水果与蔬菜的安全性检测

水果与蔬菜的安全性检测

高光谱成像技术在水果和蔬菜品质检测方面的应用水果和蔬菜是生活中不可或缺的食物。它们提供人体所需的维生素、维生素、钾和各种养分。水果和蔬菜的品质与安全一直是社会关注的热点问题。水果和蔬菜的外部品质主要根据它们的颜色、纹理、尺寸、形状和表面的缺陷进行评估,外部品质是它们最直观的品质特征,直接影响它们的市场价格和消费者的购买欲望;内部品质主要取决于它们的糖度、酸度、硬度、可溶性固形物含量、淀粉含量、水分和成熟度及其他营养元素的含量,内部品质是它们的价值的体现;品质安全主要通过对动物粪便等外来物污染、各种病害、品质劣变、细菌感染和农药残留进行检测评估,它关系到消费者的饮食安全和健康,是水果和蔬菜最为重要的品质特征。目前水果和蔬菜的品质与安全主要是通过传统的化学方法进行检测的,化学方法是一种费时费力的破坏性检测技术。随着成像和光谱技术的快速发展,高光谱成像技术已经广泛应用于农产品品质与安全的快速无损检测中,大量的成功案例也已经证明了高光谱成像技术是食品和农产品品质与安全检测的科学有效工具。高光谱成像技术融合了传统的成像技术和光谱技术的优点,获取的高光谱图像具有“图谱合一”的特点,即同时含有图像信息和光谱信息。图像信息可以用来检测水果和蔬菜的外部品质,而光谱信息则可以用来检测它们的内部品质和安全性。目前已经有很多利用高光谱成像技术检测水果和蔬菜品质与安全的研究性论文发表,为了深入了解高光谱成像技术的检测原理并跟踪国内外的最新研究进展,综述了高光谱成像技术在水果和蔬菜外部品质、内部品质和品质安全无损检测方面的基本原理、最新的发展和应用案例;同时,也简要介绍了高光谱成像系统的基本结构和常用的高光谱图像处理分析方法;最后,讨论了高光谱成像技术在水果和蔬菜品质与安全无损检测方面的发展趋势和面临的挑战。1高光谱成像系统1.1基于分光设备的成像系统图1为一个典型的高光谱成像系统结构示意图,系统主要由面阵相机、分光设备、光源、传输机构、及计算机软硬件等五部分构成。光源是高光谱成像系统的一个重要部分,它为整个成像系统提供照明。分光设备是高光谱成像系统的核心元件之一,分光设备通过光学元件把宽波长的混合光分散为不同频率的单波长光,并把分散光投射到面阵相机上。相机是高光谱成像系统的另一个核心元件。光源产生的光与被检测对象作用后成为物理或化学信息的载体,然后通过分光元件投射到面阵相机。计算机软件和硬件用来控制高光谱成像系统采集数据,针对特定的应用进行图像和光谱数据的处理与分析,同时还可以为高光谱图像提供存储空间。1.2检测方式方法根据高光谱图像采集和形成方式的不同,高光谱图像的获取方式可以分为点扫描、线扫描和面扫描三种方式。三种扫描方式的示意图如图2所示。点扫描方式[图2(a)]每次只能获取一个像素点的光谱,为获取高光谱图像频繁的移动光谱相机或检测对象,不利于快速检测,因此点扫描方式常用于微观对象的检测。线扫描方式[图2(b)]每次可以获取扫描线上所有点的光谱,因此该方式特别适合于传送带上方的物体的动态检测,因此该方式是水果和蔬菜品质检测时最为常用的图像获取方式。点扫描和线扫描方式是在空间域进行扫描的方式,不同于点扫描和线扫描方式,面扫描是在光谱域进行扫描的方式。面扫描方式[图2(c)]每次可以获取单个波长下完整的空间图像,通过面扫描获取高光谱图像时需要转动滤光片切换轮或调节可调滤波器,因此面扫描方式一般用于所需波长图像数目较少的多光谱成像系统中。根据光源和光谱相机之间的位置关系不同,高光谱图像的获取方式又可以分为反射、透射和漫透射三种方式。三种高光谱图像获取方式如图3所示。三种不同的获取方式反映了光和检测对象之间的作用关系,经过不同形式作用后的光承载了丰富的内部和外部信息,根据这些信息便可以对水果和蔬菜的品质和安全性进行快速无损检测。2高光谱成像与分析2.1高光谱图像处理流程高光谱图像是一个具有“图谱合一”特点的三维数据立方体,因此高光谱图像的处理和分析既可以在指定波长情况下在空间域进行图像处理和分析,又可以在指定像素坐标位置情况下在光谱域进行光谱处理和分析,也可以同时在空间域和光谱域进行处理和分析。图4显示了高光谱图像处理的一般流程。一般来讲,高光谱图像处理流程包括高光谱图像数据获取与校正层、高光谱图像处理与分析层和应用层三个层面。其中高光谱图像数据获取与校正层包括样品高光谱图像和参考图像的获取、高光谱图像校正;高光谱图像处理与分析层包括光谱处理与分析和图像处理与分析;应用层包括内部品质与安全性检测和外部缺陷识别与提取。2.2高光谱反射率图像的校正高光谱成像系统获取的是未经过校正的原始高光谱图像。由于相机暗电流的存在,以及不同的采集系统对检测光的敏感程度不同,故即便是在相同的外界条件下采集同一个样品,不同高光谱成像系统所获取的高光谱图像也不一定相同。因此为了使高光谱数据更具稳定性和可比性,常常需要利用参考图像把原始高光谱图像校正成为高光谱反射率图像。校正公式如(1)所示其中:Rnorm为校正后的光谱图像,Rraw为原始光谱图像,Rdark为关上光源,拧上镜头盖后采集的全暗参考图像,Rwhite为扫描反射率为99%的标准白板得到的全白参考图像。2.3光谱预处理的作用及应用为了消除光散射、光程畸变和随机噪声对光谱造成的影响,在光谱数据建模前,一般使用光谱预处理技术对光谱进行预处理。平滑、求导、归一化、多元散射校正、傅里叶变换和小波变换是常见的光谱预处理方法。不同的预处理方法具有不同的作用,例如平滑可以用来降低光谱中的随机噪声;对光谱求一阶或二阶导数可以用于移除峰谷重叠和基线漂移,同时也可以根据导数的波峰和波谷选取特征波长;归一化和多元散射校正用于降低由于农产品表面形状差异而带来的光散射现象;傅里叶变换和小波变换则可以把数据转换至复数域进行相关的处理。通常情况下,需要根据光谱的数据特点和具体应用选择合理的预处理方法。光谱数据蕴含着水果和蔬菜的品质信息,不同品质的农产品的光谱曲线差异很大。往往需要利用多元分析的方法对水果和蔬菜的品质和安全性进行定性或定量的分析。基于多元分类的定性分析一般用于水果和蔬菜缺陷的识别与提取以及安全性的定性判定。基于多元回归的定量分析一般用于水果和蔬菜的内部品质和影响安全性的物质含量的定量分析。2.4图像分析方法适合于不同特征波长的选择高光谱图像在每一个响应波长处都有一个单色图像,庞大的图像数据大大增加了高光谱图像的采集和处理时间,同时数据存在较大的冗余,且并不是每一个波长处的单色图像都适合于检测。为了实现水果和蔬菜品质的快速在线检测,必须挑选适合进行特定品质检测的有效图像。有效图像一般为位于特征波长处的单色图像,其选择方法等同于特征波长的选择,既可以依据原始光谱和预处理光谱曲线的波峰波谷位置进行选取,也可以通过多元分析方法进行选取。图像处理和分析是实现水果和蔬菜品质自动检测的关键步骤。图像处理是图像分析和品质检测的前提和基础。图像处理操作的对象是图像,输出的结果则是便于品质分析的特征向量。图像处理包括图像预处理、图像分割和特征提取三个方面。3成像技术高光谱成像技术融合了传统的成像技术和光谱技术的优点,既可以像传统的成像技术一样获取被检测物体的空间信息又可以像光谱技术一样获取光谱信息。目前高光谱成像技术已经被证明是农产品品质与安全检测的科学有效工具,大量的国内外学者研究了高光谱成像技术在水果和蔬菜品质与安全检测中的应用。3.1pca和pca联合检测外部品质是水果和蔬菜最重要的感官品质,是水果和蔬菜品质最直接的反映。水果和蔬菜的外部品质主要通过其颜色、纹理、尺寸、形状和表面缺陷进行评估。目前传统的机器视觉技术已经实现了上述外观品质特征的自动检测,但是对于大部分特征不明显的缺陷,例如损伤、腐烂、冻伤等,缺陷区域的颜色、纹理等信息和正常区域处的高度相似,基于RGB彩色相机的传统机器视觉无能为力。高光谱成像技术的多波长图像优点弥补了传统成像技术的缺点,近年来被越来越多的应用于农产品表面缺陷的检测中。损伤是水果和蔬菜在采摘、运输和产后处理阶段不可避免的一种常见缺陷。早期损伤随着时间的推移会变黑甚至腐烂,不仅影响它们的美观,还会引起内部品质的劣变,腐烂甚至会传染给同批次的优质水果或蔬菜,造成不小的经济损失,因此尽早检出并剔除损伤果是很有必要的。Xing等利用线扫描高光谱反射成像系统检测“GoldenDelicious”苹果的损伤。首先对高光谱图像进行了平滑和校正处理,然后基于全波长图像进行了主成分分析(PCA)变换,依据PC2和PC3的权重系数图挑选出4个特征波长(558,678,728和892nm)图像,然后对特征波长图像再次进行PCA变换,变换结果发现基于特征波长的主成份图像和基于全波长的主成份图像具有一致的结果。利用PC2和PC3的联合图像完成了损伤的检测,检测实验取得了86%的准确率。该研究为搭建苹果损伤快速检测的多光谱系统奠定了基础。Nagata等利用高光谱成像技术和三种算法(逐步判别分析、归一化差值和人工神经网络)研究了不同成熟度的草莓在6个不同损伤力度下及不同损伤时间下的检测效果。三种算法都得到了满意的检测结果。研究结果表明随着时间的推移,损伤区域会发生变化,算法的检测性能下降幅度较快。腐烂是水果和蔬菜在存储、运输过程中的最严重的常见缺陷。腐烂不仅影响水果蔬菜的美观,还会使它们的内部品质发生变化,甚至导致食品安全问题。对于青霉菌引起的柑橘腐烂,传统的检测方法是在紫外光源的照射下人工完成。Gómez-Sanchis等试图通过搭建高光谱成像系统和各种线性非线性分类方法找到腐烂柑橘的自动检测方法。他们利用相关分析(correlationanalysis)、互信息(mutualinformation)、逐步分析(stepwise)和基于线性判别分析的遗传算法(geneticalgorithm)挑选了适合检测的特征波长。然后基于分类回归树(CART)和线性判别分析(LDA)等像素分类方法实现了腐烂区域在特征波长图像上的分割。试验结果表明利用搭建的高光谱机器视觉平台和特征波长图像能够检测青霉菌引起的腐烂。为了实现脐橙早期腐烂的自动化检测,李江波等利用高光谱荧光成像技术检测早期腐烂果,利用最佳指数(OIF)理论挑选出了识别腐烂脐橙的最佳波长组合(498.6和591.4nm),然后利用最优波长比图像及双阈值分割算法实现了腐烂脐橙的检测,检测识别率为100%。他们该方法有效的克服了梗伤果及果梗在紫外线诱导下所产生的荧光效应对腐烂果识别的影响,为早期腐烂脐橙的快速在线检测系统开发奠定了基础。冻伤是蘑菇在低温存储时的一种常见缺陷。Gowen等搭建了高光谱反射成像系统并使用PCA和LDA两种分类方法检测蘑菇的早期冻伤,独立测试集中的非冻伤样品全部检出,冻伤样品的检测正确率为97.9%。该方法对于45min之后的冻伤检测效果较为明显。冻伤是黄瓜在低温存储和运输时的常见缺陷。Liu等搭建了高光谱成像系统,利用波长比算法和PCA检测黄瓜的冻伤。试验结果表明波段图像比值算法(Q811/756)和733~844nm的PCA模型检测黄瓜冻伤的正确率都大于90%,波段图像比值算法比PCA具有更好的鲁棒性。然而由于冻伤开始的0-2天冻伤特征并不是特别明显,黄瓜冻伤的检测相对比较困难。近年来大量的国内外学者利用高光谱成像技术研究了水果和蔬菜的损伤、常见缺陷、冻伤、腐烂等外部品质,高光谱成像技术在水果和蔬菜外部品质检测中的应用总结如表1所示。3.2高光谱激光诱导荧光成像技术内部品质是水果和蔬菜的营养价值的衡量依据。一般来讲,内部品质主要通过检测水果和蔬菜的糖度、酸度、硬度、可溶性固形物含量、淀粉含量、水分和成熟度等指标进行评估。传统的检测方法是通过物理化学等破坏性的检测手段进行测量,传统方法费时费力,且只适合同批次农产品的抽检。高光谱成像技术可以实现农产品的化学成像,这也使水果和蔬菜的内部品质快速无损检测成为可能。可溶性固形物含量(solublesolidcontent,SSC)是指水果和蔬菜中所有溶解于水的化合物的总称,包括糖、酸、维生素、矿物质等。利用高光谱成像技术无损检测水果和蔬菜中可溶性固形物含量是近年来内部品质检测的研究热点。Qin等利用高光谱成像系统采集“GoldenDelicious”苹果的高光谱图像,然后通过测量苹果的吸收系数和约化散射系数来预测苹果的硬度和可溶性固形物含量。研究发现苹果的吸收系数和约化散射系数与硬度和SSC含量都相关,其中吸收系数与硬度和SSC含量的相关性较高。可溶性固形物含量预测的相关系数为0.864。该研究表明高光谱成像技术是测量水果光学特性的一种有效手段,可用于水果内部品质的无损检测。高光谱激光诱导荧光成像技术已经成功用于农产品品质与安全性的检测中。Liu等搭建了波段为700~1100nm的高光谱激光诱导荧光成像平台并使用多元线性回归模型预测了柑橘的可溶性固形物含量,相关系数大于0.96。该研究表明高光谱激光诱导荧光成像技术是无损检测柑橘可溶性固形物含量的有效工具。糖度是水果最为重要的内部品质之一。Guo等搭建了近红外高光谱成像系统获取桃子在650~1000nm的高光谱图像,利用偏最小二乘(partialleastsquare,PLS)回归模型预测桃子的糖度。为了提高实时性,利用逐步反向方法(step-wisebackwardmethod)挑选了最优波长。基于最优波长的偏最小二乘回归模型获得了0.97的相关系数。试验结果表明基于最优波长的回归模型的预测精度高于基于全波长的预测模型。为了无损检测苹果的糖度,Zhao等采集了苹果的高光谱图像(685~900nm),研究发现利用PLS回归模型预测糖度的最优波长为704.48~805.26nm。预测的相关系数为0.90749。该研究证明了高光谱成像技术在无损检测苹果的糖度方面具有很大的应用潜力。马本学等利用漫反射高光谱成像技术研究了网纹类哈密瓜糖度的无损检测方法。研究结果表明经过对原始光谱进行多元散射校正和一阶微分预处理后,利用偏最小二乘模型和逐步多元线性回归模型均可以取得较好的预测结果。其中偏最小二乘模型检测带皮哈密瓜糖度的效果最好,预测集相关系数为0.706;逐步多元线性回归模型检测去皮哈密瓜糖度的效果最好,预测集相关系数为0.818。该研究证明了利用漫反射高光谱成像技术检测哈密瓜的糖度是可行的。酸度、硬度、水分、淀粉含量、成熟度及内部缺陷也是水果和蔬菜的重要品质特征。ElMasry等利用可见近红外波段(400~1000nm)的高光谱图像无损检测草莓的酸度。基于全波段的偏最小二乘模型预测酸度的相关系数为0.87,实验结果证明了利用高光谱成像技术无损检测草莓的酸度是可行的。为了简化模型,利用偏最小二乘模型的β系数挑选了检测酸度的最优波长,基于最优波长的多元线性回归模型预测草莓酸度的相关系数为0.92,试验结果证明了最优波长和回归模型的有效性,且由于最优波长有效避免了光谱信息的冗余,因此利用最优波长检测时比全波段具有更好的检测结果。赵杰文等通过获取的苹果高光谱图像中的有效光谱信息预测苹果的硬度,通过对比偏最小二乘模型和支持向量回归模型(SVR)两种多元回归模型的预测效果,发现在785.11~872.45nm波段,支持向量回归模型的预测精度高于最小二乘模型的精度,该研究证明了可以使用高光谱成像技术无损检测苹果的硬度。淀粉指数是衡量苹果成熟度的一个重要指标。Menesatti等利用1000~1700nm的高光谱图像和有监督的多元分析方法(PLS-DA)预测苹果的淀粉指数。基于像素分类方法把高光谱图像每一个像素点处苹果区域分为含有淀粉和不含淀粉两类,通过求取不含淀粉的区域面积占总面积的比例来计算淀粉含量指数进而实现苹果成熟度的判断。Polder等利用高光谱成像技术研究了西红柿的成熟度,研究结果表明高光谱图像在识别西红柿成熟度方面比普通的RGB图像更具优势,单个像素的识别分类误差从51%下降到了19%。高光谱成像技术还可以用来检测水果和蔬菜的内部缺陷。Ariana等利用高光谱透射成像技术检测黄瓜内部缺陷,首先利用PLS-DA分别作用于平均透射光谱和标准偏差光谱,把实验黄瓜分为正常样本和内部缺陷样本,然后在空间维利用一种基于光谱的像素分类方法,依据欧式距离把像素分为正常和缺陷样本,平均分类精度大于90%。近年来大量的国内外学者利用高光谱成像技术研究了水果和蔬菜的糖度、酸度、硬度、可溶性固形物含量、成熟度、水分、内部缺陷等内部品质,高光谱成像技术在水果和蔬菜内部品质检测中的应用总结如表1所示。3.3线扫描高光谱成像技术的应用食品安全关系到消费者的饮食安全和健康,因此得到全社会持续性的高度关注。同内部品质检测一样,食品安全的检测目前仍是以传统的化学方法为主。品质安全主要通过检测水果和蔬菜的动物粪便等外来物污染、各种病害、品质劣变、细菌感染和农药残留等指标进行评估。大量的成功应用案例证明了高光谱成像技术在水果和蔬菜品质安全检测方面的可行性和有效性,高光谱成像技术作为一种新的科学有效的检测工具在未来食品安全检测中也将扮演更加重要的角色。动物粪便往往含有各种病菌、细菌,被动物粪便污染的水果和蔬菜对人类的健康是一种潜在的威胁。因此及时检出并清洗或剔除被粪便等污染物污染的水果蔬菜是有必要的。Kim等搭建了一个高光谱反射和荧光成像系统用于在线检测苹果的缺陷和粪便污染。利用所搭建的线扫描高光谱成像系统结合商业的苹果分选生产线能以每秒钟三个以上的速度在线检测苹果的粪便污染和缺陷。实验结果表明,利用荧光成像系统和简单的波长比算法可以获得100%的检测正确率。蔬菜中的粪便污染物会引起人类患上食源性传染疾病。为了快速自动地检测菠菜叶表面的粪便污染,Kang等搭建了线扫描高光谱荧光成像系统,并利用主成份分析(PCA)实现了菠菜表面粪便污染区域的提取。实验结果表明利用所搭建的高光谱成像系统可以实现菠菜叶表面粪便污染的检测。水果和蔬菜的农药残留是威胁人类健康的重要安全问题。气相色谱和高效液相色谱分析法是两种传统的农药残留检测方法。两种传统分析方法都是费时费力的检测方法,不利于食品安全性的快速无损检测。近年来一些学者探索使用高光谱成像技术检测农药残留问题,得到了不错的检测结果。Li等利用高光谱反射成像系统检测桔子表面的敌敌畏残留,首先利用气相色谱法获取了400个桔子的敌敌畏残留含量,然后利用PLS挑选了特征波长,并利用PLS建立了敌敌畏残留含量的预测模型。该模型获得了0.832的相关系数和1.3416的平均标准误差。为了实现油菜农药残留的快速无损检测,陈菁菁等结合高光谱成像技术和荧光激发技术搭建了高光谱荧光成像农药残留检测系统。研究结果表明毒死蜱具有较强的荧光特性,且437nm附近产生的荧光发射光谱在不同浓度农药残留情况下具有不同的光谱峰值。该研究结果表明高光谱荧光成像技术可用于农药残留的检测,为后续的快速、精确的农药残留检测仪器的开发提供了理论依据。农产品的病害也是食品安全的潜在威胁。Wang等搭建了短波近红外高光谱成像系统检测洋葱的酸皮病。经过对正常洋葱表面和酸皮病洋葱表面的光谱进行PCA变换,发现1070和1400nm两个波长是检测洋葱酸皮病的特征波长。然后分别使用全局阈值线性判别分析和LDA及支持