申亞其，李松林，何 杰，閆祖龍，李春林，黃玉萍

(南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，江蘇 南京 210037)

隨著人民生活質(zhì)量的逐步提升，消費(fèi)者對(duì)水果質(zhì)量的要求也越來越高[1]。但水果的內(nèi)部品質(zhì)不宜觀察，且在采摘、包裝和運(yùn)輸過程中，水果很容易受到人工或外界等物理因素的影響，致使其內(nèi)外部的品質(zhì)受到損傷[2]。因此，發(fā)展準(zhǔn)確、快速、無損的檢測(cè)技術(shù)已成為水果品質(zhì)檢測(cè)領(lǐng)域重要的研究課題。隨著光譜技術(shù)的不斷發(fā)展，高光譜圖像技術(shù)被逐漸應(yīng)用于水果無損檢測(cè)。作為新一代的光電檢測(cè)技術(shù)，高光譜圖像技術(shù)結(jié)合了光譜學(xué)、機(jī)器視覺、計(jì)算機(jī)圖像學(xué)、近紅外光譜檢測(cè)等多學(xué)科知識(shí)，將光譜技術(shù)和傳統(tǒng)的二維成像技術(shù)進(jìn)行了有機(jī)融合，具有高分辨率、超多波段和圖像光譜合一等優(yōu)點(diǎn)[3]，將高光譜圖像技術(shù)應(yīng)用于水果品質(zhì)檢測(cè)領(lǐng)域具有重要的意義[4]。

高光譜成像技術(shù)可以同時(shí)得到水果的圖像和光譜信息，其中圖像信息能夠直接反映水果的外部形狀特征、顏色、缺陷等情況[5]，而光譜數(shù)據(jù)則可以用于分析水果化學(xué)成分含量，如糖度、酸度、可溶性固形物含量等[6-8]。本文主要介紹國(guó)內(nèi)外學(xué)者利用高光譜成像技術(shù)對(duì)水果品質(zhì)進(jìn)行無損檢測(cè)的研究進(jìn)展，并探討了該技術(shù)未來的發(fā)展前景。

1 高光譜圖像技術(shù)簡(jiǎn)介

1.1 高光譜成像系統(tǒng)

高光譜成像系統(tǒng)是20世紀(jì)80年代興起的新一代光電探測(cè)技術(shù)。一般認(rèn)為，光譜分辨率在10-1λ數(shù)量級(jí)的范圍內(nèi)稱之為多光譜，光譜分辨率在10-2λ數(shù)量級(jí)的范圍內(nèi)稱為高光譜[9]，高光譜成像相對(duì)多光譜成像而言具有更高的分辨率[10]。

高光譜檢測(cè)系統(tǒng)主要由光源、面陣CCD或CMOS相機(jī)和計(jì)算機(jī)軟硬件等組成。光源是高光譜成像系統(tǒng)的重要組成部分，為整個(gè)成像系統(tǒng)提供照明，其產(chǎn)生的光被檢測(cè)物體吸收和散射后成為信息的載體，進(jìn)入相機(jī)的入口狹縫，通過相機(jī)中的光譜成像儀將光信號(hào)映射到二維面陣檢測(cè)器上，最后根據(jù)計(jì)算機(jī)軟件和硬件采集、處理、分析以及存儲(chǔ)高光譜圖像數(shù)據(jù)[11]。

1.2 高光譜圖像數(shù)據(jù)的采集方式

根據(jù)高光譜圖像采集方式的不同，可分為點(diǎn)掃描、線掃描和面掃描三種。點(diǎn)掃描方式每次掃描只能獲得一個(gè)像素點(diǎn)的光譜，不適用于快速檢測(cè)，所以點(diǎn)掃描的方式常常被用于檢測(cè)微觀對(duì)象。線掃描方式通過每次掃描可以獲得掃描線上的光譜，適用于傳輸帶上物體的實(shí)時(shí)檢測(cè)，因此該方法是水果品質(zhì)檢測(cè)中最常用的圖像采集方法。點(diǎn)掃描和線掃描方式都屬于光譜域掃描方式，首先獲得圖像的光譜和一個(gè)維度的空間信息，再通過掃描移動(dòng)，獲得另一維度空間信息。而面掃描方式屬于空間域掃描方式，可以同時(shí)獲取單個(gè)波長(zhǎng)下被測(cè)物體兩個(gè)空間維度的圖像信息，其數(shù)據(jù)采集量大且數(shù)據(jù)采集時(shí)間較長(zhǎng)，高光譜成像系統(tǒng)中通常會(huì)選擇面掃描方式。

2 高光譜圖像技術(shù)的研究進(jìn)展

2.1 水果品質(zhì)定性分析

2.1.1 機(jī)械損傷

水果在收獲和運(yùn)輸過程中很容易因?yàn)橥饨绲臎_擊、振動(dòng)或擠壓而出現(xiàn)機(jī)械損傷，從而使水果的品級(jí)降低并造成經(jīng)濟(jì)損失?，F(xiàn)在對(duì)水果機(jī)械損傷的檢測(cè)多是通過人眼檢測(cè)，檢測(cè)精度較低，致使分類不夠精準(zhǔn)，無法滿足消費(fèi)者對(duì)水果質(zhì)量的要求，而高光譜檢測(cè)技術(shù)以其高精度無損檢測(cè)的特點(diǎn)正在逐漸取代原有的檢測(cè)技術(shù)。

近十年來，采用高光譜成像技術(shù)檢測(cè)蘋果機(jī)械損傷的研究已有很多[12-18]，韓浩然等[19]利用高光譜成像技術(shù)來檢測(cè)蘋果的摔傷，試驗(yàn)結(jié)果表明，波段比算法和主成分分析法分類識(shí)別正確率為93.3%，適用于蘋果摔傷的實(shí)時(shí)快速檢測(cè)。Baranowski等[20]采用配備了在可見光和短波近紅外(VIS/SWNIR，400～1 000 nm)傳感器的高光譜相機(jī)、中波近紅外(MNIR，1 000～2 500 nm)和紅外(IR，3 500～5 000 nm)范圍的熱成像相機(jī)系統(tǒng)來檢測(cè)蘋果的早期瘀傷。結(jié)果表明，將VIS/SWNIR、MNIR和IR三個(gè)范圍結(jié)合在一起的模型獲得了區(qū)分瘀傷和完好組織以及各種深度瘀傷的最佳預(yù)測(cè)效率，使用廣譜范圍(400～5 000 nm)進(jìn)行水果表面成像可以改善對(duì)蘋果不同深度早期瘀傷的檢測(cè)效果。Nayeli等[21]利用近紅外高光譜成像系統(tǒng)檢測(cè)芒果的機(jī)械損傷，采用了五種分類方法，在產(chǎn)生損壞后的七天內(nèi)捕獲圖像，從而可以有效檢測(cè)到出現(xiàn)損壞的時(shí)刻。結(jié)果發(fā)現(xiàn)近鄰法(k-Nearest Neighbours，k-NN)的分類效果最好，正確分類率可以達(dá)到97.90%。林思寒[22]利用PLS和LDA方法結(jié)合高光譜成像技術(shù)，建立了翠冠梨完好果和不同損傷天數(shù)碰壓果的PLS-LDA檢測(cè)模型。結(jié)果表明，其機(jī)械損傷果和完好果的識(shí)別準(zhǔn)確率都在90%以上，最高可達(dá)97.78%。目前，現(xiàn)有高光譜檢測(cè)技術(shù)的檢測(cè)精度已經(jīng)能夠滿足分類需求，但針對(duì)損傷程度的檢測(cè)模型還較少。

2.1.2 凍傷

凍傷是水果缺陷檢測(cè)中最常見的指標(biāo)之一，其早期檢測(cè)和監(jiān)測(cè)比較困難，為了更早地將有缺陷的水果從營(yíng)銷鏈中去除，需要一種快速、精確和無損的檢測(cè)技術(shù)。近年來，研究人員針對(duì)蘋果凍傷方面的研究主要集中在算法優(yōu)化層面。ElMasry等[23]利用高光譜成像(400～1 000 nm)檢測(cè)“紅元帥”蘋果中的凍傷，開發(fā)了一種前饋反向傳播模型，選擇出五個(gè)特征波長(zhǎng)的光譜作為模型的輸入，以普通與凍傷為輸出結(jié)果，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型。結(jié)果表明，該模型的平均分類精度達(dá)到98.4%。張嬙等[24]搭建半透射高光譜系統(tǒng)，采集樣本在400～1 000 nm 波段的圖像，利用獨(dú)立主成分分析法和權(quán)重系數(shù)法對(duì)圖像進(jìn)行處理，建立水蜜桃冷害等級(jí)判別模型并進(jìn)行驗(yàn)證，驗(yàn)證組的總體正確率為91.0%。Pan等[25]建立了一個(gè)高光譜成像系統(tǒng)來檢測(cè)桃子的凍傷，開發(fā)了一種人工神經(jīng)網(wǎng)絡(luò)(ANN)模型，確定了8個(gè)特征波長(zhǎng)，并將特征波長(zhǎng)作為ANN模型的輸入，對(duì)完好果和凍傷果進(jìn)行分類，其分類精度為95.8%。高光譜圖像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法在識(shí)別凍傷水果方面的研究已有一定進(jìn)展，檢測(cè)精度普遍較高，未來可以進(jìn)行水果凍傷分級(jí)識(shí)別的在線檢測(cè)研究，進(jìn)一步提高檢測(cè)效率。

2.1.3 成熟度

水果成熟度是決定水果內(nèi)在品質(zhì)的關(guān)鍵因素，也是確定水果貨架期的重要指標(biāo)。水果成熟的過程非常復(fù)雜，以往所用的傳統(tǒng)檢測(cè)水果成熟度方法局限于人工視覺檢測(cè)，實(shí)驗(yàn)室理化檢測(cè)等。這些方法不但費(fèi)時(shí)費(fèi)力，主觀性較強(qiáng)，且均需破壞樣本才可實(shí)現(xiàn)[26-28]。近年來，國(guó)內(nèi)外學(xué)者開始研究無損檢測(cè)技術(shù)對(duì)水果的成熟度進(jìn)行判別分析，其中高光譜圖像技術(shù)以其特有的優(yōu)勢(shì)，在水果成熟度方面的研究比較豐富。

Rajkumar等[29]使用高光譜成像技術(shù)對(duì)香蕉成熟度進(jìn)行了研究，提前采集水分含量、硬度和總可溶性固體等質(zhì)量參數(shù)，并與光譜數(shù)據(jù)相關(guān)。運(yùn)用PLS來分析光譜數(shù)據(jù)，使用預(yù)測(cè)的殘差誤差平方和來選擇特征波長(zhǎng)。實(shí)驗(yàn)結(jié)果表明，在成熟過程中，香蕉水分含量的變化與不同成熟階段成線性關(guān)系。Zhang等[30]建立高光譜成像系統(tǒng)來對(duì)草莓的成熟度進(jìn)行分類，從成熟、中熟和未成熟草莓的高光譜圖像中提取光譜數(shù)據(jù)，在不同光譜范圍內(nèi)分別建立SVM模型，其中441.1～1 013.97 nm數(shù)據(jù)集上的SVM模型表現(xiàn)最佳，分類精度超過 85%。Gao等[31]利用高光譜成像系統(tǒng)對(duì)草莓的成熟度進(jìn)行分類，在草莓早期成熟和成熟階段收集HSI數(shù)據(jù)，使用順序特征選擇算法(SFS)選擇特征波長(zhǎng)，同時(shí)用AlexNet卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)早熟和成熟草莓樣品進(jìn)行分類，其測(cè)試數(shù)據(jù)集的準(zhǔn)確率為98.6%。

不同的特征選擇算法對(duì)于最后的分類精度影響很大，對(duì)不同水果選擇不同的特征算法尤為重要。

2.2 水果品質(zhì)定量分析

2.2.1 硬度預(yù)測(cè)

硬度是表現(xiàn)水果成熟度和口感品質(zhì)的一個(gè)重要特征，傳統(tǒng)的硬度檢測(cè)方法普遍對(duì)樣本有損傷，而高光譜成像技術(shù)則能夠?qū)λ捕冗M(jìn)行快速、無損檢測(cè)。張巍[32]使用自主搭建的高光譜成像系統(tǒng)(500～1 000 nm)，以藍(lán)莓為研究對(duì)象，采用連續(xù)投影算法(SPA)對(duì)特征光譜進(jìn)行提取，并建立基于全波段-BP神經(jīng)網(wǎng)絡(luò)的硬度預(yù)測(cè)模型與基于SPA-BP神經(jīng)網(wǎng)絡(luò)的硬度預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，所建模型都有較好的預(yù)測(cè)結(jié)果，且基于SPA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果更好。盧娜等[33]利用高光譜成像系統(tǒng)，獲取草莓在400～1 000 nm范圍波長(zhǎng)的高光譜數(shù)據(jù)，采用四種方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，并建立PLS預(yù)測(cè)模型，比較不同的預(yù)處理方法對(duì)預(yù)測(cè)模型產(chǎn)生的影響。結(jié)果表明，經(jīng)過標(biāo)準(zhǔn)正態(tài)變換(SNV)處理后的偏最小二乘(PLS)模型預(yù)測(cè)效果最好。Reddy等[34]利用高光譜成像和多變量數(shù)據(jù)分析對(duì)櫻桃硬度進(jìn)行預(yù)測(cè)。結(jié)果表明，與偏最小二乘回歸法相比，利用高斯過程回歸所預(yù)測(cè)的櫻桃硬度精度更高。Xie等[35]使用高光譜成像系統(tǒng)對(duì)香蕉的硬度進(jìn)行預(yù)測(cè)，設(shè)計(jì)了一種雙波長(zhǎng)組合的方法選擇出特征波長(zhǎng)，基于所選波長(zhǎng)，得出RP2= 0.760，RPD= 2.062。結(jié)果表明，可以通過雙波長(zhǎng)組合的方法對(duì)香蕉硬度進(jìn)行分類。在硬度預(yù)測(cè)方面，Xie等所設(shè)計(jì)的雙波長(zhǎng)組合方法檢測(cè)香蕉硬度時(shí)有良好的表現(xiàn)，可以將此方法應(yīng)用到其他水果的硬度檢測(cè)上。

2.2.2 可溶性固形物預(yù)測(cè)

水果中的可溶性固形物(SSC)包括可溶性糖類、維生素、礦物質(zhì)等[36]，是影響水果內(nèi)部品質(zhì)的重要因素。羅霞等[37]利用高光譜技術(shù)采集火龍果的漫反射光譜，并進(jìn)行火龍果可溶性固形物的無損檢測(cè)。應(yīng)用連續(xù)投影算法(SPA)對(duì)特征變量進(jìn)行選擇，采用8種方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，通過偏最小二乘法(PLS)和前饋反向傳播神經(jīng)網(wǎng)絡(luò)法(BPNN)建立預(yù)測(cè)模型。結(jié)果表明，采用平滑去噪(MAS)進(jìn)行預(yù)處理的模型精度最高，其驗(yàn)證相關(guān)系數(shù)和交叉驗(yàn)證均方根誤差分別為0.863 5、0.679 1。侯寶路等[38]利用近紅外高光譜成像技術(shù)(400～1 000 nm)檢測(cè)梨內(nèi)部的可溶性固形物。采用SPA算法提取梨的有效波長(zhǎng)，利用多元線性回歸算法(MLR)建立線性回歸模型。結(jié)果表明，預(yù)測(cè)可溶性固形物模型的相關(guān)系數(shù)R為0.898，均方根誤差為0.192，檢測(cè)結(jié)果較為準(zhǔn)確。Zhang等[39]使用可見光和近紅外全透光高光譜成像對(duì)橙子中可溶性固體含量(SSC)進(jìn)行預(yù)測(cè)，結(jié)合了自適應(yīng)權(quán)重加權(quán)采樣和連續(xù)投影算法(CARS-SPA)來選擇有效波長(zhǎng)，將水果尺寸作為補(bǔ)償因子，建立了三種與光譜信息相結(jié)合的校準(zhǔn)模型，包括部分最小平方(PLS)、多線性回歸(MLR)和最平方支持向量機(jī)(LS-SVM)。結(jié)果表明，根據(jù)所選的有效波長(zhǎng)，新提出的CARS-SPA-LS-SVM模型能夠?qū)崿F(xiàn)對(duì)橙子SSC的滿意預(yù)測(cè)。何洪巨等[40]研究高光譜技術(shù)在檢測(cè)無籽/有籽西瓜、青色/黃色甜瓜糖度上的可行性，利用可見/近紅外高光譜成像技術(shù)，分析不同品種西瓜、甜瓜的光譜反射率對(duì)糖度的響應(yīng)差異，得出在639.3 nm波段其響應(yīng)最高，在此波段下建模并檢驗(yàn)，其建模R2為0.904、檢驗(yàn)R2為0.847、相對(duì)均方根誤差為6.78%。Sun等[41]采用在波長(zhǎng)900～1 700 nm范圍內(nèi)的高光譜成像對(duì)甜瓜的糖度進(jìn)行無損檢測(cè)。使用傳統(tǒng)的方法對(duì)樣本甜瓜進(jìn)行檢測(cè)，并建立了四種模型對(duì)樣本進(jìn)行預(yù)測(cè)。結(jié)果表明，偏最小二乘回歸(PLSR)產(chǎn)生的預(yù)測(cè)結(jié)果最為準(zhǔn)確，其R2值為0.80。

在檢測(cè)水果的可溶性固形物時(shí)，使用不同的預(yù)處理方法會(huì)對(duì)檢測(cè)精度產(chǎn)生較大影響，應(yīng)在多種預(yù)處理方法中選取產(chǎn)生最優(yōu)結(jié)果的預(yù)處理方法。

2.3 安全方面檢測(cè)

2.3.1 藥物殘留

水果表面的藥物殘留不僅極大影響水果的質(zhì)量安全，還影響果品出口貿(mào)易。因此，對(duì)水果表面的藥物殘留進(jìn)行無損檢測(cè)十分必要。徐潔等[42]利用高光譜技術(shù)，建立距離判別分析模型和貝葉斯判別分析模型，并對(duì)哈密瓜表面殘留藥物的種類進(jìn)行判別。結(jié)果表明，在紫外燈光源的環(huán)境中，距離判別法的準(zhǔn)確率較高，為94.67%；在鹵素?zé)艄庠喘h(huán)境中，貝葉斯判別法的準(zhǔn)確率較高，為100.00%。Jiang等[43]對(duì)蘋果農(nóng)藥殘留高光譜數(shù)據(jù)特征進(jìn)行分析，構(gòu)建了適用于蘋果農(nóng)藥殘留檢測(cè)的AlexNet-CNN框架，并對(duì)四種高光譜蘋果農(nóng)藥殘留的6 144張圖像進(jìn)行檢測(cè)。結(jié)果表明，測(cè)試集檢測(cè)精度為99.09%，單波段平均圖像檢測(cè)精度為95.35%?？梢?，高光譜成像技術(shù)在藥物殘留檢測(cè)方面已經(jīng)達(dá)到了很高的精度。

2.3.2 病蟲害

病蟲害的存在會(huì)極大地降低水果的品質(zhì)，利用高光譜技術(shù)可以有效地對(duì)水果病蟲害進(jìn)行無損檢測(cè)，這對(duì)水果品質(zhì)分級(jí)具有重要意義。Bart等[44]開發(fā)了一種高光譜NIR成像系統(tǒng)來識(shí)別蘋果上的苦陷癥，構(gòu)建了PLS校準(zhǔn)模型，用來區(qū)分未受影響的蘋果表面和苦陷癥。結(jié)果表明，該系統(tǒng)可以識(shí)別出收獲后肉眼不可見的苦陷癥，但無法區(qū)分苦陷癥和軟組織。劉思伽等[45]基于高光譜成像技術(shù)，提出改進(jìn)流形距離算法選取3個(gè)特征波段并加以分組，建立BP神經(jīng)網(wǎng)絡(luò)模型對(duì)病害果和正常果進(jìn)行檢測(cè)。結(jié)果表明，檢測(cè)蘋果病害時(shí)光譜相對(duì)反射率的最佳組合為700 nm和904 nm波段，其驗(yàn)證集的病害果檢測(cè)率達(dá)到96.25%，正常果檢測(cè)率95%。Anna等[46]使用高光譜成像技術(shù)檢測(cè)草莓果實(shí)中的真菌感染，用兩種不同品種的草莓分別接種兩種不同的真菌，將未接種的草莓用作對(duì)照，選擇特征波長(zhǎng)并構(gòu)建監(jiān)督分類模型。在所使用的四種分類方法中，反向傳播神經(jīng)網(wǎng)絡(luò)(BNN)模型獲得了區(qū)分真菌物種的最佳預(yù)測(cè)精度，接種果與控制果的區(qū)分精度高達(dá)97%。Wang等[47]開發(fā)了一種高光譜反射成像方法(400～720 nm)用于檢測(cè)棗果實(shí)中的外部昆蟲損害。使用高光譜成像方法確定棗中的受損區(qū)域，運(yùn)用逐步判別分析法將棗分為有蟲侵害型和無蟲侵害型，分類準(zhǔn)確率約為97.0%。但現(xiàn)有檢測(cè)技術(shù)大多只能檢測(cè)一種病蟲害，少有開發(fā)出可以同時(shí)檢測(cè)出多種病蟲害的高光譜模型。

3 存在問題及發(fā)展趨勢(shì)

高光譜成像技術(shù)雖然在水果無損檢測(cè)方面有較多的應(yīng)用，但仍存在著一些不足。高光譜的穿透深度不夠高，對(duì)于果皮比較厚的水果難以檢測(cè)。反射、透射時(shí)需要使用大光源，但光源能量過高又容易損傷水果，如何在無損檢測(cè)和更深層檢測(cè)間達(dá)到平衡是未來要解決的關(guān)鍵問題；高光譜的圖像數(shù)據(jù)量大，冗余信息多，如何選擇特征波長(zhǎng)，去除無相關(guān)的變量來提升檢測(cè)效率也是急需解決的一個(gè)問題；水果含水率普遍較高，高光譜檢測(cè)時(shí)在1 400 nm后會(huì)受到水分吸收峰的影響，如何避免水分吸收峰對(duì)檢測(cè)結(jié)果的影響也亟待解決。

針對(duì)檢測(cè)樣品方面，現(xiàn)階段大多數(shù)的研究都選取表皮較薄的水果(如蘋果、梨、桃子等)進(jìn)行品質(zhì)缺陷檢測(cè)，但對(duì)表皮較厚的水果(如西瓜、哈密瓜、椰子等)品質(zhì)檢測(cè)仍然較少，高光譜檢測(cè)技術(shù)如何突破檢測(cè)深度的限制將給這些較厚果皮水果品質(zhì)檢測(cè)帶來新的應(yīng)用。在試驗(yàn)設(shè)計(jì)方面，大多數(shù)研究都只針對(duì)水果是否存在缺陷進(jìn)行分級(jí)，沒有考慮缺陷程度對(duì)水果保質(zhì)期的影響，如水果受到輕微損傷后，在短期內(nèi)其內(nèi)外部品質(zhì)與經(jīng)濟(jì)價(jià)值波動(dòng)較小，但儲(chǔ)存一定時(shí)間后水果品質(zhì)可能會(huì)發(fā)生較大改變，因此研究缺陷程度對(duì)水果保質(zhì)期的影響對(duì)水果儲(chǔ)存及經(jīng)儲(chǔ)存后水果的品質(zhì)預(yù)測(cè)具有深遠(yuǎn)的現(xiàn)實(shí)意義。隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)等的進(jìn)一步發(fā)展和更深地融合，高光譜圖像檢測(cè)技術(shù)在水果品質(zhì)無損檢測(cè)領(lǐng)域必將有更加廣泛的應(yīng)用。在高光譜檢測(cè)應(yīng)用技術(shù)推廣方面，由于圖像采集和處理速度的限制以及設(shè)備成本的制約，高光譜技術(shù)在現(xiàn)實(shí)生活中還未得到大范圍的應(yīng)用，可以權(quán)衡檢測(cè)準(zhǔn)確率與設(shè)備成本，開發(fā)專用小型化設(shè)備以實(shí)現(xiàn)高光譜技術(shù)的進(jìn)一步推廣。

4 小結(jié)

近年來，高光譜圖像檢測(cè)技術(shù)在水果品質(zhì)的無損檢測(cè)方面得到了廣泛的應(yīng)用，硬件的設(shè)計(jì)與實(shí)現(xiàn)以及圖像處理的算法都取得了進(jìn)步，檢測(cè)的準(zhǔn)確率逐漸提升，體現(xiàn)出其克服傳統(tǒng)分析工具復(fù)雜性、繁瑣性、破壞性的巨大潛力。但高光譜圖像技術(shù)還有較多問題值得深入研究，隨著科技的進(jìn)步以及信息時(shí)代的到來，此技術(shù)必將會(huì)越來越成熟，應(yīng)用前景也將越來越廣闊。