高光譜成像技術在紅棗研究中的應用進展（上）

1. 紅棗的經濟與營養價值

紅棗（Zizyphus jujuba Mill.）作為一種富含營養的水果，廣泛應用於食品

、保健品及中藥領域。其具有較高的經濟價值和營養價值，尤其富含維生素C、礦物質和膳食纖維，具有抗氧化、調節血糖和促進消化等多種健康益處。隨著市場需求的不斷增長，高品質紅棗逐漸成為人們健康飲食的重要組成部分。然而，在采摘、運輸和儲存過程中，紅棗常麵臨機械損傷、蟲害、裂縫等問題，這些缺陷會影響其外觀、口感及營養成分。

2. 傳統紅棗品質檢測方法及其局限性

2.1人工檢測方法的局限性

傳chuan統tong的de人ren工gong目mu視shi檢jian查zha方fang法fa在zai紅hong棗zao質zhi量liang檢jian測ce中zhong長chang期qi占zhan據ju主zhu導dao地di位wei，尤you其qi在zai日ri常chang生sheng產chan和he初chu步bu篩shai選xuan過guo程cheng中zhong
，操cao作zuo簡jian單dan且qie直zhi接jie。然ran而er

，人ren工gong檢jian測ce方fang法fa存cun在zai顯xian著zhu的de局ju限xian性xing，首shou先xian，檢jian測ce效xiao率lv低di
，難nan以yi滿man足zu快kuai速su、***的質量檢測需求

；其次
，人工檢測主觀性強，容易受到環境、疲勞以及檢測人員經驗水平的影響，導致漏檢和誤判。此外，人工檢測方法隻能在可見光範圍內進行，導致其對某些隱性缺陷（如內部蟲害、微裂縫等）的檢測能力有限


，無法提供***的質量評估。

2.2化學分析方法的局限性

傳統的化學分析方法主要用於紅棗中的成分分析，如糖分、酸度、抗氧化劑、維生素含量等指標的測定。這些方法通常需要昂貴的設備和***的實驗室環境，且操作過程繁瑣、時間消耗較大。例如，***液相色譜法（HPLC）

、氣相色譜法（GC）等deng先xian進jin技ji術shu，這zhe些xie方fang法fa雖sui然ran具ju有you較jiao高gao的de精jing度du，但dan高gao成cheng本ben和he操cao作zuo複fu雜za使shi其qi在zai大da規gui模mo生sheng產chan過guo程cheng中zhong應ying用yong受shou限xian。此ci外wai，化hua學xue分fen析xi方fang法fa通tong常chang屬shu於yu破po壞huai性xing檢jian測ce
，即ji檢jian測ce過guo程cheng需xu要yao破po壞huai樣yang品pin
，並bing且qie隻zhi能neng在zai樣yang品pin經jing過guo處chu理li後hou進jin行xing分fen析xi，無wu法fa進jin行xing實shi時shi在zai線xian監jian測ce。

3. 高光譜成像原理與技術特點

如何***、wusundijiancehongzaodepinzhichengweichanyefazhandeguanjian。suizhekejidejinbu，gaoguangpuchengxiangjishuheshenduxuexisuanfadejieheweihongzaopinzhijiancetigonglexindesilu。

gaoguangpuchengxiangjishushiyizhongjiangerweichengxiangjishuheguangpujishuxiangjiehedexianjinjiancefangfa，nenggoutongshihuoqutuxianghemeigexiangsudeguangpuxinxi，tigongduoweidudewuzhifenxi。zhexiangjishuzainongyelingyudeyingyongdedaoleguangfanguanzhu，tebieshizaihongzaodezhiliangjiancezhong，tigongleyizhong***、***、無損的方式來評估其品質。通過高光譜成像，可以對紅棗的糖分含量、酸度
、水分、硬ying度du等deng品pin質zhi參can數shu進jin行xing定ding性xing和he定ding量liang分fen析xi，幫bang助zhu提ti高gao紅hong棗zao的de產chan地di溯su源yuan能neng力li和he質zhi量liang控kong製zhi水shui平ping。結jie合he成cheng像xiang與yu光guang譜pu分fen析xi

，可ke以yi在zai不bu破po壞huai樣yang品pin的de前qian提ti下xia，實shi時shi獲huo取qu紅hong棗zao的de光guang譜pu數shu據ju並bing進jin行xing分fen析xi。通tong過guo光guang譜pu數shu據ju，可ke以yi分fen析xi紅hong棗zao的de糖tang分fen
、酸度、水分等品質指標
，同時能夠檢測到紅棗中的隱性缺陷，如內部裂縫、蟲害等
，從而為紅棗的品質控製提供了更***的依據。特別是結合深度學習算法，高光譜成像技術可以進一步提高數據分析的精度和智能化水平。

隨著精準農業的興起，高光譜成像技術在紅棗等農產品的應用前景廣闊。通過實時、無損的檢測，不僅可以提高紅棗的生產效率，減少人工檢查的誤差

，還能確保產品質量的一致性，推動紅棗產業向標準化
、智能化方向發展。高光譜成像技術在紅棗品質檢測中的應用

4.1高光譜成像技術在鮮棗損傷檢測中的應用

Di Wu等(D. Wu et al., 2023)以靈武長棗為對象，探索了高光譜成像結合深度學習在紅棗瘀傷時間無損識別中的應用潛力，旨在解決傳統目測方法主觀性強、效率低
、早期瘀傷難識別的問題。通過標準化機械裝置在果實赤道區域人工製造瘀傷
，並設置0 h
、12 h、24 h
、48 h四個時間點進行分組
，確保瘀傷時間的可控性和實驗可重複性。

圖1 靈武長棗外傷機械裝置及構建的深度學習模型

本研究采用波段範圍為900~1700 nm的近紅外高光譜成像係統獲取紅棗樣本圖像，以果實整區域為感興趣區域（ROI）提取平均光譜數據，並利用擴展多元信號校正（EMSC）方法對原始光譜進行預處理，有效***光譜偏移和噪聲幹擾，提升數據質量。為降低數據維度


、提高模型運行效率並突出與瘀傷時間相關的重要信息，分別采用SCARS與BOSS兩種特征波段篩選算法
，其中BOSS在保留分類關鍵信息方麵表現更優。圖像方麵，通過主成分分析（PCA）提取主成分圖像，並結合灰度-梯度共生矩陣（GLGCM）從中提取14種紋理特征，涵蓋圖像的灰度

、梯度分布、結構複雜度等多個維度。

圖2紅棗樣品的前三張PC圖（紅色圓圈和箭頭標記的區域為瘀傷）

在建模階段，分別構建了基於原始全波段、特征波段和光譜-紋理融合數據的分類模型，采用三種算法進行對比分析：傳統的偏最小二乘判別分析（PLS-DA）、人工神經網絡（ANN）以及深度學習的一維卷積神經網絡（1D-CNN）。同時，為探究數據規模對模型性能的影響
，設定小樣本集（SD，200個樣本）和大樣本集（LD
，820個樣本）兩種情形，係統比較各模型在不同輸入數據和數據規模下的分類效果。實驗結果表明
，融合建模顯著提升分類準確率
，尤其是融合BOSS特征波段與高相關紋理特征（熵、慣性和梯度均方誤差）的1D-CNN模型在LD條件下取得***表現（預測準確率ACCp高達96.10%）
，zhanxianchulianghaodefeixianxingjianmonengliyutezhengtiquyoushi。jinyibufenxifaxian
，yangbenshuliangduimoxingxingnengjuyouxianzhuyingxiang，shenduxueximoxingzaidaguimoshujutiaojianxiayouweiwending，lubangxinggengqiang。

Yuan等(Yuan et al., 2022)針對Lingwu長棗在采後流通過程中易發生早期瘀傷且難以肉眼識別的問題，基於可見-近紅外高光譜成像技術（400~1000 nm），係統比較了反射率、吸光度與Kubelka-Munk變換三種光譜表達方式在瘀傷識別中的表現差異。通過構建定量機械損傷實驗體係，采集四類不同損傷等級樣本的光譜數據。

圖3紅棗損傷反射率
、吸光度與Kubelka-Munk光譜數據

通過構建定量機械損傷實驗體係，采集四類不同損傷等級樣本
，結合多種光譜預處理方法（如SNV、MSC、OSC等）及特征波段篩選算法（CARS與iVISSA），分別建立了PLS-DA與SVM分類模型
，深入探討了模型精度與波段篩選策略的關係。結果表明

，吸光度表達下基於iVISSA篩選的PLS-DA模型在保證特征變量最少（占總波段28.8%）的前提下
，交叉驗證準確率達100%

，顯示出優異的判別能力與模型簡潔性。整體來看
，PLS-DA模型普遍優於SVM模型，而CARS與iVISSA均能有效提升建模效率，尤其在iVISSA支持下，R、A、K-M三類光譜建模均獲得高精度表現。研究表明


，結合iVISSA的PLS-DA建模方案在高光譜數據降維與早期瘀傷檢測中具有高度適配性，為開發紅棗及其他小果類果實的快速、無損質量檢測係統提供了理論依據與技術路徑。

圖4 特征選擇光譜分布位置

(Yu et al., 2014)聚焦於鮮棗果皮裂紋這一關鍵品質缺陷的自動識別問題，基於可見/近紅外高光譜成像（380–1030 nm）
，提出了融合圖像處理與多變量建模的裂紋識別方法
，***實現了裂紋的精準定位與麵積定量評估。使用芬蘭Spectral Imaging公司生產的ImSpector V10高光譜成像光譜儀

、Hamamatsu C8484-05G高性能CCD相機以及Fiber-Lite DC950（150W）鹵素燈照明係統構建反射式推掃成像係統。

圖5 鮮棗果皮裂紋光譜采集係統和光譜曲線

為提取裂紋與非裂紋區域的光譜差異特征
，研究采用了三種特征波段選擇方法：偏最小二乘回歸（PLSR）、主成分分析（SPCA）與獨立成分分析（SICA）。在此基礎上，分別建立了基於特征波段的最小二乘支持向量機（LS-SVM）分類模型，其中PLSR–LS-SVM模型在預測集上的識別準確率達100%，性能優於SPCA與SICA模型。進一步，作者以PLSR篩選出的五個***波段（467
、544、639、673和682 nm）構建圖像序列並進行SPCA變換，選取SPC-4圖像用於圖像處理。通過“區域增長”“邊緣檢測”和“二值模板修複”等圖像處理技術，成功實現了裂紋區域的提取與麵積計算，平均識別準確率達90.5%。

(L. Wu et al., 2016)針對紅棗在采後環節中常見的三類外觀缺陷—裂紋、蟲蛀與瘀傷
，提出了一種基於可見-近紅外（400–1000 nm）和近紅外（978–1586 nm）高光譜成像的綜合識別方法。研究構建了雙波段推掃式成像係統

，分別采用Spectral Imaging公司ImSpector N17E成像光譜儀與XC-130 CCD相機

，以及G4-232 CCD相機
，配合線性鹵素燈照明和Zolix步進電機驅動的傳送平台，搭建高光譜采集係統
，並借助SpectraCube和ENVI等軟件完成采集與ROI特征提取。為了提升模型實用性
，研究采用PCA方法提取***波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm）

，並在此基礎上重建SVM與SIMCA模型。結果表明，在保留高分類精度的同時，有效降低了模型複雜度和硬件處理壓力。其中，SIMCA基於***波段在四類樣本上的準確率仍高達93.9%以上，遠優於SVM模型
，且對樣本小樣本建模更具魯棒性。研究係統比較了不同光譜段
、表達方式、建模策略在紅棗常見缺陷識別中的效能，確認了反射率表達+PCA選波段+SIMCA建模的方案在精度
、簡潔性與推廣性方麵具備優越性能
，為實現紅棗商品化分級檢測提供了切實可行的技術路徑與係統原型。

(Yuan et al., 2021)聚焦於靈武長棗在采摘運輸過程中發生的內部瘀傷分級識別問題，提出了基於可見/近紅外高光譜成像（VIS/NIR-HSI，波段範圍400–1000 nm）結合偏最小二乘判別分析（PLS-DA）的無損檢測方法，實現對不同瘀傷時間（2 h、4 h
、8 h、12 h、24 h）棗樣的快速分類與判別。實驗係統采用芬蘭Specim公司的ImSpector V10E-QE成像光譜儀
、日本Hamamatsu的C8484-05G CCD相機、四個150W光纖鹵素燈（DCR III）及Zolix步進電機平台構建推掃式HSI係統。係統比較了多種預處理算法（MA、GF、SG、MSC、SNV、de-trending等）對原始光譜建模效果的影響，發現de-trending處理後構建的PLS-DA模型表現***
，訓練集和預測集準確率分別達85.56%和92.22%。為進一步提升模型效率
，研究采用了多種特征波段選擇算法（SPA、UVE、CARS


、iVISSA
、CA
、2D-COS及其與SPA組合）
，結果顯示de-trending-CARS-PLS-DA模型***，僅用63個波段即可達到訓練集86.67%、預測集91.11%的高精度，且在8 h
、12 h

、24 h三個瘀傷階段分類準確率達100%。研究結果表明，高光譜成像結合波段選擇與PLS-DA判別模型可實現對棗果不同瘀傷進程的***判別，尤其在傷後8小時即可準確檢測

，顯著提升了果品質量監測的時效性。

(Thien Pham & Liou, 2022)圍繞紅棗果麵常見缺陷（如裂紋
、鏽斑、腐爛、黑白黴等）在(zai)線(xian)識(shi)別(bie)問(wen)題(ti)


，開(kai)發(fa)了(le)一(yi)套(tao)基(ji)於(yu)推(tui)掃(sao)式(shi)高(gao)光(guang)譜(pu)成(cheng)像(xiang)係(xi)統(tong)的(de)實(shi)時(shi)檢(jian)測(ce)係(xi)統(tong)
，兼(jian)顧(gu)了(le)檢(jian)測(ce)精(jing)度(du)與(yu)運(yun)行(xing)效(xiao)率(lv)，展(zhan)示(shi)了(le)高(gao)光(guang)譜(pu)技(ji)術(shu)在(zai)果(guo)品(pin)工(gong)業(ye)分(fen)選(xuan)中(zhong)的(de)落(luo)地(di)能(neng)力(li)。實(shi)驗(yan)係(xi)統(tong)采(cai)用(yong)芬(fen)蘭(lan)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
，並結合NI-myDAQ數據采集卡
、LabVIEW編程平台和Python建模框架實現設備協同控製與模型調用，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（包含正常、腐爛、裂紋、鏽斑
、白黴、黑黴與高光反射區）共計3.5萬個像素樣本，並分別使用支持向量機（SVM）和三層人工神經網絡（ANN）構建像素級分類模型。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
，不利於實時部署。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，展現出較強的實用價值。

圖6 鮮棗損傷種類和光譜采集係統

此外，係統軟件支持LabVIEW前端配置界麵，調用Python訓練模型實現在線分選

，並結合圖像遮罩模型實現背景/果麵區域自動剔除，最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
，並分析了常見誤判（如鏽斑與腐爛混淆、白黴覆蓋誤識）成因及後續圖像分析優化方向。

圖7 圖像軟件界麵及識別係統

(Pham et al., 2025)圍繞棗類果實采後分選與分級中因表麵曲率、雜散反光
、柄端結構等因素引發的誤判問題
，提出了一種基於可見-近紅外高光譜圖像（468–950 nm）與深度學習算法相結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，覆蓋鏽斑、腐爛、黑黴、白黴、果肉暴露等常見表麵缺陷。係統采用芬蘭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相機構建推掃式高光譜成像平台
，並在暗室中完成數據采集
，確保圖像光譜質量。

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網絡（ANN）模型
，對每個像素進行分類，構建七類缺陷圖層（正常
、鏽斑、腐爛、白黴、黑黴、果肉暴露、反光）。為提升模型魯棒性
，係統引入YOLOv8n-seg語義分割網絡實現柄端區域識別，並通過一係列規則剔除因果實曲率（±45°照明條件下）或柄端結構造成的錯誤分類。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形態學處理的自適應算法

，顯著提升圖像純淨度。 “分選”階段
，提出多標簽分類規則

，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，融合果形不規則度指標與鏽斑麵積閾值對合格棗進一步劃分為優質（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、柄端與噪聲幹擾後，最終整果分選準確率提升至91.78%，顯著高於未處理狀態下的34.88%。

(Jiang et al., 2023)麵向冬棗采後貯藏過程中易感染的黑斑病，係統探索了可見-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像係統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（人工創口注入1×10⁵ 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係統由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機構成
，SWIR係統則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機，實現數據獲取。

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，然後以PLS-DA與SVM-DA構建六階段病程分類模型。結果顯示
，Vis-NIR光譜下的SNV-PLS-DA模型表現***，預測準確率達92.31%
，明顯優於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%）
，顯示其對初期症狀敏感性有限。結合一元ANOVA結果，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。基於PCA對Vis-NIR圖像進行可視化處理，成功提取出黑斑病病變區域的主成分偽彩圖，其中PC1圖像在Day 1和Day 2階段即可初步顯現感染部位，遠優於肉眼觀測。相較之下，SWIR係統在病變區域可視化能力較差
，主要由於其光譜在前期感知差異度不高。

圖8 HSI係統在兩個光譜區域檢測冬棗黑斑病並監測其發病過程

(Pham & Liou, 2020)開發了一種創新的基於旋轉平台的高光譜成像係統
，用於檢測紅棗表麵的缺陷。該係統工作波段範圍為468–950 nm，與傳統的線性掃描係統相比，具有顯著優勢，能在一次掃描中覆蓋紅棗表麵約95%的區域，而傳統線性掃描係統隻能覆蓋約49%。通tong過guo旋xuan轉zhuan平ping台tai
，該gai係xi統tong能neng夠gou掃sao描miao球qiu形xing果guo實shi的de大da部bu分fen表biao麵mian
，避bi免mian了le由you於yu果guo實shi表biao麵mian曲qu率lv導dao致zhi的de圖tu像xiang畸ji變bian問wen題ti。研yan究jiu中zhong針zhen對dui紅hong棗zao的de六liu種zhong常chang見jian皮pi膚fu缺que陷xian（鏽斑、腐爛、白黴
、黑黴、裂紋和反光）進行了分類
，采用支持向量機（SVM）和人工神經網絡（ANN）模型進行缺陷檢測。實驗結果表明，兩種模型均表現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
，發現基於旋轉掃描數據訓練的模型優於線性掃描數據訓練的模型。研究開發了圖形用戶界麵（GUI）
，用於高光譜數據的預處理
，包括LOESS平ping滑hua濾lv波bo和he使shi用yong白bai色se與yu黑hei色se參can考kao圖tu像xiang計ji算suan相xiang對dui反fan射she率lv。此ci外wai
，為wei了le解jie決jue果guo實shi邊bian緣yuan區qu域yu因yin掃sao描miao線xian強qiang度du較jiao低di而er導dao致zhi的de誤wu分fen類lei問wen題ti，采cai用yong了le自zi適shi應ying掩yan膜mo技ji術shu，有you效xiao減jian少shao了le反fan光guang等deng因yin素su對dui分fen類lei結jie果guo的de幹gan擾rao。

圖9基於旋轉平台的高光譜成像係統及光譜采集流程

(Lu et al., 2018)基於高光譜反射成像的青棗冷害檢測方法
，選擇最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）構建的高光譜成像係統，掃描範圍為380–1023 nm
，並結合不同光譜分辨率（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。青棗樣本經過冷藏處理（0°C±0.5°C）不同天數後，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麵反射區域進行修複，再通過隨機蛙算法選擇***的波長特征進行冷害分類。

結果表明，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基於光譜特征的線性判別分析（LDA）模型能夠提供***的分類性能，分別達到98.3%（兩類分類）和93.3%（三類分類）的(de)準(zhun)確(que)率(lv)。同(tong)時(shi)，使(shi)用(yong)基(ji)於(yu)圖(tu)像(xiang)紋(wen)理(li)的(de)分(fen)類(lei)方(fang)法(fa)時(shi)，分(fen)類(lei)準(zhun)確(que)率(lv)相(xiang)對(dui)較(jiao)低(di)，顯(xian)示(shi)出(chu)光(guang)譜(pu)特(te)征(zheng)在(zai)冷(leng)害(hai)檢(jian)測(ce)中(zhong)的(de)重(zhong)要(yao)性(xing)。對(dui)於(yu)光(guang)譜(pu)特(te)征(zheng)的(de)選(xuan)擇(ze)
，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範圍內。這些波長的選取有助於識別冷害對青棗果肉的影響

，特別是在細胞結構崩解引起的光散射變化上。

​

圖10基於高光譜成像技術的青棗冷害管道檢測