高光谱成像技术在果蔬品质与安全无损检测中的原理及应用

水果和蔬菜的品质与安全是消费者最为关心的问题。传统的化学检测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。高光谱成像技术融合了传统的成像和光谱技术的优点,可以同时获取被检测物体的空间信息和光谱信息,因此该技术既可以像检测物体的外部品质,又可以像光谱技术一样检测物体的内部品质和品质安全。目前,已经有大量的基于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最新的研究进展,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检测中的原理、发展和应用。另外,还简要介绍和讨论了高光谱成像系统的构成、常用的数据分析方法、发展趋势及面临的挑战。     

高光谱图像技术在农产品检测中的应用进展

综述了高光谱图像技术在农产品品质和食用安全性检测方面的研究现状及其在无损检测中的应用进展.在此基础上,提出了利用高光谱图像技术检测农药残留的解决途径,对高光谱图像技术在生物医学信息检测和农药残留检测中的应用前景进行了展望,指出高光谱图像技术是生物组织功能信息分析的一种新方法,是符合我国农产品产销特点的农药残留检测的潜力技术,可保障农产品质量和安全.     

农产品品质光谱成像的空间预测规律

由于受到化学检测手段限制,无法获取光谱图像中的农产品品质在各像素位置处的参考值,因此无法直接验证基于光谱图像得到的农产品品质空间预测结果。为探索基于光谱图像的农产品空间品质检测规律,本文采用计算机生成已知空间品质样本,并分别以固定曝光和变曝光方式采集不同灰度等级标准板的光谱图像。定量分析采集系统误差,借助样本区域光谱与区域指标之间的全波段偏最小二乘（ALL-PLS）和遗传特征波长偏最小二乘（GA-PLS）预测函数,研究出区域指标预测准确时样本空间品质指标的预测精度规律,建立光谱成像空间预测准确度模型。实验结果表明：变曝光方式下的数据采集可以提高光谱图像信噪比,在波段两侧极限处尤为明显;应用区域品质数据预测空间品质分布,空间预测误差主要受光谱图像采集噪声影响：即使区域预测准确,空间预测可能已完全失真。通过衡量数据采集系统误差,可以间接评价农产品品质空间预测的准确度。只有在数据采集系统误差在允许范围内时,光谱成像技术才可准确预测农产品品质的空间分布。     

高光谱成像在水果内部品质无损检测中的研究进展

随着高光谱成像技术的日趋成熟与高光谱成像硬件、软件成本的不断下降,以及高光谱图像数据处理算法的不断改进, 应用高光谱成像技术对水果品质进行无损检测成为当前研究热点之一。为了能跟踪国内外的最新研究成果, 对高光谱成像在水果内部品质(成熟度、坚实度、可溶性固形物、水分)检测研究进行综述,以期对我国相关研究人员的研究工作提供参考。     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

粮油品质安全高光谱成像检测技术的研究进展

粮油品质安全至关人类营养健康与生命安全。常规检测粮油品质安全方法,由于操作困难、破坏性强、费用高、试剂污染等缺点,不能满足快速无损,高效无污染的要求,难以与工业4.0接轨。整合光谱和图像手段的高光谱成像技术,伴随着化学计量学的发展,突破了常规检测方法局限性,是粮油品质安全检测技术的发展趋势。在大量文献的基础上,综述了高光谱成像技术原理,以及在品质方面(组分测定、发芽检测、品种分类)和安全方面(真菌检测、虫害检测)的研究进展,特别分析了高光谱成像技术检测粮油品质安全的应用光谱范围、化学计量学方法、仪器设备和模型准确性,指出了现阶段在粮油品质安全检测中存在的主要问题,并对今后的研究方向和重点进行了展望,以期推动高光谱成像技术在粮油领域的应用发展。     

光谱成像技术在作物病害检测中的应用进展与趋势

病害作为影响农作物生长的主要因素之一,平均每年造成农作物产量损失高达12%以上。病害不仅直接导致农作物产量减少,而且也严重降低了农产品的品质,甚至引发食品安全事故。光谱成像作为一种融合图像处理和光谱学的信息获取技术,能同时获取目标的图像信息和光谱信息,从而更直观表达目标的特征。光谱成像技术可以获得图像上每个点的光谱数据,从而实现对作物病害的颜色、形状和纹理特征及光谱特征的分析,具有快速、直观和无损等特点,近些年在作物病害检测领域的应用取得了较大研究进展。综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献,分析了光谱成像技术的优势和局限性,重点阐述了光谱成像作物病害检测中关键的第三个技术:(1)光谱图像分割技术,重点分析了四种常见分割算法的优点和适用范围;(2)光谱特征和空间特征提取技术,重点对比了空间特征、光谱特征和二者加权组合对病害信息表达的准确性;(3)检测模型,重点介绍了光谱植被指数和机器学习模型在作物病害检测中的稳定性和前景。最后,根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势,为相关研究提供全面且系统的参考。     

基于光谱及成像技术的种子品质无损速测研究进展

种子是农业生产过程的重要生产资料。种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究是种子品质检测中的常见问题。种子质量主要包含种子含水率、蛋白含量、脂肪酸含量、淀粉含量等,是种子品质分级的重要指标,并且关系到种子存储过程的安全问题。种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和;高活力种子具有明显的生长优势和生产潜力。种子老化是指种子活力的自然衰退,表现为种子变色、发芽率低、生长势差、作物减产。种子的纯度与真伪则会影响作物产量和农产品品质;而种子分类与溯源则是保证种子纯度与鉴别种子真伪的重要方法,进而为作物产量与产品品质提供保障。对于种子品质分析,传统方法通常需要对样品做不可逆的破坏性分析,且分析时间长、过程复杂,难以适应现代农业对种子生产环节的需要。因此,开展种子品质无损快速检测技术研究成为当前亟待解决的问题。近年来,随着化学计量学的发展和计算机技术的进步,近红外光谱法以其快速、无损、高效等优势,在农产品、食品、农业投入品等的无损快速分析方面得以广泛的应用。进一步地,将光谱技术与成像技术相结合,高光谱成像技术近年来日益兴起,相比较于传统的光谱技术,高光谱成像技术在获得待测样品的光谱信息的同时,还可以获取样品的空间分布信息以及图像特征。基于近红外光谱及高光谱成像等无损快速检测技术,从种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究四方面对近年来关于种子品质无损快速检测文献进行综述。在分析不同检测技术特点的基础上,分别就上述种子品质检测方面的问题加以整理。进而对种子品质无损快速检测的技术特点进行了总结与展望。     

黄桃碰伤和可溶性固形物高光谱成像无损检测

黄桃在线分级时,表面损伤和可溶性固形物同时在线检测。损伤和可溶性固形物是评价黄桃品质好坏的重要指标。采用高光谱成像技术,尝试对黄桃损伤和可溶性固形物进行同时检测。利用主成分分析法,首先对高光谱图像进行主成分分析得到最佳PC(principal component)图像,其次根据PC图像中各波长对其贡献率的大小确定最佳特征波长(550和720 nm)并结合二值化,图像掩膜和阈值分割以及相关的图像处理技术对最佳光谱图像进行定性判别。其准确率最高达到94.6%,同时建立偏最小二乘定量回归模型对正常样品SSC(soluble solid content)含量进行预测,通过对模型的不断优化,实现了基于高光谱成像技术对黄桃碰伤和可溶性固形物同时检测。可溶性固形物分选准确率为79.2%。实验结果表明,利用高光谱成像技术可以实现对黄桃碰伤和可溶性固形物同时检测,该研究可以为实际在线分选提供理论依据和参考。     

高光谱成像技术无损检测赣南脐橙表面农药残留研究

高光谱成像技术具备图像和光谱的双重优势,作为一种快速无损检测分析技术,检测过程无损、无污染和无接触。高光谱成像数据包括样本的图像信息和光谱信息,采集样本高光谱成像数据时,样本的每个像素点都有一条光谱与之对应,样本的每个波长都有一幅灰度图像与之对应。研究采用高光谱成像技术无损检测不同稀释浓度的农药在赣南脐橙样品表面残留随时间变化的关系。用蒸馏水把农药分别配置成1∶20, 1∶100和1∶1 000倍的溶液。然后把不同浓度的溶液滴到30个洗净的脐橙表面, 将涂有农药的脐橙分别放置0,4和20 d,然后采集在900～1 700 nm波长范围的高光谱成像原始数据。通过主成分分析获取930,980,1 100,1 210,1 300,1 400,1 620和1 680 nm共8个特征波长,基于这些特征波长做第二次主成分分析,应用PC-2图像并经过适当的图像处理方法对不同浓度及放置不同天数的农药残留进行无损检测。采用高光谱成像技术检测三个时间段较高稀释浓度的果面农药残留都比较明显。高光谱成像技术作为一种检测方法,可用于评价各个时间段较高浓度的农药残留。     

高光谱成像技术在彩绘文物分析中的研究综述

彩绘文物是文化遗产研究的重要内容之一。目前,许多的化学、光谱以及数字成像等分析技术应用于彩绘文物研究中,其中,高光谱成像技术集光谱分析与成像技术为一体,具有无损、快速成像以及"图谱合一"的特点。其技术特点使得高光谱成像技术在非接触、无样本的条件下对彩绘文物进行无损研究,既可以获得彩绘文物的整体形貌特征,还可以深入分析彩绘文物的光谱特征,是高光谱成像技术相比于其他彩绘文物研究方法的独特优势。利用高光谱成像技术研究彩绘文物分为数据采集、数据分析以及数据应用三步,其中数据分析与数据应用是研究的主要内容。通过对高光谱成像技术在彩绘文物中的相关研究成果进行总结归纳,其数据处理方法主要包括高光谱数据降维、光谱特征参量化、光谱解混合以及分类方法四个方面,并分别描述了四类处理方法的主要功能、常用方法和已有案例。从具体应用方向上,可归纳为视觉增强、隐含信息挖掘、保护监测和颜料分析四类,具体描述了四类应用方向所涵盖的内容以及所解决的问题。最后对相关研究中存在的挑战和发展前景进行了总结和展望。     

半透射高光谱结合流形学习算法同时识别马铃薯内外部缺陷多项指标

针对马铃薯内外部缺陷多项指标难以同时识别的问题,提出了一种半透射高光谱成像技术采用流形学习降维算法与最小二乘支持向量机(LSSVM)相结合的方法,该方法可同时识别马铃薯内外部缺陷的多项指标。试验以315个马铃薯样本为研究对象,分别采集合格、外部缺陷(发芽和绿皮)和内部缺陷(空心)马铃薯样本的半透射高光谱图像,同时为了符合生产实际,将外部缺陷马铃薯的缺陷部位以正对、侧对和背对采集探头的随机放置方式进行高光谱图像采集。提取马铃薯样本高光谱图像的平均光谱(390~1 040 nm)进行光谱预处理,然后分别采用有监督局部线性嵌入(SLLE)、局部线性嵌入(LLE)和等距映射(Isomap)三种流形学习算法对预处理光谱进行降维,并分别建立基于纠错输出编码的最小二乘支持向量机(ECOC-LSSVM)多分类模型。通过分析和比较建模结果,确定SLLE为最优降维算法,SLLE-LSSVM为最优马铃薯内外部缺陷识别模型,该方法对测试集合格、发芽、绿皮和空心马铃薯样本的识别率分别达到96.83%,86.96%,86.96%和95%,混合识别率达到93.02%。试验结果表明：基于半透射高光谱成像技术结合SLLE-LSSVM的定性分析方法能够同时识别马铃薯内外部缺陷的多项指标,为马铃薯内外部缺陷的快速在线无损检测提供了技术参考。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

面向地质应用的航空高光谱CASI‐SASI数据大气校正方法对比研究

蚀变信息提取是高光谱遥感地质应用的重要内容。基于特殊吸收峰的蚀变矿物提取是蚀变信息提取的重要手段。由于大气的吸收和散射作用,为了获得更为真实的地物反射光谱,必须进行大气校正。目前,国内外针对大气校正的对比研究主要集中在大气校正前后图像的质量改善、地物分类效果的提升以及校正图像像元光谱与实际地物光谱的相关关系等方面,而对不同校正方法获得的像元光谱与实际光谱吸收峰位的对应情况则很少讨论,这对于依赖吸收峰特征进行蚀变矿物提取的地质遥感极为不利。利用CASI-SASI航空高光谱成像系统,采集了甘肃龙首山地区的航空高光谱遥感数据,并运用ASD光谱仪,对该地区实际地物光谱进行了测量。以此为基础,开展了FLAASH、快速大气校正（QUAC）、经验线（EMPL）等方法大气校正结果的对比研究。通过对比分析,发现FLAASH,QUAC和EMPL均能在一定程度上消除大气的影响,改善航空高光谱遥感的图像质量,但EMPL方法得到的反射率与实际反射率相关性最好。此外,运用人工目视方法开展了实际地物反射光谱的吸收峰位与不同校正方法得到的对应像元反射光谱的吸收峰位的对比研究,发现不同校正方法得到的像元光谱的吸收峰位与实际峰位均存在不同程度的差异,虽然EMPL对吸收峰位的保留效果最好,但依然有“漏峰”的现象。据此,提出运用多种大气校正方法开展综合研究,以提高不同类型的蚀变带定位准确度。     

融合自适应稀疏表示和相关系数的高光谱伪装分类方法

目前比较成熟的高光谱成像手段有卫星遥感和航空成像技术,这两种成像方式侦察时间大致相同,入射光方向基本一致,因而地物的光谱曲线比较固定;在陆基条件下,地物的光谱曲线受成像环境的影响凸显,因此应该对适用于陆基条件下的高光谱图像分类方法进行研究。在陆基高光谱图像中,对每个地物进行类型以及种类的判别有利于后续对目标的识别和处理,不同于传统遥感图像分类,陆基条件下的高光谱图像目标分类训练样本不仅较难获得,并且在陆基条件下的高光谱图像中,训练样本之间的相关性随着目标类型、探测器参数以及成像环境等因素时刻发生变化。基于稀疏性表示的分类方法已经被广泛应用于处理图像问题以及各种机器视觉问题。对于陆基高光谱图像来说,基于固定范数约束的稀疏编码策略无法适应陆基条件下高光谱成像多变的环境,而自适应稀疏表示可以根据样本相关性自适应的调节范数约束,相关系数可以提高图像中的破坏因素（阴影、噪声点等）的识别精度。通过引入正则化参数,融合了自适应稀疏表示和相关系数,提出了一种新的高光谱图像分类方法。为了验证所提方法的有效性,分别在绿色植被背景和荒漠背景中设置伪装物,通过不同的分类方法对图像进行分类,实验结果表明,不管是分类精度还是分类一致性,该方法都有明显的优势,可以应用于陆基条件下的高光谱图像分类,为目标分类提供了理论基础。     

卫星振动频率和振幅对高光谱成像质量影响的仿真分析和实验研究

在星载推扫式高光谱成像仪成像过程中,卫星平台以振动为典型形式的姿态运动会导致探测器上不同的地物信息相互混叠,引起高光谱图像质量的退化。为了更有效地抑制、校正与补偿卫星振动引入的成像误差,针对典型色散型推扫成像光谱仪受平台振动而产生的空间维、光谱维质量退化的机理进行仿真分析和实验研究。通过分析其曝光时间内的光谱混合过程,得到了地物光谱和卫星姿态之间的关系,建立了推扫光谱成像退化模型。该模型综合考虑了不同姿态振动模式的影响,只要给出每个时刻的卫星平台姿态参数,即可通过普适的系数矩阵计算得出每个混合像元的平均混合比,进而获得仿真的退化高光谱数据立方体。详细推导了平均混合比的一般表达形式,对振幅、频率等振动参数对光谱混合的影响分别进行了定量分析。以实际运动状态下拍摄获得的高光谱数据立方体为例,进行了退化仿真和地面模拟运动退化实验,并对退化前后的高光谱数据进行了评价。结果表明,退化仿真和实际退化效果吻合,平均混合比能够直接反映高光谱图像退化的程度;卫星振动造成高光谱图像空间维质量恶化,使不同地物目标的光谱发生了混叠;高光谱数据的退化程度主要由振幅决定,振动频率对退化的影响较小。     

Hyperspectral Imaging in the Medical Field: Present and Future

Abstract

Hyperspectral imaging is an optical method that provides a large amount of information about the investigated object. Its medical applications are reviewed in this article, including tumor delimitation and identification, assessing tissue perfusion and its pathological conditions (including some complications like diabetic foot ulceration), making accurate surgical decisions, evaluating the health of dental structures, etc. Many of the articles show very promising results that required brief comments by the authors. It is clear that choosing the appropriate hyperspectral imaging system for each medical field, together with the most reliable hyperspectral image processing methods, are the main goals of future studies, before hyperspectral imaging becomes a widely applicable evaluation method in medicine. The authors try to answer some questions on this topic and set up some directions for future research.