双利高光谱成像系统在红枣品质检测中的应用进展（中）
(Thien Pham & Liou, 2022)围绕红枣果面常见缺陷（如裂纹、锈斑、腐烂、黑白霉等）在线识别问题，开发了一套基于推扫式高光谱成像系统的实时检测系统，兼顾了检测精度与运行效率，展示了高光谱技术在果品工业分选中的落地能力。实验系统采用芬兰Specim公司的ImSpector V10成像光谱仪、Edmund Optics的VIS-NIR镜头（50 mm/F2.0）、德国Basler的acA1920-155um CMOS单色相机、两盏50W卤素灯，并结合NI-myDAQ数据采集卡、LabVIEW编程平台和Python建模框架实现设备协同控制与模型调用，整体波段覆盖468–950 nm。研究以“Kaohsiung No.11”红枣为研究对象，采集了7种典型表皮状态（包含正常、腐烂、裂纹、锈斑、白霉、黑霉与高光反射区）共计3.5万个像素样本，并分别使用支持向量机（SVM）和三层人工神经网络（ANN）构建像素级分类模型。模型在VIS-NIR全波段下达到96.3%（SVM）和96.5%（ANN）的分类精度，但SVM推理时长高达320秒，不利于实时部署。通过等间隔法与PCA法在可见光波段（468–760 nm）中筛选出14个代表性波段（如469、491、535、602、713、757 nm等），构建简化模型，显著降低计算量。ANN模型在14波段下依然保持95%的准确率，推理耗时缩短至16.6秒，展现出较强的实用价值。
此外，系统软件支持LabVIEW前端配置界面，调用Python训练模型实现在线分选，并结合图像遮罩模型实现背景/果面区域自动剔除，*终输出带分类标签的扫描图像。针对边缘像素反射率低导致误判问题提出了去边策略，并分析了常见误判（如锈斑与腐烂混淆、白霉覆盖误识）成因及后续图像分析优化方向。
图7图像软件界面及识别系统
(Pham et al., 2025)围绕枣类果实采后分选与分级中因表面曲率、杂散反光、柄端结构等因素引发的误判问题，提出了一种基于可见-近红外高光谱图像（468–950 nm）与深度学习算法相结合的两阶段枣类分选与分级方法。实验选取294个高雄11号“蜜枣”为研究对象，覆盖锈斑、腐烂、黑霉、白霉、果肉暴露等常见表面缺陷。系统采用芬兰Specim公司ImSpector V10成像光谱仪、Edmund Optics公司的VIS-NIR镜头（50 mm/F2.0）、德国Basler公司acA1920–155um黑白CMOS相机构建推扫式高光谱成像平台，并在暗室中完成数据采集，确保图像光谱质量。
采用像素级缺陷识别模型与果实级分选决策模型。通过训练含有27个特征波段的多类别人工神经网络（ANN）模型，对每个像素进行分类，构建七类缺陷图层（正常、锈斑、腐烂、白霉、黑霉、果肉暴露、反光）。为提升模型鲁棒性，系统引入YOLOv8n-seg语义分割网络实现柄端区域识别，并通过一系列规则剔除因果实曲率（±45°照明条件下）或柄端结构造成的错误分类。此外，针对仪器噪声及灰尘导致的“椒盐噪声”，提出融合bwareaopen与imopen形态学处理的自适应算法，显著提升图像纯净度。“分选”阶段，提出多标签分类规则，若某一缺陷图层中像素超过阈值，则判定该枣为不合格品。在“分级”阶段，融合果形不规则度指标与锈斑面积阈值对合格枣进一步划分为上等（Premium）、礼盒（Gifted）、普通（Good）三个等级。实验表明，像素分类准确率高达97.8%，而在处理曲率、柄端与噪声干扰后，*终整果分选准确率提升至91.78%，显著高于未处理状态下的34.88%。
(Jiang et al., 2023)面向冬枣采后贮藏过程中易感染的黑斑病，系统探索了可见-近红外（400–1000 nm）与短波红外（1000–2000 nm）高光谱成像系统对病害不同阶段的无损检测与可视化能力。实验分为健康组、水处理对照组与病原接种组（人工创口注入1×10⁵ CFU/mL**孢子悬液），在20°C条件下贮藏5天，每天采集40个样本进行高光谱图像采集。Vis-NIR系统由Specim ImSpector V10E成像光谱仪与Imperx ICLB1620 CCD相机构成，SWIR系统则采用Specim ImSpector N25E光谱仪与Raptor EM285CL相机，实现数据获取。
在图像处理上，研究首先通过SNV、MSC和Auto Scale三种预处理方法对原始光谱去噪，然后以PLS-DA与SVM-DA构建六阶段病程分类模型。结果显示，Vis-NIR光谱下的SNV-PLS-DA模型表现*佳，预测准确率达92.31%，明显优于SVM；而SWIR下SNV-PLS-DA模型准确率亦达91.03%。但SWIR模型在早期（Day 2）病变阶段识别准确率低（69.23%），显示其对初期症状敏感性有限。结合一元ANOVA结果，研究进一步筛选出判别力较强的特征波段，如Vis-NIR中的492、518、638、683 nm，与类胡萝卜素和叶绿素吸收相关，SWIR中的1152、1327、1851 nm则与糖类和O-H振动有关。基于PCA对Vis-NIR图像进行可视化处理，成功提取出黑斑病病变区域的主成分伪彩图，其中PC1图像在Day 1和Day 2阶段即可初步显现感染部位，远优于肉眼观测。相较之下，SWIR系统在病变区域可视化能力较差，主要由于其光谱在前期感知差异度不高。
图8HSI系统在两个光谱区域检测冬枣黑斑病并监测其发病过程
(Pham & Liou, 2020)开发了一种**的基于旋转平台的高光谱成像系统，用于检测红枣表面的缺陷。该系统工作波段范围为468–950 nm，与传统的线性扫描系统相比，具有显著优势，能在一次扫描中覆盖红枣表面约95%的区域，而传统线性扫描系统只能覆盖约49%。通过旋转平台，该系统能够扫描球形果实的大部分表面，避免了由于果实表面曲率导致的图像畸变问题。研究中针对红枣的六种常见皮肤缺陷（锈斑、腐烂、白霉、黑霉、裂纹和反光）进行了分类，采用支持向量机（SVM）和人工神经网络（ANN）模型进行缺陷检测。实验结果表明，两种模型均表现出较高的分类准确率，SVM模型达到了97.3%的准确率，ANN模型的准确率为97.4%。通过混淆矩阵对模型进行了评估，发现基于旋转扫描数据训练的模型优于线性扫描数据训练的模型。研究开发了图形用户界面（GUI），用于高光谱数据的预处理，包括LOESS平滑滤波和使用白色与黑色参考图像计算相对反射率。此外，为了解决果实边缘区域因扫描线强度较低而导致的误分类问题，采用了自适应掩膜技术，有效减少了反光等因素对分类结果的干扰。
图9基于旋转平台的高光谱成像系统及光谱采集流程
(Lu et al., 2018)基于高光谱反射成像的青枣冷害检测方法，选择*合适的光谱分辨率和扫描速度，提高冷害在线分选的效率。实验中，使用了ImSpector V10光谱仪（Spectral Imaging Ltd., Finland）和C8484-05G CCD相机（Hamamatsu）构建的高光谱成像系统，扫描范围为380–1023 nm，并结合不同光谱分辨率（1.25 nm、2.51 nm、5.03 nm、10.08 nm）和扫描速度（8 mm/s与20 mm/s）进行分析。青枣样本经过冷藏处理（0°C±0.5°C）不同天数后，分别分为正常、轻度冷害和重度冷害三类。研究首先使用Criminisi算法对光谱图像中的镜面反射区域进行修复，再通过随机蛙算法选择*优的波长特征进行冷害分类。
结果表明，在5.03 nm光谱分辨率和20 mm/s扫描速度下，基于光谱特征的线性判别分析（LDA）模型能够提供*佳的分类性能，分别达到98.3%（两类分类）和93.3%（三类分类）的准确率。同时，使用基于图像纹理的分类方法时，分类准确率相对较低，显示出光谱特征在冷害检测中的重要性。对于光谱特征的选择，1.25 nm分辨率下的关键波长为726、724、889 nm，而在5.03 nm分辨率下，重要波长则主要集中在839–880 nm范围内。这些波长的选取有助于识别冷害对青枣果肉的影响，特别是在细胞结构崩解引起的光散射变化上。
