本文要點：本文討論了檢測鮮切蔬菜中影響產(chǎn)品安全性和質(zhì)量的外來物質(zhì)（FMs）的方法，研究使用了三種高光譜成像（HSI）技術(shù)來區(qū)分七種常見的鮮切蔬菜中的外來物質(zhì)，并開發(fā)了一個模型來識別它們,。其中,，短波紅外HSI系統(tǒng)顯示出好的檢測準(zhǔn)確度（99％）,，可見近紅外和熒光分別為89％和64％,。最終,，研究建議在工業(yè)應(yīng)用中,，采用短波紅外HSI技術(shù)結(jié)合SPA-PLS-DA模型（總體檢測準(zhǔn)確度為99％）可以有效地進行鮮切蔬菜中外來物質(zhì)的快速、無損檢測,。

圖1中為研究人員從韓國大田的一家超市購買了七種新鮮的完整蔬菜，包括卷心菜,、胡蘿卜,、青蔥、洋蔥,、馬鈴薯,、蘿卜和西葫蘆。選擇這七種蔬菜是因為它們用途廣泛且顏色變化多樣,。這些蔬菜被分為兩種不同的尺寸,，切成了絲狀和丁狀（近似小立方體），然后與可能會在蔬菜中意外混入的小塊外來物質(zhì)（FMs）混合在一起,。研究中使用了不同種類的塑料（PP,、PET,、LDPE、HDPE,、ABS,、PS、PC和尼龍）,、紙張,、橡膠、紙巾,、線頭,、石頭、木頭,、香煙煙蒂,、金屬、人類指甲和昆蟲作為外來物質(zhì)（FMs）,。每種類型的蔬菜分別使用了246種外來物質(zhì)（見表1）,，其中對于切絲蔬菜和切丁蔬菜的前兩次實驗，分別使用了123種外來物質(zhì),。在第三次數(shù)據(jù)收集中,，額外使用了47種外來物質(zhì)，其中至少包含了表1中的每種類型的外來物質(zhì),。這次實驗僅用于獨立測試模型的性能,。

圖1. 新鮮切割的蔬菜（上排切丁狀，下排切絲狀）,，均帶有外來物質(zhì)

本研究使用了三種不同的高光譜成像系統(tǒng)來識別鮮切蔬菜中的外來物質(zhì),，分別是可見近紅外（VNIR）、短波紅外（SWIR）和熒光,。高光譜熒光系統(tǒng)是通過對VNIR HSI系統(tǒng)進行改造實現(xiàn)的,，其中加入了八個10瓦的紫外A LED光源，以提供365納米的激發(fā)光（取代鹵素?zé)簦?，并在物鏡前面加入了一個400納米的長波透過濾光片組,，以消除激發(fā)光的尾部。所有三個系統(tǒng)都使用在MS Windows中運行的Microsoft Visual Basic（版本6.0）軟件進行管理,。這些HSI系統(tǒng)的照片視圖見圖2,。

圖2. VNIR、SWIR,、HSI系統(tǒng)照片

圖3展示了生成HSI數(shù)據(jù)結(jié)果圖像的典型步驟,，包括數(shù)據(jù)采集、校正,、光譜提取,、預(yù)處理,、模型開發(fā)和最終分類圖像。

圖3. 高光譜成像（HSI）數(shù)據(jù)分析和分類圖像構(gòu)建的流程圖

表2為將偏最小二乘判別分析（PLS-DA）模型應(yīng)用于來自七種蔬菜的原始和預(yù)處理數(shù)據(jù)的結(jié)果匯總,。然而對于所有三種系統(tǒng)而言,，原始數(shù)據(jù)提供了模型準(zhǔn)確度。在短波紅外HSI區(qū)域,，總體分類準(zhǔn)確度為99％,，但僅未能識別與背景相關(guān)的外來物質(zhì)。在可見近紅外區(qū)域,，分類準(zhǔn)確度略有下降（89％）,，可能是由于無法準(zhǔn)確基于可見光區(qū)域的顏色將物體分開。熒光HSI系統(tǒng)能以中等準(zhǔn)確度（64％）區(qū)分外來物質(zhì),，但因存在一些非熒光的外來物質(zhì)而略有困難,。在熒光HSI技術(shù)中，僅從包括校準(zhǔn)和驗證數(shù)據(jù)在內(nèi)的200個外來物質(zhì)中識別出了128個,，其中大多數(shù)是對熒光敏感的材料,，如紙張、紙巾,、橡膠和一些塑料,。

此外，為了測試針對單個蔬菜的通用模型的性能,，隨機選擇了每種類型的200個蔬菜和100個外來物質(zhì)的光譜,，并應(yīng)用了模型。針對單個蔬菜的性能變化分別為短波紅外,、可見近紅外和熒光HSI系統(tǒng)分別為3％,、6％和27％（見表3）。因此,，可以觀察到在識別外來物質(zhì)時,，短波紅外HSI系統(tǒng)對于特定類型的新鮮切割蔬菜可能影響不大。另一方面,，熒光HSI系統(tǒng)受到蔬菜類型的影響更大，因為它依賴于樣本中的熒光物質(zhì)含量進行識別,。然而,，胡蘿卜在三種HSI系統(tǒng)中都顯示出了佳的結(jié)果（短波紅外→99％，可見近紅外→93％,，熒光→80％）,。總的來說,，馬鈴薯和洋蔥顯示出了低的外來物質(zhì)檢測準(zhǔn)確度,，以及由于在其他蔬菜中熒光物質(zhì)色素含量低而被正確分類的蔬菜光譜數(shù)量低,。

圖4討論了在新鮮切割的蔬菜中識別雜質(zhì)的方法及結(jié)果。首先,，通過簡單的閾值方法去除了背景,，并利用PLS-DA模型的β系數(shù)構(gòu)建了結(jié)果圖像。圖像中從藍色到紅色代表了從蔬菜到雜質(zhì)的檢測范圍,。結(jié)果顯示,，SWIR HSI系統(tǒng)能夠高效地區(qū)分出各種大小和形狀的雜質(zhì)，包括極小的蚊子和石頭,，以及非常薄的訂書釘和線,。相比之下，VNIR HSI技術(shù)只能檢測到較大的石頭,，無法識別蚊子,、訂書釘和線，而熒光HSI無法檢測到任何這些雜質(zhì),。檢測極限取決于相機的空間分辨率,，對于熒光則取決于熒光光的敏感度。增加空間分辨率可以提高檢測極限,，但會增加數(shù)據(jù)采集時間,，這在實時應(yīng)用中不可接受。

圖4. 檢測新鮮切割的胡蘿卜中的雜質(zhì)

圖5展示了新鮮切割蔬菜（圖5A）,、一些昆蟲（圖5B）以及無生命物體（圖5C）的代表性平均光譜,，使用了選定的變量?？梢钥吹?，所有三種變量選擇方法都在910-970nm的范圍內(nèi)選擇了至少一個變量，這代表了蔬菜和一些雜質(zhì)（昆蟲）中水分,、糖,、淀粉和纖維素的存在。

圖5. 一些選中物質(zhì)的平均光譜

使用從PLS-DA（圖6 A-B）,、SFS-PLS-DA（圖76C-D）和SPA-PLS-DA（圖76E-F）模型獲得的β系數(shù)生成了結(jié)果圖像和二元分類圖像,。從圖6中可以看出，這三種模型幾乎能夠檢測到相同數(shù)量的雜質(zhì),。然而,，SFS-PLS-DA模型部分地檢測到了一個塑料和一根線（圖6D中的紅色圈），而SPA-PLS-DA模型檢測到了這些雜質(zhì),。因此,，可以得出結(jié)論，SPA選擇了好的變量來識別新鮮切割的蔬菜中的雜質(zhì),。

圖6. 新鮮切割的青蔥中的雜質(zhì)的PLS-DA和二元分類圖像

該研究使用高光譜成像技術(shù)成功地檢測了七種不同新鮮切割蔬菜中的雜質(zhì),。研究采用了VNIR,、SWIR和熒光光源，并通過400-2500納米的波長范圍進行了多元分析,。結(jié)果顯示,，SWIR區(qū)域的PLS-DA模型在雜質(zhì)預(yù)測準(zhǔn)確率方面表現(xiàn)好，其次是VNIR區(qū)域,，最后是熒光,。SWIR HSI系統(tǒng)相比于VNIR和熒光系統(tǒng)能夠更有效地識別各種類型的雜質(zhì)，甚至包括非常小的雜質(zhì),。通過采用SFS,、SPA和iPLS等變量選擇技術(shù)，選擇了SWIR數(shù)據(jù)集中的有效波段,，并建立了更快速的模型,。SPA-PLS-DA模型在結(jié)果分類圖像的性能上優(yōu)于其他模型，從獨立數(shù)據(jù)集中識別出了95.7％的雜質(zhì),。這項研究表明,，結(jié)合多元分析的SWIR HSI系統(tǒng)可以有效地識別不同種類新鮮切割蔬菜中的雜質(zhì)。

參考文獻

Tunny, S. S.; Kurniawan, H.; Amanah, H. Z.; Baek, I.; Kim, M. S.; Chan, D.; Faqeerzada, M. A.; Wakholi, C.; Cho, B.-K., Hyperspectral imaging techniques for detection of foreign materials from fresh-cut vegetables. Postharvest Biology and Technology 2023, 201.