1. 紅棗的經(jīng)濟(jì)與營養(yǎng)價值

紅棗（Zizyphus jujuba Mill.）作為一種富含營養(yǎng)的水果，廣泛應(yīng)用于食品,、保健品及中藥領(lǐng)域,。其具有較高的經(jīng)濟(jì)價值和營養(yǎng)價值，尤其富含維生素C,、礦物質(zhì)和膳食纖維,，具有抗氧化、調(diào)節(jié)血糖和促進(jìn)消化等多種健康益處,。隨著市場需求的不斷增長,，高品質(zhì)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(yùn)輸和儲存過程中，紅棗常面臨機(jī)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(yǎng)成分,。因此，

2. 傳統(tǒng)紅棗品質(zhì)檢測方法及其局限性

2.1人工檢測方法的局限性

傳統(tǒng)的人工目視檢查方法在紅棗質(zhì)量檢測中長期占據(jù)主導(dǎo)地位,，尤其在日常生產(chǎn)和初步篩選過程中,，操作簡單且直接。然而,，人工檢測方法存在顯著的局限性,，首先,，檢測效率低，難以滿足快速,、高效的質(zhì)量檢測需求；其次,，人工檢測主觀性強(qiáng),，容易受到環(huán)境、疲勞以及檢測人員經(jīng)驗(yàn)水平的影響,，導(dǎo)致漏檢和誤判,。此外，人工檢測方法只能在可見光范圍內(nèi)進(jìn)行,，導(dǎo)致其對某些隱性缺陷（如內(nèi)部蟲害,、微裂縫等）的檢測能力有限，無法提供全面的質(zhì)量評估,。

2.2化學(xué)分析方法的局限性

傳統(tǒng)的化學(xué)分析方法主要用于紅棗中的成分分析,，如糖分、酸度,、抗氧化劑,、維生素含量等指標(biāo)的測定。這些方法通常需要昂貴的設(shè)備和專業(yè)的實(shí)驗(yàn)室環(huán)境,，且操作過程繁瑣,、時間消耗較大。例如,，高效液相色譜法（HPLC）,、氣相色譜法（GC）等先進(jìn)技術(shù)，這些方法雖然具有較高的精度,，但高成本和操作復(fù)雜使其在大規(guī)模生產(chǎn)過程中應(yīng)用受限,。此外，化學(xué)分析方法通常屬于破壞性檢測,，即檢測過程需要破壞樣品,，并且只能在樣品經(jīng)過處理后進(jìn)行分析，無法進(jìn)行實(shí)時在線監(jiān)測,。

3. 高光譜成像原理與技術(shù)特點(diǎn)

如何高效,、無損地檢測紅棗的品質(zhì)成為產(chǎn)業(yè)發(fā)展的關(guān)鍵。隨著科技的進(jìn)步,，高光譜成像技術(shù)和深度學(xué)習(xí)算法的結(jié)合為紅棗品質(zhì)檢測提供了新的思路,。

高光譜成像技術(shù)是一種將二維成像技術(shù)和光譜技術(shù)相結(jié)合的先進(jìn)檢測方法，能夠同時獲取圖像和每個像素的光譜信息,，提供多維度的物質(zhì)分析,。這項(xiàng)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用得到了廣泛關(guān)注，特別是在紅棗的質(zhì)量檢測中,，提供了一種精確,、高效、無損的方式來評估其品質(zhì),。通過高光譜成像,，可以對紅棗的糖分含量、酸度,、水分,、硬度等品質(zhì)參數(shù)進(jìn)行定性和定量分析，幫助提高紅棗的產(chǎn)地溯源能力和質(zhì)量控制水平,。結(jié)合成像與光譜分析,，可以在不破壞樣品的前提下，實(shí)時獲取紅棗的光譜數(shù)據(jù)并進(jìn)行分析,。通過光譜數(shù)據(jù),，可以分析紅棗的糖分、酸度,、水分等品質(zhì)指標(biāo),，同時能夠檢測到紅棗中的隱性缺陷，如內(nèi)部裂縫,、蟲害等,，從而為紅棗的品質(zhì)控制提供了更全面的依據(jù)。特別是結(jié)合深度學(xué)習(xí)算法,，高光譜成像技術(shù)可以進(jìn)一步提高數(shù)據(jù)分析的精度和智能化水平,。

隨著精準(zhǔn)農(nóng)業(yè)的興起，高光譜成像技術(shù)在紅棗等農(nóng)產(chǎn)品的應(yīng)用前景廣闊,。通過實(shí)時,、無損的檢測,，不僅可以提高紅棗的生產(chǎn)效率,，減少人工檢查的誤差，還能確保產(chǎn)品質(zhì)量的一致性,，推動紅棗產(chǎn)業(yè)向標(biāo)準(zhǔn)化,、智能化方向發(fā)展。高光譜成像技術(shù)在紅棗品質(zhì)檢測中的應(yīng)用

4.1高光譜成像技術(shù)在鮮棗損傷檢測中的應(yīng)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(jié)合深度學(xué)習(xí)在紅棗瘀傷時間無損識別中的應(yīng)用潛力,，旨在解決傳統(tǒng)目測方法主觀性強(qiáng)、效率低,、早期瘀傷難識別的問題,。通過標(biāo)準(zhǔn)化機(jī)械裝置在果實(shí)赤道區(qū)域人工制造瘀傷,，并設(shè)置0 h、12 h,、24 h,、48 h四個時間點(diǎn)進(jìn)行分組,，確保瘀傷時間的可控性和實(shí)驗(yàn)可重復(fù)性。

圖1 靈武長棗外傷機(jī)械裝置及構(gòu)建的深度學(xué)習(xí)模型

本研究采用波段范圍為900~1700 nm的近紅外高光譜成像系統(tǒng)獲取紅棗樣本圖像，以果實(shí)整區(qū)域?yàn)楦信d趣區(qū)域（ROI）提取平均光譜數(shù)據(jù),，并利用擴(kuò)展多元信號校正（EMSC）方法對原始光譜進(jìn)行預(yù)處理,，有效消除光譜偏移和噪聲干擾,，提升數(shù)據(jù)質(zhì)量,。為降低數(shù)據(jù)維度、提高模型運(yùn)行效率并突出與瘀傷時間相關(guān)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(guān)鍵信息方面表現(xiàn)更優(yōu),。圖像方面,，通過主成分分析（PCA）提取主成分圖像，并結(jié)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(jié)構(gòu)復(fù)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(biāo)記的區(qū)域?yàn)轲鰝?/span>

在建模階段,，分別構(gòu)建了基于原始全波段、特征波段和光譜-紋理融合數(shù)據(jù)的分類模型,，采用三種算法進(jìn)行對比分析：傳統(tǒng)的偏最小二乘判別分析（PLS-DA）,、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及深度學(xué)習(xí)的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）。同時,，為探究數(shù)據(jù)規(guī)模對模型性能的影響，設(shè)定小樣本集（SD,，200個樣本）和大樣本集（LD,，820個樣本）兩種情形，系統(tǒng)比較各模型在不同輸入數(shù)據(jù)和數(shù)據(jù)規(guī)模下的分類效果,。實(shí)驗(yàn)結(jié)果表明,，融合建模顯著提升分類準(zhǔn)確率,，尤其是融合BOSS特征波段與高相關(guān)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*優(yōu)表現(xiàn)（預(yù)測準(zhǔn)確率ACCp高達(dá)96.10%）,，展現(xiàn)出良好的非線性建模能力與特征提取優(yōu)勢,。進(jìn)一步分析發(fā)現(xiàn)，樣本數(shù)量對模型性能具有顯著影響,，深度學(xué)習(xí)模型在大規(guī)模數(shù)據(jù)條件下尤為穩(wěn)定,，魯棒性更強(qiáng),。

Yuan等(Yuan et al., 2022)針對Lingwu長棗在采后流通過程中易發(fā)生早期瘀傷且難以肉眼識別的問題,，基于可見-近紅外高光譜成像技術(shù)（400~1000 nm）,，系統(tǒng)比較了反射率,、吸光度與Kubelka-Munk變換三種光譜表達(dá)方式在瘀傷識別中的表現(xiàn)差異。通過構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系,，采集四類不同損傷等級樣本的光譜數(shù)據(jù)。

圖3紅棗損傷反射率,、吸光度與Kubelka-Munk光譜數(shù)據(jù)

通過構(gòu)建定量機(jī)械損傷實(shí)驗(yàn)體系，采集四類不同損傷等級樣本,，結(jié)合多種光譜預(yù)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(guān)系,。結(jié)果表明，吸光度表達(dá)下基于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(yàn)證準(zhǔn)確率達(dá)100%,，顯示出優(yōu)異的判別能力與模型簡潔性。整體來看,，PLS-DA模型普遍優(yōu)于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(xiàn),。研究表明,，結(jié)合iVISSA的PLS-DA建模方案在高光譜數(shù)據(jù)降維與早期瘀傷檢測中具有高度適配性,，為開發(fā)紅棗及其他小果類果實(shí)的快速、無損質(zhì)量檢測系統(tǒng)提供了理論依據(jù)與技術(shù)路徑,。

圖4 特征選擇光譜分布位置

(Yu et al., 2014)聚焦于鮮棗果皮裂紋這一關(guān)鍵品質(zhì)缺陷的自動識別問題，基于可見/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,，首*實(shí)現(xiàn)了裂紋的精準(zhǔn)定位與面積定量評估。使用芬蘭Spectral Imaging公司生產(chǎn)的ImSpector V10高光譜成像光譜儀,、Hamamatsu C8484-05G高性能CCD相機(jī)以及Fiber-Lite DC950（150W）鹵素?zé)粽彰飨到y(tǒng)構(gòu)建反射式推掃成像系統(tǒng),。

圖5 鮮棗果皮裂紋光譜采集系統(tǒng)和光譜曲線

為提取裂紋與非裂紋區(qū)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(dú)立成分分析（SICA）,。在此基礎(chǔ)上，分別建立了基于特征波段的最小二乘支持向量機(jī)（LS-SVM）分類模型,，其中PLSR–LS-SVM模型在預(yù)測集上的識別準(zhǔn)確率達(dá)100%，性能優(yōu)于SPCA與SICA模型,。進(jìn)一步,，作者以PLSR篩選出的五個*優(yōu)波段（467、544,、639,、673和682 nm）構(gòu)建圖像序列并進(jìn)行SPCA變換，選取SPC-4圖像用于圖像處理,。通過“區(qū)域增長”“邊緣檢測”和“二值模板修復(fù)”等圖像處理技術(shù),，成功實(shí)現(xiàn)了裂紋區(qū)域的提取與面積計(jì)算，平均識別準(zhǔn)確率達(dá)90.5%,。

(L. Wu et al., 2016)針對紅棗在采后環(huán)節(jié)中常見的三類外觀缺陷—裂紋,、蟲蛀與瘀傷，提出了一種基于可見-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(gòu)建了雙波段推掃式成像系統(tǒng),，分別采用Spectral Imaging公司ImSpector N17E成像光譜儀與XC-130 CCD相機(jī)，以及G4-232 CCD相機(jī),，配合線性鹵素?zé)粽彰骱蚙olix步進(jìn)電機(jī)驅(qū)動的傳送平臺,，搭建高光譜采集系統(tǒng)，并借助SpectraCube和ENVI等軟件完成采集與ROI特征提取,。為了提升模型實(shí)用性,，研究采用PCA方法提取*優(yōu)波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm）,，并在此基礎(chǔ)上重建SVM與SIMCA模型,。結(jié)果表明,，在保留高分類精度的同時，有效降低了模型復(fù)雜度和硬件處理壓力,。其中,，SIMCA基于*優(yōu)波段在四類樣本上的準(zhǔn)確率仍高達(dá)93.9%以上，遠(yuǎn)優(yōu)于SVM模型,，且對樣本小樣本建模更具魯棒性,。研究系統(tǒng)比較了不同光譜段、表達(dá)方式,、建模策略在紅棗常見缺陷識別中的效能,，確認(rèn)了反射率表達(dá)+PCA選波段+SIMCA建模的方案在精度、簡潔性與推廣性方面具備優(yōu)*性能,，為實(shí)現(xiàn)紅棗商品化分級檢測提供了切實(shí)可行的技術(shù)路徑與系統(tǒng)原型,。

(Yuan et al., 2021)聚焦于靈武長棗在采摘運(yùn)輸過程中發(fā)生的內(nèi)部瘀傷分級識別問題，提出了基于可見/近紅外高光譜成像（VIS/NIR-HSI,，波段范圍400–1000 nm）結(jié)合偏最小二乘判別分析（PLS-DA）的無損檢測方法,，實(shí)現(xiàn)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(shí)驗(yàn)系統(tǒng)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(jī)、四個150W光纖鹵素?zé)簦―CR III）及Zolix步進(jìn)電機(jī)平臺構(gòu)建推掃式HSI系統(tǒng),。系統(tǒng)比較了多種預(yù)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(fā)現(xiàn)de-trending處理后構(gòu)建的PLS-DA模型表現(xiàn)*優(yōu),，訓(xùn)練集和預(yù)測集準(zhǔn)確率分別達(dá)85.56%和92.22%。為進(jìn)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(jié)果顯示de-trending-CARS-PLS-DA模型*優(yōu),，僅用63個波段即可達(dá)到訓(xùn)練集86.67%,、預(yù)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(zhǔn)確率達(dá)100%。研究結(jié)果表明,，高光譜成像結(jié)合波段選擇與PLS-DA判別模型可實(shí)現(xiàn)對棗果不同瘀傷進(jìn)程的高效判別,，尤其在傷后8小時即可準(zhǔn)確檢測，顯著提升了果品質(zhì)量監(jiān)測的時效性,。

(Thien Pham & Liou, 2022)圍繞紅棗果面常見缺陷（如裂紋,、銹斑、腐爛,、黑白霉等）在線識別問題,，開發(fā)了一套基于推掃式高光譜成像系統(tǒng)的實(shí)時檢測系統(tǒng)，兼顧了檢測精度與運(yùn)行效率,，展示了高光譜技術(shù)在果品工業(yè)分選中的落地能力,。實(shí)驗(yàn)系統(tǒng)采用芬蘭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(jī),、兩盞50W鹵素?zé)簦⒔Y(jié)合NI-myDAQ數(shù)據(jù)采集卡,、LabVIEW編程平臺和Python建模框架實(shí)現(xiàn)設(shè)備協(xié)同控制與模型調(diào)用,，整體波段覆蓋468–950 nm,。研究以“Kaohsiung N*.11”紅棗為研究對象，采集了7種典型表皮狀態(tài)（包含正常,、腐爛,、裂紋、銹斑,、白霉,、黑霉與高光反射區(qū)）共計(jì)3.5萬個像素樣本，并分別使用支持向量機(jī)（SVM）和三層人工神經(jīng)網(wǎng)絡(luò)（ANN）構(gòu)建像素級分類模型,。模型在VIS-NIR全波段下達(dá)到96.3%（SVM）和96.5%（ANN）的分類精度,，但SVM推理時長高達(dá)320秒，不利于實(shí)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(gòu)建簡化模型,，顯著降低計(jì)算量,。ANN模型在14波段下依然保持95%的準(zhǔn)確率，推理耗時縮短至16.6秒,，展現(xiàn)出較強(qiáng)的實(shí)用價值,。

圖6 鮮棗損傷種類和光譜采集系統(tǒng)

此外，系統(tǒng)軟件支持LabVIEW前端配置界面,，調(diào)用Python訓(xùn)練模型實(shí)現(xiàn)在線分選,，并結(jié)合圖像遮罩模型實(shí)現(xiàn)背景/果面區(qū)域自動剔除，最終輸出帶分類標(biāo)簽的掃描圖像,。針對邊緣像素反射率低導(dǎo)致誤判問題提出了去邊策略,，并分析了常見誤判（如銹斑與腐爛混淆、白霉覆蓋誤識）成因及后續(xù)圖像分析優(yōu)化方向,。

圖7 圖像軟件界面及識別系統(tǒng)

(Pham et al., 2025)圍繞棗類果實(shí)采后分選與分級中因表面曲率,、雜散反光、柄端結(jié)構(gòu)等因素引發(fā)的誤判問題,，提出了一種基于可見-近紅外高光譜圖像（468–950 nm）與深度學(xué)習(xí)算法相結(jié)合的兩階段棗類分選與分級方法,。實(shí)驗(yàn)選取294個高雄11號“蜜棗”為研究對象，覆蓋銹斑,、腐爛,、黑霉、白霉,、果肉暴露等常見表面缺陷,。系統(tǒng)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(jī)構(gòu)建推掃式高光譜成像平臺,，并在暗室中完成數(shù)據(jù)采集，確保圖像光譜質(zhì)量,。

采用像素級缺陷識別模型與果實(shí)級分選決策模型,。通過訓(xùn)練含有27個特征波段的多類別人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，對每個像素進(jìn)行分類,，構(gòu)建七類缺陷圖層（正常,、銹斑、腐爛,、白霉,、黑霉、果肉暴露、反光）,。為提升模型魯棒性,，系統(tǒng)引入YOLOv8n-seg語義分割網(wǎng)絡(luò)實(shí)現(xiàn)柄端區(qū)域識別，并通過一系列規(guī)則剔除因果實(shí)曲率（±45°照明條件下）或柄端結(jié)構(gòu)造成的錯誤分類,。此外,，針對儀器噪聲及灰塵導(dǎo)致的“椒鹽噪聲”，提出融合bwareaopen與imopen形態(tài)學(xué)處理的自適應(yīng)算法,，顯著提升圖像純凈度,。 “分選”階段，提出多標(biāo)簽分類規(guī)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(guī)則度指標(biāo)與銹斑面積閾值對合格棗進(jìn)一步劃分為優(yōu)質(zhì)（Premium）,、禮盒（Gifted）、普通（Good）三個等級,。實(shí)驗(yàn)表明,，像素分類準(zhǔn)確率高達(dá)97.8%，而在處理曲率,、柄端與噪聲干擾后,，最終整果分選準(zhǔn)確率提升至91.78%，顯著高于未處理狀態(tài)下的34.88%,。

(Jiang et al., 2023)面向冬棗采后貯藏過程中易感染的黑斑病,，系統(tǒng)探索了可見-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像系統(tǒng)對病害不同階段的無損檢測與可視化能力。實(shí)驗(yàn)分為健康組,、水處理對照組與病原接種組（人工創(chuàng)口注入1×10? CFU/mL真菌孢子懸液）,，在20°C條件下貯藏5天，每天采集40個樣本進(jìn)行高光譜圖像采集,。Vis-NIR系統(tǒng)由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機(jī)構(gòu)成,，SWIR系統(tǒng)則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機(jī),，實(shí)現(xiàn)數(shù)據(jù)獲取,。

在圖像處理上，研究首先通過SNV,、MSC和Auto Scale三種預(yù)處理方法對原始光譜去噪,，然后以PLS-DA與SVM-DA構(gòu)建六階段病程分類模型。結(jié)果顯示,，Vis-NIR光譜下的SNV-PLS-DA模型表現(xiàn)最佳,，預(yù)測準(zhǔn)確率達(dá)92.31%，明顯優(yōu)于SVM；而SWIR下SNV-PLS-DA模型準(zhǔn)確率亦達(dá)91.03%,。但SWIR模型在早期（Day 2）病變階段識別準(zhǔn)確率低（69.23%）,，顯示其對初期癥狀敏感性有限。結(jié)合一元ANOVA結(jié)果,，研究進(jìn)一步篩選出判別力較強(qiáng)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(guān),，SWIR中的1152,、1327、1851 nm則與糖類和O-H振動有關(guān),?；赑CA對Vis-NIR圖像進(jìn)行可視化處理，成功提取出黑斑病病變區(qū)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(xiàn)感染部位,，遠(yuǎn)優(yōu)于肉眼觀測。相較之下,，SWIR系統(tǒng)在病變區(qū)域可視化能力較差,，主要由于其光譜在前期感知差異度不高。

圖8 HSI系統(tǒng)在兩個光譜區(qū)域檢測冬棗黑斑病并監(jiān)測其發(fā)病過程

(Pham & Liou, 2020)開發(fā)了一種創(chuàng)新的基于旋轉(zhuǎn)平臺的高光譜成像系統(tǒng),，用于檢測紅棗表面的缺陷,。該系統(tǒng)工作波段范圍為468–950 nm，與傳統(tǒng)的線性掃描系統(tǒng)相比,，具有顯著優(yōu)勢,，能在一次掃描中覆蓋紅棗表面約95%的區(qū)域，而傳統(tǒng)線性掃描系統(tǒng)只能覆蓋約49%,。通過旋轉(zhuǎn)平臺,，該系統(tǒng)能夠掃描球形果實(shí)的大部分表面，避免了由于果實(shí)表面曲率導(dǎo)致的圖像畸變問題,。研究中針對紅棗的六種常見皮膚缺陷（銹斑,、腐爛、白霉,、黑霉,、裂紋和反光）進(jìn)行了分類，采用支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型進(jìn)行缺陷檢測,。實(shí)驗(yàn)結(jié)果表明,，兩種模型均表現(xiàn)出較高的分類準(zhǔn)確率,，SVM模型達(dá)到了97.3%的準(zhǔn)確率，ANN模型的準(zhǔn)確率為97.4%,。通過混淆矩陣對模型進(jìn)行了評估,，發(fā)現(xiàn)基于旋轉(zhuǎn)掃描數(shù)據(jù)訓(xùn)練的模型優(yōu)于線性掃描數(shù)據(jù)訓(xùn)練的模型。研究開發(fā)了圖形用戶界面（GUI）,，用于高光譜數(shù)據(jù)的預(yù)處理,，包括LOESS平滑濾波和使用白色與黑色參考圖像計(jì)算相對反射率。此外,，為了解決果實(shí)邊緣區(qū)域因掃描線強(qiáng)度較低而導(dǎo)致的誤分類問題,，采用了自適應(yīng)掩膜技術(shù)，有效減少了反光等因素對分類結(jié)果的干擾,。

圖9基于旋轉(zhuǎn)平臺的高光譜成像系統(tǒng)及光譜采集流程

(Lu et al., 2018)基于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(shí)驗(yàn)中,，使用了ImSpector V10光譜儀（Spectral Imaging Ltd., Finland）和C8484-05G CCD相機(jī)（Hamamatsu）構(gòu)建的高光譜成像系統(tǒng)，掃描范圍為380–1023 nm,，并結(jié)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(jìn)行分析,。青棗樣本經(jīng)過冷藏處理（0°C±0.5°C）不同天數(shù)后，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面反射區(qū)域進(jìn)行修復(fù)，再通過隨機(jī)蛙算法選擇*優(yōu)的波長特征進(jìn)行冷害分類,。

結(jié)果表明,，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基于光譜特征的線性判別分析（LDA）模型能夠提供最佳的分類性能,，分別達(dá)到98.3%（兩類分類）和93.3%（三類分類）的準(zhǔn)確率,。同時，使用基于圖像紋理的分類方法時,，分類準(zhǔn)確率相對較低,，顯示出光譜特征在冷害檢測中的重要性。對于光譜特征的選擇,，1.25 nm分辨率下的關(guān)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范圍內(nèi)。這些波長的選取有助于識別冷害對青棗果肉的影響,，特別是在細(xì)胞結(jié)構(gòu)崩解引起的光散射變化上,。

圖10基于高光譜成像技術(shù)的青棗冷害管道檢測