高光谱成像技术在红枣研究中的应用进展（上）

1. 红枣的经济与营养价值

红枣（Zizyphus jujuba Mill.）作为一种富含营养的水果，广泛应用于食品、保健品及中药领域。其具有较高的经济价值和营养价值，尤其富含维生素C、矿物质和膳食纤维，具有抗氧化、调节血糖和促进消化等多种健康益处。随着市场需求的不断增长，高品质红枣逐渐成为人们健康饮食的重要组成部分。然而，在采摘、运输和储存过程中，红枣常面临机械损伤、虫害、裂缝等问题，这些缺陷会影响其外观、口感及营养成分。因此，

2. 传统红枣品质检测方法及其局限性

2.1人工检测方法的局限性

传统的人工目视检查方法在红枣质量检测中长期占据主导地位，尤其在日常生产和初步筛选过程中，操作简单且直接。然而，人工检测方法存在显著的局限性，首先，检测效率低，难以满足快速、高效的质量检测需求；其次，人工检测主观性强，容易受到环境、疲劳以及检测人员经验水平的影响，导致漏检和误判。此外，人工检测方法只能在可见光范围内进行，导致其对某些隐性缺陷（如内部虫害、微裂缝等）的检测能力有限，无法提供全面的质量评估。

2.2化学分析方法的局限性

传统的化学分析方法主要用于红枣中的成分分析，如糖分、酸度、抗氧化剂、维生素含量等指标的测定。这些方法通常需要昂贵的设备和专业的实验室环境，且操作过程繁琐、时间消耗较大。例如，高效液相色谱法（HPLC）、气相色谱法（GC）等先进技术，这些方法虽然具有较高的精度，但高成本和操作复杂使其在大规模生产过程中应用受限。此外，化学分析方法通常属于破坏性检测，即检测过程需要破坏样品，并且只能在样品经过处理后进行分析，无法进行实时在线监测。

3. 高光谱成像原理与技术特点

如何高效、无损地检测红枣的品质成为产业发展的关键。随着科技的进步，高光谱成像技术和深度学习算法的结合为红枣品质检测提供了新的思路。

高光谱成像技术是一种将二维成像技术和光谱技术相结合的先进检测方法，能够同时获取图像和每个像素的光谱信息，提供多维度的物质分析。这项技术在农业领域的应用得到了广泛关注，特别是在红枣的质量检测中，提供了一种精确、高效、无损的方式来评估其品质。通过高光谱成像，可以对红枣的糖分含量、酸度、水分、硬度等品质参数进行定性和定量分析，帮助提高红枣的产地溯源能力和质量控制水平。结合成像与光谱分析，可以在不破坏样品的前提下，实时获取红枣的光谱数据并进行分析。通过光谱数据，可以分析红枣的糖分、酸度、水分等品质指标，同时能够检测到红枣中的隐性缺陷，如内部裂缝、虫害等，从而为红枣的品质控制提供了更全面的依据。特别是结合深度学习算法，高光谱成像技术可以进一步提高数据分析的精度和智能化水平。

随着精准农业的兴起，高光谱成像技术在红枣等农产品的应用前景广阔。通过实时、无损的检测，不仅可以提高红枣的生产效率，减少人工检查的误差，还能确保产品质量的一致性，推动红枣产业向标准化、智能化方向发展。高光谱成像技术在红枣品质检测中的应用

4.1高光谱成像技术在鲜枣损伤检测中的应用

Di Wu等(D. Wu et al., 2023)以灵武长枣为对象，探索了高光谱成像结合深度学习在红枣瘀伤时间无损识别中的应用潜力，旨在解决传统目测方法主观性强、效率低、早期瘀伤难识别的问题。通过标准化机械装置在果实赤道区域人工制造瘀伤，并设置0 h、12 h、24 h、48 h四个时间点进行分组，确保瘀伤时间的可控性和实验可重复性。

图1 灵武长枣外伤机械装置及构建的深度学习模型

本研究采用波段范围为900~1700 nm的近红外高光谱成像系统获取红枣样本图像，以果实整区域为感兴趣区域（ROI）提取平均光谱数据，并利用扩展多元信号校正（EMSC）方法对原始光谱进行预处理，有效消除光谱偏移和噪声干扰，提升数据质量。为降低数据维度、提高模型运行效率并突出与瘀伤时间相关的重要信息，分别采用SCARS与BOSS两种特征波段筛选算法，其中BOSS在保留分类关键信息方面表现更优。图像方面，通过主成分分析（PCA）提取主成分图像，并结合灰度-梯度共生矩阵（GLGCM）从中提取14种纹理特征，涵盖图像的灰度、梯度分布、结构复杂度等多个维度。

图2红枣样品的前三张PC图（红色圆圈和箭头标记的区域为瘀伤）

在建模阶段，分别构建了基于原始全波段、特征波段和光谱-纹理融合数据的分类模型，采用三种算法进行对比分析：传统的偏最小二乘判别分析（PLS-DA）、人工神经网络（ANN）以及深度学习的一维卷积神经网络（1D-CNN）。同时，为探究数据规模对模型性能的影响，设定小样本集（SD，200个样本）和大样本集（LD，820个样本）两种情形，系统比较各模型在不同输入数据和数据规模下的分类效果。实验结果表明，融合建模显著提升分类准确率，尤其是融合BOSS特征波段与高相关纹理特征（熵、惯性和梯度均方误差）的1D-CNN模型在LD条件下取得最优表现（预测准确率ACCp高达96.10%），展现出良好的非线性建模能力与特征提取优势。进一步分析发现，样本数量对模型性能具有显著影响，深度学习模型在大规模数据条件下尤为稳定，鲁棒性更强。

Yuan等(Yuan et al., 2022)针对Lingwu长枣在采后流通过程中易发生早期瘀伤且难以肉眼识别的问题，基于可见-近红外高光谱成像技术（400~1000 nm），系统比较了反射率、吸光度与Kubelka-Munk变换三种光谱表达方式在瘀伤识别中的表现差异。通过构建定量机械损伤实验体系，采集四类不同损伤等级样本的光谱数据。

图3红枣损伤反射率、吸光度与Kubelka-Munk光谱数据

通过构建定量机械损伤实验体系，采集四类不同损伤等级样本，结合多种光谱预处理方法（如SNV、MSC、OSC等）及特征波段筛选算法（CARS与iVISSA），分别建立了PLS-DA与SVM分类模型，深入探讨了模型精度与波段筛选策略的关系。结果表明，吸光度表达下基于iVISSA筛选的PLS-DA模型在保证特征变量最少（占总波段28.8%）的前提下，交叉验证准确率达100%，显示出优异的判别能力与模型简洁性。整体来看，PLS-DA模型普遍优于SVM模型，而CARS与iVISSA均能有效提升建模效率，尤其在iVISSA支持下，R、A、K-M三类光谱建模均获得高精度表现。研究表明，结合iVISSA的PLS-DA建模方案在高光谱数据降维与早期瘀伤检测中具有高度适配性，为开发红枣及其他小果类果实的快速、无损质量检测系统提供了理论依据与技术路径。

图4 特征选择光谱分布位置

(Yu et al., 2014)聚焦于鲜枣果皮裂纹这一关键品质缺陷的自动识别问题，基于可见/近红外高光谱成像（380–1030 nm），提出了融合图像处理与多变量建模的裂纹识别方法，首次实现了裂纹的精准定位与面积定量评估。使用芬兰Spectral Imaging公司生产的ImSpector V10高光谱成像光谱仪、Hamamatsu C8484-05G高性能CCD相机以及Fiber-Lite DC950（150W）卤素灯照明系统构建反射式推扫成像系统。

图5 鲜枣果皮裂纹光谱采集系统和光谱曲线

为提取裂纹与非裂纹区域的光谱差异特征，研究采用了三种特征波段选择方法：偏最小二乘回归（PLSR）、主成分分析（SPCA）与独立成分分析（SICA）。在此基础上，分别建立了基于特征波段的最小二乘支持向量机（LS-SVM）分类模型，其中PLSR–LS-SVM模型在预测集上的识别准确率达100%，性能优于SPCA与SICA模型。进一步，作者以PLSR筛选出的五个最优波段（467、544、639、673和682 nm）构建图像序列并进行SPCA变换，选取SPC-4图像用于图像处理。通过“区域增长”“边缘检测”和“二值模板修复”等图像处理技术，成功实现了裂纹区域的提取与面积计算，平均识别准确率达90.5%。

(L. Wu et al., 2016)针对红枣在采后环节中常见的三类外观缺陷—裂纹、虫蛀与瘀伤，提出了一种基于可见-近红外（400–1000 nm）和近红外（978–1586 nm）高光谱成像的综合识别方法。研究构建了双波段推扫式成像系统，分别采用Spectral Imaging公司ImSpector N17E成像光谱仪与XC-130 CCD相机，以及G4-232 CCD相机，配合线性卤素灯照明和Zolix步进电机驱动的传送平台，搭建高光谱采集系统，并借助SpectraCube和ENVI等软件完成采集与ROI特征提取。为了提升模型实用性，研究采用PCA方法提取最优波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm），并在此基础上重建SVM与SIMCA模型。结果表明，在保留高分类精度的同时，有效降低了模型复杂度和硬件处理压力。其中，SIMCA基于最优波段在四类样本上的准确率仍高达93.9%以上，远优于SVM模型，且对样本小样本建模更具鲁棒性。研究系统比较了不同光谱段、表达方式、建模策略在红枣常见缺陷识别中的效能，确认了反射率表达+PCA选波段+SIMCA建模的方案在精度、简洁性与推广性方面具备优越性能，为实现红枣商品化分级检测提供了切实可行的技术路径与系统原型。

(Yuan et al., 2021)聚焦于灵武长枣在采摘运输过程中发生的内部瘀伤分级识别问题，提出了基于可见/近红外高光谱成像（VIS/NIR-HSI，波段范围400–1000 nm）结合偏最小二乘判别分析（PLS-DA）的无损检测方法，实现对不同瘀伤时间（2 h、4 h、8 h、12 h、24 h）枣样的快速分类与判别。实验系统采用芬兰Specim公司的ImSpector V10E-QE成像光谱仪、日本Hamamatsu的C8484-05G CCD相机、四个150W光纤卤素灯（DCR III）及Zolix步进电机平台构建推扫式HSI系统。系统比较了多种预处理算法（MA、GF、SG、MSC、SNV、de-trending等）对原始光谱建模效果的影响，发现de-trending处理后构建的PLS-DA模型表现最优，训练集和预测集准确率分别达85.56%和92.22%。为进一步提升模型效率，研究采用了多种特征波段选择算法（SPA、UVE、CARS、iVISSA、CA、2D-COS及其与SPA组合），结果显示de-trending-CARS-PLS-DA模型最优，仅用63个波段即可达到训练集86.67%、预测集91.11%的高精度，且在8 h、12 h、24 h三个瘀伤阶段分类准确率达100%。研究结果表明，高光谱成像结合波段选择与PLS-DA判别模型可实现对枣果不同瘀伤进程的高效判别，尤其在伤后8小时即可准确检测，显著提升了果品质量监测的时效性。

(Thien Pham & Liou, 2022)围绕红枣果面常见缺陷（如裂纹、锈斑、腐烂、黑白霉等）在线识别问题，开发了一套基于推扫式高光谱成像系统的实时检测系统，兼顾了检测精度与运行效率，展示了高光谱技术在果品工业分选中的落地能力。实验系统采用芬兰Specim公司的ImSpector V10成像光谱仪、Edmund Optics的VIS-NIR镜头（50 mm/F2.0）、德国Basler的acA1920-155um CMOS单色相机、两盏50W卤素灯，并结合NI-myDAQ数据采集卡、LabVIEW编程平台和Python建模框架实现设备协同控制与模型调用，整体波段覆盖468–950 nm。研究以“Kaohsiung No.11”红枣为研究对象，采集了7种典型表皮状态（包含正常、腐烂、裂纹、锈斑、白霉、黑霉与高光反射区）共计3.5万个像素样本，并分别使用支持向量机（SVM）和三层人工神经网络（ANN）构建像素级分类模型。模型在VIS-NIR全波段下达到96.3%（SVM）和96.5%（ANN）的分类精度，但SVM推理时长高达320秒，不利于实时部署。通过等间隔法与PCA法在可见光波段（468–760 nm）中筛选出14个代表性波段（如469、491、535、602、713、757 nm等），构建简化模型，显著降低计算量。ANN模型在14波段下依然保持95%的准确率，推理耗时缩短至16.6秒，展现出较强的实用价值。

图6 鲜枣损伤种类和光谱采集系统

此外，系统软件支持LabVIEW前端配置界面，调用Python训练模型实现在线分选，并结合图像遮罩模型实现背景/果面区域自动剔除，最终输出带分类标签的扫描图像。针对边缘像素反射率低导致误判问题提出了去边策略，并分析了常见误判（如锈斑与腐烂混淆、白霉覆盖误识）成因及后续图像分析优化方向。

图7 图像软件界面及识别系统

(Pham et al., 2025)围绕枣类果实采后分选与分级中因表面曲率、杂散反光、柄端结构等因素引发的误判问题，提出了一种基于可见-近红外高光谱图像（468–950 nm）与深度学习算法相结合的两阶段枣类分选与分级方法。实验选取294个高雄11号“蜜枣”为研究对象，覆盖锈斑、腐烂、黑霉、白霉、果肉暴露等常见表面缺陷。系统采用芬兰Specim公司ImSpector V10成像光谱仪、Edmund Optics公司的VIS-NIR镜头（50 mm/F2.0）、德国Basler公司acA1920–155um黑白CMOS相机构建推扫式高光谱成像平台，并在暗室中完成数据采集，确保图像光谱质量。

采用像素级缺陷识别模型与果实级分选决策模型。通过训练含有27个特征波段的多类别人工神经网络（ANN）模型，对每个像素进行分类，构建七类缺陷图层（正常、锈斑、腐烂、白霉、黑霉、果肉暴露、反光）。为提升模型鲁棒性，系统引入YOLOv8n-seg语义分割网络实现柄端区域识别，并通过一系列规则剔除因果实曲率（±45°照明条件下）或柄端结构造成的错误分类。此外，针对仪器噪声及灰尘导致的“椒盐噪声”，提出融合bwareaopen与imopen形态学处理的自适应算法，显著提升图像纯净度。 “分选”阶段，提出多标签分类规则，若某一缺陷图层中像素超过阈值，则判定该枣为不合格品。在“分级”阶段，融合果形不规则度指标与锈斑面积阈值对合格枣进一步划分为优质（Premium）、礼盒（Gifted）、普通（Good）三个等级。实验表明，像素分类准确率高达97.8%，而在处理曲率、柄端与噪声干扰后，最终整果分选准确率提升至91.78%，显著高于未处理状态下的34.88%。

(Jiang et al., 2023)面向冬枣采后贮藏过程中易感染的黑斑病，系统探索了可见-近红外（400–1000 nm）与短波红外（1000–2000 nm）高光谱成像系统对病害不同阶段的无损检测与可视化能力。实验分为健康组、水处理对照组与病原接种组（人工创口注入1×10⁵ CFU/mL真菌孢子悬液），在20°C条件下贮藏5天，每天采集40个样本进行高光谱图像采集。Vis-NIR系统由Specim ImSpector V10E成像光谱仪与Imperx ICLB1620 CCD相机构成，SWIR系统则采用Specim ImSpector N25E光谱仪与Raptor EM285CL相机，实现数据获取。

在图像处理上，研究首先通过SNV、MSC和Auto Scale三种预处理方法对原始光谱去噪，然后以PLS-DA与SVM-DA构建六阶段病程分类模型。结果显示，Vis-NIR光谱下的SNV-PLS-DA模型表现最佳，预测准确率达92.31%，明显优于SVM；而SWIR下SNV-PLS-DA模型准确率亦达91.03%。但SWIR模型在早期（Day 2）病变阶段识别准确率低（69.23%），显示其对初期症状敏感性有限。结合一元ANOVA结果，研究进一步筛选出判别力较强的特征波段，如Vis-NIR中的492、518、638、683 nm，与类胡萝卜素和叶绿素吸收相关，SWIR中的1152、1327、1851 nm则与糖类和O-H振动有关。基于PCA对Vis-NIR图像进行可视化处理，成功提取出黑斑病病变区域的主成分伪彩图，其中PC1图像在Day 1和Day 2阶段即可初步显现感染部位，远优于肉眼观测。相较之下，SWIR系统在病变区域可视化能力较差，主要由于其光谱在前期感知差异度不高。

图8 HSI系统在两个光谱区域检测冬枣黑斑病并监测其发病过程

(Pham & Liou, 2020)开发了一种创新的基于旋转平台的高光谱成像系统，用于检测红枣表面的缺陷。该系统工作波段范围为468–950 nm，与传统的线性扫描系统相比，具有显著优势，能在一次扫描中覆盖红枣表面约95%的区域，而传统线性扫描系统只能覆盖约49%。通过旋转平台，该系统能够扫描球形果实的大部分表面，避免了由于果实表面曲率导致的图像畸变问题。研究中针对红枣的六种常见皮肤缺陷（锈斑、腐烂、白霉、黑霉、裂纹和反光）进行了分类，采用支持向量机（SVM）和人工神经网络（ANN）模型进行缺陷检测。实验结果表明，两种模型均表现出较高的分类准确率，SVM模型达到了97.3%的准确率，ANN模型的准确率为97.4%。通过混淆矩阵对模型进行了评估，发现基于旋转扫描数据训练的模型优于线性扫描数据训练的模型。研究开发了图形用户界面（GUI），用于高光谱数据的预处理，包括LOESS平滑滤波和使用白色与黑色参考图像计算相对反射率。此外，为了解决果实边缘区域因扫描线强度较低而导致的误分类问题，采用了自适应掩膜技术，有效减少了反光等因素对分类结果的干扰。

图9基于旋转平台的高光谱成像系统及光谱采集流程

(Lu et al., 2018)基于高光谱反射成像的青枣冷害检测方法，选择最合适的光谱分辨率和扫描速度，提高冷害在线分选的效率。实验中，使用了ImSpector V10光谱仪（Spectral Imaging Ltd., Finland）和C8484-05G CCD相机（Hamamatsu）构建的高光谱成像系统，扫描范围为380–1023 nm，并结合不同光谱分辨率（1.25 nm、2.51 nm、5.03 nm、10.08 nm）和扫描速度（8 mm/s与20 mm/s）进行分析。青枣样本经过冷藏处理（0°C±0.5°C）不同天数后，分别分为正常、轻度冷害和重度冷害三类。研究首先使用Criminisi算法对光谱图像中的镜面反射区域进行修复，再通过随机蛙算法选择最优的波长特征进行冷害分类。

结果表明，在5.03 nm光谱分辨率和20 mm/s扫描速度下，基于光谱特征的线性判别分析（LDA）模型能够提供最佳的分类性能，分别达到98.3%（两类分类）和93.3%（三类分类）的准确率。同时，使用基于图像纹理的分类方法时，分类准确率相对较低，显示出光谱特征在冷害检测中的重要性。对于光谱特征的选择，1.25 nm分辨率下的关键波长为726、724、889 nm，而在5.03 nm分辨率下，重要波长则主要集中在839–880 nm范围内。这些波长的选取有助于识别冷害对青枣果肉的影响，特别是在细胞结构崩解引起的光散射变化上。

​

图10基于高光谱成像技术的青枣冷害管道检测