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**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?？扇苄怨绦挝锖浚⊿SC）、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*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**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