(Thien Pham & Liou, 2022)圍繞紅棗果面常見缺陷（如裂紋、銹斑、腐爛、黑白霉等）在線識別問題，開發(fā)了一套基于推掃式高光譜成像系統(tǒng)的實時檢測系統(tǒng)，兼顧了檢測精度與運行效率，展示了高光譜技術(shù)在果品工業(yè)分選中的落地能力。實驗系統(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Basler的acA1920-155um CMOS單色相機、兩盞50W鹵素燈，并結(jié)合NI-myDAQ數(shù)據(jù)采集卡、LabVIEW編程平臺和Python建?？蚣軐崿F(xiàn)設備協(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3.5萬個像素樣本，并分別使用支持向量機（SVM）和三層人工神經(jīng)網(wǎng)絡（ANN）構(gòu)建像素級分類模型。模型在VIS-NIR全波段下達到96.3%（SVM）和96.5%（ANN）的分類精度，但SVM推理時長高達320秒，不利于實時部署。通過等間隔法與PCA法在可見光波段（468–760 nm）中篩選出14個代表性波段（如469、491、535、602、713、757 nm等），構(gòu)建簡化模型，顯著降低計算量。ANN模型在14波段下依然保持95%的準確率，推理耗時縮短至16.6秒，展現(xiàn)出較強的實用價值。
圖6鮮棗損傷種類和光譜采集系統(tǒng)
此外，系統(tǒng)軟件支持LabVIEW前端配置界面，調(diào)用Python訓練模型實現(xiàn)在線分選，并結(jié)合圖像遮罩模型實現(xiàn)背景/果面區(qū)域自動剔除，*終輸出帶分類標簽的掃描圖像。針對邊緣像素反射率低導致誤判問題提出了去邊策略，并分析了常見誤判（如銹斑與腐爛混淆、白霉覆蓋誤識）成因及后續(xù)圖像分析優(yōu)化方向。
圖7圖像軟件界面及識別系統(tǒng)
(Pham et al., 2025)圍繞棗類果實采后分選與分級中因表面曲率、雜散反光、柄端結(jié)構(gòu)等因素引發(fā)的誤判問題，提出了一種基于可見-近紅外高光譜圖像（468–950 nm）與深度學習算法相結(jié)合的兩階段棗類分選與分級方法。實驗選取294個高雄11號“蜜棗”為研究對象，覆蓋銹斑、腐爛、黑霉、白霉、果肉暴露等常見表面缺陷。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Basler公司acA1920–155um黑白CMOS相機構(gòu)建推掃式高光譜成像平臺，并在暗室中完成數(shù)據(jù)采集，確保圖像光譜質(zhì)量。
采用像素級缺陷識別模型與果實級分選決策模型。通過訓練含有27個特征波段的多類別人工神經(jīng)網(wǎng)絡（ANN）模型，對每個像素進行分類，構(gòu)建七類缺陷圖層（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語義分割網(wǎng)絡實現(xiàn)柄端區(qū)域識別，并通過一系列規(guī)則剔除因果實曲率（±45°照明條件下）或柄端結(jié)構(gòu)造成的錯誤分類。此外，針對儀器噪聲及灰塵導致的“椒鹽噪聲”，提出融合bwareaopen與imopen形態(tài)學處理的自適應算法，顯著提升圖像純凈度?！胺诌x”階段，提出多標簽分類規(guī)則，若某一缺陷圖層中像素超過閾值，則判定該棗為不合格品。在“分級”階段，融合果形不規(guī)則度指標與銹斑面積閾值對合格棗進一步劃分為上等（Premium）、禮盒（Gifted）、普通（Good）三個等級。實驗表明，像素分類準確率高達97.8%，而在處理曲率、柄端與噪聲干擾后，*終整果分選準確率提升至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程中易感染的黑斑病，系統(tǒng)探索了可見-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像系統(tǒng)對病害不同階段的無損檢測與可視化能力。實驗分為健康組、水處理對照組與病原接種組（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個樣本進行高光譜圖像采集。Vis-NIR系統(tǒng)由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機構(gòu)成，SWIR系統(tǒng)則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機，實現(xiàn)數(shù)據(jù)獲取。
在圖像處理上，研究首先通過SNV、MSC和Auto Scale三種預處理方法對原始光譜去噪，然后以PLS-DA與SVM-DA構(gòu)建六階段病程分類模型。結(jié)果顯示，Vis-NIR光譜下的SNV-PLS-DA模型表現(xiàn)*佳，預測準確率達92.31%，明顯優(yōu)于SVM；而SWIR下SNV-PLS-DA模型準確率亦達91.03%。但SWIR模型在早期（Day 2）病變階段識別準確率低（69.23%），顯示其對初期癥狀敏感性有限。結(jié)合一元ANOVA結(jié)果，研究進一步篩選出判別力較強的特征波段，如Vis-NIR中的492、518、638、683 nm，與類胡蘿卜素和葉綠素吸收相關，SWIR中的1152、1327、1851 nm則與糖類和O-H振動有關?；赑CA對Vis-NIR圖像進行可視化處理，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，遠優(yōu)于肉眼觀測。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)在兩個光譜區(qū)域檢測冬棗黑斑病并監(jiān)測其發(fā)病過程
(Pham & Liou, 2020)開發(fā)了一種**的基于旋轉(zhuǎn)平臺的高光譜成像系統(tǒng)，用于檢測紅棗表面的缺陷。該系統(tǒng)工作波段范圍為468–950 nm，與傳統(tǒng)的線性掃描系統(tǒng)相比，具有顯著優(yōu)勢，能在一次掃描中覆蓋紅棗表面約95%的區(qū)域，而傳統(tǒng)線性掃描系統(tǒng)只能覆蓋約49%。通過旋轉(zhuǎn)平臺，該系統(tǒng)能夠掃描球形果實的大部分表面，避免了由于果實表面曲率導致的圖像畸變問題。研究中針對紅棗的六種常見皮膚缺陷（銹斑、腐爛、白霉、黑霉、裂紋和反光）進行了分類，采用支持向量機（SVM）和人工神經(jīng)網(wǎng)絡（ANN）模型進行缺陷檢測。實驗結(jié)果表明，兩種模型均表現(xiàn)出較高的分類準確率，SVM模型達到了97.3%的準確率，ANN模型的準確率為97.4%。通過混淆矩陣對模型進行了評估，發(fā)現(xiàn)基于旋轉(zhuǎn)掃描數(shù)據(jù)訓練的模型優(yōu)于線性掃描數(shù)據(jù)訓練的模型。研究開發(fā)了圖形用戶界面（GUI），用于高光譜數(shù)據(jù)的預處理，包括LOESS平滑濾波和使用白色與黑色參考圖像計算相對反射率。此外，為了解決果實邊緣區(qū)域因掃描線強度較低而導致的誤分類問題，采用了自適應掩膜技術(shù)，有效減少了反光等因素對分類結(jié)果的干擾。
圖9基于旋轉(zhuǎn)平臺的高光譜成像系統(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方法，選擇*合適的光譜分辨率和掃描速度，提高冷害在線分選的效率。實驗中，使用了ImSpector V10光譜儀（Spectral Imaging Ltd., Finland）和C8484-05G CCD相機（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）進行分析。青棗樣本經(jīng)過冷藏處理（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。研究首先使用Criminisi算法對光譜圖像中的鏡面反射區(qū)域進行修復，再通過隨機蛙算法選擇*優(yōu)的波長特征進行冷害分類。
結(jié)果表明，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基于光譜特征的線性判別分析（LDA）模型能夠提供*佳的分類性能，分別達到98.3%（兩類分類）和93.3%（三類分類）的準確率。同時，使用基于圖像紋理的分類方法時，分類準確率相對較低，顯示出光譜特征在冷害檢測中的重要性。對于光譜特征的選擇，1.25 nm分辨率下的關鍵波長為726、724、889 nm，而在5.03 nm分辨率下，重要波長則主要集中在839–880 nm范圍內(nèi)。這些波長的選取有助于識別冷害對青棗果肉的影響，特別是在細胞結(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
4.2高光譜成像技術(shù)在鮮棗內(nèi)部品質(zhì)檢測中的應用
(Shao et al., 2024)采用可見-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)測與貯藏期分析方法。通過支持向量回歸（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)之間的關系，結(jié)果表明SVR模型在篩選的有效波長下表現(xiàn)出*佳的預測性能，外部驗證集的決定系數(shù)（R2）和殘差預測偏差（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與果實成熟度和貯藏期之間存在顯著的空間分布相關性，并利用預測圖展示了不同成熟度和貯藏期下SSC的時空演化。進一步，通過支持向量機（LIBSVM）庫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測準確率分別為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)量評估和儲藏期預測，促進冬棗在儲存和市場中的管理。
圖11中熟(a)和熟(b)冬棗保質(zhì)期的SSC可視化圖
(Ma et al., 2024)基于無人機（UAV）多光譜技術(shù)，提出了一種用于檢測紅棗果實水分含量（MC）和可溶性固形物含量（SSC）的無損檢測方法。研究利用DJI Phantom 4 RTK UAV搭載的多光譜相機，采集了不同相對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（SVM）構(gòu)建了預測模型。研究發(fā)現(xiàn)，90°相對方位角下獲取的多光譜數(shù)據(jù)在MC預測中效果*佳，而180°相對方位角下的數(shù)據(jù)則在SSC預測中表現(xiàn)*佳。
研究進一步提出了相對方位角數(shù)據(jù)融合方法，通過將來自8個不同相對方位角的數(shù)據(jù)進行融合，建立了MC和SSC的聯(lián)合預測模型。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)融合的模型在預測精度上有顯著提升，其中MC預測模型在PLSR與SVM模型中分別達到0.9067和0.9319的訓練集R2，1.9935和2.1368的RMSEP；而在SSC預測方面，SVM模型表現(xiàn)更優(yōu)，訓練集R2為0.8624，預測集R2為0.7663。
圖12無人機光譜采集
(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方法，采用了光譜形態(tài)特征來提取與水分含量相關的特征。研究選取了四個特征波段（波峰R1、波谷R2、波峰R3、波谷R4）進行光譜形態(tài)特征提取，包含了波高、全寬半高、左坡、右坡、肩寬、峰區(qū)面積等七個形態(tài)參數(shù)。通過多元線性回歸（MLR）分析，建立了不同波段的回歸模型，分析了各特征波段對冬棗水分含量的影響。使用了部分*小二乘回歸（PLSR）模型來構(gòu)建冬棗含水量的檢測模型，并利用競爭自適應重加權(quán)采樣（CARS）方法選擇有效的波長變量。結(jié)果表明，波谷R2（1146 nm）的回歸模型在校準集和預測集中的表現(xiàn)*佳，校準集的相關系數(shù)（Rc）為0.9942，預測集的相關系數(shù)（Rp）為0.8698，表明該模型具有較高的預測精度。
圖13高光譜采集及分析可視化流程
