成像光谱技术在农产品/食品检测中的研究进展

周 全，朱大洲，王 成，郑 耀，王秋平，马智宏*

(1.中国科学技术大学自动化系，安徽 合肥 230029；2.北京农产品质量检测与农田环境监测技术研究中心，北京 100097；3.国家农业智能装备工程技术研究中心，北京 100097；4.辽宁省大连市金州区农业技术推广中心，辽宁 大连 116100)

成像光谱技术在农产品/食品检测中的研究进展

周 全1，朱大洲2,3，王 成3，郑 耀4，王秋平1，马智宏2,*

(1.中国科学技术大学自动化系，安徽 合肥 230029；2.北京农产品质量检测与农田环境监测技术研究中心，北京 100097；3.国家农业智能装备工程技术研究中心，北京 100097；4.辽宁省大连市金州区农业技术推广中心，辽宁 大连 116100)

作为一项新兴的过程分析技术，成像光谱技术在获得样品空间信息的同时，还为每个图像上每个像素点提供数十至数千个窄波段的光谱信息，这样任何一个波长的光谱数据都能生成一幅图像，从而实现“图谱合一”。通过对光谱、图像的分析，即可对样品的成分含量、存在状态、空间分布及动态变化进行检测。本文从成像光谱技术的原理、系统构成、数据分析方法方面进行简要介绍，并详细介绍成像光谱技术在农产品/食品检测中的国内外研究进展，目前的研究表明该项技术在农产品/食品检测中具有广阔的应用前景。

成像光谱；高光谱成像；近红外图像；农产品；食品安全

农产品/食品的品质检测对于提高产品质量、保障食品安全具有重要意义。传统的品质检测主要采用化学分析、色谱分析等，这些方法测定结果准确，但需要前处理，检测速度慢，只能针对待测样进行抽样检测，不能进行高通量、快速、无损的实时在线检测。

近红外光谱分析作为一种快速无损、非接触测量的技术，已经在食品品质检测中得到了广泛的应用，包括食品成分检测、掺假识别、变质的监测等。然而，基于近红外光谱仪的检测技术所检测的区域通常是样品表面的某点或较小区域的近红外透射、漫反射信息，样品的不均匀性通常对测定结果造成较大影响，虽然通过多次测量可降低这种误差[1]，但近红外光谱分析难以获

得样品的分布信息(特别是不均匀的固体样品)。获取样品的空间轮廓信息是全面检测其品质(比如缺陷检测)的基础。机器视觉技术在农产品分级中得到了广泛应用[2]，它虽然能得到样品的二维空间图像信息，但常见的RGB三色图像只能反映外观，不能反映食品的内部成分信息。

成像光谱技术是光谱技术和图像技术的完美结合，它在获得样品空间信息的同时，还为每个图像上每个像素点提供数十至数千个窄波段的光谱信息，这样任何一个波长的光谱数据都能生成一幅图像，从而实现“图谱合一”。通过对光谱、图像的分析，即可对样品的成分含量、存在状态、空间分布及动态变化进行检测。成像光谱技术是一种集光学、光谱学、精密机械、电子技术及计算机技术于一体的新型遥感技术。自20世纪80年代以来，在航天和航空遥感、军事侦探识别、环境监测和地质资源勘探等方面得到了广泛应用。近十年来，国外学者开始将成像光谱技术应用于食品检测，取得了一系列成果，为该项技术在食品中的广泛应用奠定了基础。

本研究将介绍成像光谱技术的基本原理、实验系统、数据处理方法，并重点介绍国内外该技术在农产品/食品检测中的应用进展。

1 成像光谱的技术原理

根据光谱的分辨率，可将成像光谱技术分为3类，分别是多光谱成像技术、高光谱成像技术、超光谱成像技术。其中多光谱成像技术的光谱分辨率Δλ/λ= 0.1数量级，它一般只能提供可见光和近红外区域内的几个波段。高光谱成像技术的光谱分辨率在Δλ/λ= 0.01数量级，它能提供可见光和近红外区域内的几十至几百个波段，光谱分辨率可达纳米级。超光谱成像技术的光谱分辨率在Δλ/λ=0.001数量级，它在可见和近红外区域内可提供上千个波段。

目前常用的成像光谱的波段范围有两种，可见光/近红外区的波段范围是400～1000nm，短波红外区的波段范围是900～2500nm。成像光谱仪是成像光谱技术最重要的部件，目前主要有光栅型和干涉型两种。其中光栅型主要由前置光学系统、分光光栅、会聚透镜、校正镜系统、指向镜、电子学系统和机械结构等。每个光谱仪都含有一套将景物成像到狭缝的折射式前置光学系统。通过狭缝的光被一个平面光栅在狭缝垂直的方向进行色散，然后成像在一个两维焦平面阵列上。沿狭缝方向的阵列提供空间景物信息，另一方向的阵列(狭缝光沿此阵列方向色散)提供光谱信息。沿垂直狭缝的方向推扫并依次存储焦面阵列所收集的空间/光谱信息，就可以产生一个二维的每个像素有多个谱段的空间影像。成像原理见图1。

图1 成像光谱的原理示意图Fig.1 Schematic diagram for the principle of imaging spectrometry

成像光谱的获取包括3种模式，分别是逐点扫描式(point)、线推扫式(line)、画幅式(frame)。目前用得最多的是线扫描，也称推扫式成像光谱，在推扫过程中，每个扫描位置将获得一个窄带空间位置上多个像素点的光谱图像，这就是原始图像，对推扫过程中多个窄带空间区域的原始图像进行图像拼接，即可得到整个样品的成像光谱，称之为数据立方体。在数据立方体中，每个波长下都对应样品的图像。下面的图2表征了从原始图像到数据立方体的过程。

图2 成像光谱拼接示意图Fig.2 Schematic diagram for the splicing of imaging spectrometry

2 成像光谱的系统构成

一个典型的推扫式近红外成像光谱系统包括光源、红外相机、成像光谱仪、镜头、移动样品台、计算机图像采集系统和运动控制系统等组成。系统构成见图3。其中成像光谱仪多采用光栅进行分光。移动样品台由步进电机驱动作匀速移动。有些系统为了调节方便，配制了三维运动平台，可作x、y轴方向上的匀速移动，还可根据样品尺寸在z轴方向上调整高度。有些成像光谱系统中样品是固定不动的，而红外相机和成像光谱仪匀速移动，完成光谱图像的扫描。

图3 成像光谱系统的构成Fig.3 Structures of imaging spectrometer system

3 成像光谱的数据分析方法

目前在成像光谱的分析中，多采用主成分分析法(principal component analysis，PCA)对高维的超立方体数据进行压缩。主成分(得分矩阵)T是原来变量的线性组合，用它来表征原来变量时所产生的平方和误差最小。第一个主成分所能解释原变量的方差量最大，第二个次之，其余类推，各组主成分相互正交。主成分计算的方法较多，常用的算法是非线性迭代偏最小二乘法(nonlinear iterative partial least squires，NIPALS)、协方差矩阵分解方法。通过对超立方体数据进行主成分压缩后得到特征信息，在主成分空间中可看到不同类别样品的成像光谱的差异，从而进行定性判别。

若需要进行定量预测，则需要将降维后得分矩阵T与化学分析值矩阵Y进行多元线性回归，即可得数学模型：

式中：B=(TTT)-1T1Y=为回归系数；E为所引进的误差。

在所分解的主成分中，前边的主成分包含了X矩阵的绝大部分有用信息，而后面的主成分则与噪音和干扰影响因素有关，这就是主成分回归。目前也常采用偏最小二乘法(partial least squares，PLS)建立定量模型。

在实际进行超立方体的数据分析时，由于多个样品的数据形成了一个多维的数据集，不能直接采用PCA或PLS进行计算，需要将原始的超立方体按照某一维度(比如波长维)依次展开，再进行后续的计算分析，提取成像光谱中所包含的样品成分、空间分布信息。

4 成像光谱技术的国外研究进展

4.1 成像光谱在水果品质检测中的应用

水果的品质检测对于确定收获期和产品定等分级具有重要意义，目前比较成熟的是机器视觉技术[3-4]，它能获得水果的外观信息。基于可见光谱和近红外光谱的水果内部品质检测技术在国外已经产业化，在国内尚处于研究阶段[5-6]。高光谱成像技术具有图谱合一的优点，能同时获取水果外观和内部品质信息[7-8]，因此在水果检测方面的应用研究较早就开展了。

最早将成像光谱技术应用于水果品质检测的是新西兰的Martinsen等[9]，他们采用650～1100nm范围的近红外反射光谱图像来获取猕猴桃切开后剖面处的可溶性固形物含量(SSC)的分布情况。从剖面处用小塞子取下小部分猕猴桃的果肉，并用数字折光仪测定其SSC，从而建立该部分图像与SSC之间的校正模型，在4.7～14.1oBrix范围内，模型的实际预测误差为1.2oBrix。采用这些模型可以表示整个剖面的SSC分布情况。

Mehl 等[10]采用空间分辨率仅有0.5～1.0mm的超光谱成像系统来检测苹果表面的缺陷和污染。他们采用不同的方法来分析蛇果、黄元帅、嘎啦、红富士苹果，分析的缺陷指标包括表皮腐烂、擦伤、污点、疤、真菌病(比如黑心病)以及表面的土壤污渍。采用非均匀二次差异法(asymmetric second difference method)对685nm波长处的叶绿素荧光波段和另外两个近红外波段的光谱进行分析，可准确鉴别苹果表面的缺陷及污染的部分，并且这种方法不受苹果颜色和品种的影响。

Lu 等[11]采用超光谱散射图像来检测153个梨的硬度。光谱区间为500～1000nm，包括“Red Haven”和“Coral Star”两个品种的梨。采用洛伦兹函数来拟合每个样品的散射图像轮廓，拟合精度达0.99。然后用多元线性回归建立洛伦兹函数的参数与梨的硬度之间的校正模型。在所有分析的波长中，677nm波长处的散射图像具有相对较好的预测结果，然而最好的建模结果是将11个波长的组合用来得到的，相关系数达0.77(对于

Red Haven)和0.58(对于Coral Star)。

Elmasry等[12]应用400～1000nm的超光谱成像系统检测草莓中的水分、总糖含量和pH值。对这3个参数的预测误差SEP分别为3.874、0.184、0.129，模型相关系数分别为0.90、0.80、0.87。并对图像进行纹理分析，实现草莓成熟期的判断，分类正确率达89.61%。

Qin等[13]在500～1000nm范围内采用空间分辨稳态超光谱漫反射技术来测量新鲜水果和蔬菜的光学特性。他们采用线扫描超光谱成像系统来获取苹果、梨、桃、猕猴桃、李子、黄瓜、南瓜、西红柿等水果蔬菜的空间分辨漫反射成像光谱。利用漫射理论模型的逆算法得到样品的吸收和衰减系数。光谱中的吸收系数通常由主要色素(叶绿素、花青素、类胡萝卜素)表征，而光谱中的衰减系数则随着波长的增加而减小。3种不同成熟期的西红柿(绿色、粉色、红色)的吸收光谱存在明显的差异，采用675nm和535nm的吸收系数的比值可以准确区分不同成熟期的西红柿。在500～1000nm范围内，衰减系数与西红柿的硬度呈正相关，在790nm处的最大相关系数达0.66。

Qin等[14]采用超光谱成像技术来检测柑橘类的溃疡病，他们组建了一个便携式的超光谱成像系统，包括一个自动的样品夹持机构、光源和一个超光谱成像单元。该系统能获取400～900nm范围内的反射光谱。他们测量不正常的含有不同病变的“Ruby Red”柚子。这些病变包括溃疡、铜伤、斑点、疤痕、黑变病等。采用主成分分析法压缩三维成像光谱，并提取可用于区分正常和病变果中溃疡部分的信息。溃疡检测正确率达92.7%。他们还选出了4个可用于搭建溃疡检测多光谱系统的特征波段(553、677、718、858nm)。研究结果表明成像光谱可用于鉴别溃疡病的其他病变。

2009年，Qin等[15]采用一种新的分类方法——光谱信息差异分类法(spectral information divergence，SID)来鉴别柑橘类水果的溃疡病。若设定假阳性和假阴性的权重相同，则SID阈值为0.008时，总的分类正确率达96.2%。

4.2 成像光谱在蔬菜品质检测中的应用

蔬菜的营养品质、农药残留及储藏特性是食品安全监测的重要指标，目前成像光谱技术在新鲜蔬菜和加工后的蔬菜食品检测方面都得到了应用。

Ariana等[16]设计了一套在线检测泡黄瓜内部品质的超光谱成像系统的样机。该样机包括一个双通道回转传送带、两个照明光源(一个用于反射，一个用于透射)和一个超光谱成像单元。它可以同时获取400～675nm范围内的反射光谱图像和675～1000nm谱区的透射光谱图像。可见区的反射信息主要用于检测泡黄瓜的外部特征，比如颜色和尺寸；而近红外波段的透射信息主要用于检测内部的缺陷，比如内部的空心。接着，他们建立了该样机的内部和外部特征检测方法和模型[17]。在两年的时间里测定了“Journey”泡黄瓜，对其中一部分施加了压力，以便造成人为的内部损伤。获取了泡黄瓜的反射、透射及它们的组合成像光谱，用于预测硬度、颜色和内部缺陷。该系统在预测颜色时表现出色(R2介于0.75和0.77之间)，但不能预测硬度。675～1000nm范围内的透射光谱可准确检测内部缺陷，检测正确率达99%。该研究小组应用超光谱成像系统对腌菜的外观和内部缺陷进行了综合判别，整体缺陷识别率达86%，高于人工直觉的识别率(70%)[18]。

Gowen等[19]应用超光谱成像检测4～15℃范围内储藏的白蘑菇片。蘑菇片的质量用水分含量、颜色值L*和b*、组织结构比如硬度等测定。400～1000nm的超光谱用推扫式成像光谱系统获取，光谱分辨率为5nm。采用多元线性回归MLR和主成分回归PCR来建立成像光谱和蘑菇质量参数之间的校正模型。通过对84个样品进行不同波长组合的全局搜索，得到了含有20个波长的最佳波长组合。基于这20个组合波长的PCR模型比全谱的MLR和PCR模型效果更好。预测水分含量是RMSEP为0.74%，R2=0.75；L*的RMSEP=0.47，R2=0.95；b*的RMSEP=0.66，R2=0.75。该课题组还对蘑菇的冻害识别进行了研究[20]，将蘑菇储藏在4℃和-30℃条件下。研究表明，对于没有经受冻害的蘑菇，成像光谱的正确识别率为100%，对于具有冻伤的蘑菇，识别率为97.9%，从而为冻伤的早期监测提供了无损判别的方法。

Polder等[21]采用成像光谱检测不同成熟阶段的西红柿中的成分，波段范围为400～700nm，光谱分辨率为1nm。采用HPLC测定西红柿中的番茄红素、叶黄素、β-胡萝卜素、叶绿素a、叶绿素b。应用PLS建立这些成分值与光谱图像之间的校正模型。对于番茄红素的预测，Q2误差为0.95，其他成分的Q2误差在0.73～0.84之间。

4.3 成像光谱在肉品检测中的应用

肉品安全问题是我国现阶段食品安全检测的重要方面，但由于缺乏快速、无损的肉品检测技术及设备，目前多依靠感官评定为主、理化方法为辅助的方式。感官评定方法检测快速但缺乏一致标准，容易受到主管因素的影响，理化方法耗时长，难以做快速实时分析。猪肉的品质通常用颜色、质地、渗出物特征来表示。成像光谱技术能同时获取颜色信息和成分信息，在肉品品质诊断方面具有广阔的应用前景。

Qiao等[22]应用超光谱成像检测猪肉的品质和大理石花纹。采用PCA来压缩原始的成像光谱(430～1000nm)，分别压缩到5、10、20个主成分。然后用人工神经网络(ANN)来进行分类。结果表明，微红的、坚实的、

无渗出物的猪肉和暗红的、松软的、有渗出物的猪肉能够准确区分开来，总的识别正确率在75%～80%之间。应用前向神经网络建立分类模型，采用5个主成分时，识别正确率为69%，当主成分数为10时，识别正确率为85%。

Yoon等[23]采用增强的单带宽逆光透射图像和超光谱反射图像中的光谱信息来检测压缩去骨鸡肉片中嵌入的碎骨。鸡肉片的光学图像通常会受到肉片的多元散射影响，从而使得获取的图像存在散射、漫射，并且对比度较低。在此研究中，得到了超光谱透射和反射图像的融合图像，他们分别具有非电离和非破坏的特征，用这种图像可取代传统的X射线检测方法。X射线检测是一种电离图像分析方法。通过建立一种辐射-透射模型，可以校正照射的不均匀性的影响，从而使得嵌入的碎骨可以通过简单设置阈值来分割图像的方法来识别。通过最邻近分类器建立成像光谱的碎骨检测模型。

牛排的嫩度是决定消费者满意度的最主要的因素。Naganathan等[24]应用近红外区的超光谱成像技术来检测牛肉的嫩度。该成像系统的光谱范围为900～1700nm。采集图像中心区域内150×300像素的图像进行分析，用规范识别模型来预测3个不同水平的牛肉嫩度。在分析的334个样品中，正确识别的为242个，识别率为77%。结果表明成像光谱仪器有望成为牛肉嫩度检测的新仪器。

Cluff等[25]也采用成像光谱对牛排的嫩度进行检测，他们搭建了一个超光谱成像系统，包括CCD摄像机和成像光谱仪，针对新鲜的牛肌肉进行检测。获取的成像光谱包括120个窄波段，光谱分辨率为4.54nm。用Warner-Bratzler shear(WBS)值表征牛肉的标准嫩度，采用改进的洛伦兹函数来拟合牛肉的成像光谱。用逐步回归建立WBS和洛伦兹函数参数(比如曲线的峰高、半峰宽)之间的关系，实现对牛肉嫩度的预测，模型相关系数R=0.67，结果表明结合超光谱成像技术和散射特性的方法有望成为检测牛肉嫩度的快速方法。

5 成像光谱技术的国内研究进展

国内成像光谱技术最初主要用于遥感分析，直到最近几年才用于农产品的无损检测。

洪添胜等[26]基于高光谱图像技术对雪花梨的品质进行无损检测研究，观察经多元散射校正处理后的雪花梨反射光谱，分别针对含糖量和含水率选取对应的相关性最好的5个波段为特征波段，通过建立人工神经网络建立模型，对雪花梨的含糖量、含水率及鲜质量进行预测。实验结果表明，含糖量预测的误差为0.4749°Brix,含水率预测的误差为0.0658%，鲜质量预测值和实际值之间相关系数R为0.93。

杨勇等[27]采用连续波激光作为激发光，应用激光诱导荧光高光谱成像技术来对猕猴桃硬度进行无损测量。将该激光照射到猕猴桃样品上，用高光谱图像采集系统获取诱导出的荧光散射图像。选取部分荧光区域作为感兴趣区域，再提取感兴趣区域在波长200～800nm范围内的光谱值作为荧光高光谱图像数据。最后建立荧光高光谱图像数据预测果实硬度的预测模型。结果表明，该模型预测猕猴桃硬度的相关系数为R=0.898。结果表明利用高光谱图像技术预测猕猴桃的内部品质是可行的。

高晓东等[28]利用高光谱扫描成像技术评估牛肉大理石花纹，组建了高光谱线扫描成像系统，采集牛肉样品在400～1100nm 波段的高光谱反射图像。通过牛肉脂肪和瘦肉在各个波段处反射率之比的最大值，确定530nm为特征波段。提取特征波段处大理石花纹的3个特征参数(大颗粒脂肪密度、中等颗粒脂肪密度和小颗粒脂肪密度)，使用特征参数分别建立多元线性回归模型(MLR)和正则判定函数模型，对大理石花纹分级和等级预测，用全交叉验证方法验证模型的准确性。MLR模型对大理石花纹等级的预测决定系数R2=0.92，预测标准差SECV＝0.45；总的分级准确率是84.8%；正则判定函数对大理石花纹等级判定准确性较低，为78.8%。研究表明，将高光谱成像技术应用于牛肉大理石花纹等级评定是可行的。

吴建虎等[29]应用高光谱成像技术检测牛肉的嫩度，建立了正则判别函数对牛肉嫩度进行分级，嫩牛肉分级准确率为83.13%，较粗糙牛肉分级准确率为90.19%，总的分级准确率为87.10%。研究表明该技术在畜产品检测领域具有广泛的应用前景。

在仪器研制方面，中国科技大学与北京农产品质量检测与农田环境监测技术研究中心联合研制了国产推扫式成像光谱仪[30]，波长范围400～1000nm，光谱分辨率可达2～5nm，空间分辨率为0.2～5mm，该仪器体积小(240mm×210mm×100mm)、质量轻(3kg)，将成为农产品快速检测的有力平台。

6 结 语

成像光谱技术图谱合一的特点，使得其兼具了可见-近红外光谱技术成分检测的优点和机器视觉技术能够反映空间分辨信息的优势，因而在农产品/食品检测中具有广阔的应用前景。国外已进行了深入系统的研究，在图像获取、数据分析、模型应用等方面都积累了丰富的经验，并已经开发了基于成像光谱透射、漫反射的在线检测系统。国内的研究刚刚起步，还有很多问题需要解决，主要表现在：

1)目前国内外应用成像光谱技术进行农产品，特别是鲜活产品如水果的检测较多，而对于加工产品的检测较少。作为具有在线检测潜力的技术，成像光谱技术

在农产品原材料收购、产品分级及食品加工在线监测方面具有较好的应用前景。因此，将来在食品检测方面的研究将会更加深入。成像光谱技术源于航空航天，因此系统复杂，成本昂贵，如何在农产品/食品检测领域得到广泛应用，需要寻找到合适的应用场合。对于附加值高、易于实现工业化在线操作的领域，比如烟草、畜禽等，成像光谱技术有望率先得到应用。

2)目前的成像光谱系统成本还比较高，特别是国外的高光谱成像系统，价格昂贵，不利于推广应用。因此，开发国产的成像光谱仪器，对于推动该技术在我国的产业化应用，是至关重要的。目前国内科研单位在仪器开发方面已开展了很多工作，上海技术物理所、中国科技大学、安徽光学精密机械研究所等单位都研制了系列样机，相比于国外的系统，价格已大幅下降，将来可针对农产品/食品检测中样品的特性，开发专用的成像光谱系统，从而进一步降低成本。并可在高光谱成像的基础上挑选敏感波长，从而开发相应的多光谱成像系统，将会大大降低成本，使得该技术最终大量应用于生产实践中。

3)目前国内外在应用成像光谱进行农产品/食品品质检测方面已进行了大量可行性研究，表明该技术具有较好的应用前景，但目前的研究大多处于探索性实验阶段。成像光谱技术的优点在于能够实现在线检测，因此对于在线检测时仪器的实时校正、模型的更新传递、配套机械控制系统的开发等方面，还需要进行深入的研究。

随着光学技术、计算机技术和自控技术的进一步发展，成像光谱技术会逐渐完善，其在农产品/食品检测中的应用将更加深入，为食品安全提供有力的技术支撑。

[1]严衍禄, 赵龙莲, 韩东海, 等. 近红外光谱分析基础与应用[M]. 北京:中国轻工业出版社, 2005: 115-120.

[2]黎萍, 朱军燕, 刘燕德, 等. 机器视觉在农产品检测与分级中的应用与展望[J]. 江西农业大学学报, 2005, 27(5): 796-800.

[3]应义斌, 景寒松. 用计算机视觉进行黄花梨果梗识别的新方法[J]. 农业工程学报, 1998, 14(2): 221-225.

[4]蒋焕煜, 应义斌. 水果品质智能化实时检测分级生产线的研究[J]. 农业工程学报, 2002(6): 158-160.

[5]RICHARD M O. Apparatus and method for measuring and correlating characteristics of fruit with visible/near infrared spectrum: US, 6512577B1 [P]. 2003-01-28.

[6]孙通, 徐惠荣, 应义斌. 近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J]. 光谱学与光谱分析, 2009, 29(11): 122-126.

[7]马本学, 应义斌, 饶秀勤, 等. 高光谱成像在水果内部品质无损检测中的研究进展[J]. 光谱学与光谱分析, 2009, 29(6): 1611-1615.

[8]洪添胜, 李震, 吴春胤, 等. 高光谱图像技术在水果品质无损检测中的应用[J]. 农业工程学报, 2007, 23(11): 280-285.

[9]MARTINSEN P, SCHAARE P. Measuring soluble solids distribution in kiwifruit using near-infrared imaging spectroscopy[J]. Postharvest Biology and Technology, 1998, 14(3): 271-281.

[10]MEHL P M, CHEN Y R, KIM M S, et al. Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations[J]. Journal of Food Engineering, 2004, 61(1): 67-81.

[11]LU Renfu, PENG Yankun. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering, 2006, 93(2): 161-171.

[12]ELMASRY G, WANG Ning, ELSAYED A, et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 81(1): 98-107.

[13]QIN Jianwei, LU Renfu. Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique[J]. Postharvest Biology and Technology, 2008, 49 (3): 355-365.

[14]QIN Jianwei, BURKS T F, KIM M S, et al. Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 168-177.

[15]QIN Jianwei, BURKS T F, RITENOUR M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[16]ARIANA D P, LU Renfu. Quality evaluation of pickling cucumbers using hyperspectral reflectance and transmittance imaging. Part 1. Development of a prototype[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 144-151.

[17]ARIANA D P, LU Renfu. Quality evaluation of pickling cucumbers using hyperspectral reflectance and transmittance imaging. Part 2. Performance of a prototype[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 152-160.

[18]ARIANA D P, LU Renfu. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J]. Journal of Food Engineering, 2010, 96(4): 583-590.

[19]GOWEN A A, O DONNELL C P, TAGHIZADEH M, et al. Hyperspectral imaging for the investigation of quality deterioration in sliced mushrooms (Agaricus bisporus) during storage[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 133-143.

[20]GOWEN A A, TAGHIZADEH M, O DONNELL C P. Identification of mushrooms subjected to freeze damage using hyperspectral imaging[J]. Journal of Food Engineering, 2009, 93(1): 7-12.

[21]POLDER G, van der HEIJDEN G W A M, van DER VOET H, et al. Measuring surface distribution of carotenes and chlorophyll in ripening tomatoes using imaging spectrometry[J]. Postharvest Biology and Technology, 2004, 34(2): 117-129.

[22]QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Journal of Food Engineering, 2007, 83(1): 10-16.

[23]YOON S C, LAWRENCE K C, SMITH D, et al. Embedded bone fragment detection in poultry using transmittance image enhancement and hyperspectral reflectance imaging[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 197-207.

[24]NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 178-188.

[25]CLUFF K, NAGANATHAN G K, SUBBIAH J, et al. Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 189-196.

[26]洪添胜, 乔军, WANG Ning. 基于高光谱图像技术的雪花梨品质无损检测[J]. 农业工程学报, 2007, 23(2): 151-155.

[27]杨勇, 刘木华, 邹小莲, 等. 基于高光谱图像技术的猕猴桃硬度品质检测[C]//中国农业机械学会. 中国农业机械学会2008年学术年会论文集: 走中国特色农业机械化道路(下册). 北京, 2008-09-01: 1005-1008.

[28]高晓东, 吴建虎, 彭彦昆, 等. 基于高光谱成像技术的牛肉大理石花纹的评估[J]. 农产品加工: 学刊, 2009, 187(10): 33-37.

[29]吴建虎, 彭彦昆, 江发潮, 等. 牛肉嫩度的高光谱法检测技术[J]. 农业机械学报, 2009, 40(12): 135-140.

[30]马智宏, 王秋平, 朱大洲, 等. 自主研发的成像光谱仪应用及建模初探[J]. 现代科学仪器, 2010(2): 101-104.

Research Progress in the Detection of Agricultural Products/Food by Imaging Spectrometry

ZHOU Quan1，ZHU Da-zhou2,3，WANG Cheng3，ZHENG Yao4，WANG Qiu-ping1，MA Zhi-hong2,*
(1. Department of Automatic, University of Science and Technology of China, Hefei 230029, China；2. Beijing Research Center for Agri-food Testing and Farmland Monitoring, Beijing 100097, China；3. National Engineering Research Center for Intelligent Equipment in Agriculture, Beijing 100097, China；4. Agricultural Technology Extension Centre of Jinzhou District, Dalian City, Liaoning Province, Liaoning 116100, China)

As a newly emerging technology for process analysis, imaging spectrometry can acquire spatial information of samples and provide thousands of spectral data points for each pixel in an image. In this way, the spectral data of each wavelength form an image and result in the syncretism of spectra and image. By analyzing corresponding spectra and images, the components, concentration, status, spatial distribution and dynamic change of samples can be detected. In this paper, technical principles, system compositions and data processing methods of imaging spectrometry are described. The research progress in the detection of agricultural products/food by imaging spectrometry is discussed. Based on the current research achievements, imaging spectrometry reveals a wide range of application prospect in the detection of agricultural products/food.

imaging spectrometry；hyper-spectral imaging；near infrared image；agricultural product；food safety

O657.38；S37；TS207.3

A

1002-6630(2010)23-0423-06

2010-03-22

国家“863”计划项目(2006AA10Z203；2007AA10Z202；2010AA10Z201)；农业部“引进国际先进农业科学技术”项目(2006-G63(5)；2010-S20)

周全(1981—)，男，博士研究生，主要从事成像光谱技术研究。 E-mail：zhouquan@mail.ustc.edu.cn

*通信作者：马智宏(1970—)，女，副研究员，博士，主要从事农产品质量与农田环境检测技术研究。E-mail：mazh@nercita.org.cn