,*

(1.華南理工大學(xué)食品科學(xué)與工程學(xué)院,廣東廣州 510640;2.華南理工大學(xué)現(xiàn)代食品工程研究中心,廣東廣州 510006;3.菏澤職業(yè)學(xué)院食品科學(xué)與化學(xué)工程系,山東菏澤 274000)

食品產(chǎn)業(yè)是關(guān)系民生的重要產(chǎn)業(yè),近幾十年來,隨著經(jīng)濟(jì)的迅速發(fā)展和生活水平的提升,人們對食品營養(yǎng)的認(rèn)識逐漸加深,食品營養(yǎng)品質(zhì)逐漸成為影響食品消費的重要因素之一[1]。營養(yǎng)品質(zhì)檢測主要針對兩個方面,一是食品中營養(yǎng)素的含量,如肉類中的蛋白質(zhì)、脂質(zhì)、水分含量,水果中的可溶性固形物、生物活性物質(zhì)含量,以及作物的淀粉含量等;二是食品在加工、貯藏、運輸、銷售過程中,營養(yǎng)物質(zhì)可能發(fā)生的物理或化學(xué)屬性上的變化。然而,許多營養(yǎng)品質(zhì)的評價依舊采用復(fù)雜的、耗時的、破壞性的、甚至是經(jīng)驗主義的方法進(jìn)行檢測[2],如何快速、無損、準(zhǔn)確地檢測食品營養(yǎng)品質(zhì)已經(jīng)成為研究的熱點。學(xué)者們利用聲學(xué)、光學(xué)、電磁學(xué)等手段對快速無損檢測技術(shù)進(jìn)行了探索[3],高光譜成像技術(shù)受到了研究者們的關(guān)注。

與成像技術(shù)和光譜技術(shù)相比,高光譜成像技術(shù)將二者的優(yōu)勢結(jié)合起來,既能獲得空間的圖像信息,又可以得到光譜信息,從而形成可以反映食品物理及化學(xué)屬性差異的三維信息立方體(空間二維信息+一維光譜信息)[3],并且可以將屬性差異轉(zhuǎn)化為可視化的二維分布圖像。然而,由于高光譜成像技術(shù)需要采集和分析數(shù)百幅連續(xù)光譜范圍內(nèi)的圖像,其運行速度大打折扣,尤其限制了其在工業(yè)生產(chǎn)實時檢測方面的潛力[4]。

多光譜成像技術(shù)作為對高光譜成像技術(shù)的一種改進(jìn)技術(shù),離散光譜范圍內(nèi)收集和分析數(shù)據(jù)[5],從而大大簡化了數(shù)據(jù),減少了冗余信息,提升了處理速度?；谶@個優(yōu)勢,多光譜成像技術(shù)在近年來被廣泛關(guān)注,該技術(shù)滿足了工業(yè)生產(chǎn)中對檢測技術(shù)的速度需求,為下一步開發(fā)快速無損、準(zhǔn)確高效的實時檢測工具提供了可能[6]。目前為止,還沒有相關(guān)文獻(xiàn)對多光譜成像技術(shù)在食品營養(yǎng)品質(zhì)檢測方面的研究進(jìn)展進(jìn)行綜述報道,因此,本文旨在對近五年多光譜成像技術(shù)在食品營養(yǎng)品質(zhì)檢測領(lǐng)域的研究進(jìn)展進(jìn)行探討。首先介紹了多光譜成像技術(shù)原理以及對多光譜成像技術(shù)在肉品、果蔬、糧食作物的營養(yǎng)品質(zhì)檢測方面的應(yīng)用進(jìn)行了分析,最后對多光譜成像技術(shù)目前的局限性和未來發(fā)展?jié)摿M(jìn)行了探討。

1 多光譜成像技術(shù)

經(jīng)典的多光譜成像系統(tǒng)主要由相機、過濾和分散裝置、光源、外殼和樣品載物臺等部件組成,反射光通過一定波段范圍的濾光鏡后進(jìn)入成像系統(tǒng),形成樣本的多光譜信息。圖2為丹麥Videometer公司的VideometerLab多光譜成像儀,其在405～970 nm波段內(nèi)選取了19個特殊波長(405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940、970 nm)進(jìn)行信息采集,該系統(tǒng)在多項研究中得到了廣泛的應(yīng)用[7-12]。多光譜成像系統(tǒng)與高光譜成像系統(tǒng)非常相似,但其不同之處在于,作為高光譜成像技術(shù)的改進(jìn),多光譜成像技術(shù)利用化學(xué)計量學(xué)分析手段,將高光譜成像數(shù)據(jù)中的有用信息進(jìn)行放大,并去除了不需要的信息[13]。多光譜成像系統(tǒng)獲取的測試樣本圖像的光譜波段是離散的、不連續(xù)的、不規(guī)則的,而高光譜成像系統(tǒng)中的每一個像素都有完整的、連續(xù)的光譜,因此多光譜成像系統(tǒng)采集和分析信息的時間以及信息的復(fù)雜程度遠(yuǎn)低于高光譜成像系統(tǒng)?；瘜W(xué)計量學(xué)分析技術(shù)的優(yōu)勢在于降低數(shù)據(jù)復(fù)雜程度,構(gòu)建準(zhǔn)確性高和魯棒性強的模型[14]。該技術(shù)主要分為兩部分:變量選擇算法和建模算法。變量選擇算法通常用于選擇信息最豐富的光譜區(qū)域以簡化建模,主要包括:主成分分析(Principal component analysis,PCA)[9]、連續(xù)投影算法(Successive projections algorithm,SPA)[15-16]、回歸系數(shù)分析(Regression coefficient,RC)[17-18]、無信息變量消除(Uninformation variable elimination,UVE)[19]、變量重要性指標(biāo)(Variable importance in projection,VIP)[16]和遺傳算法(Genetic algorithm,GA)[20]等。常用的建模算法包括多元線性回歸(Multiple linear regression,MLR)[19,21],偏最小二乘回歸(Partial least squares regression,PLSR)[22-23],反向傳播神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network,BPNN)[11]和最小二乘支持向量機(Least-square support vector machine,LS-SVM)[15,24]等。模型建立后,需要用一些統(tǒng)計參數(shù)來評價模型的準(zhǔn)確性,常用的統(tǒng)計參數(shù)有決定系數(shù)(Coefficient of determination,R2)、相關(guān)系數(shù)(Coefficient of association,R)、均方根誤差(Root mean square error,RMSE)。在每項試驗中,通常都要得到校準(zhǔn)集、交叉驗證和預(yù)測集三組的統(tǒng)計參數(shù)[14]。此外,由于幾乎所有的有機化合物的主要結(jié)構(gòu)和官能團(tuán)都可以在可見/近紅外光譜(300～2500 nm)中檢測到,因此,多光譜成像系統(tǒng)的工作波段一般在可見及近紅外光譜區(qū)[25]。

圖1 VideometerLab多光譜成像系統(tǒng)[8] Fig.1 VideometerLab Instrument[8]注:(a)外觀;(b)內(nèi)部構(gòu)造。

2 多光譜成像技術(shù)在食品營養(yǎng)品質(zhì)檢測中的應(yīng)用

2.1 肉類營養(yǎng)品質(zhì)檢測

通常所說的肉類一般包括畜肉、禽肉和水產(chǎn)品,富含優(yōu)質(zhì)蛋白質(zhì)、脂類、脂溶性維生素、維生素B族和礦物質(zhì)等,是平衡膳食的重要組成部分[26]。隨著居民生活水平的提高,肉類消費量逐年增加。預(yù)計到2025年,世界肉品年消費量將增加到35649萬噸,中國肉品年消費量增加至9996萬噸[27],百姓對肉品營養(yǎng)品質(zhì)的期望也隨著消費水平的提高而增加。因此,在進(jìn)入市場流通前,必須對肉品的營養(yǎng)品質(zhì)進(jìn)行檢測,以保障肉品質(zhì)量和實現(xiàn)不同質(zhì)量肉品等級分級。

表1 多光譜成像在肉類營養(yǎng)品質(zhì)檢測方面的應(yīng)用 Table 1 Multispectral imaging for detection of meat nutritional quality

除了水分、脂肪、蛋白質(zhì)等常見營養(yǎng)素外,多光譜成像技術(shù)還廣泛地應(yīng)用于一些肉類中的特殊營養(yǎng)素的預(yù)測,如豬肉中的血紅素鐵和非血紅素鐵[8]、魚肉中的二十二碳六烯酸(Docosahexaenoic acid,DHA)、二十碳五烯酸(Eicosapentaenoic,EPA)[29]和蝦青素[30]、以及關(guān)鍵營養(yǎng)素的降解程度指標(biāo)如硫代巴比妥酸值(Thiobarbituric acid reactive substances,TBARS)[31-32]、揮發(fā)性鹽基氮(Total volatile basic nitrogen,TVB-N)[33]等影響肉品新鮮度的指標(biāo)。這些檢測都取得了良好的效果,說明多光譜成像技術(shù)有較大的潛力對肉類中的營養(yǎng)物質(zhì)進(jìn)行快速無損檢測。研究人員注意到,通過對肉品各種營養(yǎng)成分含量、分布情況及其隨條件變化的檢測,可以比較得出不同品種、不同環(huán)境條件下肉類品質(zhì)的差異,進(jìn)而可以對肉類進(jìn)行鑒別與分類。余俊杰等[9]利用多光譜成像技術(shù)結(jié)合化學(xué)計量學(xué)方法,利用SVM建立分類模型,對不同方法處理的冷凍牛肉樣本進(jìn)行鑒別分類,其預(yù)測集分類準(zhǔn)確度為83.33%;Ropodi等[34]利用多光譜成像信息結(jié)合數(shù)據(jù)分析方法,建立two-step SVM分類模型,對摻有牛肉肉糜的馬肉肉糜進(jìn)行鑒別區(qū)分,分類準(zhǔn)確度高達(dá)95.31%;此外,Ropodi等[35]研究也表明,新鮮牛肉肉糜和不同冷凍時間的冷凍后解凍牛肉肉糜亦可以被多光譜成像技術(shù)準(zhǔn)確分類,準(zhǔn)確率達(dá)到100%。由此可知,多光譜成像技術(shù)在肉類分類分級和鑒別摻假肉類方面也有不錯的效果。

2.2 果蔬營養(yǎng)品質(zhì)檢測

水果蔬菜一直是健康膳食的重要組成部分,其富含維生素(尤其是維生素A與維生素C)、人體所需的礦物質(zhì)、水分、糖分和膳食纖維[40]。除了提供能量和營養(yǎng)外,果蔬還有預(yù)防某些疾病的功效[41]。過去幾十年間,果蔬消費量隨著經(jīng)濟(jì)發(fā)展和人們對健康膳食了解的深入而快速增長,與此同時,消費者對果蔬營養(yǎng)品質(zhì)的期望也逐漸變高。然而,果蔬的保質(zhì)期較短不宜存放且在貯藏運輸銷售過程中營養(yǎng)物質(zhì)變化較快,對其營養(yǎng)價值和消費價格影響較大,因此有必要對果蔬的營養(yǎng)品質(zhì)進(jìn)行快速無損檢測。

可溶性固形物含量(Soluble solids content,SSC)是指包括可溶性糖、酸、維生素、礦物質(zhì)和纖維素等成分的綜合型指標(biāo),是評價果蔬營養(yǎng)品質(zhì)的重要參數(shù)[3]。但是,現(xiàn)行的SSC檢測標(biāo)準(zhǔn)使用的方法是折射儀法[42],用時長且需要破壞樣品。因此,如何快速無損地檢測果蔬中的SSC一直是研究者們關(guān)注的重點。Liu等[10]利用多光譜成像系統(tǒng),對草莓的SSC進(jìn)行預(yù)測,他們在405～970 nm的波段內(nèi)選取了19個關(guān)鍵波長進(jìn)行信息采集,建立BPNN模型,得到R2=0.689,預(yù)測結(jié)果一般。而Khodabakhshian等[43]建立的多光譜成像系統(tǒng),在400～1100 nm的波段內(nèi),選取六個關(guān)鍵波長(450、521、630、780、853、950 nm),利用MLR模型對石榴的SSC進(jìn)行預(yù)測,得到R=0.97,取得了良好的效果。除了直接利用多光譜成像系統(tǒng)外,更多的研究是建立在高光譜成像的基礎(chǔ)上,利用變量選擇算法提取關(guān)鍵波長,然后建立多光譜模型對SSC進(jìn)行預(yù)測。Li等[44]提出了MC-UVE和SPA的新變量選擇算法組合,并用該組合選取了18個關(guān)鍵波長,并用PLSR建立模型對鴨梨的SSC進(jìn)行預(yù)測,得到預(yù)測集的R=0.88,RMSE=0.35°Brix,總體結(jié)果良好。在選取合適數(shù)量關(guān)鍵波長的情況下,多光譜模型既減少了需要處理的信息量,提升了處理速度,又能保證模型的準(zhǔn)確性不受較大影響[45]。

除了可溶性固形物外,色素、酚類及黃酮類化合物也是果蔬中重要的營養(yǎng)物質(zhì)。Liu等[11]利用VideometerLab多光譜成像儀,對番茄中的番茄紅素和總酚類物質(zhì)進(jìn)行檢測,通過BPNN模型,得到預(yù)測準(zhǔn)確度分別為R2=0.938和R2=0.965。Shui等[24]也利用該多光譜成像儀對菊花中的木犀草素含量進(jìn)行了研究,他們建立了LS-SVM模型,得到的預(yù)測準(zhǔn)確度為R2=0.965。其他多光譜成像技術(shù)在果蔬營養(yǎng)品質(zhì)檢測方面的應(yīng)用見表2。

在實時檢測的研究方面,Liu等[12]利用VideometerLab多光譜成像儀,對胡蘿卜片在熱空氣中脫水的過程中的水分含量變化。他們選擇60 ℃的空氣溫度來模擬工業(yè)實踐并保持熱敏胡蘿卜成分的生物活性。為了獲得不同水分含量,將總共700個胡蘿卜切片在熱風(fēng)烘箱中脫水7個時間段0、30、60、120、180、240和300 min(每個脫水期100個樣品)。研究者們利用BPNN模型對水分含量進(jìn)行預(yù)測,得到結(jié)果為R2=0.991,顯示出良好的預(yù)測性。這個實驗也說明,多光譜成像技術(shù)有很大的潛力對加工過程中果蔬營養(yǎng)品質(zhì)的變化進(jìn)行實時檢測。

表2 多光譜成像在果蔬營養(yǎng)品質(zhì)檢測方面的應(yīng)用Table 2 Multispectral imaging for detection of fruit and vegetable nutritional quality

2.3 糧油作物營養(yǎng)品質(zhì)檢測

糧油作物指谷類作物、薯類作物和豆類作物,一般作為人的主食,為人類提供淀粉、蛋白質(zhì)、油脂和膳食纖維等營養(yǎng)物質(zhì)。糧油作物種植范圍廣,種類繁雜,品質(zhì)不一,因此多光譜成像技術(shù)對糧油作物的品質(zhì)檢測主要集中于來源的區(qū)分和品種的鑒別方面。

Liu等[48]利用VideometerLab多光譜成像儀,對非轉(zhuǎn)基因水稻種子中混有的轉(zhuǎn)基因蘇云金芽孢桿菌水稻種子進(jìn)行了鑒別,通過LS-SVM模型,達(dá)到了100%的鑒別率,達(dá)到了良好的分類效果。Sun等[52]利用高光譜成像系統(tǒng),在390～2548 nm的光譜范圍內(nèi),利用PCA選取9個關(guān)鍵波長,再通過建立的SVM模型對來自四個地區(qū)的不同水稻品種進(jìn)行鑒別,準(zhǔn)確率達(dá)到了91.67%。在玉米品種鑒別方面,Yang等[55]對糯玉米種子的胚芽側(cè)和胚乳側(cè)分別進(jìn)行多光譜成像的鑒別,利用SPA在胚芽側(cè)選取26個關(guān)鍵波長,胚乳側(cè)選取19個關(guān)鍵波長,利用SVM進(jìn)行建模,分類準(zhǔn)確率在胚芽側(cè)高達(dá)98.2%,胚乳側(cè)亦高達(dá)96.3%,顯示出了良好的準(zhǔn)確性。

除品種鑒別外,多光譜成像技術(shù)在針對某種糧油作物的特殊營養(yǎng)物質(zhì)(如花生中的油脂、馬鈴薯中的淀粉、咖啡豆中的咖啡因等)檢測中也得到了廣泛的應(yīng)用。Zhang等[56]在874～1734 nm范圍內(nèi)利用高光譜成像系統(tǒng)進(jìn)行信息采集,利用隨機蛙跳(Random frog,RF)選取了13個關(guān)鍵波長(1254、1257、1268、1278、1281、1291、1342、1352、1355、1359、1379、1392、1396 nm),PLSR模型獲得了滿意的效果,預(yù)測決定系數(shù)R2=0.878。Jin等[58]利用高光譜成像系統(tǒng)檢測花生中的含油量,在1000～2500 nm范圍內(nèi)利用RC選擇了六個關(guān)鍵波長,建立PLSR模型預(yù)測五種花生中的含油量,預(yù)測決定系數(shù)R2=0.934,預(yù)測效果良好。

分時檢測在糧油作物方面同樣有相關(guān)研究,Sun等[60]將120個紫薯切片平均分成六組的六個不同干燥時長(0、30、60、120、180、240 min)進(jìn)行超聲熱風(fēng)聯(lián)合干燥。將干燥好的切片放入高光譜成像系統(tǒng)進(jìn)行檢測,利用RC選取十個關(guān)鍵波長,然后建立MLR模型校準(zhǔn)并預(yù)測切片水分含量,預(yù)測決定系數(shù)R2=0.9359,效果良好,同時反映出多光譜成像系統(tǒng)在食品干燥加工的實時檢測方面有很大的應(yīng)用潛力。其他應(yīng)用見表3。

表3 多光譜成像在糧油作物營養(yǎng)品質(zhì)檢測方面的應(yīng)用Table 3 Multispectral imaging for detection of oil and grain crops nutritional quality

3 多光譜成像技術(shù)的局限性

大量的研究表明,多光譜成像技術(shù)在快速無損檢測食品營養(yǎng)品質(zhì)方面具有良好的可行性。然而,該技術(shù)的進(jìn)一步發(fā)展還有較大的局限性:a.多光譜成像系統(tǒng)的設(shè)計需要耗費大量的時間和精力,選擇最優(yōu)算法組合和感興趣區(qū)域依然需要人工執(zhí)行;b.多光譜成像技術(shù)工作波段在可見及近紅外光譜區(qū),其他區(qū)域的信息利用有待探究;c.雖然多光譜成像可以快速無損檢測食品品質(zhì),但其檢測標(biāo)準(zhǔn)依舊需要靠傳統(tǒng)方法確定,是一種間接檢測方法;d.多光譜成像技術(shù)目前只用于實驗室環(huán)境,對環(huán)境復(fù)雜度高的工廠等環(huán)境的適應(yīng)性還需要進(jìn)一步提高。

首先,如何更加準(zhǔn)確快速地選擇化學(xué)計量學(xué)分析方法是一個非常重要的問題。在本文報道的所有研究中,有超過一半的研究使用了高光譜成像系統(tǒng),利用關(guān)鍵波長選擇算法對關(guān)鍵波長進(jìn)行選擇,簡化運算量,然后利用建模算法對所得數(shù)據(jù)進(jìn)行建模分析,得到預(yù)測結(jié)果。然而,不同的變量選擇算法和建模算法,在預(yù)測同一食品中同一營養(yǎng)素含量和變化量時的準(zhǔn)確性可能有所不同,合理地選擇算法可以提高預(yù)測的準(zhǔn)確性。Dong等[15]在檢測蘋果營養(yǎng)品質(zhì)時,分別運用SPA和UVE兩種波長選擇算法和PLSR、LS-SVM、BPNN三種建模算法進(jìn)行排列組合,對SSC、水分含量進(jìn)行預(yù)測。在比較PLSR,LS-SVM和BPNN模型的校準(zhǔn)和預(yù)測性能時,發(fā)現(xiàn)LS-SVM在大多數(shù)情況下對于每個調(diào)查的質(zhì)量參數(shù)具有比PLS和BPNN更好的性能。而且,使用變量選擇算法后,LS-SVM的預(yù)測能力有所提升。在比較SPA和UVE對預(yù)測結(jié)果的影響時發(fā)現(xiàn),SPA對水分含量預(yù)測的提升效果較好,但對SSC的提升效果比UVE差,考慮到SPA的關(guān)鍵波長為23個,遠(yuǎn)小于UVE的122個,大大減少了運算量,因此可以認(rèn)為SPA-LS-SVM是預(yù)測蘋果營養(yǎng)品質(zhì)的最佳算法組合。

但是不是所有食品中的不同營養(yǎng)素都能有一種最佳算法組合,Pu等[19]預(yù)測羊肉中的水分、蛋白質(zhì)、脂肪,選擇了UVE-SPA-CSA-MLR算法組合,該組合對水分和脂肪的預(yù)測準(zhǔn)確度較好(R水=0.92,R脂肪=0.98),但是對蛋白質(zhì)的預(yù)測準(zhǔn)確度一般(R蛋白質(zhì)=0.67)。Rahman等[16]在對大蒜中SSC和大蒜素的預(yù)測中,對SSC和大蒜素使用了不同的算法組合,對SSC使用SPA-LS-SVM算法組合,得到R2=0.90;對大蒜素使用VIP-LS-SVM算法組合,得到R2=0.83,都得到了不錯的結(jié)果。除了對同一食品的不同品質(zhì)預(yù)測之外,對同類食品的不同品種的營養(yǎng)物的預(yù)測也會受到算法組合的影響。Guo等[61]在預(yù)測西選、華優(yōu)兩種獼猴桃中SSC時,使用了SPA-LS-SVM算法組合,分別對西選、華優(yōu)以及兩品種混合選擇了9、9和19個關(guān)鍵波長,該組合對華優(yōu)和兩品種混合的預(yù)測效果較好,但略差于全光譜的LS-SVM模型;對于西選的預(yù)測準(zhǔn)確度一般,但是優(yōu)于全光譜模型。

在實驗中,不同品種、不同營養(yǎng)品質(zhì)、不同化學(xué)計量學(xué)分析方法都是決定實驗結(jié)果的變量。目前的研究里,對化學(xué)計量學(xué)分析方法的選擇和調(diào)整都是人工完成,不斷地試錯也耗費了大量時間成本,最終選擇的算法和模型也很難保證是最優(yōu)解。因此,化學(xué)計量學(xué)分析方法的選擇會限制多光譜成像技術(shù)向工業(yè)化實時檢測發(fā)展。

其次,雖然多光譜成像技術(shù)是一種快速無損的食品營養(yǎng)品質(zhì)檢測技術(shù),但是不能忽視的是,其本身目前是一種間接的檢測技術(shù),需要依靠傳統(tǒng)破壞性實驗方法和校準(zhǔn)集數(shù)據(jù)的結(jié)合確定標(biāo)準(zhǔn),然后依據(jù)該標(biāo)準(zhǔn)對預(yù)測集樣品進(jìn)行預(yù)測。Ma等[36]在預(yù)測豬肉背最長肌含水量時,先用傳統(tǒng)的烘箱干燥方法測得了樣品的水分含量,然后結(jié)合校準(zhǔn)集校準(zhǔn)PLSR模型,并最終進(jìn)行預(yù)測,預(yù)測結(jié)果R2=0.966,體現(xiàn)了良好的效果。雖然目前來看多光譜成像技術(shù)有較好的預(yù)測準(zhǔn)確性,但是花費在標(biāo)準(zhǔn)校正和選擇波長上的時間較多,限制了其在工業(yè)實時檢測應(yīng)用上的發(fā)展?jié)摿Α?/p>

4 結(jié)論與展望

多光譜成像技術(shù)除了擁有“空間+光譜”三維信息立方體外,還通過化學(xué)計量學(xué)分析方法以及過濾與分散裝置獲得了離散光譜的數(shù)據(jù),大大降低了數(shù)據(jù)復(fù)雜度,減少了處理時間,在工業(yè)化應(yīng)用方面具有巨大潛力。本文綜述了近些年來多光譜成像技術(shù)在肉類營養(yǎng)品質(zhì)和果蔬的營養(yǎng)品質(zhì)快速無損檢測方面的研究進(jìn)展。多光譜成像技術(shù)已被證實是一項性能良好、發(fā)展迅速的快速無損檢測技術(shù)。

多光譜成像技術(shù)是一門復(fù)雜的跨學(xué)科技術(shù),涉及到食品科學(xué)、計算機科學(xué)、自動化控制等多個學(xué)科的交叉。在未來的發(fā)展中,建立自動化的算法選擇和感興趣區(qū)域選擇及建模方法將成為多光譜成像技術(shù)的研究重點和發(fā)展趨勢,建立自動選擇方法,以提升運算速度和準(zhǔn)確度,提高普適性。如何進(jìn)一步減少分析數(shù)據(jù)量也是研究的重點,減少數(shù)據(jù)量并且盡可能保持分析精度,可以大大提升運算速度。為實時檢測的發(fā)展做準(zhǔn)備。在工業(yè)應(yīng)用研究方面,未來發(fā)展過程中要通過跨學(xué)科合作建立硬件精度更高,程序更穩(wěn)定的系統(tǒng),以進(jìn)一步適應(yīng)更為復(fù)雜的檢測環(huán)境。