獼猴桃品質檢測方法

傳統的獼猴桃果實品質檢測方法主要是化學分析方法、質構剖面分析、穿刺等測試方法，這些有損檢測方法在實際應用中存在成本高、破壞性強等局限性。為滿足快速、無損的果品品質監測需求，核磁共振、光譜分析和電子鼻等技術，已被廣泛研究并應用于檢測水果的內部品質。其中，高光譜成像技術作為新興的光學檢測方法，可同時獲取待測對象的內外部品質信息，即二維空間和一維光譜信息。二維空間信息用于直接提取待測對象的外部品質特征（如大小、形狀）；將一維光譜信息與對象特定成分及含量等特征進行耦合分析，可以實現果品內部品質預測評估。

高光譜成像技術通過在多個連續的光譜波段（通常覆蓋可見光到近紅外范圍）采集物體的反射或透射信息，能夠提供比傳統圖像更豐富的細節。這項技術通過記錄每個像素的光譜信息，能夠精確反映物體的物理和化學特性。獼猴桃品質檢測中，高光譜成像可用于無損評估其外觀、內部結構、糖度、硬度、成熟度等多種特征，通過分析不同波段的光譜信息，幫助檢測瑕疵、腐爛以及預測質量指標，廣泛應用于農業產品的質量控制和智能化檢測。因此，國內外學者已逐漸將高光譜技術用于高效、無損的獼猴桃品質監測與分級研究中。

高光譜成像技術在獼猴桃內部品質檢測中的應用

獼猴桃作為后熟水果之一，在實際采收時通常在未成熟時采摘，以延長其貯藏時間。如果過早采摘，獼猴桃會保持果肉的硬度，從而影響口感。采收太晚會導致獼猴桃過熟，難以儲存。可溶性固形物含量（SSC）、硬度和顏色（L*、a*和B*）是評價獼猴桃品質和成熟度的重要參數。因此，無損檢測獼猴桃在不同的成熟期的SSC，硬度和顏色，可用于確定適當的采收時間和采后質量分級。在以往的研究中，Meng et al. (2024)利用高光譜成像技術和化學計量學方法，建立了獼猴桃不同成熟期理化指標（SSC、硬度、L*、a*和B*）的快速檢測模型，并采用偽彩色技術對獼猴桃不同成熟期的理化指標分布進行可視化，使檢測結果更加直觀（圖1）。Zhu et al. (2017) 也利用高光譜成像技術研究了結合變量選擇方法和校正模型預測了獼猴桃硬度，可溶性固形物含量（SSC）和pH值，并開發了圖像處理算法，以在每個像素中傳遞預測模型，從而生成可視化硬度和SSC的空間分布的預測（圖2）。 

圖1.獼猴桃理化指標可視化圖

圖2.原始RGB圖像（a）和獼猴桃中SSC（B）和硬度（c）的分布圖（測量值在圖的底部）。

由于獼猴桃采摘后的儲存時間短，需要冷藏以延長其成熟和軟化時間。為探究貯藏環境對獼猴桃品質的影響，Zhao et al. (2023) 采用高光譜成像（HSI）技術研究了獼猴桃在近紅外（NIR）區域不同貯藏條件下的獼猴桃品質變化。他們提出了一種基于深度學習方法對在不同溫度（低溫和室溫）下儲存的獼猴桃進行不同時間（0、2、4 和 6 天）的分類。此外，為了進一步研究低溫環境下貯藏時間對獼猴桃的影響，采用深度學習方法建立高光譜深度特征與獼猴桃之間的關聯，并對獼猴桃的貯藏時間進行分類。分類圖可以直觀地顯示了新鮮水果和低溫貯藏水果之間的差異（圖3）。

圖3. 獼猴桃的偽彩色圖像（a）及不同低溫儲存時間的品質預測圖（b）

Zou et al. (2024)對紅心獼猴桃在開花、結果、成熟和采收過程進行了研究，提出了一種將熒光高光譜成像（FHSI）技術與化學計量學相結合的獼猴桃品質屬性評價和成熟度識別的無損方法（圖4）。該研究發現隨著獼猴桃成熟，FHSI技術捕獲的獼猴桃熒光強度逐漸減弱。在獼猴桃品質屬性（DMC、硬度和SSC）的預測中，熒光高光譜技術結合PLSR模型準確預測了獼猴桃的內在品質特征。在使用深度學習模型進行獼猴桃成熟度（未熟、成熟和過熟）的三分類中，深度學習相對于機器學習模型具有一定的優勢。

圖4. FHSI技術與化學計量學相結合的獼猴桃品質和成熟度檢測流程

Ma et al. (2021)利用推掃式近紅外高光譜成像相機和樣品旋轉階段相結合的方法采集了獼猴桃全表面的高光譜數據，這項工作提供了一種非破壞性和快速的方法來可視化獼猴桃的SSC和pH值（圖5）。結果表明獼猴桃SSC和pH的360°映射結果超過了這一領域的早期工作，它們在每個完整的樣品中顯示出不同的空間分布。研究結果表明，對象旋轉高光譜成像方法是有前途的非破壞性預測映射的獼猴桃或其他圓柱形樣品中的SSC和pH值。

圖5. 獼猴桃全表面品質可視化圖像

高光譜成像技術在獼猴桃外部品質檢測中的應用

獼猴桃形狀特征是獼猴桃在產后分級處理過程的一項重要指標，不僅影響果實外觀，也決定果實等級高低的劃分。傳統的形狀分級方法大多采用人工分級,存在耗時長、效率低、重復性差且易受人為主觀影響等問題。針對傳統獼猴桃形狀分級存在的問題，黎靜 et al. (2020)利用高光譜成像建立了獼猴桃正常果和畸形果的分類檢測方法。該研究以“金魁"獼猴桃為研究對象，采獼猴桃畸形果和正常果的分類由多位專業果形分析人員綜合評定，得到正常果和畸形果（圖6）。利用可見-近紅外高光譜成像系統采集獼猴桃樣本的光譜數據，并采用主成分分析法對光譜數據進行降維得到了特征波長的融合光譜圖像。然后計算了獼猴桃區域的形狀特征參數，結合機器學習方法實現了正常果與畸形果的識別。

圖6. （a）：正常果；（b）-（d）：畸形果

高光譜成像技術在獼猴桃貨架期檢測中的應用

貨架期是影響果蔬品質和供應安全的重要因素,快速準確預測果蔬貨架期已成為消費者、生產者和管理者共同關注的問題。獼猴桃屬于呼吸躍變型果實，采后成熟、衰老迅速，極易軟化腐爛變質，貨架壽命非常有限。但由于獼猴桃表面顏色變化不明顯，人們僅憑感官難以準確判斷獼猴桃的貨架期和質量等級。邵園園 et al. (2020) 近紅外高光譜成像技術獲取冷藏、室溫條件下不同保鮮時間的獼猴桃高光譜信息，結合化學計量學方法，對獼猴桃貨架期進行快速預測和判別。對獼猴桃切片圖像進行PCA分析，圖7為4℃和（18±2）℃的獼猴桃切片PC1-PC7圖像。由圖中可以看出，PC2圖像反映獼猴桃切片信息*明顯，４℃和（18±2）℃的獼猴桃切片PC2圖像在各貨架期均呈現出不同程度的內部變化。從所得切片信息也進一步驗證了高光譜成像技術是實現獼猴桃貨架期預測的可靠工具。

圖7. 獼猴桃切片圖像主成分分析

高光譜成像技術在獼猴桃其它檢測中的應用

1.1 獼猴桃隱性損傷方面

獼猴桃在采收、運輸和儲存過程中，果肉常因碰撞或擠壓而碰傷。然而，獼猴桃身上的傷痕肉眼極難識別，被稱為隱性損傷。Bu et al. (2024)利用高光譜成像（HSI）與深度學習相結合的方法檢測了獼猴桃中隱性損傷（圖8）。該研究使用主成分分析 (PCA) 選擇對獼猴桃隱藏損傷敏感的光譜范圍 (924–1277 nm) 和特征波長（928.19、1051.03和1190.47 nm）。隨后，根據獼猴桃特征波長圖像生成三通道圖像、灰度圖像和偽彩色圖像，并用于開發檢測獼猴桃隱藏的瘀傷區域的深度學習模型。研究結果表明，深度學習模型HSI技術結合深度學習模型可以有效檢測獼猴桃中的隱藏碰傷。

圖8. 獼猴桃瘀傷區域識別流程

1.2 獼猴桃灰霉病方面

獼猴桃在貯藏過程中容易受到真菌病害的影響，這可能導致大量的獼猴桃貯藏損失。其中灰葡萄孢真菌也是一種*普遍的病菌，導致獼猴桃采后腐爛。獼猴桃中超過20%的腐敗是由于灰霉菌引起的灰霉病。如果沒有適當的控制，這種腐爛可以使大約三分之一的水果變質。因此，獼猴桃灰霉病菌感染的早期診斷至關重要，以便采取適當措施防止嚴重的作物退化和經濟損失。Haghbin et al. (2023) 以海沃德獼猴桃為試驗材料，研究了高光譜成像技術和化學計量學方法在獼猴桃采后灰霉病菌感染早期檢測中的應用（圖9）。該研究的結果證明了高光譜成像和化學計量學方法在檢測獼猴桃灰霉病菌感染以及監測獼猴桃因感染而發生的理化屬性變化方面具有巨大的應用潛力。

圖9 健康獼猴桃和染病獼猴桃在450 ~ 900 nm范圍內光譜反射率

1.3 獼猴桃軟腐病方面

隨著獼猴桃產量的不斷增加，各種獼猴桃病害也不斷涌現，其中以獼猴桃軟腐病（一種真菌性腐爛病）造成的采后損失最為嚴重。早期發現軟腐病對于獼猴桃種植者、銷售商和研究人員來說非常重要；也有助于區分健康果實和患病果實（圖10），并防止健康果實感染造成的采后損失。Guo et al. (2024)利用高光譜圖像和深度學習方法（雙分支選擇性注意膠囊網絡）實現了健康獼猴桃和軟腐病獼猴桃的分類。與現有方法相比，該方法（圖11）在獼猴桃軟腐病數據集上表現出*好的分類性。研究結果表明，使用高光譜成像技術可以識別潛在的軟腐病獼猴桃。

圖10. 健康獼猴桃及軟腐病獼猴桃的圖像

圖11. 深度學習的網絡結構

高宏盛 et al. (2024)為此也利用高光譜成像技術(470～900 nm)對軟腐病的早期分類檢測展開研究。該研究以湖北省武漢市“云海一號"獼猴桃為研究對象，通過對健康獼猴桃及感染軟腐病的不同時期獼猴桃進行高光譜圖像采集，提出了一種特征波段圖像融合的獼猴桃軟腐病早期分類檢測方法（圖11）。該研究使用高光譜成像技術能夠在獼猴桃感染軟腐病３～４ｄ時將染病果與健康果成功區分，實現了獼猴桃軟腐病的早期無損檢測，為獼猴桃的銷售分級提供了一定的指導意義。

圖12. 總體試驗流程

1.4 獼猴桃冷害方面

獼猴桃是典型的呼吸躍變型果實，采后不耐儲，在常溫下貯藏成熟和衰老很快，而且極易腐爛，因此，低溫是延長獼猴桃貯藏期的有效方法。但獼猴桃屬于冷敏性水果，長時間低溫條件極易導致果實發生冷害，并且冷害癥狀先從組織內部開始，只有在轉移到常溫銷售條件下才會急劇表現出來，此時的損失已無法挽回。戈永慧 et al. (2022)建立了基于高光譜成像技術檢測獼猴桃冷害的方法，實現了獼猴桃冷害的無損甄別。不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀如圖12所示，‘紅陽’獼猴桃冷害癥狀主要表現為皮下組織木質化和褐變、果實內部呈水浸狀，皮下組織木質化和褐變的面積隨著冷害程度的加劇逐漸增大，獼猴桃內部水浸化呈由內向外擴散的趨勢。采集圖像后削皮進行獼猴桃冷害等級的判別，通過觀察皮下果肉木質化、水浸狀、褐變等冷害癥狀的面積，

結合獼猴桃出庫后的商業價值，將冷害分為４個等級，判別標準如下：０級為正常（未發生冷害）；１級為極輕（０＜可見病癥≤１/４），不影響果實銷售，仍具有商業價值；２級為較輕（１/４＜可見病癥≤１/２），失去部分商業價值，影響果實銷售；３級為嚴重（１/２≤可見病癥），不可食用，徹*失去商業價值。

圖13. 不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀

如圖13所示：在400~1000 nm、1000~2000 nm波長下，不同冷害程度獼猴桃的平均光譜的總體趨勢是相似的，正常樣品的相對反射率高于冷害樣品，冷害等級越高，相對反射率越低，這可能是由于冷害過程中獼猴桃果實中的成分發生了變化，樣本的組織塌陷、色素受損造成光反射減少，從而導致相對反射率隨冷害程度加劇而降低。

圖14. 不同冷害程度的獼猴桃反射光譜信息

總結與展望

高光譜成像技術作為一種融合光譜信息和圖像信息的先進檢測手段，在獼猴桃品質檢測中展現出了巨大的潛力。通過無損檢測的方式，它實現了從獼猴桃內部品質（如可溶性固形物含量、硬度、顏色）到外部特征（如形狀、畸形等）的全面評估，為獼猴桃采摘時機、分級、貯藏以及貨架期預測提供了科學依據。在隱性損傷、病害識別以及冷害評估方面，高光譜成像結合深度學習模型的應用，不僅提升了檢測的準確性，還極大地推動了果蔬品質檢測的智能化發展。然而，盡管取得了豐碩成果，仍存在著數據處理復雜、設備成本高以及現場應用難等挑戰。

未來的主要發展方向有以下幾個方面：（1）便攜化與低成本化設備研發：通過集成優化硬件設計，研制出高效、輕便且經濟實惠的高光譜成像設備，使其適用于田間和市場現場檢測；（2）智能算法的深入應用：結合機器學習與深度學習技術，優化模型結構與算法參數，提高檢測的實時性與準確性，開發一體化的智能檢測系統。（3）多模態數據融合：探索將高光譜數據與其他無損檢測技術（如熒光成像、近紅外光譜、熱成像）相結合，進一步提升檢測的全面性和可靠性。

參考文獻

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, 郭志強, 曾云流, 丁港, 王逍遙, 李黎, (2024). 基于高光譜圖像波段融合的獼猴桃軟腐病早期分類檢測. 光譜學與光譜分析 44(01), 241-249.

戈永慧, 宋進, 潘磊慶, 屠康, (2022). 基于高光譜成像檢測獼猴桃冷害的研究. 南京農業大學學報 45(02), 386-394.

黎靜, 伍臣鵬, 劉木華, 陳金印, 鄭建鴻, 張一帆, 王威, 賴曲芳, 薛龍, (2020). 高光譜成像的獼猴桃形狀特征檢測. 光譜學與光譜分析 40(08), 2564-2570.

邵園園, 王永賢, 玄冠濤, 高宗梅, 劉藝, 韓翔, 胡志超, (2020). 高光譜成像的獼猴桃貨架期快速預測. 光譜學與光譜分析 40(06), 1940-1946.