苹果SWIR成像（二）：食品检验的多光谱未来，预测新鲜农产品的适销性和寿命收藏

短波红外（SWIR）成像揭示了复杂新鲜食品（如苹果）的状态和价值等一系列极其珍贵的信息——而可见光谱无法提供此类信息但SWIR本身也有局限性我们该从何说起呢？什么是SWIR？短波红外（SWIR，一般定义为0.9 - 1.7μm波长范围内的光，但也可归入0.7 - 2.5μm波长范围）成像使我们能够看到我们无法看到的物体。

与物体本身发出的中波红外光（MWIR）和长波红外光（LWIR）不同，SWIR与可见光类似，所发出的光子被物体反射或吸收，提供的高对比度适用于更高的分辨率成像场景由于硅传感器的上限约为1.0μm，SWIR成像需要专用的光学和电子组件在特定的SWIR范围内工作。

砷化铟镓（InGaAs）传感器是在SWIR成像中使用的主要传感器，可覆盖典型的SWIR频带，但可扩展低至550nm和高至2.5μm的波长虽然市场上可提供线扫描InGaAs传感器，但区域扫描InGaAs传感器一般受到ITAR限制。

因此有必要使用针对SWIR波长范围设计、优化和镀膜的镜头专用于可见光谱的镜头会降低图像分辨率，产生严重的光学像差SWIR波长通过玻璃、镜头和其他光学组件（滤光片、窗口片等）传输围绕SWIR成像探测器构建的系统可以使用与可见光组件相同的工艺制造，从而降低制造成本，并在系统中使用保护性窗口片和滤光片。

光学成像对于无损食品检验和分级意义重大，需要投入持续的研发关注食品“产品品质”的自动检测仍然是一项重大的挑战曲面上的物理变量检测，缺陷与自然特征之间的区分，不可见缺陷和面下缺陷的区分取决于底层算法的可靠性，以及快速光学检测系统的速度和性能。

这些挑战会降低检验的准确性，增加成本，或减慢生产线的效率如今，我们见证了单色、彩色（VIS）、紫外线（UV）、近红外（NIR）、短波红外（SWIR）和高光谱成像系统应用于食品分拣领域纵观SWIR成像方法，几乎不可能同时提供关于整个物体物理和化学性质的空间和光谱信息。

而这些是我们想要了解的内容例如，光谱测定系统可以对水果的可溶性固形物含量（SSC）进行无损评估这是一种特殊的测量方法，已被证实是预测水果内部品质的一把利器但是，光谱测量一次只能收集样品上单个区域的信息，这限制了其在整果表面缺陷检测中的应用。

同其它检验行业一样，它们面临着一个普遍的压力：以更低的成本、更快的速度获得更高质量的产出一旦解决了这个问题，高光谱成像技术可以将光谱和成像的特征集成到一个系统中，提供反映多种食品品质特征的异构信息，从而预测新鲜农产品的适销性和寿命。

使用高光谱成像获得全面的信息人们对苹果很挑剔口味只是最基本的要求在亚洲国家，高级苹果可以作为特殊仪式（如农历新年庆祝活动）的礼物在这种情况下，我们要求苹果个头大，外表鲜红光亮，含糖量高高光谱成像法可以同时为我们提供涉及这些性质的宝贵信息，包括大小和形状，颜色，甚至是表面的化学成分。

高光谱成像技术的传统应用几乎仅限于可见光（380-740nm）以及硅基阵列探测器可达的VNIR（750-1000nm）光谱区果实大小是决定水果价值的重要因素之一，大果比小果更贵为了生产更大的果实，一系列栽培技术得以应用。

这包括物理方法，如修枝和间伐，也包括化学方法，如植物生长调节剂但这些处理方法的使用（或过度使用）可能会产生副作用，例如使果形变长，这在日本、中国和韩国等国家并不受欢迎，这些国家的人更喜欢圆形的苹果，如富士苹果或亚洲梨。

要如何把握其中的尺度？你的产品适合哪个市场？你需要衡量处理方法和结果，在时间的推移中探索对自身产品有益的因素

左图是针对亚洲市场种植的梨右图是针对北美市场种植的梨资料来源：亚洲梨和西洋梨，肯塔基大学农业食品和环境学院作物多样化中心然而，基于高光谱成像的实时检测技术的发展遇到了瓶颈高光谱图像的每个像素都几乎形成连续的光谱，每个空间位置包含数百个波段。

这导致形成庞大的数据集，增加了整个检测系统的采集和处理要求，并且通常排除了实时应用的可能性（或实用性）多光谱成像：更专注的选择另一种解决方案是多光谱成像与高光谱成像非常相似，多光谱成像仍然可以提供每个测试样品的紫外光、可见光和红外光谱成像。

但它不是在一个连续的波段捕捉一切物体，而是在特定选择的、不连续的光谱范围内捕捉图像数据例如，一个典型的多光谱成像系统通常可以在更大的范围内提供具有3-20个波段的图像，例如两个紫外光波段，三个可见光波段，五个红外光波段。

我们从而可以在离散的光谱范围内选择窄带图像，生成目标物体中每个像素的特定特征波长，从而大大减少所需的带宽这在保证快速扫描大量产品所需速度的同时，满足了快速识别和检测的行业需求

成像、光谱法、高光谱成像和多光谱成像技术主要特点的比较我们可以基于滤波和色散器件（如光学滤波器和可调谐滤波器）开发多光谱成像系统多光谱成像系统更为小巧、精简，运行速度更快，具备众多的优势但你必须准确了解自身的需求。

传感器和系统的构建必须基于十分确切的信息，确保满足最关键的产量要求这是多光谱成像过程中最具挑战性的任务，选择波长来代表具体的特征，对相关物体进行表征在食品品质和安全分析方面，最常用的多光谱成像系统旨在获取VISNIR区（380-2500nm）的光谱数据。

收集的光谱可以提供与色素和泛音（如第一泛音、第二泛音和第三泛音）的强烈吸收相关，或与分子键（如C-H（脂肪族和芳香族）、C-O（羧基）、N-H（酰胺和胺）和O-H（羟基）官能团）组合模式（变形和拉伸）相关的样品的复杂结构特征。

多光谱图像可获得三维数据，使用多元建模可选择性地将其转换为二维化学图像你可以通过这一方法预测并直观了解水果和蔬菜的品质参数：物理参数：纹路、持水能力；化学参数：淀粉和蛋白质含量；微生物指标参数：病毒和真菌含量；掺假：品种、产地；分级：成熟度、贮存期；污染：氯吡脲、吡虫啉；缺陷：淤伤、腐烂。

此类植物性食品的品质参数不仅可通过定性或定量方法予以确定，还可在空间中进行可视化显示，多光谱成像从而能够实现无损且非均质的品质测定例如，如果我们无法用光谱学方法直接测定SSC，我们可以采用多光谱成像工具间接测定。

其他研究已经证实了特定波长吸收与水果SSC或含糖量之间的对应关系：535nm和680nm波段与苹果中的主要色素（花青素和叶绿素）有关，这些色素的变化取决于苹果的成熟度760nm波段与水果的含水量有关，含水量与SSC成反比。

730nm和900nm波段的吸收与碳水化合物有关，碳水化合物决定了糖液的浓度900nm左右波段已被证明与多种水果（苹果、梨和桃子）的SSC有关另一项研究表明，VIS-NIR光谱（400-5000nm）上的许多点可用于检测实验前一小时产生的特定项目，例如苹果上的淤伤。

当整合此类具有不同噪声和性能特征的成像范围时，有必要进行更高级的图像分析以获得准确的结果常用的一项技术是最小噪声分离变换（MNF），该算法包括两个连续的数据归约运算第一个运算基于数据中由一个相关矩阵表示的噪声估算。

然后，这一变换通过方差对噪声进行解关联和重新缩放随后的第二次变换考虑波段噪声之间的信息，提供原始数据集中所有波段方差的加权信息这种分析使得区分组织中的缺陷区和正常区成为了可能

对于有淤伤的水果，由于细胞壁破裂，淤伤区域的水分含量会增加水分吸收的众多波段的光处于SWIR范围内这种吸收使得SWIR成像能够检测到可见光相机技术无法检测到的淤伤最小噪声分离变换（MNF）分析对SWIR波长图像的组合进行评分，从而确定“金冠苹果”的最佳认定方法。

多光谱数据太多？引入AI尽管与高光谱成像相比，多光谱解决方案可以简化数据，但这并不意味着它实际上很简单还有许多相关的带宽需要考虑研究表明，某些波段具有相关价值当我们使用数据来推断另一个未测定的品质（如前文所述的SSC）时，这一发现可能非常有帮助。

多光谱方案能有多复杂？为单独测定草莓硬度，你可以使用19个非连续波长（405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940和970nm）！

而早在2002年，研究人员就已经将神经网络应用于食品品质检验就像任何与机器学习和人工智能实际应用相关的领域一样，该领域正在迅速变化多个研究团队正寻求将多光谱数据集与不同的神经网络学习方法相结合，以确保精度结果不低于先进的实时处理结果。

使用神经网络评估苹果淤伤的流程图基于高光谱成像技术的苹果轻微淤伤快速检测与可视化，《International Journal of Food Properties》神经网络将变得越来越智能常见的算法，如反向传播，意味着网络可以自主学习，这超出了我们利用有限的数据集向其传授的知识。

期待在未来的某一天，食品检验系统能够迅速生成几乎完美的准确结果，而我们可能无从得知它们是如何做到这一点的！食品生产中的Teledyne DALSA技术Teledyne DALSA的SWIR GigE线扫描相机采用尖端的InGaAs传感器和紧凑型封装设计，广泛应用于机器视觉领域。

这款高速、高分辨率相机是DALSA SWIR系列的第一款产品Linea SWIR采用尖端的InGaAs传感器和紧凑型封装设计，适用于各类应用场景这款相机具有超高灵敏度和低噪声，使客户能够以前所未有的方式查看产品。

Linea SWIR包括一款1k分辨率、12.5µm像素的高响应率相机，以及一款512分辨率、25µm像素的相机与所有Linea型号产品一样，Linea SWIR做工优异，功能先进，这也是Teledyne DALSA产品远远超越其他同行的原因之一。

Linea SWIR的特色功能，包括高运行速度，高灵敏度，循环模式和可编程I/O，可以便利机器视觉工作多功能的Linea SWIR是光学分选、太阳能电池板检测以及通用机器视觉等应用的理想选择

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。