图1.猕猴桃理化指标可视化图
图2.原始RGB图像（a）和猕猴桃中SSC（B）和硬度（c）的分布图（测量值在图的底部）。
由于猕猴桃采摘后的储存时间短，需要冷藏以延长其成熟和软化时间。为探究贮藏环境对猕猴桃品质的影响，Zhao et al. (2023) 采用高光谱成像（HSI）技术研究了猕猴桃在近红外（NIR）区域不同贮藏条件下的猕猴桃品质变化。他们提出了一种基于深度学习方法对在不同温度（低温和室温）下储存的猕猴桃进行不同时间（0、2、4 和 6 天）的分类。此外，为了进一步研究低温环境下贮藏时间对猕猴桃的影响，采用深度学习方法建立高光谱深度特征与猕猴桃之间的关联，并对猕猴桃的贮藏时间进行分类。分类图可以直观地显示了新鲜水果和低温贮藏水果之间的差异（图3）。
图3. 猕猴桃的伪彩色图像（a）及不同低温储存时间的品质预测图（b）
Zou et al. (2024)对红心猕猴桃在开花、结果、成熟和采收过程进行了研究，提出了一种将荧光高光谱成像（FHSI）技术与化学计量学相结合的猕猴桃品质属性评价和成熟度识别的无损方法（图4）。该研究发现随着猕猴桃成熟，FHSI技术捕获的猕猴桃荧光强度逐渐减弱。在猕猴桃品质属性（DMC、硬度和SSC）的预测中，荧光高光谱技术结合PLSR模型准确预测了猕猴桃的内在品质特征。在使用深度学习模型进行猕猴桃成熟度（未熟、成熟和过熟）的三分类中，深度学习相对于机器学习模型具有一定的优势。
图4. FHSI技术与化学计量学相结合的猕猴桃品质和成熟度检测流程
Ma et al. (2021)利用推扫式近红外高光谱成像相机和样品旋转阶段相结合的方法采集了猕猴桃全表面的高光谱数据，这项工作提供了一种非破坏性和快速的方法来可视化猕猴桃的SSC和pH值（图5）。结果表明猕猴桃SSC和pH的360°映射结果超过了这一领域的早期工作，它们在每个完整的样品中显示出不同的空间分布。研究结果表明，对象旋转高光谱成像方法是有前途的非破坏性预测映射的猕猴桃或其他圆柱形样品中的SSC和pH值。
图5. 猕猴桃全表面品质可视化图像
高光谱成像技术在猕猴桃外部品质检测中的应用
猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标，不仅影响果实外观，也决定果实等级高低的划分。传统的形状分级方法大多采用人工分级,存在耗时长、效率低、重复性差且易受人为主观影响等问题。针对传统猕猴桃形状分级存在的问题，黎静 et al. (2020)利用高光谱成像建立了猕猴桃正常果和畸形果的分类检测方法。该研究以“金魁”猕猴桃为研究对象，采猕猴桃畸形果和正常果的分类由多位专业果形分析人员综合评定，得到正常果和畸形果（图6）。利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据，并采用主成分分析法对光谱数据进行降维得到了特征波长的融合光谱图像。然后计算了猕猴桃区域的形状特征参数，结合机器学习方法实现了正常果与畸形果的识别。
图6. （a）：正常果；（b）-（d）：畸形果
高光谱成像技术在猕猴桃货架期检测中的应用
货架期是影响果蔬品质和供应安全的重要因素,快速准确预测果蔬货架期已成为消费者、生产者和管理者共同关注的问题。猕猴桃属于呼吸跃变型果实，采后成熟、衰老迅速，极易软化腐烂变质，货架寿命非常有限。但由于猕猴桃表面颜色变化不明显，人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。邵园园 et al. (2020) 近红外高光谱成像技术获取冷藏、室温条件下不同保鲜时间的猕猴桃高光谱信息，结合化学计量学方法，对猕猴桃货架期进行快速预测和判别。对猕猴桃切片图像进行PCA分析，图7为4℃和（18±2）℃的猕猴桃切片PC1-PC7图像。由图中可以看出，PC2图像反映猕猴桃切片信息最 明显，４℃和（18±2）℃的猕猴桃切片PC2图像在各货架期均呈现出不同程度的内部变化。从所得切片信息也进一步验证了高光谱成像技术是实现猕猴桃货架期预测的可靠工具。
图7. 猕猴桃切片图像主成分分析
高光谱成像技术在猕猴桃其它检测中的应用
1.1 猕猴桃隐性损伤方面
猕猴桃在采收、运输和储存过程中，果肉常因碰撞或挤压而碰伤。然而，猕猴桃身上的伤痕肉眼极难识别，被称为隐性损伤。Bu et al. (2024)利用高光谱成像（HSI）与深度学习相结合的方法检测了猕猴桃中隐性损伤（图8）。该研究使用主成分分析 (PCA) 选择对猕猴桃隐藏损伤敏感的光谱范围 (924–1277 nm) 和特征波长（928.19、1051.03和1190.47 nm）。随后，根据猕猴桃特征波长图像生成三通道图像、灰度图像和伪彩色图像，并用于开发检测猕猴桃隐藏的瘀伤区域的 深度学习模型。研究结果表明，深度学习模型HSI技术结合深度学习模型可以有效检测猕猴桃中的隐藏碰伤。
图8. 猕猴桃瘀伤区域识别流程
1.2 猕猴桃灰霉病方面
猕猴桃在贮藏过程中容易受到真菌病害的影响，这可能导致大量的猕猴桃贮藏损失。其中灰葡萄孢真菌也是一种最普遍的病菌，导致猕猴桃采后腐烂。猕猴桃中超过20%的腐败是由于灰霉菌引起的灰霉病。如果没有适当的控制，这种腐烂可以使大约三分之一的水果变质。因此，猕猴桃灰霉病菌感染的早期诊断至关重要，以便采取适当措施防止严重的作物退化和经济损失。Haghbin et al. (2023) 以海沃德猕猴桃为试验材料，研究了高光谱成像技术和化学计量学方法在猕猴桃采后灰霉病菌感染早期检测中的应用（图9）。该研究的结果证明了高光谱成像和化学计量学方法在检测猕猴桃灰霉病菌感染以及监测猕猴桃因感染而发生的理化属性变化方面具有巨大的应用潜力。
图9 健康猕猴桃和染病猕猴桃在450 ~ 900 nm范围内光谱反射率
1.3 猕猴桃软腐病方面
随着猕猴桃产量的不断增加 ，各种猕猴桃病害也不断涌现，其中以猕猴桃软腐病（一种真菌性腐烂病）造成的采后损失最为严重。早期发现软腐病对于猕猴桃种植者、销售商和研究人员来说非常重要；也有助于区分健康果实和患病果实（图10），并防止健康果实感染造成的采后损失。Guo et al. (2024)利用高光谱图像和深度学习方法（双分支选择性注意胶囊网络）实现了健康猕猴桃和软腐病猕猴桃的分类。与现有方法相比，该方法（图11）在猕猴桃软腐病数据集上表现出最好的分类性。研究结果表明，使用高光谱成像技术可以识别潜在的软腐病猕猴桃。
图10. 健康猕猴桃及软腐病猕猴桃的图像
图11. 深度学习的网络结构
高宏盛 et al. (2024)为此也利用高光谱成像技术(470～900 nm)对软腐病的早期分类检测展开研究。该研究以湖北省武汉市“云海一号”猕猴桃为研究对象，通过对健康猕猴桃及感染软腐病的不同时期猕猴桃进行高光谱图像采集，提出了一种特征波段图像融合的猕猴桃软腐病早期分类检测方法（图11）。该研究使用高光谱成像技术能够在猕猴桃感染软腐病３～４ｄ时将染病果与健康果成功区分，实现了猕猴桃软腐病的早期无损检测，为猕猴桃的销售分级提供了一定的指导意义。
图12. 总体试验流程
1.4 猕猴桃冷害方面
猕猴桃是典型的呼吸跃变型果实，采后不耐储，在常温下贮藏成熟和衰老很快，而且极易腐烂，因此，低温是延长猕猴桃贮藏期的有效方法。但猕猴桃属于冷敏性水果，长时间低温条件极易导致果实发生冷害，并且冷害症状先从组织内部开始，只有在转移到常温销售条件下才会急剧表现出来，此时的损失已无法挽回。戈永慧 et al. (2022)建立了基于高光谱成像技术检测猕猴桃冷害的方法，实现了猕猴桃冷害的无损甄别。不同冷害等级的‘红阳’猕猴桃的皮下果肉组织的冷害症状如图12所示，‘红阳’猕猴桃冷害症状主要表现为皮下组织木质化和褐变、果实内部呈水浸状，皮下组织木质化和褐变的面积随着冷害程度的加剧逐渐增大，猕猴桃内部水浸化呈由内向外扩散的趋势。采集图像后削皮进行猕猴桃冷害等级的判别，通过观察皮下果肉木质化、水浸状、褐变等冷害症状的面积，
结合猕猴桃出库后的商业价值，将冷害分为４个等级，判别标准如下：０级为正常（未发生冷害）；１级为极轻（０＜可见病症≤１/４），不影响果实销售，仍具有商业价值；２级为较轻（１/４＜可见病症≤１/２），失去部分商业价值，影响果实销售；３级为严重（１/２≤可见病症），不可食用，彻底失去商业价值。
图13. 不同冷害等级的‘红阳’猕猴桃的皮下果肉组织的冷害症状
如图13所示：在400~1000 nm、1000~2000 nm波长下，不同冷害程度猕猴桃的平均光谱的总体趋势是相似的，正常样品的相对反射率高于冷害样品，冷害等级越高，相对反射率越低，这可能是由于冷害过程中猕猴桃果实中的成分发生了变化，样本的组织塌陷、色素受损造成光反射减少，从而导致相对反射率随冷害程度加剧而降低。
图14. 不同冷害程度的猕猴桃反射光谱信息
总结与展望
高光谱成像技术作为一种融合光谱信息和图像信息的先进检测手段，在猕猴桃品质检测中展现出了巨大的潜力。通过无损检测的方式，它实现了从猕猴桃内部品质（如可溶性固形物含量、硬度、颜色）到外部特征（如形状、畸形等）的全面评估，为猕猴桃采摘时机、分级、贮藏以及货架期预测提供了科学依据。在隐性损伤、病害识别以及冷害评估方面，高光谱成像结合深度学习模型的应用，不仅提升了检测的准确性，还极大地推动了果蔬品质检测的智能化发展。然而，尽管取得了丰硕成果，仍存在着数据处理复杂、设备成本高以及现场应用难等挑战。
未来的主要发展方向有以下几个方面：（1）便携化与低成本化设备研发：通过集成优化硬件设计，研制出高效、轻便且经济实惠的高光谱成像设备，使其适用于田间和市场现场检测；（2）智能算法的深入应用：结合机器学习与深度学习技术，优化模型结构与算法参数，提高检测的实时性与准确性，开发一体化的智能检测系统。（3）多模态数据融合：探索将高光谱数据与其他无损检测技术（如荧光成像、近红外光谱、热成像）相结合，进一步提升检测的全面性和可靠性。
参考文献
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, 郭志强, 曾云流, 丁港, 王逍遥, 李黎, (2024). 基于高光谱图像波段融合的猕猴桃软腐病早期分类检测. 光谱学与光谱分析 44(01), 241-249.
戈永慧, 宋进, 潘磊庆, 屠康, (2022). 基于高光谱成像检测猕猴桃冷害的研究. 南京农业大学学报 45(02), 386-394.
黎静, 伍臣鹏, 刘木华, 陈金印, 郑建鸿, 张一帆, 王威, 赖曲芳, 薛龙, (2020). 高光谱成像的猕猴桃形状特征检测. 光谱学与光谱分析 40(08), 2564-2570.
邵园园, 王永贤, 玄冠涛, 高宗梅, 刘艺, 韩翔, 胡志超, (2020). 高光谱成像的猕猴桃货架期快速预测. 光谱学与光谱分析 40(06), 1940-1946.
地址：无锡市梁溪区南湖大道飞宏路58-1-108.png)
电话：13810664973.png)
邮箱：info@dualix.com.cn
在线咨询