高光谱成像技术于猕猴桃品质检测领域的多元应用探究（下）

高光谱成像技术在猕猴桃其它检测中的应用

1.1 猕猴桃隐性损伤方面

猕猴桃在采收、运输和储存过程中，果肉常因碰撞或挤压而碰伤。然而，猕猴桃身上的伤痕肉眼极难识别，被称为隐性损伤。Bu et al. (2024)利用高光谱成像（HSI）与深度学习相结合的方法检测了猕猴桃中隐性损伤（图8）。该研究使用主成分分析 (PCA) 选择对猕猴桃隐藏损伤敏感的光谱范围 (924–1277 nm) 和特征波长（928.19、1051.03和1190.47 nm）。随后，根据猕猴桃特征波长图像生成三通道图像、灰度图像和伪彩*图像，并用于开发检测猕猴桃隐藏的瘀伤区域的 深度学习模型。研究结果表明，深度学习模型HSI技术结合深度学习模型可以有效检测猕猴桃中的隐藏碰伤。

图8. 猕猴桃瘀伤区域识别流程

1.2 猕猴桃灰霉病方面

猕猴桃在贮藏过程中容易受到**病害的影响，这可能导致大量的猕猴桃贮藏损失。其中灰葡萄孢**也是一种*普遍的病菌，导致猕猴桃采后腐烂。猕猴桃中超过20%的腐败是由于灰霉菌引起的灰霉病。如果没有适当的控制，这种腐烂可以使大约三分之一的水果变质。因此，猕猴桃灰霉病菌感染的早期诊断至关重要，以便采取适当措施防止严重的作物退化和经济损失。Haghbin et al. (2023) 以海沃德猕猴桃为试验材料，研究了高光谱成像技术和化学计量学方法在猕猴桃采后灰霉病菌感染早期检测中的应用（图9）。该研究的结果证明了高光谱成像和化学计量学方法在检测猕猴桃灰霉病菌感染以及监测猕猴桃因感染而发生的理化属性变化方面具有巨大的应用潜力。

图9 健康猕猴桃和染病猕猴桃在450 ~ 900 nm范围内光谱反射率

1.3 猕猴桃软腐病方面

随着猕猴桃产量的不断增加，各种猕猴桃病害也不断涌现，其中以猕猴桃软腐病（一种**性腐烂病）造成的采后损失*为严重。早期发现软腐病对于猕猴桃种植者、销售商和研究人员来说非常重要；也有助于区分健康果实和患病果实（图10），并防止健康果实感染造成的采后损失。Guo et al. (2024)利用高光谱图像和深度学习方法（双分支选择性注意胶囊网络）实现了健康猕猴桃和软腐病猕猴桃的分类。与现有方法相比，该方法（图11）在猕猴桃软腐病数据集上表现出*好的分类性。研究结果表明，使用高光谱成像技术可以识别潜在的软腐病猕猴桃。

图10. 健康猕猴桃及软腐病猕猴桃的图像

图11. 深度学习的网络结构

高宏盛 et al. (2024)为此也利用高光谱成像技术(470～900 nm)对软腐病的早期分类检测展开研究。该研究以湖北省武汉市“云海一号”猕猴桃为研究对象，通过对健康猕猴桃及感染软腐病的不同时期猕猴桃进行高光谱图像采集，提出了一种特征波段图像融合的猕猴桃软腐病早期分类检测方法（图11）。该研究使用高光谱成像技术能够在猕猴桃感染软腐病３～４ｄ时将染病果与健康果成功区分，实现了猕猴桃软腐病的早期无损检测，为猕猴桃的销售分级提供了一定的指导意义。

图12. 总体试验流程

1.4 猕猴桃冷害方面

猕猴桃是典型的呼吸跃变型果实，采后不耐储，在常温下贮藏成熟和衰老很快，而且极易腐烂，因此，低温是延长猕猴桃贮藏期的有效方法。但猕猴桃属于冷敏性水果，长时间低温条件极易导致果实发生冷害，并且冷害症状先从组织内部开始，只有在转移到常温销售条件下才会急剧表现出来，此时的损失已无法挽回。戈永慧 et al. (2022)建立了基于高光谱成像技术检测猕猴桃冷害的方法，实现了猕猴桃冷害的无损甄别。不同冷害等级的‘红阳’猕猴桃的皮下果肉组织的冷害症状如图12所示，‘红阳’猕猴桃冷害症状主要表现为皮下组织木质化和褐变、果实内部呈水浸状，皮下组织木质化和褐变的面积随着冷害程度的加剧逐渐增大，猕猴桃内部水浸化呈由内向外扩散的趋势。采集图像后削皮进行猕猴桃冷害等级的判别，通过观察皮下果肉木质化、水浸状、褐变等冷害症状的面积，

结合猕猴桃出库后的商业价值，将冷害分为４个等级，判别标准如下：０级为正常（未发生冷害）；１级为极轻（０＜可见病症≤１/４），不影响果实销售，仍具有商业价值；２级为较轻（１/４＜可见病症≤１/２），失去部分商业价值，影响果实销售；３级为严重（１/２≤可见病症），不可食用，彻底失去商业价值。

图13. 不同冷害等级的‘红阳’猕猴桃的皮下果肉组织的冷害症状

如图13所示：在400~1000 nm、1000~2000 nm波长下，不同冷害程度猕猴桃的平均光谱的总体趋势是相似的，正常样品的相对反射率高于冷害样品，冷害等级越高，相对反射率越低，这可能是由于冷害过程中猕猴桃果实中的成分发生了变化，样本的组织塌陷、色素受损造成光反射减少，从而导致相对反射率随冷害程度加剧而降低。

图14. 不同冷害程度的猕猴桃反射光谱信息

总结与展望

高光谱成像技术作为一种融合光谱信息和图像信息的先进检测手段，在猕猴桃品质检测中展现出了巨大的潜力。通过无损检测的方式，它实现了从猕猴桃内部品质（如可溶性固形物含量、硬度、颜色）到外部特征（如形状、畸形等）的**评估，为猕猴桃采摘时机、分级、贮藏以及货架期预测提供了科学依据。在隐性损伤、病害识别以及冷害评估方面，高光谱成像结合深度学习模型的应用，不仅提升了检测的准确性，还极大地推动了果蔬品质检测的智能化发展。然而，尽管取得了丰硕成果，仍存在着数据处理复杂、设备成本高以及现场应用难等挑战。

未来的主要发展方向有以下几个方面：（1）便携化与低成本化设备研发：通过集成优化硬件设计，研制出高效、轻便且经济实惠的高光谱成像设备，使其适用于田间和市场现场检测；（2）智能算法的深入应用：结合机器学习与深度学习技术，优化模型结构与算法参数，提高检测的实时性与准确性，开发一体化的智能检测系统。（3）多模态数据融合：探索将高光谱数据与其他无损检测技术（如荧光成像、近红外光谱、热成像）相结合，进一步提升检测的**性和可靠性。

参考文献

Bu, Y., Luo, J., Li, J., Chi, Q., Guo, W., (2024). Detection of hidden bruises on kiwifruit using hyperspectral imaging combined with deep learning. International Journal of Food Science & Technology 59(9), 5975-5984.

Guo, Z., Ni, Y., Gao, H., Ding, G., Zeng, Y., (2024). A dual-branch selective attention capsule network for classifying kiwifruit soft rot with hyperspectral images. Scientific Reports 14(1), 10664.

Haghbin, N., Bakhshipour, A., Zareiforoush, H., Mousanejad, S., (2023). Non-destructive pre-symptomatic detection of gray mold infection in kiwifruit using hyperspectral data and chemometrics. Plant Methods 19(1), 53.

Ma, T., Xia, Y., Inagaki, T., Tsuchikawa, S., (2021). Non-destructive and fast method of mapping the distribution of the soluble solids content and pH in kiwifruit using object rotation near-infrared hyperspectral imaging approach. Postharvest Biology and Technology 174, 111440.

Meng, Q., Tan, T., Feng, S., Wen, Q., Shang, J., (2024). Prediction and visualization map for physicochemical indices of kiwifruits by hyperspectral imaging.  11.

Zhao, Y., Kang, Z., Chen, L., Guo, Y., Mu, Q., Wang, S., Zhao, B., Feng, C., (2023). Quality classification of kiwifruit under different storage conditions based on deep learning and hyperspectral imaging technology. Journal of Food Measurement and Characterization 17(1), 289-305.

Zhu, H., Chu, B., Fan, Y., Tao, X., Yin, W., He, Y., (2017). Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selection Algorithms and Chemometric Models. Scientific Reports 7(1), 7845.

Zou, Z., Wang, Q., Wu, Q., Li, M., Zhen, J., Yuan, D., Xiao, Y., Xu, C., Yin, S., Zhou, M., Xu, L., (2024). Fluorescence hyperspectral imaging technology combined with chemometrics for kiwifruit quality attribute assessment and non-destructive judgment of maturity. Talanta 280, 126793.

高宏盛, 郭志强, 曾云流, 丁港, 王逍遥, 李黎, (2024). 基于高光谱图像波段融合的猕猴桃软腐病早期分类检测. 光谱学与光谱分析 44(01), 241-249.

戈永慧, 宋进, 潘磊庆, 屠康, (2022). 基于高光谱成像检测猕猴桃冷害的研究. 南京农业大学学报 45(02), 386-394.

黎静, 伍臣鹏, 刘木华, 陈金印, 郑建鸿, 张一帆, 王威, 赖曲芳, 薛龙, (2020). 高光谱成像的猕猴桃形状特征检测. 光谱学与光谱分析 40(08), 2564-2570.

邵园园, 王永贤, 玄冠涛, 高宗梅, 刘艺, 韩翔, 胡志超, (2020). 高光谱成像的猕猴桃货架期快速预测. 光谱学与光谱分析 40(06), 1940-1946.