基于高光譜成像技術(shù)的富士蘋果輕微機(jī)械損傷檢測(cè)研究

沈宇 房勝 鄭紀(jì)業(yè) 王風(fēng)云 張琛 李哲

摘要：為降低蘋果損傷造成的商業(yè)損失，延長(zhǎng)蘋果的儲(chǔ)存期，利用高光譜成像技術(shù)實(shí)現(xiàn)了基于特征波段的蘋果表面輕微機(jī)械損傷的快速、無(wú)損檢測(cè)。以120個(gè)富士蘋果為研究對(duì)象，首先利用波段范圍在400～1 000 nm的高光譜成像光譜儀獲取完好和輕微損傷0、2、4 h的富士蘋果的高光譜圖像，并提取感興趣區(qū)域的平均光譜數(shù)據(jù)，然后通過(guò)兩次連續(xù)投影法進(jìn)行分析，去除光譜波段間的冗余信息，找到共線性最小的波段組合（821 nm和940 nm）;其次，對(duì)特征波段圖像進(jìn)行主成分分析，選擇完好與損傷區(qū)域差異明顯的第二主成分（PC2）作為檢測(cè)損傷的有效圖像;最后，對(duì)有效圖像進(jìn)行固定閾值分割和形態(tài)學(xué)處理，得到蘋果表面機(jī)械損傷的檢測(cè)結(jié)果。利用該方法對(duì)驗(yàn)證組40個(gè)正常和輕微損傷不同時(shí)間段的蘋果進(jìn)行測(cè)試，總體正確率達(dá)到94.4%。

關(guān)鍵詞：高光譜成像技術(shù);蘋果;輕微機(jī)械損傷;連續(xù)投影法;特征波段;圖像處理

中圖分類號(hào)：S661.109 ?文獻(xiàn)標(biāo)識(shí)號(hào)：A ?文章編號(hào)：1001-4942（2020）02-0144-07

Abstract To reduce the commercial loss caused by apple fruit damage and prolong the storage period of apple fruits， the hyperspectral imaging technology was used to realize rapid and non-destructive detection of slight mechanical damage on the surface of apple fruits based on feature bands. In the experiment， 120 Fuji apple fruits were taken as the research object. Firstly， the hyperspectral images of intact and damaged samples after 0， 2 and 4 hours were obtained by the hyperspectral imaging system across the wavelength range of 400～1 000 nm. The reflectance of all pixels in the region of interest （ROI） was extracted by ENVI 5.2 software and analyzed by successive projections algorithm （SPA） to remove the redundant information between spectral bands and find the collinear minimum band combination （821 and 940 nm）. Then， the PCA was conducted based on two images corresponding to the feature bands， and the second component （PC2） with obvious differences between intact and damaged regions was selected as the effective image for damage detection. Finally， the methods of threshold segmentation and morphological processing were used for the PC2 image to obtain the slightly damaged area on the surface of apple fruits. Using the developed algorithm to detect 40 intact and damaged samples， the average accuracy was 94.4%.

Keywords Hyperspectral imaging technology; Apple; Slight mechanical damage; Successive projections algorithm; Feature band; Image processing

蘋果是世界上種植面積最廣、產(chǎn)量最高的果品，其味道酸甜可口，營(yíng)養(yǎng)豐富。蘋果中含有利于人體吸收的多種營(yíng)養(yǎng)成分和降低有害膽固醇的果膠，是老少皆宜的水果之一。但蘋果從采摘、運(yùn)輸、包裝、儲(chǔ)藏及到消費(fèi)者手中這一過(guò)程中會(huì)不可避免地受到摩擦、碰撞或擠壓，造成不同程度的機(jī)械損傷。這種損傷在初期很難用肉眼識(shí)別，尤其是當(dāng)損傷發(fā)生在蘋果表皮顏色較深的部位。機(jī)械損傷破壞了蘋果內(nèi)部的組織結(jié)構(gòu)，導(dǎo)致蘋果的生理代謝紊亂，會(huì)引發(fā)乙烯的產(chǎn)生、呼吸速率的加快和呼吸途徑的改變以及愈傷組織的形成和次生代謝的變化等一系列不良的生理反應(yīng)，從而加速蘋果營(yíng)養(yǎng)成分流失和衰老進(jìn)程[1-4]。而且，機(jī)械損傷部位更容易受到細(xì)菌侵染，霉變或腐爛的速度進(jìn)一步加大，若不及時(shí)檢測(cè)出，會(huì)影響其他優(yōu)質(zhì)果[5]，降低整批蘋果的儲(chǔ)藏能力和售賣價(jià)格。因此，實(shí)現(xiàn)對(duì)蘋果損傷部位的無(wú)損、快速檢測(cè)和分級(jí)處理對(duì)減少商業(yè)損失和提高蘋果的儲(chǔ)藏性具有重要意義。

傳統(tǒng)的蘋果品質(zhì)檢測(cè)方法主要有人工檢測(cè)法、化學(xué)試劑檢測(cè)法、機(jī)器視覺(jué)等。這些方法應(yīng)用于蘋果輕微損傷檢測(cè)時(shí)，存在對(duì)樣品具有破壞性、費(fèi)時(shí)費(fèi)力、檢測(cè)標(biāo)準(zhǔn)不明確和結(jié)果不準(zhǔn)確、使用的化學(xué)試劑污染環(huán)境等缺點(diǎn)[6]。因此，準(zhǔn)確度高、實(shí)時(shí)性強(qiáng)、快速便捷的無(wú)損檢測(cè)技術(shù)在蘋果輕微機(jī)械損傷檢測(cè)方面越來(lái)越受關(guān)注。

高光譜成像技術(shù)將成像技術(shù)和光譜技術(shù)相結(jié)合，同時(shí)獲取目標(biāo)樣品的二維空間信息和一維光譜信息，可對(duì)目標(biāo)樣品的外觀特性和內(nèi)部品質(zhì)進(jìn)行研究分析[7，8]。目前，不少學(xué)者已經(jīng)將高光譜成像技術(shù)應(yīng)用于蘋果表面損傷研究中。黃文倩等[9]利用高光譜成像技術(shù)和分段主成分分析法對(duì)損傷發(fā)生半小時(shí)內(nèi)的蘋果進(jìn)行損傷檢測(cè)研究，并基于優(yōu)選出的波段區(qū)域結(jié)合主成分圖像權(quán)重系數(shù)選擇820 nm和970 nm波段作為特征波段，并利用這兩個(gè)特征波段和全局閾值理論開發(fā)了多光譜輕微損傷檢測(cè)算法，檢測(cè)精度為98%。田有文等[10]以完好與損傷后3、10、24 h的富士蘋果為研究對(duì)象，利用主成分分析法和圖像閾值分割法建立了提取損傷區(qū)域的算法模型，總體檢測(cè)精度達(dá)到98.75%。張保華等[11]獲取可見-近紅外波段的光譜圖像，利用一次主成分分析篩選出有效檢測(cè)蘋果損傷的6個(gè)特征波段，基于特征波段再次進(jìn)行主成分分析（PCA），選擇第三主成分PC3作為蘋果表面損傷的檢測(cè)圖像，檢測(cè)精度為95.8%。以上研究均是利用二次主成分分析法提取蘋果損傷區(qū)域，首先利用PCA選擇特征圖像，確定特征波段，然后再次利用PCA定位損傷區(qū)域。本研究主要提出了一種利用連續(xù)投影法尋找損傷特征波段，并基于特征波段的主成分分析確定有效圖像并檢測(cè)損傷的方法。該研究有助于實(shí)現(xiàn)富士蘋果損傷的在線檢測(cè)，為檢測(cè)系統(tǒng)的開發(fā)提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

從市場(chǎng)選購(gòu)形狀和大小基本一致、顏色均勻的無(wú)病蟲害和無(wú)機(jī)械損傷的完好富士蘋果120個(gè)，小心運(yùn)回實(shí)驗(yàn)室，放置12 h至室溫后，進(jìn)行編號(hào)和分組處理，1～80號(hào)蘋果作為試驗(yàn)組，81～120號(hào)蘋果作為驗(yàn)證組。

首先獲取所有完好蘋果的高光譜圖像，然后進(jìn)行人工損傷。損傷過(guò)程如下：用硬紙盒制造一個(gè)高度為16 cm、角度為20.4°、帶有底部的斜坡，將待損傷蘋果固定至斜坡底部（為了防止蘋果損傷面的對(duì)立面也因受力造成損傷，在斜坡底部加固一定厚度的塑料泡沫，以增加緩沖），利用從斜坡頂部固定位置自由滑落的實(shí)心鋼球（重量為175 g）對(duì)蘋果赤道部位造成面積約1 cm2的機(jī)械損傷（為了防止鐵球撞破蘋果表皮，在蘋果待損傷面的前方放置一層薄紙片）。獲取損傷部位損傷0、2、4 h后的高光譜圖像。由于損傷后果皮細(xì)胞和組織遭到破壞，損傷部位的質(zhì)地會(huì)變得松軟，通過(guò)人工觸摸獲知并圈出損傷部位。

1.2 研究方法

首先利用高光譜成像光譜儀獲取完好與損傷0、2、4 h后的蘋果高光譜圖像，利用ENVI分別提取每幅圖像中感興趣區(qū)域的平均光譜數(shù)據(jù);然后利用二次連續(xù)投影算法篩選出有利于損傷識(shí)別的特征波段，并通過(guò)建立SVM模型驗(yàn)證特征波段的有效性，最后基于特征波段的主成分分析結(jié)合圖像處理方法定位蘋果損傷部位。

1.2.1 實(shí)驗(yàn)儀器 采用高光譜圖像采集系統(tǒng)（圖1），主要由高光譜成像光譜儀（SOC710VP，USA）、4個(gè)75 W的室內(nèi)高光譜照明燈（CrawImiacle， China）、樣品載物臺(tái)、計(jì)算機(jī)（LAPTOP-A5R0O41，LENOVO）等組成。其中，SOC710VP光譜儀的成像范圍是400～1 000 nm（128個(gè)波段），分辨率約為4.69 nm，掃描速度為32 s/cube，并內(nèi)置12 bit動(dòng)態(tài)范圍的C-Mount CCD相機(jī)。SOC710VP的優(yōu)勢(shì)在于其內(nèi)置推掃設(shè)備，無(wú)需系統(tǒng)配備掃描云臺(tái)就能完成高光譜圖像的采集。為了避免周圍環(huán)境光照的影響，保證目標(biāo)樣本光照的均勻性，將整個(gè)圖像采集系統(tǒng)（除計(jì)算機(jī)外）置于暗箱中運(yùn)行。高光譜圖像獲取通過(guò)光譜儀自帶的SOC710軟件完成。

1.2.2 高光譜圖像采集與校正 根據(jù)測(cè)量樣本和使用環(huán)境的光線條件，確保高光譜圖像完整清晰且不失真，經(jīng)反復(fù)調(diào)試高光譜成像系統(tǒng)的各參數(shù)，最終將樣本上表面至鏡頭的垂直距離設(shè)置為255 mm，CCD相機(jī)的積分時(shí)間和增益設(shè)置為20 ms和4。在保證采集系統(tǒng)參數(shù)不變的情況下，依次獲取完好與損傷0、2、4 h后的蘋果高光譜圖像，共獲取480幅分辨率為520×696 pixel的高光譜圖像，數(shù)據(jù)保存類型為.cube。獲取過(guò)程如下：將單個(gè)蘋果放置于黑色托盤上，托盤放置于載物臺(tái)上方，調(diào)整蘋果位置使其與相機(jī)鏡頭在一條垂直線上，等待光譜儀內(nèi)置設(shè)備的推掃，獲取樣本完整的光譜圖像。

為了去除因操作環(huán)境影響產(chǎn)生的電子噪聲，需要對(duì)采集的光譜圖像進(jìn)行黑白校正。在采集系統(tǒng)調(diào)試正常的條件下，先采集光譜儀配備的白色校正板的光譜圖像，然后關(guān)閉光源、遮住鏡頭，采集反射率幾乎為零的全黑光譜圖像，最后依據(jù)公式（1）對(duì)原始光譜圖像進(jìn)行校正。

其中，Rori為原始高光譜圖像，Rw為使用聚四氟乙烯白板獲取的全白光譜圖像，Rd為全黑光譜圖像，R為黑白校正后的光譜圖像。

1.2.3 數(shù)據(jù)分析 通過(guò)光譜儀自帶的SOC710軟件獲取高光譜圖像后，再通過(guò)ENVI 5.2、MATLAB 2014b軟件和Microsoft Excel進(jìn)行后續(xù)數(shù)據(jù)處理與分析。

2 結(jié)果與分析

2.1 感興趣區(qū)域提取

為了研究正常樣本與損傷不同時(shí)間樣本的光譜特性，同時(shí)為了保證光譜數(shù)據(jù)的可靠性和穩(wěn)定性，使用ENVI軟件分別在未損傷與損傷各個(gè)時(shí)間段的蘋果光譜圖像上選擇像素大小為10×10的感興趣區(qū)域，并計(jì)算該區(qū)域的平均光譜反射數(shù)據(jù)，構(gòu)造如圖2所示的光譜曲線，可以看出，未損傷與損傷區(qū)域趨勢(shì)基本一致，且均在680 nm和980 nm處出現(xiàn)吸收谷，這主要與蘋果表面葉綠素和內(nèi)部水分的吸收有關(guān)。隨著損傷后時(shí)間的延長(zhǎng)，損傷區(qū)域的光譜反射率逐漸降低，主要原因是：蘋果受損后，細(xì)胞破裂并引起組織變化，細(xì)胞液溢出填充細(xì)胞間隙，造成光的散射減弱，樣品組織的光學(xué)密度下降。另外，曲線在503 nm以下和989 nm以上存在大量噪聲，為了保證實(shí)驗(yàn)的準(zhǔn)確性，本研究主要對(duì)503～989 nm間的光譜數(shù)據(jù)進(jìn)行分析處理。

2.2 光譜數(shù)據(jù)預(yù)處理

為了減少外界干擾及樣本表面特性對(duì)光譜數(shù)據(jù)造成的噪聲影響，本研究基于歸一化、標(biāo)準(zhǔn)化、Savitzky-Golay（S-G）卷積平滑、多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換 （SNV）等 [12，13]方法預(yù)處理后的光譜數(shù)據(jù)，結(jié)合支持向量機(jī)（SVM）初步構(gòu)建了全波段輕微損傷分類模型，通過(guò)模型的分類效果選擇最優(yōu)的預(yù)處理方法。

由圖3可以看出，光譜數(shù)據(jù)在沒(méi)有經(jīng)過(guò)任何處理的情況下，模型的分類準(zhǔn)確率只有87.5%;經(jīng)MSC預(yù)處理后，準(zhǔn)確率提升至100.0%。這可能是由于蘋果表面顏色和內(nèi)部堅(jiān)實(shí)度的差異對(duì)光譜產(chǎn)生了影響，而多元散射校正有效地消除了這部分噪聲，提高了光譜數(shù)據(jù)的信噪比。因此，本研究選擇MSC作為光譜數(shù)據(jù)預(yù)處理方法。

2.3 特征波段提取

高光譜圖像包含大量的光譜波段，有助于損傷蘋果的檢測(cè)與識(shí)別;然而，波段的增加導(dǎo)致數(shù)據(jù)冗余性大，處理復(fù)雜度高。因此，必須對(duì)經(jīng)過(guò)黑白校正后的光譜數(shù)據(jù)進(jìn)行特征波段選擇，提高后續(xù)處理算法的精度和效率。連續(xù)投影算法是選擇特征波段的有效方法。

連續(xù)投影算法（SPA）是一種前向變量選擇算法，能夠從光譜信息中尋找含有最低冗余信息的變量組，使得變量之間的共線性達(dá)到最小[14，15]。其算法過(guò)程如下：

記Xk（0）為初始迭代向量，N為需要提取的變量個(gè)數(shù)。光譜矩陣為j列，則

（1）迭代開始前，任選光譜矩陣的1列j，把建模集的第j列賦值給xj，記為Xk（0）;

（2）把未選入的列向量位置的集合記為s， s={j，1≤j≤J，j{k（0），…，k（n-1）}};

（3）分別計(jì)算xj對(duì)剩余列向量的投影：Pxj=xj-（xTjxk（n-1））xk（n-1）（xTk（n-1）xk（n-1））-1，j∈s;

（4）記k（n）=arg（max‖Pxj‖），j∈s;

（5）令xj=Pxj，j∈s;

（6）n=n+1，如果n ? ? 本研究首先利用SPA從503～989 nm范圍內(nèi)的93個(gè)波段中選出9個(gè)特征波段（圖4a），對(duì)應(yīng)波段的索引序號(hào)分別是1、43、47、62、67、78、79、81、84（圖4b），實(shí)際值分別是503、720、742、821、848、907、913、923、940 nm，記為S1。經(jīng)過(guò)一次SPA后保留的變量之間還可能存在冗余信息，因此再次利用SPA尋找包含最低冗余信息的變量組，經(jīng)過(guò)兩次SPA篩選，最終保留了2個(gè)特征波段（圖4c），對(duì)應(yīng)波段的索引序號(hào)分別為3和4（圖4d），實(shí)際值為821 nm和940 nm，記為S2。

2.4 損傷分類模型

支持向量機(jī)（support vector machine， SVM）是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)[18，19]。為了驗(yàn)證特征波段的有效性，本研究將試驗(yàn)組數(shù)據(jù)按照2∶ 1隨機(jī)劃分成建模集（320個(gè)）和測(cè)試集（160個(gè)），分別基于全波段和特征波段S1、S2建立SVM損傷分類模型，在模型中使用徑向基函數(shù)作為核函數(shù)，利用3折交叉驗(yàn)證確定最佳參數(shù)C和g，C和g的取值范圍都設(shè)置為[2-5，25]，步長(zhǎng)都設(shè)置為0.2，分類結(jié)果如表1所示?？梢钥闯?，基于全波段和特征波段S1模型的識(shí)別效果基本一致，雖然特征波段S2的數(shù)量?jī)H占全波段的2.15%，但對(duì)損傷的識(shí)別卻取得了較好的效果，能夠同時(shí)滿足蘋果輕微損傷檢測(cè)的速度和精度需求。

2.5 基于特征波段S2的主成分分析

為了避免圖像背景的影響，在對(duì)特征波段圖像進(jìn)行主成分分析之前，使用二值掩膜去除背景[20]。通過(guò)對(duì)比各波段圖像發(fā)現(xiàn)，波段811 nm圖像中背景與蘋果的灰度差異明顯，因此選擇此波段圖像作為掩膜圖像，然后利用掩膜圖像分別與特征波段圖像相乘，得到去除背景后的光譜圖像。

通過(guò)二次連續(xù)投影算法篩選出的2個(gè)特征波段（821 nm和940 nm）對(duì)應(yīng)的光譜分量圖像如圖5所示。從單個(gè)光譜分量圖可以看出，損傷區(qū)域及其周圍區(qū)域亮度相似，無(wú)明顯差別，因此，僅僅運(yùn)用單波段圖像無(wú)法實(shí)現(xiàn)損傷區(qū)域的有效檢測(cè)。本研究將2個(gè)分量圖像進(jìn)行融合，對(duì)融合后的圖像進(jìn)行主成分分析[21]，并找到最容易區(qū)分損傷區(qū)域的主成分圖像。圖6為經(jīng)過(guò)主成分分析后，得到的全部主成分圖像PC1、PC2。從圖中可以看出，第一主成分PC1保留了蘋果完整的形狀和大小信息，但圖中損傷和完好區(qū)域與單波段圖像具有相同的特點(diǎn)，無(wú)法分割損傷;第二主成分PC2損傷區(qū)域表現(xiàn)出高亮，且與周圍的界限清晰，能明顯區(qū)分損傷區(qū)域，為檢測(cè)蘋果輕微損傷的最佳主成分圖像。

2.6 輕微損傷區(qū)域檢測(cè)

對(duì)PC2圖像利用5×5的高斯低通濾波器保存圖像中的低頻成分，使圖像平滑，得到如圖7a所示的圖像。對(duì)濾波后的圖像進(jìn)行閾值分割，分割閾值為162，分割結(jié)果如圖7b所示，從圖中可看出，分割圖像中依然存在因光照影響而誤分的小面積區(qū)域。利用圖像的膨脹、腐蝕和刪除小面積區(qū)域操作來(lái)實(shí)現(xiàn)損傷區(qū)域的精確分割，結(jié)果如圖7c所示。

2.7 完好與輕微損傷樣本的檢測(cè)結(jié)果驗(yàn)證

為了驗(yàn)證上述檢測(cè)方法的有效性，利用上述方法分別對(duì)驗(yàn)證組（40個(gè)）完好與損傷不同時(shí)間段的蘋果進(jìn)行檢測(cè)，結(jié)果如表2所示?？芍摲椒▽?duì)完好和損傷不同時(shí)間段的蘋果檢測(cè)效果都比較好，總體檢測(cè)準(zhǔn)確率達(dá)到94.4%。對(duì)40個(gè)完好樣本，只有1個(gè)被誤檢;對(duì)損傷0 h和2 h的樣本，均存在3個(gè)誤檢;對(duì)損傷4 h的樣本，存在2個(gè)誤檢。造成正常樣本被誤檢成損傷樣本的原因主要是由于光照不均勻，在蘋果表面形成了亮斑，而形態(tài)學(xué)處理無(wú)法完全消除這些亮斑;造成損傷樣本被誤檢為正常樣本的原因主要是損傷的主成分圖像不在PC2中或PC2中損傷區(qū)域不明顯。

3 討論與結(jié)論

本研究基于高光譜成像技術(shù)對(duì)蘋果表面輕微機(jī)械損傷進(jìn)行檢測(cè)研究。針對(duì)高光譜圖像數(shù)據(jù)量巨大、冗余性高的問(wèn)題，運(yùn)用二次連續(xù)投影算法篩選出了2個(gè)包含蘋果輕微損傷主要特征的特征波段（821、940 nm），并利用SVM模型驗(yàn)證了特征波段的有效性;同時(shí)，基于特征波段結(jié)合圖像處理方法對(duì)蘋果表面輕微損傷進(jìn)行檢測(cè)與定位，對(duì)特征波段圖像進(jìn)行主成分分析，選擇能夠明顯區(qū)分損傷區(qū)域的主成分圖像PC2，并對(duì)主成分圖像進(jìn)行固定閾值（閾值為162）分割、膨脹腐蝕處理和去除小面積區(qū)域定位蘋果表面的輕微損傷。結(jié)果表明，該方法對(duì)輕微損傷蘋果的總體檢測(cè)準(zhǔn)確率為94.4%。經(jīng)分析發(fā)現(xiàn)，影響檢測(cè)準(zhǔn)確率的主要原因是蘋果表面曲面光照不均勻形成的亮斑干擾，同時(shí)，受光照影響，蘋果同一像素位置在不同波段的反射出現(xiàn)差異，從而導(dǎo)致少數(shù)蘋果在不同損傷時(shí)間段的損傷特性沒(méi)有明顯反映在特征波段上，造成損傷誤檢。因此，去除蘋果表面光照不均勻?qū)p微損傷檢測(cè)的影響以提高損傷檢測(cè)準(zhǔn)確度將是下一步研究的重點(diǎn)方向。

參 考 文 獻(xiàn)：

[1] Agar I T， Massantini R， Hess-Pierce B， et al. Postharvest CO2 and ethylene production and quality maintenance of fresh-cut kiwifruit slices [J]. Journal of Food Science， 1999， 64（3）： 433-440.

[2] 王艷穎， 胡文忠， 龐坤， 等. 機(jī)械損傷對(duì)富士蘋果生理生化變化的影響[J]. 食品與發(fā)酵工業(yè)， 2007，33（7）： 58-62.

[3] Watada A E， Ko N P， Minott D A. Factors affecting quality of fresh-cut horticultural products [J]. Postharvest Biology and Technology， 1996， 9（2）： 115-125.

[4] Brecht J K. Physiology of lightly processed fruit and vegetables [J]. HortScience，1995，30（1）：18-22.

[5] 田有文， 牟鑫， 程怡. 高光譜成像技術(shù)無(wú)損檢測(cè)水果缺陷的研究進(jìn)展[J]. 農(nóng)機(jī)化研究， 2014（6）： 1-5.

[6] Xia J A， Yang Y W， Cao H X， et al. Visible-near infrared spectrum-based classification of apple chilling injury on cloud computing platform [J]. Computers and Electronics in Agriculture， 2018， 145： 27-34.

[7] van Roy J， Keresztes J C， Wouters N， et al. Measuring colour of vine tomatoes using hyperspectral imaging [J]. Postharvest Biology & Technology， 2017， 129： 79-89.

[8] Xiong J T， Lin R， Bu R B， et al. A micro-damage detection method of litchi fruit using hyperspectral imaging technology [J]. Sensors， 2018， 18（3）： 700.

[9] 黃文倩， 陳立平， 李江波， 等. 基于高光譜成像的蘋果輕微損傷檢測(cè)有效波長(zhǎng)選取[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（1）： 272-277.

[10] 田有文， 牟鑫， 程怡， 等. 基于高光譜成像技術(shù)的蘋果表面輕微損傷檢測(cè)[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2015， 46（4）： 508-512.

[11] 張保華， 黃文倩， 李江波， 等. 用高光譜成像和PCA檢測(cè)蘋果的損傷和早期腐爛[J]. 紅外與激光工程， 2013，42（s2）： 279-283.

[12] 吳習(xí)宇， 祝詩(shī)平， 黃華， 等. 近紅外光譜技術(shù)鑒別花椒產(chǎn)地[J]. 光譜學(xué)與光譜分析， 2018，38（1）： 68-72.

[13] 白鐵成， 王濤， 陳佑啟， 等. 南疆沙塵區(qū)駿棗葉片水分含量檢測(cè)的近紅外光譜預(yù)處理方法對(duì)比[J]. 光譜學(xué)與光譜分析， 2019， 39（4）： 1323-1328.

[14] 陳斌， 孟祥龍， 王豪. 連續(xù)投影算法在近紅外光譜校正模型優(yōu)化中的應(yīng)用[J]. 分析測(cè)試學(xué)報(bào)， 2007， 26（1）： 66-69.

[15] Galvo R K H， Araújo M C U， Fragoso W D， et al. A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm [J]. Chemometrics and Intelligent Laboratory Systems， 2008， 92： 83-91.

[16] Tang G， Huang Y， Tian K D， et al. A new spectral variable selection pattern using competitive adaptive reweighted sampling combined with successive projections algorithm [J]. Analyst， 2014， 139（19）. doi：10.1039/c4an00837e.

[17] 劉燕德， 肖懷春， 孫旭東， 等. 柑桔葉片黃龍病光譜特征選擇及檢測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018，34（3）： 180-187.

[18] 黃林生， 劉文靜， 黃文江， 等. 小波分析與支持向量機(jī)結(jié)合的冬小麥白粉病遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017，33（14）： 188-195.

[19] 胡曉華， 劉偉， 劉長(zhǎng)虹， 等. 基于太赫茲光譜和支持向量機(jī)快速鑒別咖啡豆產(chǎn)地[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017，33（9）： 310-315.

[20] Ye D D， Sun L J， Tan W Y， et al. Detecting and classifying minor bruised potato based on hyperspectral imaging [J]. Chemometrics and Intelligent Laboratory Systems， 2018， 177：129-139.

[21] Luo W， Zhang H L， Liu X M. Hyperspectral/multispectral reflectance imaging combining with watershed segmentation algorithm for detection of early bruises on apples with different peel colors [J]. Food Analytical Methods， 2019， 12（5）： 1218-1228.