農(nóng)產(chǎn)品病蟲害高光譜成像無損檢測的研究進(jìn)展

田有文，程 怡，吳 瓊，牟 鑫

(沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，遼寧沈陽110866)

1 引言

農(nóng)產(chǎn)品在儲藏或加工中，有時會受到有害生物的侵染或不良環(huán)境的影響，從而其正常新陳代謝受到干擾，生理機(jī)能、組織結(jié)構(gòu)發(fā)生一系列的變化，以至呈現(xiàn)反常的病變、蟲害癥狀，如枯萎、腐爛、斑點(diǎn)、霉粉、花葉、蟲蛀等［1－2］，這將造成農(nóng)產(chǎn)品的產(chǎn)量下降、品質(zhì)降低。解決此問題的關(guān)鍵是對農(nóng)產(chǎn)品病蟲害進(jìn)行無損檢測與早期預(yù)警，這對于推動農(nóng)業(yè)高效、安全、持續(xù)發(fā)展具有十分重要的意義。

近年來，國內(nèi)外一些學(xué)者采用機(jī)器視覺、光譜分析、高光譜成像等光學(xué)技術(shù)開展了農(nóng)產(chǎn)品病蟲害無損檢測的研究。機(jī)器視覺是利用三個可見波段(紅、藍(lán)、綠)來獲取農(nóng)產(chǎn)品病蟲害的紋理、大小、顏色、形狀等特性，以識別病蟲害［3－4］，但其不能反應(yīng)農(nóng)產(chǎn)品病蟲害的化學(xué)或生物參數(shù)，從而影響其檢測效果。光譜技術(shù)能檢測農(nóng)產(chǎn)品病蟲害的生化信息［5］，但其只能檢測樣本的一部分。當(dāng)農(nóng)產(chǎn)品發(fā)生病蟲害時，其空間參數(shù)分布不均勻，光譜信息不能代表整個農(nóng)產(chǎn)品信息［6］。高光譜成像技術(shù)結(jié)合了機(jī)器視覺和光譜技術(shù)的優(yōu)勢，可同時獲取研究對象的空間信息和光譜信息，已在農(nóng)產(chǎn)品的品質(zhì)檢測方面得到廣泛應(yīng)用［7－8］，對農(nóng)產(chǎn)品病蟲害的內(nèi)外部特性也可快速、無損地檢測。此外，高光譜成像技術(shù)還有獨(dú)特的優(yōu)勢，其可對每個圖像的像素點(diǎn)提供上千波長的光譜信息，同時可對農(nóng)產(chǎn)品進(jìn)行可視化表達(dá)，生成生化參數(shù)分布圖來展示感興趣區(qū)域的參數(shù)分布。本文主要是結(jié)合高光譜成像技術(shù)在水果、蔬菜、肉類以及谷物等農(nóng)產(chǎn)品病蟲害無損檢測研究應(yīng)用方面最新研究成果，進(jìn)行系統(tǒng)的總結(jié)與分析，供同行研究者借鑒。

2 高光譜成像系統(tǒng)

一個典型的基于光譜儀的“推掃式”高光譜成像系統(tǒng)主要包括光譜儀、相機(jī)、平移臺、光源和計算機(jī)等［9］，如圖1所示。利用CCD與光譜儀相結(jié)合獲取待測樣品的圖像以及不同波長的連續(xù)光譜。通常光譜儀的光譜測量范圍有三種類型，分別是400～1000nm、900～1700nm和900～2500nm。樣品放在平移臺上移動，光源一般是鹵素?zé)艋騆ED光源。計算機(jī)用于控制平移臺和處理數(shù)據(jù)。

圖1 高光譜成像系統(tǒng)Fig.1 Hyperspectral imaging system

當(dāng)檢測對象以固定的速度垂直于成像光譜儀主軸平面移動時，通過高光譜成像采集系統(tǒng)對檢測對象進(jìn)行光譜圖像采集。采集的高光譜圖像可以用3D立方體來表示，如圖2所示。λ坐標(biāo)軸表示波長信息，x和y坐標(biāo)軸表示二維平面像素信息［10］，高光譜圖像既具有某個特定波長下的圖像信息，又具有某個特定像素在不同波長下的光譜信息。

圖2 高光譜圖像數(shù)據(jù)塊Fig.2 Hyperspectral image data block

3 國外的研究進(jìn)展

3.1 水果病蟲害檢測

水果在貯存過程中，有時會受到病蟲害的侵染，從而引起水果產(chǎn)量與品質(zhì)的降低，同時染有病蟲害的水果對食品安全也會造成不良影響。盡管許多學(xué)者利用X射線、機(jī)器視覺等技術(shù)對水果病蟲害進(jìn)行無損檢測［11－15］，但這些技術(shù)僅是獲取了圖像信息，沒有反映待測物的光譜信息。而高光譜成像技術(shù)不僅能獲得待測物的圖像信息，還能獲得反映其內(nèi)部的光譜信息。據(jù)此國外一些學(xué)者應(yīng)用高光譜成像技術(shù)對水果病蟲害的判別進(jìn)行了一些探索研究工作［16－20］。

柑橘潰瘍病是一種世界性重要病害，嚴(yán)重影響柑橘的產(chǎn)量和品質(zhì)。Jianwei Q等［16］通過高光譜反射圖像進(jìn)行分析檢測柑橘潰瘍病。測量波長范圍選為400～900 nm之間，采用主成分分析(PCA)，選取了四個有效波段(553，667，718和858 nm)，用圖像處理和分類算法檢測正常柑橘與病害柑橘，檢測準(zhǔn)確率為92.7%。之后Jianwei Q等［17］又采用優(yōu)化的光譜信息散度(SID)對柑橘的病害潰瘍病進(jìn)行檢測研究，優(yōu)化閾值選為0.008。試驗(yàn)結(jié)果得出正常柑橘與感染了潰瘍病柑橘的檢測分類精度達(dá)到96.2%。這些研究結(jié)果表明，高光譜成像技術(shù)可用于從其他混雜疾病中鑒別柑橘潰瘍病。

在包裝階段早期檢測感染青霉菌的柑橘類水果是非常重要的，因?yàn)槭芨腥镜囊簧俨糠謺?dǎo)致大量水果感染，從而造成重大經(jīng)濟(jì)損失。Gómez－Sanchis.J等［18］用高光譜成像系統(tǒng)研究了感染青霉菌柑橘類水果的早期檢測。波長范圍選為720～1020 nm。通過多元回歸分析和遺傳算法等，選擇最佳相關(guān)波段20個。然后進(jìn)行線性判別分析(LDA)，成功檢測感染青霉菌的柑橘正確率平均為89.6%。作者還運(yùn)用了分類回歸樹(CART)的方法，對腐爛水果的檢測準(zhǔn)確率總是在91%以上。

李江波等［19］為了有效早期檢測腐爛水果，采用高光譜熒光成像以臍橙為研究對象對早期腐爛果進(jìn)行早期檢測。作者采用最佳指數(shù)OIF理論提取腐爛果的最優(yōu)波段組合(498.6和591.4 nm)。采用最優(yōu)波長的比圖像及雙閾值分割算法識別正常臍橙與腐爛臍橙，正確識別率達(dá)到100%。研究采用的波段少，利于實(shí)現(xiàn)在線檢測。

象鼻蟲是引起櫻桃重大損失的害蟲之一。Xing J等［20］利用高光譜透視圖像和反射光譜數(shù)據(jù)研究酸櫻桃的內(nèi)部蟲害(象鼻蟲)的無損檢測，測量波長范圍分別為580～980 nm和590～1550 nm。采用遺傳算法(GA)方法優(yōu)化選擇兩組最優(yōu)反射光譜波段(780，850，1315，1430 nm 和 780，850，1070 nm)，最后采用偏最小二乘判別分析法正確識別櫻桃的內(nèi)部蟲害的準(zhǔn)確率分別為82.11%和81.3%。同時研究發(fā)現(xiàn)使用高光譜透射成像方法不能很好地檢測出蟲害的櫻桃。

目前應(yīng)用高光譜成像技術(shù)開展水果病蟲害的無損檢測研究已經(jīng)取得了一些理論成果，為進(jìn)一步探索水果生產(chǎn)加工自動分級奠定了基礎(chǔ)。但利用高光譜成像研究的水果種類還比較少，大部分研究是針對柑橘病害的檢測，對于其他水果的研究幾乎為空白。另外主要集中于水果表面病蟲害研究，而對水果內(nèi)部病蟲害的無損檢測還沒有有效的方法。

3.2 蔬菜病蟲害檢測

蔬菜在種植和貯存運(yùn)輸時，由于受生長環(huán)境或運(yùn)輸環(huán)境的影響，比較容易發(fā)生病蟲害［21］，從而給農(nóng)業(yè)生產(chǎn)帶來比較大的損失。而實(shí)時、靈敏、可靠的病蟲害檢測有利于盡早進(jìn)行病蟲害防治，提高農(nóng)作物產(chǎn)量和質(zhì)量，減少經(jīng)濟(jì)損失。蔬菜發(fā)生病蟲害時會引發(fā)菜體的顏色、形狀和內(nèi)部組織結(jié)構(gòu)變化，進(jìn)而引起其圖譜信息的變化，因此可以利用成像光譜技術(shù)對蔬菜病蟲害情況進(jìn)行檢測［22－29］。

洋蔥酸皮病是最嚴(yán)重的細(xì)菌性病害之一，能侵染大多數(shù)品種的洋蔥。Wang W等［22］利用短波近紅外高光譜反射圖像對洋蔥的酸皮病進(jìn)行無損檢測，波長范圍選為950～1650 nm。通過主成分分析選取了兩個最優(yōu)波段(1070和1400 nm)，利用這兩個最優(yōu)波段下的圖像分別采用兩種判別方法進(jìn)行分析，一種方法為Fisher判別分析法，檢測出感染伯克霍爾德氏菌的洋蔥準(zhǔn)確率達(dá)80%。另一種方法是利用支持向量機(jī)分析判別，結(jié)果表明可以辨別健康和感染伯克霍爾德氏菌的洋蔥準(zhǔn)確率達(dá)87.14%。

甜菜褐斑病、白粉病和銹病是影響甜菜生產(chǎn)的世界性重要病害［23］。Mahlein A －K 等［24］利用高光譜成像技術(shù)對甜菜葉片的褐斑病、白粉病和銹病進(jìn)行了無損檢測。采用高光譜成像獲取波長范圍為400～1000 nm甜菜的高光譜圖像，連續(xù)檢測甜菜葉片感染病菌后病癥的變化。作者提取某一像素點(diǎn)的光譜，采用光譜角制圖分類的方法，對染病8、11、14、17、20天后的甜菜褐斑病、白粉病和銹病分別進(jìn)行了分類，健康葉片與病變?nèi)~片最高正確分類率分別為 98.9%、97.2%和 61.7%。

馬鈴薯黑星病是一種表皮疾病，嚴(yán)重影響馬鈴薯的品質(zhì)和價格。Dacal－Nieto A等［25］應(yīng)用高光譜成像技術(shù)檢測馬鈴薯黑星病。采用支持向量機(jī)(SVM)和隨機(jī)分類對映射在馬鈴薯塊莖中的每個像素進(jìn)行分類，通過光譜多維數(shù)據(jù)處理，結(jié)合SVM分類器對其馬鈴薯黑星病進(jìn)行檢測，準(zhǔn)確度達(dá)97.1%。

蘑菇的機(jī)械損傷、凍傷等不會影響人們的健康，但會降低市場銷售吸引力，產(chǎn)生重大的經(jīng)濟(jì)損失。Gaston E等［26］通過高光譜成像技術(shù)對蘑菇的褐斑病和機(jī)械損傷進(jìn)行無損檢測。利用偏最小二乘判別分析法(PLSDA)和決策樹對正常蘑菇和染有褐斑病的蘑菇、受機(jī)械損傷的蘑菇的光譜圖像進(jìn)行分析判別，正確率達(dá)95%以上。Aoife A.Gowen 等［27］利用高光譜成像檢測白蘑菇的凍害。在400至1000 nm的波長范圍內(nèi)，采集蘑菇樣品的高光譜圖像，通過主成分分析和線性判別分析方法對健康蘑菇和凍害蘑菇進(jìn)行分類。研究結(jié)果為健康蘑菇分類正確率達(dá)100%，凍害蘑菇分類正確率達(dá)97.9%。對解凍害45分鐘后的蘑菇分類準(zhǔn)確率達(dá)95%以上。

高光譜成像技術(shù)主要通過研究蔬菜正常圖譜與病蟲害圖譜的差異，建立模型來檢測蔬菜病蟲害情況。目前高光譜成像技術(shù)應(yīng)用于蔬菜病蟲害的研究已經(jīng)取得了一些成果，成為研究蔬菜病蟲害情況的先進(jìn)手段之一。但離實(shí)際生產(chǎn)應(yīng)用還有一定的差距。

3.3 肉類病害檢測

在肉類食品加工時，生鮮肉類的腐敗及細(xì)菌感染指數(shù)超標(biāo)，會變成致病菌危害大眾，嚴(yán)重影響著食品安全，因此肉類的安全問題已經(jīng)得到人們的廣泛關(guān)注。早在1998年，美國農(nóng)業(yè)部儀器與傳感實(shí)驗(yàn)室(ILS)就進(jìn)行了應(yīng)用高光譜圖像檢測肉類品質(zhì)的研究，進(jìn)而很多學(xué)者開始了相關(guān)研究［30－36］。

牛肉的腐敗是由于微生物酶活動而分解和代謝的結(jié)果。Peng Y等［32］研究了牛肉的腐敗分解問題。利用高光譜成像技術(shù)，在反射率圖像中獲取400～1100 nm的光譜區(qū)域，采用多元線性回歸分析洛倫茲參數(shù)與活細(xì)菌總數(shù)下的不同波譜的關(guān)系，構(gòu)建每克牛肉的活細(xì)菌總數(shù)預(yù)測模型，得到最佳預(yù)測相關(guān)系數(shù) R2為 0.96。

Du Z等［33］提出了一種特征降維的高光譜圖像分析方法用于檢測家禽屠體的皮膚腫瘤的光譜波段選擇。作者推導(dǎo)出一組回歸方程快速計算波段間的差異，以進(jìn)行波段降維。然后運(yùn)用支持向量機(jī)檢測家禽屠體的皮膚腫瘤，最終得出了90.6%的檢出率，滿足畜禽加工業(yè)的要求，同時為實(shí)時處理節(jié)約計算量。

豬肉是市場上重要的肉類產(chǎn)品，其在冷藏過程中受不良條件的影響易產(chǎn)生不良細(xì)菌的生長，從而影響產(chǎn)品的質(zhì)量和安全。Barbin DF等［34］利用近紅外(NIR)高光譜成像技術(shù)檢測豬肉腐敗變質(zhì)情況。通過獲取900～1700 nm的波段范圍的光譜區(qū)域，用偏最小二乘法(PLS)分析豬肉內(nèi)含總活菌數(shù)(TVC)和嗜冷菌數(shù)(PPC)的對數(shù)值與光譜信息的關(guān)系，回歸分析得到相關(guān)系數(shù)R2分別為0.86和0.89，對腐敗豬肉的檢測精度超過95%。

Feng YZ等［35］利用高光譜成像技術(shù)檢測感染腸桿菌的雞片。獲取全波長的光譜范圍930～1450 nm，利用二階導(dǎo)數(shù)和加權(quán)PLS回歸系數(shù)(BW)的組合選擇重要波長為930，1121和1345 nm，由此建立預(yù)測雞片的腸桿菌數(shù)量的模型，分析得到相關(guān)系數(shù) R2分別為0.89，0.86 和 0.87。另外給出了雞片上腸桿菌預(yù)測分布圖。

王偉等［36］利用高光譜成像技術(shù)結(jié)合相應(yīng)的建模方法預(yù)測生鮮豬肉中細(xì)菌總數(shù)(TVC)。通過最小二乘支持向量機(jī)(LS—SVM)建模，與標(biāo)準(zhǔn)平板菌落計數(shù)法所檢測TVC的相關(guān)系數(shù)分別為0.9872和0.9426，校正均方根誤差和預(yù)測標(biāo)準(zhǔn)均方根誤差分別為0.2071和0.2176。研究結(jié)果表明，高光譜成像技術(shù)結(jié)合LS－SVM預(yù)測建模方法可快速、非破壞預(yù)測生鮮豬肉。

上述研究結(jié)果表明高光譜成像技術(shù)能夠?qū)崿F(xiàn)肉類病菌的快速無損檢測。肉類病菌的無損檢測主要是通過研究光譜特征與病菌個數(shù)之間的相關(guān)性，建立模型來預(yù)測病害情況，檢測肉類病害的發(fā)生發(fā)展情況。但應(yīng)用高光譜成像技術(shù)開展肉類病菌的檢測研究主要以雞肉、牛肉與豬肉為對象集中于實(shí)驗(yàn)室研究，因此有必要進(jìn)行其他肉類病蟲害光譜輻射特性的深入研究。

3.4 谷類病蟲害檢測

谷物感染病蟲害會產(chǎn)生嚴(yán)重的問題，將會快速降低其產(chǎn)量和品質(zhì)。而且由真菌產(chǎn)生的毒枝菌素是有毒的，對人類和動物的營養(yǎng)是有害的。因此健康谷物和感染病蟲害谷物應(yīng)在收獲時可靠分離。谷物感染病蟲害時，其外觀特征和內(nèi)在特性與健康谷物有明顯差別，故可采用高光譜成像技術(shù)對谷物病蟲害進(jìn)行無損檢測。

Yao H等［37］利用高光譜成像的黃綠色熒光(BGYF)對玉米粒的黃曲霉毒素病害進(jìn)行檢測。分析玉米粒的高光譜BGYF響應(yīng)，初步結(jié)果顯示在500～515 nm的波長范圍內(nèi)對黃曲霉毒素識別較為明顯，并且可檢測到不正常的玉米粒內(nèi)核。

Del Fiore.A等［38］用高光譜成像方法來檢測玉米真菌感染。運(yùn)用主成分分析法，對波長進(jìn)行選擇和處理分析，得到4個特征波長為410 nm、470 nm、535 nm和945 nm。然后通過方差分析(ANOVA)和費(fèi)舍爾顯著性差異(LSD)測試，得到玉米真菌感染檢測準(zhǔn)確率達(dá)95%。

Singh CB等［39］利用近紅外(NIR)光譜成像區(qū)分正常小麥與蟲蛀小麥的損害。發(fā)現(xiàn)1000～1600 nm波段范圍內(nèi)存在差異，通過主成分分析得到最佳波長(1101.69和1305.05 nm)，結(jié)合直方圖并使用線性判別分析(LDA)和二次判別分析(QDA)對健康小麥與蟲蛀小麥判別，結(jié)果表明正確分類率達(dá)85% ～100%。

Chandra B.Singh 等［40］利用近紅外高光譜成像系統(tǒng)檢測小麥蟲害。通過近紅外高光譜成像系統(tǒng)(波長范圍為900～1700nm)采集正常小麥和被米象蟲、甲蟲等害蟲侵蝕的小麥的圖譜信息。然后進(jìn)行高光譜數(shù)據(jù)降維，提取統(tǒng)計和直方圖特征參數(shù)，由線性分類、二次判別分析(QDA)和BP神經(jīng)網(wǎng)絡(luò)(BPNN)分類，結(jié)果表明健康小麥正確識別率為96.4%，蟲蛀麥粒的精準(zhǔn)率達(dá)91.1% ～100%。

Min Huang等［41］利用高光譜透射成像技術(shù)檢測蟲蛀大豆。高光譜透射圖像采集的波長范圍為400～1000 nm，提取四個統(tǒng)計圖像特征(最小值、最大值、平均值和標(biāo)準(zhǔn)差)，采用支持向量數(shù)據(jù)描述(SVDD)方法進(jìn)行分類。采用SVDD對正常大豆與蟲蛀大豆分類的準(zhǔn)確度達(dá)到了95.6%。研究表明高光譜成像技術(shù)可以準(zhǔn)確檢測出蟲蛀的大豆。

儲藏中的谷物極易發(fā)生蟲害，造成的經(jīng)濟(jì)損失也很大。因此張洪濤［42］等利用近紅外高光譜成像系統(tǒng)研究了倉儲小麥活蟲的檢測。應(yīng)用相鄰波長指數(shù)法對1320至1680 nm之間的110個波長的高光譜圖像進(jìn)行分析，選出最優(yōu)波長為1417.2 nm，采用雙區(qū)域連通閾值面積比的區(qū)域生長法進(jìn)行判別，即當(dāng)糧蟲的雙區(qū)域連通閾值面積比大于0.5時，判別為活蟲。結(jié)果顯示可正確的識別倉儲糧蟲和死蟲的準(zhǔn)確率達(dá)100%。

高光譜成像技術(shù)對谷物病蟲害的檢測主要是基于室內(nèi)的實(shí)驗(yàn)研究，已經(jīng)取得的成果表明利用高光譜成像進(jìn)行谷物病蟲害無損檢測具有可行性，但這方面的研究還需進(jìn)一步深入。如高光譜成像空間分辨率有待進(jìn)一步提高，谷物感染病蟲害空間分布進(jìn)一步精細(xì)化，為谷物病蟲害防治提供更有效的技術(shù)手段。

3.5 其他農(nóng)產(chǎn)品檢測

煙草病害一直是人們關(guān)注的熱點(diǎn)。Yusuf BL等［43］利用高光譜成像采集的380～1030 nm波長之間的數(shù)據(jù)，檢測煙草植物黑脛病。由光譜靈敏度的反射率的參數(shù)被用于發(fā)現(xiàn)用于確定和評價由黑柄真菌的損害水平的最優(yōu)波長，通過主成分分析(PCA)得到283和330 nm對應(yīng)的頻帶中的730和790 nm的波長是最有用的判別黑脛病嚴(yán)重性級別。

Wang J等［44］利用高光譜反射成像的方法檢測冬棗果實(shí)的外部蟲害，獲取光譜區(qū)域?yàn)?00～720 nm。通過逐步判別分析來確定有效波長。根據(jù)研究結(jié)果，98%的完整無蟲害的冬棗和94%有蟲害冬棗被檢測出來，整體檢測的正確率達(dá)97%。

綜上分析，國內(nèi)外研究學(xué)者應(yīng)用高光譜成像技術(shù)進(jìn)行水果、蔬菜、肉類以及谷物等農(nóng)產(chǎn)品病蟲害的無損檢測方面做出了一些探索性研究工作，針對不同的農(nóng)產(chǎn)品病蟲害提出了一些算法，取得了較好的檢測率。

4 結(jié)論與展望

高光譜成像技術(shù)是傳統(tǒng)成像技術(shù)和光譜技術(shù)有機(jī)融合形成的一項(xiàng)新的無損檢測技術(shù)，通過光譜中的每個波段記錄一個圖像，也能反映每個空間像素點(diǎn)的光譜信息，從而彌補(bǔ)了傳統(tǒng)光譜分析與成像技術(shù)的缺點(diǎn)。已取得的研究成果表明高光譜成像能同時獲取研究對象的光譜信息和空間分布信息，可快速、準(zhǔn)確地進(jìn)行農(nóng)產(chǎn)品病蟲害無損檢測，充分展示了高光譜成像技術(shù)的優(yōu)勢和潛力。但高光譜圖像技術(shù)應(yīng)用于農(nóng)產(chǎn)品病蟲害無損檢測的研究是剛興起的研究熱點(diǎn)，該技術(shù)在該領(lǐng)域的研究還有許多方面有待進(jìn)一步探索:

(1)高光譜成像技術(shù)對農(nóng)產(chǎn)品病蟲害的檢測主要集中于實(shí)驗(yàn)室的理論研究，已經(jīng)取得的成果表明利用高光譜成像技術(shù)進(jìn)行農(nóng)產(chǎn)品病蟲害檢測具有可行性，但對于在實(shí)際生產(chǎn)現(xiàn)場應(yīng)用高光譜成像對農(nóng)產(chǎn)品病蟲害實(shí)時檢測以實(shí)現(xiàn)自動分級還面臨著許多困難，如光譜成像儀復(fù)雜、昂貴，圖譜數(shù)據(jù)難以批量處理、選擇的波長過多。所以應(yīng)研究簡化光譜成像儀，優(yōu)化軟件算法，優(yōu)選2～3個波長，開發(fā)手持式光譜成像分析儀，以實(shí)現(xiàn)農(nóng)產(chǎn)品病蟲害實(shí)時快速的無損檢測，為農(nóng)產(chǎn)品加工實(shí)用化和產(chǎn)業(yè)化提供技術(shù)支撐。

(2)目前大多研究團(tuán)隊(duì)多是利用高光譜反射、熒光對農(nóng)產(chǎn)品病害(如白粉病、灰霉病、潰瘍病、黑星病、腐爛等)進(jìn)行無損檢測，并取得較好的預(yù)測結(jié)果，但由于高光譜成像技術(shù)的局限性，不能反映研究對象的內(nèi)部物理結(jié)構(gòu)，應(yīng)用高光譜成像對農(nóng)產(chǎn)品的內(nèi)部蟲害檢測研究成果幾乎空白。對于農(nóng)產(chǎn)品的內(nèi)部蟲害的無損檢測必須結(jié)合其他成像技術(shù)，如X－ray成像技術(shù)、熒光成像技術(shù)等，使高光譜成像與這些成像技術(shù)優(yōu)勢互補(bǔ)，因此多種技術(shù)如何有效融合以實(shí)現(xiàn)農(nóng)產(chǎn)品的內(nèi)部蟲害無損檢測的研究空間也是很大的。

(3)目前檢測農(nóng)產(chǎn)品病蟲害信息基本上都是靜態(tài)信息，而不是監(jiān)視農(nóng)產(chǎn)品病蟲害發(fā)生、發(fā)展過程的動態(tài)信息。同時對農(nóng)產(chǎn)品病蟲害的空間分布特征的研究還較少。在今后的研究中一方面應(yīng)注重連續(xù)監(jiān)測農(nóng)產(chǎn)品受病蟲侵染情況，以客觀反映農(nóng)產(chǎn)品受病蟲害后的變化規(guī)律。另一方面加強(qiáng)圖像處理算法與光譜分析方法融合的研究，使農(nóng)產(chǎn)品受病蟲害侵染情況的空間分布研究更加精細(xì)化，為農(nóng)產(chǎn)品病蟲害的預(yù)報預(yù)警提供技術(shù)支撐。

隨著圖像處理技術(shù)、光譜分析技術(shù)、信息技術(shù)等快速發(fā)展和深度融合，高光譜成像技術(shù)在農(nóng)產(chǎn)品病蟲害無損檢測方面有廣闊的應(yīng)用前景。

［1］ Brader B，Lee R C，Plarre R，et al.A comparison of screening methods for insect contamination in wheat［J］.Journal of Stored Products Research，2002，38(1):75－86.

［2］ Camargo A，Smith J S.Image pattern classification for the identification of disease causing agents in plants［J］.Computers and Electronics in Agriculture，2009，66(2):121－125.

［3］ Zhou Zhu，Li Xiaoyu，Li Peiwu，et al.Near － infrared spectral detection of moldy chestnut based on GA－LSSVM and FFT ［J］.Trans of the ASAE，2011，27(3):331－335.(in Chinese)周竹，李小昱，李培武，等.基于GA－LSSVW 和近紅外傅里葉變換的霉變板栗識別［J］.農(nóng)業(yè)工程學(xué)報，2011，27(3):331 －335.

［4］ Zayas，I Y，F(xiàn)linn，P W.Detection of insects in bulk wheat samples with machine vision［J］.Transactions of the ASAE，1998，41:883 －888.

［5］ Perez Mendoza，J.，Throne，J.E.，Dowell，F(xiàn).E.，Baker，J.E.Detection of insect fragments in wheat flour by nearinfrared spectroscopy［J］.Journal of Stored Products Research，2003，39:305 －312.

［6］ Feng Yaoze，Sun Dawen.Application of hyperspectral imaging in food safety inspection and control:a review［J］.Critical Reviews in Food Science and Nutrition，2012，52(11):1039－1058.

［7］ Peng Yanying，Sun Xudong，Liu Yande.Research progress of hyperspectral imaging in nondestructive detection of fruits and vegetables quality［J］.Laser ＆ Infrared，2010，40(6):586 －592.(in Chinese)彭彥穎，孫旭東，劉燕德.果蔬品質(zhì)高光譜成像無損檢測研究進(jìn)展［J］.激光與紅外，2010，40(6):586 －592.

［8］ Zhu Rongguang，Ma Benxue，Gao Zhenjiang，et al.Research progress in nondestructive detection of livestock product quality based on hyperspectral imaging［J］.Laser＆ Infrared，2011，41(10):1067 －1071.(in Chinese)朱榮光，馬本學(xué)，高振江，等.畜產(chǎn)品品質(zhì)的高光譜圖像無損檢測研究進(jìn)展［J］.激光與紅外，2011，41(10):1067－1071.

［9］ Gowena A A，O’Donnella C P，Cullen P J，et al.Hyperspectral imaging－an emerging process analytical tool for food quality and safety control［J］.Trends in Food Science ＆ Technology，2007，18(12):590 －598.

［10］ Mahesh S，Manickavasagan A，Jayas D S，et al.Feasibility of near－infrared hyperspectral imaging to differentiate Canadian wheat classes［J］.Biosystems Engineering，2008，101(1):50 －57.

［11］ Harvey，R B.The x－ ray inspection of internal defects of fruits and vegetables［J］.Proc.Am.Soc.Hort.Sci.，1937，35:156 －157.

［12］ Thomas P，Kannan A，Degwekar T V H，et al.Non － destructive detection of seed weevil－infested mango fruits by X － ray imaging［J］.Postharvest Biology and Technology，1995，5(1 －2):161 －165.

［13］ Sergio Cubero，Nuria Aleixos，Enrique Moltó，et al.Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables［J］.Food Bioprocess Technol，2011，(4):487 －504.

［14］ Munoz Marf J，Bruzzone L，Camps Valls G.A support vector domain description approach to supervised classification of remote sensing images［J］.IEEE Trans.Geosci.Remote Sens，2007，45(8):2683 －2692.

［15］ LU R F，PENG Y K.Hyperspectral scattering forassessing peach fruit firmness［J］.Biosystems Engineering，2006，93(2):161－171.

［16］ Jianwei Q，Thomas F.Burks，Moon S.Kim.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.

［17］ Jianwei Q.Detection of citrus canket using hyperspectral reflectance imaging with spectral information divergence［J］.Journal of Food Engineering，2009，93(2):183－191.

［18］ Gómez Sanchis J，Gómez Chovab L，Aleixosc N，et al.Hyperspectral system for early detection of rottenness caused by Penicilliumdigitatum in mandarins［J］.Journal of Food Engineering，2008，89(1):80 －86.

［19］ Li Jiangbo，Wang Fujie，YIing Yibin，et al.Application of hyperspectral flourescence image technology in detection of early rotten oranges［J］.Spectroscopy and Spectral A-nalysis，2012，32(1):142 －146.(in Chinese)李江波，王福杰，應(yīng)義斌，等.高光譜熒光成像技術(shù)在識別早期腐爛臍橙中的應(yīng)用研究［J］.光譜學(xué)與光譜分析，2012，32(1):142 －146.

［20］ Xing J，Guyer D，Ariana D，et al.Determining optimal wavebands using genetic algorithm for detection of internal insect infestation in tart cherry［J］.Instrumentation for Food Quality，2008，2(3):161 －167.

［21］ LI Baoju.Research and prospect of vegetable diseases in China［J］.China Vegetables，2006，(1):1 － 5.(in Chinese)李寶聚，我國蔬菜病害研究現(xiàn)狀與展望［J］.中國蔬菜，2006，(1):1 －5.

［22］ Wang W，Li C，Tollner EW，et al.Shortwave infrared hyperspectral imaging for detecting sour skin(Burkholderia cepacia)－ infected onions［J］.Journal of Food Engineering，2012，109(1):38 －48.

［23］ Mahlein A K，Steiner U，Dehne H W，et al.Spectral signatures of sugar beet leaves for the detection and differentiation of diseases［J］.Oerke in Precision Agriculture，2010，(11):413－431.

［24］ Mahlein A K，Ulrike Steiner，Christian Hillnhütter，et al.Hyperspectral imaging for small－scale analysis of symptoms caused by different sugar beet diseases［J］.Plant Methods，2012，(8):3 －12.

［25］ Dacal Nieto A，F(xiàn)ormella A，Carrión P.Common scab detection on potatoes using an infrared hyperspectral imaging system［J］.Lecture Notes in Competuer Science，2011，6976:303－312.

［26］ Gaston E，F(xiàn)rias JM，Cullen P，et al.Visible near－ infrared hyperspectral imaging for the identification and discrimination of brown blotch disease on mushroom(agaricus bisporus)caps［J］.Journal of Near Infrared Spec orscopy，2010，18(5):341 －353.

［27］ Aoife A.Gowen，Masoud Taghizadeh，Colm P.O’Donnell.Identification of mushrooms subjected to freeze damage using hyperspectral imaging［J］.Journal of Food Engineering，2009，93(1):7 －12.

［28］ Ata爧M，Yardlmcl Y，Temizel A.A new approach to aflatoxin detection in chili pepper by machine vision［J］.Computers and Electronics in Agriculture，2012，87:129－141.

［29］ Y Liu，Y R Chen，C Y Wang，et al.Development of simple algorithm for detection of chilling injury in cucumbers from visible/near － infrared hyperspectral imaging［J］.Appl.Spectrosc.，2005，59(1):78 －85.

［30］ Lu R F，Chen Y R.Hyperspectral imaging for safety inspection of food and agricultural products［C］.Proceedings of SPIE，1999，3544:121 －133.

［31］ Bosoon Park，Kurt C Lawrence.Performance of hyperspectral imaging system for poultry surface fecal contaminant detection［J］.Journal of Food Engineering，2006，75(3):340－348.

［32］ Peng Y，Zhang J，Wu J，et al.Hyperspectral scattering profiles for prediction of the microbial spoilage of beef［J］.Journal of Food Engineering，2011，102(2):163－169.

［33］ Du Z，Jeong MK，Kong SG.Band selection of hyperspectral images for automatic detection of poultry skin tumors［J］.Automation Science，2007，4(3):332 －339.

［34］ Barbin DF，ElMasry G，Sun DW，et al.Non － destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging［J］.Innovative Food Science ＆ Emerging Technologies，2013，17(1):180 －191.

［35］ Feng YZ，ElMasry G，Sun DW，et al.Near－ infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillet［J］.Food Chemistry，2013，138(2 － 3):1829－ 1836.

［36］ Wang Wei，Peng Yankun，Zhang Xiaoli.Study on modeling method of total viable count of fresh pork meat based on hyperspectral imaging system［J］.Spectroscopy and Spectral Analysis.2010，30(2):311 －317.(in Chinese)王 偉，彭彥昆，張曉莉.基于高光譜成像的生鮮豬肉細(xì)菌總數(shù)預(yù)測建模方法研究［J］.光譜學(xué)與光譜分析，2010，30(2):411 －415.

［37］ Yao H，Hruska Z，Brown RL，et al.Hyperspectral bright greenish－yellow fluorescence(BGYF)imaging of aflatoxin contaminated corn kernels［C］.Proc.SPIE 6381，Optics forNaturalResources，Agriculture，and Foods，63810B，doi:10.1117/12.686217.

［38］ Del Fiore A，Reverberi M，Ricelli A，et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis［J］.International Journal of Food Microbiology，2010，144(1):64 －71.

［39］ Singh CB，Jayas DS，Paliwal J，et al.Detection of insectdamaged wheat kernels using near－infrared hyperspectral imaging［J］.Journal of Stored Products，2009，45(3):151－158.

［40］ Chandra B.Singh，Digvir S.Jayas，Jitendra Paliwal，et al.Identification of insect－damaged wheat kernels using short－wave near－infrared hyperspectral and digital colour imaging［J］.Computers and Electronics in Agriculture，2010，73(2):118 －125.

［41］ Min Huang a，Xiangmei Wana，Min Zhang，et al.Detection of insect－damaged vegetable soybeans using hyperspectral transmittance image［J］.Journal of Food Engineering，2013，116(1):45 －49.

［42］ Zhang Hongtao，Mao Hanping，Han Lühua.Detection of live sitophilus oryzae(L.)in stored wheat by near－infrared hyperspectral imaging［J］.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE)，2012，28(8):263 －268.(in Chinese)張洪濤，毛罕平，韓綠化.近紅外高光譜成像技術(shù)檢測糧倉米象活蟲［J］.農(nóng)業(yè)工程學(xué)報，2012，28(8):263－268.

［43］ Yusuf BL，He Y.Application of hyperspectral imaging sensor to differentiate between the moisture and reflectance of healthy and infected tobacco leaves［J］.African Journal of Agricultural Research，2011，6(29):6267 －6280.

［44］ Wang J，Nakano K，Ohashi S，et al.Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging［J］.Biosystems Engineering，2011，108(4):345－351.