基于可見(jiàn)光-近紅外高光譜成像技術(shù)的陳皮陳化年份鑒別研究

張 悅,周駿輝,王思曼,王游游,張?jiān)脐?趙 帥,劉舒揚(yáng)*,楊 健*

1. 道地藥材品質(zhì)保障與資源持續(xù)利用全國(guó)重點(diǎn)實(shí)驗(yàn)室,中國(guó)中醫(yī)科學(xué)院中藥資源中心,北京 100700 2. 天津津航技術(shù)物理研究所,天津 300381 3. 云南中醫(yī)藥大學(xué)中藥學(xué)院,云南 昆明 650500

引 言

陳皮為蕓香科植物橘CitrusreticulataBlanco及其栽培變種的干燥成熟果皮,為著名的藥食同源中藥材,具有理氣健脾、燥濕化痰之功效[1]。陳皮藥材分為“陳皮”和“廣陳皮”,后者主產(chǎn)于廣東省,為橘的栽培變種茶枝柑(CitrusReticulata‘Chachi’)的干燥成熟果皮,其中又以產(chǎn)自新會(huì)的最為道地,其市場(chǎng)價(jià)格也遠(yuǎn)高于其他產(chǎn)地的陳皮[2]。新會(huì)陳皮常被認(rèn)為“陳久者良”,隨著陳化時(shí)間的增加,其品質(zhì)和收藏價(jià)值也越高,有“陳皮貴陳”之說(shuō)[3]。因陳化年份越久的陳皮市場(chǎng)價(jià)格亦越高,市場(chǎng)上以低陳化年份陳皮冒充高陳化年份陳皮或者人為“做舊”的現(xiàn)象屢見(jiàn)不鮮,嚴(yán)重?fù)p害了消費(fèi)者的利益,破壞了陳皮市場(chǎng)環(huán)境,因此市場(chǎng)迫切需要快速、準(zhǔn)確而又高效的陳皮陳化年份的鑒別方法。目前對(duì)于陳化陳皮的鑒別主要采用望、聞、刮、吃、泡等經(jīng)驗(yàn)鑒別方法,雖簡(jiǎn)單易行,但容易受到主觀因素的干擾,很難實(shí)現(xiàn)標(biāo)準(zhǔn)化的檢驗(yàn)。采用化學(xué)分析技術(shù)對(duì)不同陳化年份陳皮進(jìn)行鑒別分析亦有較多報(bào)道,如氣相-質(zhì)譜聯(lián)用技術(shù)(GC-MS)[4]、氣相-離子遷移譜(GC-IMS)[5]、高效液相色譜(HPLC)[6]、高效液相色譜串聯(lián)質(zhì)譜技術(shù)(HPLC-MS)[7]等。這些檢測(cè)技術(shù)準(zhǔn)確率相對(duì)較高,但存在檢測(cè)成本高、檢驗(yàn)環(huán)境要求嚴(yán)、操作難、耗時(shí)久和需破壞樣品等缺點(diǎn),并沒(méi)有形成準(zhǔn)確而成熟的陳皮藥材陳化年份的鑒別方案。

高光譜成像技術(shù)(hyperspectral imaging,HSI)是基于非常多窄波段的影像數(shù)據(jù)技術(shù),是一種結(jié)合樣品一維光譜信息和二維空間信息的無(wú)損檢測(cè)方法[8],目前已應(yīng)用在遙感、生物醫(yī)學(xué)檢測(cè)、農(nóng)業(yè)檢測(cè)和食品科學(xué)等多個(gè)不同的領(lǐng)域。高光譜成像技術(shù)所獲得的圖像信息不僅能夠反映樣品的大小、形狀等外部特征,而且可以獲得樣品在某一波段圖像的顏色、紋理等特征數(shù)據(jù),而光譜信息能夠反映樣品內(nèi)部的物理、化學(xué)成分的特點(diǎn),從而實(shí)現(xiàn)不同樣品的識(shí)別和樣品中成分含量的預(yù)測(cè)。高光譜成像技術(shù)因其快速、無(wú)損、且可以同時(shí)采集多個(gè)樣本的數(shù)據(jù)的特點(diǎn),被廣泛應(yīng)用于食品、農(nóng)產(chǎn)品、中藥材等樣品的快速鑒別。如采用高光譜技術(shù)能夠快速無(wú)損的實(shí)現(xiàn)對(duì)高粱摻假[9],三七粉質(zhì)量等級(jí)[10]和柑橘屬水果[11]的有效鑒別,準(zhǔn)確率可達(dá)90%以上。傳統(tǒng)的儀器分析用高光譜成像設(shè)備一般采用色散型分光(包括棱鏡分光、光柵分光)、傅里葉干涉型分光[12-13]、分立濾波片型分光[14]等分光結(jié)構(gòu),由于分光器件工藝限制、內(nèi)部存在可動(dòng)組件、對(duì)環(huán)境干擾敏感等問(wèn)題,難以實(shí)現(xiàn)小型化。隨著薄膜光學(xué)、MEMS技術(shù)的發(fā)展,出現(xiàn)了體積極小的微型濾波結(jié)構(gòu),比較典型的如微型FP腔結(jié)構(gòu)等[15-16]。通過(guò)半導(dǎo)體技術(shù),可在晶圓加工階段,直接將微型FP腔集成在CMOS像素上,在單芯片內(nèi)完成分光、成像,為小型化光譜成像設(shè)備的研發(fā)提供了可能。

新會(huì)陳皮相近陳化年份顏色相似,有效成分含量相近,高光譜技術(shù)多用于較寬間隔的陳化年份鑒別,且室內(nèi)用高光譜儀體積大,受限于黑暗環(huán)境等因素,無(wú)法實(shí)現(xiàn)市場(chǎng)隨時(shí)監(jiān)測(cè)。本研究以項(xiàng)目團(tuán)隊(duì)自行采集的不同陳化年份新會(huì)陳皮為研究對(duì)象,探索高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)模式識(shí)別方法對(duì)不同陳化年份(3～4年份間隔)的新會(huì)陳皮的識(shí)別效果。評(píng)估基于特征波段優(yōu)化的模式識(shí)別算法對(duì)不同陳化年份陳皮藥材的分類(lèi)適用性,從而為陳化中藥材的快速無(wú)損鑒別及專(zhuān)屬裝備系統(tǒng)的研發(fā)提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 陳皮樣品

陳皮樣品均于2020年10月至12月采自廣東省新會(huì)市,共36個(gè)批次。包括一線(xiàn)核心產(chǎn)區(qū)(天馬村、梅江村、茶坑村,23批)、二線(xiàn)產(chǎn)區(qū)(三江鎮(zhèn)、南坦鎮(zhèn),9批)和四線(xiàn)產(chǎn)區(qū)(司前鎮(zhèn),4批)樣品。所有樣品經(jīng)中國(guó)中醫(yī)科學(xué)院中藥資源中心張燕研究員鑒定為茶枝柑(CitrusReticulata‘Chachi’)的干燥成熟果皮。其中包括2020年、2017年、2014年、2010年、2006年樣品,每個(gè)年份隨機(jī)抽取50個(gè)樣本,共250個(gè)陳皮樣本。

1.2 高光譜成像系統(tǒng)

高光譜成像系統(tǒng)主要由面陣相機(jī)、分光設(shè)備、光源、傳輸機(jī)構(gòu)及計(jì)算機(jī)軟硬件等五部分構(gòu)成,其主要結(jié)構(gòu)如圖1所示。其中包括1個(gè)鏡頭(HSIA-OLE23,SPECIM,芬蘭),4組50 W溴鎢燈(HSIA-LS-T-200W,雙利合譜,中國(guó)),1個(gè)高光譜分光成像儀(image-λ-V10E-HR,雙利合譜,中國(guó)),1個(gè)水平移動(dòng)平臺(tái)(HSIA-T1000,雙利合譜,中國(guó))和1個(gè)圖像采集軟件(SpecVIEW,雙利合譜,中國(guó))。系統(tǒng)測(cè)得的高光譜圖像均為包含光譜(λ)和空間(X,Y)信息的三維數(shù)據(jù)體。

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

1.3 高光譜數(shù)據(jù)采集

樣品采集時(shí),光譜儀鏡頭與樣品的距離為23 cm,平臺(tái)移動(dòng)速度為1.5 mm·s-1,每次采集先將5個(gè)陳皮樣本按外表皮向上順序排列在黑色水平移動(dòng)平臺(tái)上,同時(shí)放置Teflon白板(HSIA-CT,雙利合譜,中國(guó)),再翻轉(zhuǎn)為內(nèi)表皮向上按相同順序排列再次采集。依次采集5個(gè)年份的陳皮樣品的高光譜圖像,共采集到250個(gè)陳皮內(nèi)表面數(shù)據(jù)和250個(gè)陳皮外表面數(shù)據(jù)。為消除儀器和環(huán)境對(duì)樣品數(shù)據(jù)的影響,采用高光譜數(shù)據(jù)預(yù)處理軟件(SpecVIEW,雙利合譜,中國(guó))對(duì)原始光譜數(shù)據(jù)進(jìn)行黑白校正,將原始光譜數(shù)據(jù)集校正為相對(duì)反射率數(shù)據(jù)集。計(jì)算公式如(1)所示,其中R為校正后的光譜數(shù)據(jù),Rraw為原始光譜數(shù)據(jù),Rw為反射率為99%的白板上得到的白色參考數(shù)據(jù),Rd為關(guān)燈并遮擋相機(jī)鏡頭得到的暗參考數(shù)據(jù)。采用閾值分割算法選擇整個(gè)陳皮表面作為感興趣區(qū)域(region of interest,ROI),取每塊陳皮的ROI區(qū)域平均光譜反射率數(shù)據(jù)作為每個(gè)樣本的光譜值。

(1)

1.4 光譜數(shù)據(jù)預(yù)處理

光譜數(shù)據(jù)的預(yù)處理可以減少背景、噪聲等環(huán)境因素引起的誤差,提高模型性能。本研究將樣本按7∶3的比例隨機(jī)分成訓(xùn)練集和預(yù)測(cè)集,采用乘性散射校正(multiplicative scatter correction,MSC)、一階導(dǎo)數(shù)(derivative,D1)、二階導(dǎo)數(shù)(second derivative,D2)、SG平滑(savitzky-golay,SG)和標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation,SNV)等5種方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。

1.5 分類(lèi)模型建立

采用偏最小二乘判別分析(partial least squares discriminant analysis,PLS-DA),隨機(jī)森林(random forests,RF)和支持向量機(jī)(support vector machine,SVM)等3種不同的分類(lèi)模型對(duì)不同陳化年份的樣品進(jìn)行分類(lèi)。為進(jìn)一步提高運(yùn)算效率,為專(zhuān)屬小型化高光譜設(shè)備開(kāi)發(fā)提供高質(zhì)量算法模型,采用連續(xù)投影算法(successive projections algorithm,SPA)選取的特征波長(zhǎng)進(jìn)一步建立分類(lèi)模型。最后,將特征變量建模結(jié)果與全波段建模結(jié)果進(jìn)行比較。

PLS-DA是一種基于偏最小二乘回歸(partial least squares regression,PLSR)改編的用來(lái)建立自變量X與觀測(cè)變量Y之間映射關(guān)系的一種監(jiān)督分類(lèi)算法。在PLS-DA建模過(guò)程中,首先將類(lèi)別向量轉(zhuǎn)換為虛擬矩陣Y,該矩陣引入一個(gè)熱編碼來(lái)描述每個(gè)樣本的類(lèi)別信息,其中值1表示樣本被認(rèn)為屬于特定類(lèi)別,值0表示相反,采用最大值法作為判別準(zhǔn)則。采用交叉驗(yàn)證的方法選擇不同預(yù)測(cè)組中10～12個(gè)重要的潛在變量。PLS-DA為雙線(xiàn)性模型,可以用于變量數(shù)多于樣本數(shù)時(shí)使用。

隨機(jī)森林(random forest,RF) 是一種基于分類(lèi)回歸樹(shù)的集成算法,每個(gè)樹(shù)型分類(lèi)器都使用自主抽樣法構(gòu)造唯一訓(xùn)練集測(cè)試集。基于該組合的最終預(yù)測(cè)結(jié)果通過(guò)單個(gè)分類(lèi)樹(shù)的簡(jiǎn)單多數(shù)表決獲得。RF簡(jiǎn)單,容易實(shí)現(xiàn),能夠處理高維度的數(shù)據(jù)。

SVM采用內(nèi)積核函數(shù)代替向高維空間的非線(xiàn)性映射,是一種有堅(jiān)實(shí)理論基礎(chǔ)的小樣本學(xué)習(xí)方法,實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)測(cè)樣本的“轉(zhuǎn)導(dǎo)推理”,簡(jiǎn)化了通常的分類(lèi)和回歸等問(wèn)題。SVM 具有訓(xùn)練時(shí)間短、計(jì)算復(fù)雜度低、泛化能力強(qiáng)等優(yōu)點(diǎn)。

1.6 模型性能評(píng)估

基于分類(lèi)模型的判別精度和混淆矩陣對(duì)分類(lèi)模型的性能進(jìn)行評(píng)價(jià)。混淆矩陣是數(shù)據(jù)分析中對(duì)分類(lèi)模型預(yù)測(cè)結(jié)果的一種評(píng)價(jià)方式,具體評(píng)價(jià)指標(biāo)包括準(zhǔn)確率(Accuracy)、靈敏度(Sensitivity)和特異性(Specificity)等,這些精度指標(biāo)從不同的側(cè)面反映了模型分類(lèi)的精度。各指標(biāo)計(jì)算公式如式(2)所示,其中TP為真陽(yáng)性樣本數(shù),TN為真陰樣本個(gè)數(shù),FP為個(gè)假陽(yáng)性樣本,FN為假陰性樣本數(shù)。

(2)

1.7 數(shù)據(jù)處理軟件

本研究使用的圖像校正工具為儀器自帶校正軟件,興趣區(qū)域識(shí)別及光譜信息提取采用本課題組自研的圖分割算法。光譜數(shù)據(jù)預(yù)處理及分類(lèi)模型構(gòu)建等數(shù)據(jù)分析使用Matlab 2020a(MathWorks,美國(guó))軟件實(shí)現(xiàn),腳本均為本課題組自編。

2 結(jié)果與討論

2.1 原始光譜曲線(xiàn)分析

不同陳化年份樣品的外表皮和內(nèi)表皮光譜曲線(xiàn)如圖2(a—f),基于外表皮原始光譜可以看出不同陳化年份的陳皮在500～700 nm處有顯著差異,表現(xiàn)出隨著陳化年份的增加,樣品的相對(duì)反射率降低的趨勢(shì)。其中,2017年和2014年新會(huì)陳皮平均光譜相似,2010年和2006年新會(huì)陳皮平均光譜相似;而2020年與其他陳化年份光譜具有較為顯著的差異,表現(xiàn)為在480和640 nm處有兩個(gè)顯著波峰,且680 nm處波谷較其他年份陳皮更明顯。其中650～700 nm是特定的植物色素吸收波段,為不同陳化年份樣品原始光譜中存在差異的主要光譜區(qū)域[9],這與不同年份陳皮特征成分含量研究的結(jié)果相似[5]。而內(nèi)表皮原始光譜在400～800 nm可見(jiàn)光區(qū)域陳化年份與光譜反射率的呈現(xiàn)負(fù)相關(guān),在800 nm以上的近紅外區(qū)域,則表現(xiàn)為正相關(guān)。

圖2 不同陳化年份新會(huì)陳皮的外表皮(a、b、c)和內(nèi)表皮(d、e、f)波段的原始光譜曲線(xiàn)、 MSC預(yù)處理曲線(xiàn)及平均光譜曲線(xiàn)圖Fig.2 Raw spectra,MSC spectra and mean reflectance spectra of outer epidermis (a,b,c) and inner epidermis (d,e,f) of Citri Reticulatae Pericarpium in different aging years

2.2 預(yù)處理方法和分類(lèi)模型的選擇

將不同陳化年份的陳皮內(nèi)、外表皮原始光譜數(shù)據(jù)經(jīng)MSC、D1、D2、SG、SNV等多種方法預(yù)處理并進(jìn)行訓(xùn)練集/預(yù)測(cè)集的劃分后輸入變量,分別計(jì)算PLS-DA、RF、SVM分類(lèi)鑒別方法的準(zhǔn)確率(表1)。對(duì)于外表皮光譜數(shù)據(jù),PLS-DA模型的識(shí)別整體準(zhǔn)確率高于RF和SVM模型;在PLS-DA模型下,MSC和D1預(yù)處理均可以提高模型訓(xùn)練集和預(yù)測(cè)集的精度,原始數(shù)據(jù)Raw-PLS-DA的訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率為95.21%和95.18%,而MSC-PLS-DA和D1-PLS-DA方法的訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率分別達(dá)到97.01、97.59%和97.01%、96.39%。對(duì)于內(nèi)表皮光譜數(shù)據(jù),PLS-DA模淹的整體識(shí)別準(zhǔn)確率亦高于RF和SVM模型。其中,原始數(shù)據(jù)Raw-PLS-DA的訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率相對(duì)較高,分別達(dá)到99.40%、97.59%;其次為D1-PLS-DA模型,其訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率為100.00%、96.39%。

表1 新會(huì)不同陳化年份的陳皮藥材外表皮和內(nèi)表皮數(shù)據(jù)的預(yù)處理方法和分類(lèi)模型的成對(duì)組合分類(lèi)準(zhǔn)確率Table 1 The classification accuracies of pairwise combinations of outer epidermis and inner epidermis of Citri Reticulatae Pericarpium in different aging years

因此,基于不同年份新會(huì)陳皮外表皮數(shù)據(jù)和內(nèi)表皮數(shù)據(jù),在有效的預(yù)處理方法下,高光譜技術(shù)結(jié)合PLSDA算法對(duì)不同陳化年份(3～4年份間隔)的新會(huì)陳皮的識(shí)別效果達(dá)到預(yù)取,有效解決了較短間隔年份的新會(huì)陳皮的鑒別問(wèn)題。

2.3 分類(lèi)性能評(píng)估

在分類(lèi)問(wèn)題中,混淆矩陣(Confusion matrix)是一種通過(guò)矩陣描述樣本數(shù)據(jù)的真實(shí)類(lèi)別屬性和預(yù)測(cè)結(jié)果關(guān)系算法性能的可視化評(píng)價(jià)標(biāo)準(zhǔn)[17]?；煜仃嚨男袨檎鎸?shí)值,列為預(yù)測(cè)值,對(duì)角線(xiàn)單元格為正確分類(lèi)的結(jié)果,最右列為精確率和假陰性率,最底行為靈敏度和錯(cuò)誤率。不同陳化年份樣品外表皮數(shù)據(jù)的MSC-PLS-DA模型和內(nèi)表皮數(shù)據(jù)的Raw-PLS-DA模型預(yù)測(cè)結(jié)果的混淆矩陣分別如圖3(a,b)所示。外表皮數(shù)據(jù)的判別模型的精確率和靈敏度都達(dá)到90%以上;內(nèi)表皮數(shù)據(jù)的判別模型的精確率和靈敏度除2010年陳皮外均達(dá)到94%以上,表現(xiàn)出較好的性能。

圖3 不同陳化年份新會(huì)陳皮外表皮(a)和內(nèi)表皮(b)PLS-DA分類(lèi)模型預(yù)測(cè)結(jié)果的混淆矩陣Fig.3 Outer epidermis (a) and inner epidermis (b) of of Citri Reticulatae Pericarpium in different aging years PLS-DA prediction result confusion matrix raw

2.4 特征波長(zhǎng)選擇

特征波長(zhǎng)的選擇可以消除了原始光譜矩陣中的冗余信息,提高模型的運(yùn)算效率。SPA是前向特征變量選擇方法,采用向量的投影分析,通過(guò)將波長(zhǎng)投影到其他波長(zhǎng)上,比較投影向量的大小,選擇含有最小冗余信息波長(zhǎng)及最小共線(xiàn)性的變量組合[18]。對(duì)于全波段數(shù)據(jù),基于內(nèi)表皮光譜的Raw-PLS-DA模型識(shí)別準(zhǔn)確率最高,而外表皮光譜數(shù)據(jù)識(shí)別準(zhǔn)確率最高的模型則為MSC-PLS-DA,選擇上述模型進(jìn)行特征波長(zhǎng)選擇?；赟PA外表皮數(shù)據(jù)選取12個(gè)特征波長(zhǎng),采用MSC-PLS-DA方法進(jìn)行建模[圖4(a,b),表2],訓(xùn)練集準(zhǔn)確率為88.62%,預(yù)測(cè)集準(zhǔn)確率為86.75%。內(nèi)表皮數(shù)據(jù)選取19個(gè)特征波長(zhǎng),采用Raw-PLS-DA算法進(jìn)行建模,訓(xùn)練集準(zhǔn)確率為95.81%,預(yù)測(cè)集準(zhǔn)確率為91.57%。結(jié)果表明,特征波長(zhǎng)建模相對(duì)于全波長(zhǎng)建模,準(zhǔn)確率略有下降(6-10%);但內(nèi)表皮數(shù)據(jù)特征波長(zhǎng)建模整體判別準(zhǔn)確率仍可達(dá)90% 以上。特征波長(zhǎng)的選擇保留了陳皮表皮的有效信息,在降低模型復(fù)雜性的同時(shí)能達(dá)到和全波長(zhǎng)數(shù)據(jù)模型近乎相同的鑒別結(jié)果,為陳皮陳化年份鑒別專(zhuān)屬小型化高光譜設(shè)備開(kāi)發(fā)提供了參考。

表2 不同陳化年份陳皮藥材的外表皮和內(nèi)表皮SPA特征波段建模結(jié)果Table 2 Modeling results of SPA characteristic bands of outer epidermis and inner epidermis of Citri Reticulatae Pericarpium in different aging years

圖4 不同陳化年份陳皮藥材的外表皮(a)和內(nèi)表皮(b)波段的SPA特征波段選擇Fig.4 SPA characteristic variable selection results of PLS-DA model (a) outer epidermis and (b) inner epidermis

3 結(jié) 論

采用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法建模實(shí)現(xiàn)對(duì)不同陳化年份新會(huì)陳皮的快速無(wú)損鑒別具有充分的可行性。基于全波長(zhǎng)數(shù)據(jù),外表皮數(shù)據(jù)以MSC-PLS-DA為最適方法,訓(xùn)練集與預(yù)測(cè)集的準(zhǔn)確率均在97%以上;而內(nèi)表皮數(shù)據(jù)則以Raw-PLS-DA為最適方法,訓(xùn)練集與預(yù)測(cè)集的準(zhǔn)確率同樣可達(dá)到97%以上。通過(guò)SPA方法提取的特征波長(zhǎng)建?？梢匀コ哂嘧兞看蟠蠼档湍Ｐ偷膹?fù)雜性,減少模型的運(yùn)算時(shí)間,同時(shí)能達(dá)到與全波長(zhǎng)模型相似的識(shí)別效果。

近年來(lái),隨著中藥市場(chǎng)的快速增長(zhǎng),以及國(guó)家對(duì)中醫(yī)藥行業(yè)重視程度的不斷提高,開(kāi)發(fā)能夠?qū)χ兴庍M(jìn)行無(wú)損、快速檢測(cè)的便攜式設(shè)備具有迫切的市場(chǎng)需求。傳統(tǒng)的人工檢測(cè)方法存在較大主觀因素,而實(shí)驗(yàn)室常規(guī)采用的理化檢測(cè)等儀器分析手段,一方面需要對(duì)樣品進(jìn)行破碎、制樣,且測(cè)試時(shí)間較長(zhǎng),無(wú)法滿(mǎn)足無(wú)損、快速檢測(cè)的需求;另一方面由于設(shè)備原理、結(jié)構(gòu)所限,難以實(shí)現(xiàn)小型化。可見(jiàn)光-近紅外光譜成像技術(shù)結(jié)合模式識(shí)別能夠?qū)崿F(xiàn)新會(huì)陳皮陳化年份的分類(lèi)鑒別,且基于特征波長(zhǎng)仍能達(dá)到預(yù)期結(jié)果,基于像素級(jí)FP腔的一體式高光譜圖像傳感器,由于其具有光譜特性理想、體積小、環(huán)境適應(yīng)性強(qiáng)、接口通用便于集成等優(yōu)勢(shì),能夠突破設(shè)備小型化的技術(shù)瓶頸,為新會(huì)陳皮陳化年份的專(zhuān)屬無(wú)損、快速檢測(cè)便攜式設(shè)備的研發(fā)提供了參考。