理论上通过高光谱技术进行番茄成熟度的在线快速判定是可行的。目前，有关高光谱测定番茄成熟度的研究大多由国外学者报道。Polder等[20]利用波长为450-850 nm的高光谱成像技术研究了番茄成熟度，利用PCA-LDA模型对不同成熟度番茄进行分类，结果表明该方法比標准的RCB图像方法具有更高的可靠性，单个像素的分类错误率由40%降低到7%。随后利用独立成分分析（ICA）技术对番茄的高光谱图像进行分析处理，研究发现不同成熟度番茄的吸收光谱与其含有的番茄红素和叶绿素含量密切相关，该方法可以应用于番茄成熟度的在线分选系统[21]。Zhu等[22]利用高光谱技术研究了不同成熟度番茄的吸收光谱和散射光谱，结果发现，同时利用番茄的吸收光谱和散射光谱数据进行建模比两者单独建模对成熟度进行判别具有更高的准确性。

3 高光谱技术检测烟叶的成熟度

烤烟是中国重要的经济作物，其采收成熟度一直是烟叶生产中的关键议题。成熟度好的烟叶香气质好，香气量充足，杂气和刺激性小，化学成分协调，烟叶等级和经济价值高。长期以来，烟叶成熟度问题一直是困扰各产烟国的研究重点和难点。烟叶在田间成熟过程中，叶片中的某些内含物质会发生分解和转化，并由此引起叶片外观特征发生变化[23]。目前，判断烟叶成熟度的方法主要是通过观察其外观特征以及测定内在化学成分[24]。然而基于以上方法判断成熟度具有依赖主观经验、检测繁琐耗时等缺点，难以进行大面积推广。因此，通过高光谱技术获取烟叶的光谱信息进行成熟度判断，具有快速、无损、重现性好、便于在线分析、易于大面积推广等优点。高光谱技术检测烟叶成熟度原理是基于烟叶成熟后由于内含物质转化而导致叶面外观相应改变，并由此在反射光谱上得到相应体现。

目前，高光谱技术检测烟叶成熟度的研究已有诸多报道。李向阳等[25]研究报道了不同施氮水平下不同成熟度烤烟叶片光谱红边参数特性，通过相关分析和逐步回归方法计算发现成熟度和红边位置具有很好的相关性，成熟叶片红边位置为693-695nm，过熟叶片红边位置极值为688 nm。李佛琳等[26]分析了5个不同成熟度烤烟鲜烟叶的可见/近红外（350-1 650 nm）光谱差异，通过方差分析发现不同成熟度鲜烟叶在可见光503-651 nm的光谱差异显著，在此范围内利用逐步回归分析筛选出3个特征波长（514、629、650 nm），并以此建立典则判别分析模型，对训练样本和验证样本的判断准确率达98%、97%。王建伟等[27]分析了不同成熟度烟叶的高光谱反射率、位置变量、面积变量和植被变量等光谱参数的差异，在可见光（400～680 nm）范围内反射率随成熟度的提高而逐渐升高，特别是550～680 nm的光谱反射率对不同成熟度烟叶有较好的区分效应，而在近红外范围内反射率随成熟度提高而减小，随着烟叶成熟度的提高，光谱中的绿峰幅值、红光吸收谷幅值逐渐增大;绿峰位置、红光吸收谷位置有推后的趋势，红边位置逐渐提前，红边面积与蓝边面积的比值及归一化比值显著降低，绿峰与红谷的比值及归一化比值有降低的趋势，通过研究发现某些光谱参数与烟叶成熟度之间具有规律性变化，从而为利用高光谱技术判别烟叶成熟度提供了数据基础和理论依据。

叶绿素相对含量（SPAD）与烟叶成熟度密切相关，李青山等[28]分析了不同成熟度烟叶的高光谱反射率、位置变量、面积变量和植被变量等光谱参数的差异，并通过相关分析和逐步回归的方法确定了高光谱参数与SPAD值的关系，发现红谷反射率与SPAD值回归方程的预测效果较好，基于此建立了预测SPAD值的回归模型用于成熟度判别。韩龙洋等[29]利用高光谱仪测定了4个不同成熟度烤烟样本的光谱特征曲线，将400～2 400 nm波段的光谱进行SNV、Savitzky—Golav平滑滤波和一阶微分滤波预处理优化，并建立了烤烟成熟度的PLS—DA判别模型，对训练集和验证集的正确识别率为100%、92.5%。梁寅等[30]开展了基于SVM模型的烟叶成熟度高光谱识别研究，通过卜M距离计算提取得到了与成熟度密切相关的特征向量，建立了SVM模型进行判别分类，准确率在90%以上。

目前，高光谱技术研究烟叶成熟度判别方面还处在起步阶段，主要是通过其光谱信息的差异进行判别分类，而对于其图像信息差异的提取研究还鲜见报道，限制了高光谱技术在该领域的应用潜能，因此，未来以光谱信息和图像信息为基础的高光谱成像技术在烟叶成熟度判别方面潜力巨大。

4 小结

高光谱技术作为一项新型的无损检测技术，能够同时提供研究对象的图像信息和光谱信息，在农产品成熟度检测方面具有独特优势。然而，总的来说高光谱技术目前在农产品成熟度检测方面大都处在实验室研究阶段，实际应用的案例较少，这可能是由于以下2个限制因素导致的。一个是目前的高光谱仪器（特别是高光谱成像仪）对检测环境条件有较高要求，而且仪器的便携化有待提高，限制了高光谱技术快速无损现场化检测，因此研制能够适应现场自然条件下便携式高光谱成像仪是要解决的首要问题;另一个是高光谱成像技术能够同时得到大量图像和光谱信息数据，在这些数据信息中绝大部分是冗余无用的，因此如何从海量数据中得到有效信息是实现应用的关键问题，基于目前数据处理技术得到的模型在实际应用中存在缺陷，借助目前最新的人工智能技术，通过深度学习方法建立计算机视觉系统，实现高光谱技术对农产品成熟度的现场快速检测或许是可行的解决方案。随着现代科技的不断发展和学科之间的深度融合，高光谱技术会向着便携化、智能化方向发展，因此其在农产品成熟度检测方面有着广阔的应用前景。

参考文献：

[1]霍开玲，宋朝鹏，武圣江，等.不同成熟度烟叶烘烤中颜色值和色素含量的变化[J].中国农业科学，2011，44（ 10）：2013-2021.

[2]楊昆程，孙梅，陈兴海，水果成熟度的高光谱成像无损检测研 究[J].食品科学技术学报，2015，33（4）：63-67.

[3]张达，郑玉权.高光谱遥感的发展与应用LJ].光学与光电技术，2013，11（3）：67-73.

[4]童庆禧，张兵，张立福.中国高光谱遥感的前沿进展[J].遥感学报，2016，20（5）：689-707.

[5]张保华，李江波，樊书祥，等高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J].光谱学与光谱分析，2014，34（10）：2743-2751.

[6]吴龙国，何建国，贺晓光，等高光谱图像技术在水果无损检测中的研究进展[J].激光与红外，2013，43（9）：990-996.

[7]薛建新，张淑娟，张晶晶.基于高光谱成像技术的沙金杏成熟度判别[J].农业a 程学报，2015，31（11）：300-307.

[8]李丽丽，王斌，张学豪，等基于高光谱图像信息的李果实成熟度判别[J].现代食品科技，2017，33（12）：228-232

[9]李军宇，张淑娟，张学豪，等李果实成熟度的高光谱成像判别研究[J].农机化研究，2017，39（ 12）：141-145.

[10]孙静涛，马本学，董娟，等高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究[J].光谱学与光谱分析，2017， 37（7）：2184-2191.

[11]蒋浩，张初，刘飞，等，基于高光谱图像多光谱参数的草莓成熟度识别[J].光谱学与光谱分析，2016，36（5）：1423- 1427.

[12] PU H B，LIU D，WANG L，et al.Soluble solids content and pHprediction and maturity discrimination of lvchee fruits using visi-ble and near infrared hyperspectral imaging[Jl. Food analvtical methods. 2016.9（1）：235-244

[13] WEI X，LIU F，QIU Z，et al. Ripeness classification of astringentpersimmon using hyperspectral imaging technique LJl. Food andbioprocess technology， 2014，7（5）：1371-1380.

[14] RAJKUMARP， WANC.N.EIMASRYG，et al Studies on bananafruit quality and maturitV stages using hyperspectral imaging[J].Journal of food engineering. 2012， 108（1）：194-200.

[15] MENESATTI P.ZANELLA A，D'ANDREA S，et al.Supervisedmultivariate analysis of hyper-spectral NIR images to evaluate thestarch index of apples [J]. Food and bioprocess technology，2009.2（3）：308-314.

[16] POLDER G. VAN DER HEIJDEN G. Measuring ripening of toma一Loes using imaging spectrometry [Al. SUN D W. Hyperspectral im-aging for food quality analysis and conLrol [Ml. New York ： Aca-demic Press . 2010. 369-402.

[17] ARIAS R. LEE T C. LOCJENDRA L. et al. Correlation of lyco-pene measured by HPLC with che /*. a*. b* color readings of ahydroponic tomato and the relationship of maturiLy wich color anrllycopene contenL [J]. Journal of agriculLural and food chemistry ，2000. 48（ 5） ： 1697-1702.

[18] CHOI K H G H. LEE G， HAN Y J， et al. TomaLo maturity evalua- Lion using color image analysis [Jl.Transaclions of Lhe ASAE，1995. 38（ 1） ： 171-176.

[19] BALTAZAR A. ARANDA J I， GONZALEZ-AGUILAR G. Bayes-ian classificaLion of ripening stages of Lomato fruic using acousticimpact ancl colorimeter sensor data EJl . Computers and electronicsin agriculture . 2008. 60（ 2） ： 113-121.

[20]POLDER G ， VAN DER HEIJDEN C W A M. YOUNC I T. Hyper-spectral image analysis for measuring ripeness of Lomatoes [J].Transactions of the ASAE . 2002 . 45（4） ： 1155-1161.

[21] POLDER C.VAN DER HEIJDEN C W A M . YOUNG I T. Tomatosorting using independent componenL analysis on spec：Lral imag-es[Jl. Real-time imaging. 2003 ， 9（4） ： 253-259.

[22] ZHU Q， HE C. LU R， et al. Ripeness evaluation of ' Sun Bright' Lomato using oplical absorption and scaUering properties[J].Post-harvest biology and technology， 2015， 103： 27-34.

[23]高汉杰，陈汉新，彭世阳，等烟叶成熟度鉴别方法与实用五段式烘烤新工艺应用研究的回顾[J].中国烟草科学，2002（4）： 40-42

[24]李富强，陈红华，张学伟，等.烤烟采收成熟度研究进展[J].湖北农业科学，2019，58（ S2）：39-41，81.

[25]李向阳，刘国顺，史舟，等.利用室内光谱红边参数估测烤烟叶片成熟度[J].遥感学报，2007，11（2）：269-275.

[26]李佛琳，赵春江，王纪华，等.不同成熟度烤烟鲜叶的高光谱响应及其判别分析[J].福建农林大学学报（自然科学版），2008， 37（6）：565-569.

[27]王建伟，张艳玲，李海江，等.田间不同成熟度烤烟上部叶的高光谱特征分析[J].烟草科技，2013（5）：64-67.

[28]李青山，王传义，谭效磊，等.不同成熟度烟叶高光谱特征分析及与SPAD值的关系[J].西南农业学报，2017，30（2）：333- 338.

[29]韩龙洋，王一丁，张文龙，等.基于高光谱技术的烤烟成熟度判 别研究[J].延边大学农学学报，2015，37（4）：286-291，301.

[30]梁寅，張云伟，李军营.基于支持向量机的云烟87烟叶成熟度高光谱遥感识别[J].西南农业学报，2013，26（3）：957-962

基金项目：国家白然科学基金项目（31801646）;中国农业科学院科技创新T程（ASTIP-TRIC 06）;中国农业科学院基本科研业务费（ 1610232017011）

作者简介：张义志（1982-），男，山东青岛人，助理研究员，硕士，主要从事农产品质量与安全研究，（电话）0532-88703386（电子信箱）zhangyizhi@caas.cn;通信作者，王大彬，助理研究员，主要从事烟草化学成分光学分析，（电子信箱）wangdabin@caas.cn。