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）。
由於獼猴桃采摘後的儲存時間短，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。他們提出了一種基於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de分fen類lei。此ci外wai，為wei了le進jin一yi步bu研yan究jiu低di溫wen環huan境jing下xia貯zhu藏zang時shi間jian對dui獼mi猴hou桃tao的de影ying響xiang，采cai用yong深shen度du學xue習xi方fang法fa建jian立li高gao光guang譜pu深shen度du特te征zheng與yu獼mi猴hou桃tao之zhi間jian的de關guan聯lian，並bing對dui獼mi猴hou桃tao的de貯zhu藏zang時shi間jian進jin行xing分fen類lei。分fen類lei圖tu可ke以yi直zhi觀guan地di顯xian示shi了le新xin鮮xian水shui果guo和he低di溫wen貯zhu藏zang水shui果guo之zhi間jian的de差cha異yi（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，深度學習相對於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li用yong推tui掃sao式shi近jin紅hong外wai高gao光guang譜pu成cheng像xiang相xiang機ji和he樣yang品pin旋xuan轉zhuan階jie段duan相xiang結jie合he的de方fang法fa采cai集ji了le獼mi猴hou桃tao全quan表biao麵mian的de高gao光guang譜pu數shu據ju，這zhe項xiang工gong作zuo提ti供gong了le一yi種zhong非fei破po壞huai性xing和he快kuai速su的de方fang法fa來lai可ke視shi化hua獼mi猴hou桃tao的deSSC和pH值（圖5）。結果表明獼猴桃SSC和pH的360°yingshejieguochaoguolezheyilingyudezaoqigongzuo，tamenzaimeigewanzhengdeyangpinzhongxianshichubutongdekongjianfenbu。yanjiujieguobiaoming，duixiangxuanzhuangaoguangpuchengxiangfangfashiyouqiantudefeipohuaixingyuceyingshedemihoutaohuoqitayuanzhuxingyangpinzhongdeSSC和pH值。
圖5. 獼猴桃全表麵品質可視化圖像
高光譜成像技術在獼猴桃外部品質檢測中的應用
獼(mi)猴(hou)桃(tao)形(xing)狀(zhuang)特(te)征(zheng)是(shi)獼(mi)猴(hou)桃(tao)在(zai)產(chan)後(hou)分(fen)級(ji)處(chu)理(li)過(guo)程(cheng)的(de)一(yi)項(xiang)重(zhong)要(yao)指(zhi)標(biao)，不(bu)僅(jin)影(ying)響(xiang)果(guo)實(shi)外(wai)觀(guan)，也(ye)決(jue)定(ding)果(guo)實(shi)等(deng)級(ji)高(gao)低(di)的(de)劃(hua)分(fen)。傳(chuan)統(tong)的(de)形(xing)狀(zhuang)分(fen)級(ji)方(fang)法(fa)大(da)多(duo)采(cai)用(yong)人(ren)工(gong)分(fen)級(ji),存在耗時長、效率低、重複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*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jin紅hong外wai高gao光guang譜pu成cheng像xiang係xi統tong采cai集ji獼mi猴hou桃tao樣yang本ben的de光guang譜pu數shu據ju，並bing采cai用yong主zhu成cheng分fen分fen析xi法fa對dui光guang譜pu數shu據ju進jin行xing降jiang維wei得de到dao了le特te征zheng波bo長chang的de融rong合he光guang譜pu圖tu像xiang。然ran後hou計ji算suan了le獼mi猴hou桃tao區qu域yu的de形xing狀zhuang特te征zheng參can數shu，結jie合he機ji器qi學xue習xi方fang法fa實shi現xian了le正zheng常chang果guo與yu畸ji形xing果guo的de識shi別bie。
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。獼猴桃屬於呼吸躍變型果實，采後成熟、衰(shuai)老(lao)迅(xun)速(su)，極(ji)易(yi)軟(ruan)化(hua)腐(fu)爛(lan)變(bian)質(zhi)，貨(huo)架(jia)壽(shou)命(ming)非(fei)常(chang)有(you)限(xian)。但(dan)由(you)於(yu)獼(mi)猴(hou)桃(tao)表(biao)麵(mian)顏(yan)色(se)變(bian)化(hua)不(bu)明(ming)顯(xian)，人(ren)們(men)僅(jin)憑(ping)感(gan)官(guan)難(nan)以(yi)準(zhun)確(que)判(pan)斷(duan)獼(mi)猴(hou)桃(tao)的(de)貨(huo)架(jia)期(qi)和(he)質(zhi)量(liang)等(deng)級(ji)。邵(shao)園(yuan)園(yuan) 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最 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 獼猴桃隱性損傷方麵
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範圍 (924–1277 nm) 和特征波長（928.19、1051.03和1190.47 nm）。隨後，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，並用於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 獼猴桃灰黴病方麵
獼猴桃在貯藏過程中容易受到真*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*也是一種最普遍的病菌，導致獼猴桃采後腐爛。獼猴桃中超過20%的(de)腐(fu)敗(bai)是(shi)由(you)於(yu)灰(hui)黴(mei)菌(jun)引(yin)起(qi)的(de)灰(hui)黴(mei)病(bing)。如(ru)果(guo)沒(mei)有(you)適(shi)當(dang)的(de)控(kong)製(zhi)，這(zhe)種(zhong)腐(fu)爛(lan)可(ke)以(yi)使(shi)大(da)約(yue)三(san)分(fen)之(zhi)一(yi)的(de)水(shui)果(guo)變(bian)質(zhi)。因(yin)此(ci)，獼(mi)猴(hou)桃(tao)灰(hui)黴(mei)病(bing)菌(jun)感(gan)染(ran)的(de)早(zao)期(qi)診(zhen)斷(duan)至(zhi)關(guan)重(zhong)要(yao)，以(yi)便(bian)采(cai)取(qu)適(shi)當(dang)措(cuo)施(shi)防(fang)止(zhi)嚴(yan)重(zhong)的(de)作(zuo)物(wu)退(tui)化(hua)和(he)經(jing)濟(ji)損(sun)失(shi)。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後灰黴病菌感染早期檢測中的應用（圖9）。gaiyanjiudejieguozhengminglegaoguangpuchengxianghehuaxuejiliangxuefangfazaijiancemihoutaohuimeibingjunganranyijijiancemihoutaoyinganranerfashengdelihuashuxingbianhuafangmianjuyoujudadeyingyongqianli。
圖9 健康獼猴桃和染病獼猴桃在450 ~ 900 nm範圍內光譜反射率
1.3 獼猴桃軟腐病方麵
隨著獼猴桃產量的不斷增加 ，各種獼猴桃病害也不斷湧現，其中以獼猴桃軟腐病（一種真*性腐爛病）造成的采後損失最為嚴重。早期發現軟腐病對於獼猴桃種植者、銷售商和研究人員來說非常重要；也有助於區分健康果實和患病果實（圖10），並防止健康果實感染造成的采後損失。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“雲海一號”獼mi猴hou桃tao為wei研yan究jiu對dui象xiang，通tong過guo對dui健jian康kang獼mi猴hou桃tao及ji感gan染ran軟ruan腐fu病bing的de不bu同tong時shi期qi獼mi猴hou桃tao進jin行xing高gao光guang譜pu圖tu像xiang采cai集ji，提ti出chu了le一yi種zhong特te征zheng波bo段duan圖tu像xiang融rong合he的de獼mi猴hou桃tao軟ruan腐fu病bing早zao期qi分fen類lei檢jian測ce方fang法fa（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 獼猴桃冷害方麵
獼mi猴hou桃tao是shi典dian型xing的de呼hu吸xi躍yue變bian型xing果guo實shi，采cai後hou不bu耐nai儲chu，在zai常chang溫wen下xia貯zhu藏zang成cheng熟shu和he衰shuai老lao很hen快kuai，而er且qie極ji易yi腐fu爛lan，因yin此ci，低di溫wen是shi延yan長chang獼mi猴hou桃tao貯zhu藏zang期qi的de有you效xiao方fang法fa。但dan獼mi猴hou桃tao屬shu於yu冷leng敏min性xing水shui果guo，長chang時shi間jian低di溫wen條tiao件jian極ji易yi導dao致zhi果guo實shi發fa生sheng冷leng害hai，並bing且qie冷leng害hai症zheng狀zhuang先xian從cong組zu織zhi內nei部bu開kai始shi，隻zhi有you在zai轉zhuan移yi到dao常chang溫wen銷xiao售shou條tiao件jian下xia才cai會hui急ji劇ju表biao現xian出chu來lai，此ci時shi的de損sun失shi已yi無wu法fa挽wan回hui。戈ge永yong慧hui et al. (2022)建立了基於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症狀如圖12所示，‘紅陽’獼猴桃冷害症狀主要表現為皮下組織木質化和褐變、果guo實shi內nei部bu呈cheng水shui浸jin狀zhuang，皮pi下xia組zu織zhi木mu質zhi化hua和he褐he變bian的de麵mian積ji隨sui著zhe冷leng害hai程cheng度du的de加jia劇ju逐zhu漸jian增zeng大da，獼mi猴hou桃tao內nei部bu水shui浸jin化hua呈cheng由you內nei向xiang外wai擴kuo散san的de趨qu勢shi。采cai集ji圖tu像xiang後hou削xue皮pi進jin行xing獼mi猴hou桃tao冷leng害hai等deng級ji的de判pan別bie，通tong過guo觀guan察cha皮pi下xia果guo肉rou木mu質zhi化hua、水浸狀、褐變等冷害症狀的麵積，
結合獼猴桃出庫後的商業價值，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＜可見病症≤１/４），不影響果實銷售，仍具有商業價值；２級為較輕（１/４＜可見病症≤１/２），失去部分商業價值，影響果實銷售；３級為嚴重（１/２≤可見病症），不可食用，徹底失去商業價值。
圖13. 不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害症狀
如圖13所示：在400~1000 nm、1000~2000 nm波bo長chang下xia，不bu同tong冷leng害hai程cheng度du獼mi猴hou桃tao的de平ping均jun光guang譜pu的de總zong體ti趨qu勢shi是shi相xiang似si的de，正zheng常chang樣yang品pin的de相xiang對dui反fan射she率lv高gao於yu冷leng害hai樣yang品pin，冷leng害hai等deng級ji越yue高gao，相xiang對dui反fan射she率lv越yue低di，這zhe可ke能neng是shi由you於yu冷leng害hai過guo程cheng中zhong獼mi猴hou桃tao果guo實shi中zhong的de成cheng分fen發fa生sheng了le變bian化hua，樣yang本ben的de組zu織zhi塌ta陷xian、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(gao)光(guang)譜(pu)成(cheng)像(xiang)技(ji)術(shu)作(zuo)為(wei)一(yi)種(zhong)融(rong)合(he)光(guang)譜(pu)信(xin)息(xi)和(he)圖(tu)像(xiang)信(xin)息(xi)的(de)先(xian)進(jin)檢(jian)測(ce)手(shou)段(duan)，在(zai)獼(mi)猴(hou)桃(tao)品(pin)質(zhi)檢(jian)測(ce)中(zhong)展(zhan)現(xian)出(chu)了(le)巨(ju)大(da)的(de)潛(qian)力(li)。通(tong)過(guo)無(wu)損(sun)檢(jian)測(ce)的(de)方(fang)式(shi)，它(ta)實(shi)現(xian)了(le)從(cong)獼(mi)猴(hou)桃(tao)內(nei)部(bu)品(pin)質(zhi)（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*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麵，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*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，仍存在著數據處理複雜、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麵：（1）便攜化與低成本化設備研發：通過集成優化硬件設計，研製出*效、輕便且經濟實惠的高光譜成像設備，使其適用於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係統。（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*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, 郭誌強, 曾雲流, 丁港, 王逍遙, 李黎, (2024). 基於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). 基於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, 胡誌超, (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.
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢