1. 紅棗的經(jīng)濟與營養(yǎng)價值

紅棗（Zizyphus jujuba Mill.）作為一種富含營養(yǎng)的水果，廣泛應用于食品、保健品及中藥領域。其具有較高的經(jīng)濟價值和營養(yǎng)價值，尤其富含維生素C、礦物質和膳食纖維，具有抗氧化、調節(jié)血糖和促進消化等多種健康益處。隨著市場需求的不斷增長，高品質紅棗逐漸成為人們健康飲食的重要組成部分。然而，在采摘、運輸和儲存過程中，紅棗常面臨機械損傷、蟲害、裂縫等問題，這些缺陷會影響其外觀、口感及營養(yǎng)成分。因此，

2. 傳統(tǒng)紅棗品質檢測方法及其局限性

2.1人工檢測方法的局限性

傳統(tǒng)的人工目視檢查方法在紅棗質量檢測中長期占據(jù)主導地位，尤其在日常生產(chǎn)和初步篩選過程中，操作簡單且直接。然而，人工檢測方法存在顯著的局限性，首先，檢測效率低，難以滿足快速、高效的質量檢測需求；其次，人工檢測主觀性強，容易受到環(huán)境、疲勞以及檢測人員經(jīng)驗水平的影響，導致漏檢和誤判。此外，人工檢測方法只能在可見光范圍內進行，導致其對某些隱性缺陷（如內部蟲害、微裂縫等）的檢測能力有限，無法提供全面的質量評估。

2.2化學分析方法的局限性

傳統(tǒng)的化學分析方法主要用于紅棗中的成分分析，如糖分、酸度、抗氧化劑、維生素含量等指標的測定。這些方法通常需要昂貴的設備和專業(yè)的實驗室環(huán)境，且操作過程繁瑣、時間消耗較大。例如，高效液相色譜法（HPLC）、氣相色譜法（GC）等先進技術，這些方法雖然具有較高的精度，但高成本和操作復雜使其在大規(guī)模生產(chǎn)過程中應用受限。此外，化學分析方法通常屬于破壞性檢測，即檢測過程需要破壞樣品，并且只能在樣品經(jīng)過處理后進行分析，無法進行實時在線監(jiān)測。

3. 高光譜成像原理與技術特點

如何高效、無損地檢測紅棗的品質成為產(chǎn)業(yè)發(fā)展的關鍵。隨著科技的進步，高光譜成像技術和深度學習算法的結合為紅棗品質檢測提供了新的思路。

高光譜成像技術是一種將二維成像技術和光譜技術相結合的先進檢測方法，能夠同時獲取圖像和每個像素的光譜信息，提供多維度的物質分析。這項技術在農業(yè)領域的應用得到了廣泛關注，特別是在紅棗的質量檢測中，提供了一種精確、高效、無損的方式來評估其品質。通過高光譜成像，可以對紅棗的糖分含量、酸度、水分、硬度等品質參數(shù)進行定性和定量分析，幫助提高紅棗的產(chǎn)地溯源能力和質量控制水平。結合成像與光譜分析，可以在不破壞樣品的前提下，實時獲取紅棗的光譜數(shù)據(jù)并進行分析。通過光譜數(shù)據(jù)，可以分析紅棗的糖分、酸度、水分等品質指標，同時能夠檢測到紅棗中的隱性缺陷，如內部裂縫、蟲害等，從而為紅棗的品質控制提供了更全面的依據(jù)。特別是結合深度學習算法，高光譜成像技術可以進一步提高數(shù)據(jù)分析的精度和智能化水平。

隨著精準農業(yè)的興起，高光譜成像技術在紅棗等農產(chǎn)品的應用前景廣闊。通過實時、無損的檢測，不僅可以提高紅棗的生產(chǎn)效率，減少人工檢查的誤差，還能確保產(chǎn)品質量的一致性，推動紅棗產(chǎn)業(yè)向標準化、智能化方向發(fā)展。高光譜成像技術在紅棗品質檢測中的應用

4.1高光譜成像技術在鮮棗損傷檢測中的應用

Di Wu等(D. Wu et al., 2023)以靈武長棗為對象，探索了高光譜成像結合深度學習在紅棗瘀傷時間無損識別中的應用潛力，旨在解決傳統(tǒng)目測方法主觀性強、效率低、早期瘀傷難識別的問題。通過標準化機械裝置在果實赤道區(qū)域人工制造瘀傷，并設置0 h、12 h、24 h、48 h四個時間點進行分組，確保瘀傷時間的可控性和實驗可重復性。

圖1 靈武長棗外傷機械裝置及構建的深度學習模型

本研究采用波段范圍為900~1700 nm的近紅外高光譜成像系統(tǒng)獲取紅棗樣本圖像，以果實整區(qū)域為感興趣區(qū)域（ROI）提取平均光譜數(shù)據(jù)，并利用擴展多元信號校正（EMSC）方法對原始光譜進行預處理，有效消除光譜偏移和噪聲干擾，提升數(shù)據(jù)質量。為降低數(shù)據(jù)維度、提高模型運行效率并突出與瘀傷時間相關的重要信息，分別采用SCARS與BOSS兩種特征波段篩選算法，其中BOSS在保留分類關鍵信息方面表現(xiàn)更優(yōu)。圖像方面，通過主成分分析（PCA）提取主成分圖像，并結合灰度-梯度共生矩陣（GLGCM）從中提取14種紋理特征，涵蓋圖像的灰度、梯度分布、結構復雜度等多個維度。

圖2紅棗樣品的前三張PC圖（紅色圓圈和箭頭標記的區(qū)域為瘀傷）

在建模階段，分別構建了基于原始全波段、特征波段和光譜-紋理融合數(shù)據(jù)的分類模型，采用三種算法進行對比分析：傳統(tǒng)的偏最小二乘判別分析（PLS-DA）、人工神經(jīng)網(wǎng)絡（ANN）以及深度學習的一維卷積神經(jīng)網(wǎng)絡（1D-CNN）。同時，為探究數(shù)據(jù)規(guī)模對模型性能的影響，設定小樣本集（SD，200個樣本）和大樣本集（LD，820個樣本）兩種情形，系統(tǒng)比較各模型在不同輸入數(shù)據(jù)和數(shù)據(jù)規(guī)模下的分類效果。實驗結果表明，融合建模顯著提升分類準確率，尤其是融合BOSS特征波段與高相關紋理特征（熵、慣性和梯度均方誤差）的1D-CNN模型在LD條件下取得*優(yōu)表現(xiàn)（預測準確率ACCp高達96.10%），展現(xiàn)出良好的非線性建模能力與特征提取優(yōu)勢。進一步分析發(fā)現(xiàn)，樣本數(shù)量對模型性能具有顯著影響，深度學習模型在大規(guī)模數(shù)據(jù)條件下尤為穩(wěn)定，魯棒性更強。

Yuan等(Yuan et al., 2022)針對Lingwu長棗在采后流通過程中易發(fā)生早期瘀傷且難以肉眼識別的問題，基于可見-近紅外高光譜成像技術（400~1000 nm），系統(tǒng)比較了反射率、吸光度與Kubelka-Munk變換三種光譜表達方式在瘀傷識別中的表現(xiàn)差異。通過構建定量機械損傷實驗體系，采集四類不同損傷等級樣本的光譜數(shù)據(jù)。

圖3紅棗損傷反射率、吸光度與Kubelka-Munk光譜數(shù)據(jù)

通過構建定量機械損傷實驗體系，采集四類不同損傷等級樣本，結合多種光譜預處理方法（如SNV、MSC、OSC等）及特征波段篩選算法（CARS與iVISSA），分別建立了PLS-DA與SVM分類模型，深入探討了模型精度與波段篩選策略的關系。結果表明，吸光度表達下基于iVISSA篩選的PLS-DA模型在保證特征變量最少（占總波段28.8%）的前提下，交叉驗證準確率達100%，顯示出優(yōu)異的判別能力與模型簡潔性。整體來看，PLS-DA模型普遍優(yōu)于SVM模型，而CARS與iVISSA均能有效提升建模效率，尤其在iVISSA支持下，R、A、K-M三類光譜建模均獲得高精度表現(xiàn)。研究表明，結合iVISSA的PLS-DA建模方案在高光譜數(shù)據(jù)降維與早期瘀傷檢測中具有高度適配性，為開發(fā)紅棗及其他小果類果實的快速、無損質量檢測系統(tǒng)提供了理論依據(jù)與技術路徑。

圖4 特征選擇光譜分布位置

(Yu et al., 2014)聚焦于鮮棗果皮裂紋這一關鍵品質缺陷的自動識別問題，基于可見/近紅外高光譜成像（380–1030 nm），提出了融合圖像處理與多變量建模的裂紋識別方法，首*實現(xiàn)了裂紋的精準定位與面積定量評估。使用芬蘭Spectral Imaging公司生產(chǎn)的ImSpector V10高光譜成像光譜儀、Hamamatsu C8484-05G高性能CCD相機以及Fiber-Lite DC950（150W）鹵素燈照明系統(tǒng)構建反射式推掃成像系統(tǒng)。

圖5 鮮棗果皮裂紋光譜采集系統(tǒng)和光譜曲線

為提取裂紋與非裂紋區(qū)域的光譜差異特征，研究采用了三種特征波段選擇方法：偏最小二乘回歸（PLSR）、主成分分析（SPCA）與獨立成分分析（SICA）。在此基礎上，分別建立了基于特征波段的最小二乘支持向量機（LS-SVM）分類模型，其中PLSR–LS-SVM模型在預測集上的識別準確率達100%，性能優(yōu)于SPCA與SICA模型。進一步，作者以PLSR篩選出的五個*優(yōu)波段（467、544、639、673和682 nm）構建圖像序列并進行SPCA變換，選取SPC-4圖像用于圖像處理。通過“區(qū)域增長”“邊緣檢測”和“二值模板修復”等圖像處理技術，成功實現(xiàn)了裂紋區(qū)域的提取與面積計算，平均識別準確率達90.5%。

(L. Wu et al., 2016)針對紅棗在采后環(huán)節(jié)中常見的三類外觀缺陷—裂紋、蟲蛀與瘀傷，提出了一種基于可見-近紅外（400–1000 nm）和近紅外（978–1586 nm）高光譜成像的綜合識別方法。研究構建了雙波段推掃式成像系統(tǒng)，分別采用Spectral Imaging公司ImSpector N17E成像光譜儀與XC-130 CCD相機，以及G4-232 CCD相機，配合線性鹵素燈照明和Zolix步進電機驅動的傳送平臺，搭建高光譜采集系統(tǒng)，并借助SpectraCube和ENVI等軟件完成采集與ROI特征提取。為了提升模型實用性，研究采用PCA方法提取*優(yōu)波段（Vis-NIR: 420, 521, 636, 670, 679 nm；NIR: 1028, 1118, 1359, 1466 nm），并在此基礎上重建SVM與SIMCA模型。結果表明，在保留高分類精度的同時，有效降低了模型復雜度和硬件處理壓力。其中，SIMCA基于*優(yōu)波段在四類樣本上的準確率仍高達93.9%以上，遠優(yōu)于SVM模型，且對樣本小樣本建模更具魯棒性。研究系統(tǒng)比較了不同光譜段、表達方式、建模策略在紅棗常見缺陷識別中的效能，確認了反射率表達+PCA選波段+SIMCA建模的方案在精度、簡潔性與推廣性方面具備優(yōu)*性能，為實現(xiàn)紅棗商品化分級檢測提供了切實可行的技術路徑與系統(tǒng)原型。

(Yuan et al., 2021)聚焦于靈武長棗在采摘運輸過程中發(fā)生的內部瘀傷分級識別問題，提出了基于可見/近紅外高光譜成像（VIS/NIR-HSI，波段范圍400–1000 nm）結合偏最小二乘判別分析（PLS-DA）的無損檢測方法，實現(xiàn)對不同瘀傷時間（2 h、4 h、8 h、12 h、24 h）棗樣的快速分類與判別。實驗系統(tǒng)采用芬蘭Specim公司的ImSpector V10E-QE成像光譜儀、日本Hamamatsu的C8484-05G CCD相機、四個150W光纖鹵素燈（DCR III）及Zolix步進電機平臺構建推掃式HSI系統(tǒng)。系統(tǒng)比較了多種預處理算法（MA、GF、SG、MSC、SNV、de-trending等）對原始光譜建模效果的影響，發(fā)現(xiàn)de-trending處理后構建的PLS-DA模型表現(xiàn)*優(yōu)，訓練集和預測集準確率分別達85.56%和92.22%。為進一步提升模型效率，研究采用了多種特征波段選擇算法（SPA、UVE、CARS、iVISSA、CA、2D-COS及其與SPA組合），結果顯示de-trending-CARS-PLS-DA模型*優(yōu)，僅用63個波段即可達到訓練集86.67%、預測集91.11%的高精度，且在8 h、12 h、24 h三個瘀傷階段分類準確率達100%。研究結果表明，高光譜成像結合波段選擇與PLS-DA判別模型可實現(xiàn)對棗果不同瘀傷進程的高效判別，尤其在傷后8小時即可準確檢測，顯著提升了果品質量監(jiān)測的時效性。

(Thien Pham & Liou, 2022)圍繞紅棗果面常見缺陷（如裂紋、銹斑、腐爛、黑白霉等）在線識別問題，開發(fā)了一套基于推掃式高光譜成像系統(tǒng)的實時檢測系統(tǒng)，兼顧了檢測精度與運行效率，展示了高光譜技術在果品工業(yè)分選中的落地能力。實驗系統(tǒng)采用芬蘭Specim公司的ImSpector V10成像光譜儀、Edmund Optics的VIS-NIR鏡頭（50 mm/F2.0）、德國Basler的acA1920-155um CMOS單色相機、兩盞50W鹵素燈，并結合NI-myDAQ數(shù)據(jù)采集卡、LabVIEW編程平臺和Python建模框架實現(xiàn)設備協(xié)同控制與模型調用，整體波段覆蓋468–950 nm。研究以“Kaohsiung N*.11”紅棗為研究對象，采集了7種典型表皮狀態(tài)（包含正常、腐爛、裂紋、銹斑、白霉、黑霉與高光反射區(qū)）共計3.5萬個像素樣本，并分別使用支持向量機（SVM）和三層人工神經(jīng)網(wǎng)絡（ANN）構建像素級分類模型。模型在VIS-NIR全波段下達到96.3%（SVM）和96.5%（ANN）的分類精度，但SVM推理時長高達320秒，不利于實時部署。通過等間隔法與PCA法在可見光波段（468–760 nm）中篩選出14個代表性波段（如469、491、535、602、713、757 nm等），構建簡化模型，顯著降低計算量。ANN模型在14波段下依然保持95%的準確率，推理耗時縮短至16.6秒，展現(xiàn)出較強的實用價值。

圖6 鮮棗損傷種類和光譜采集系統(tǒng)

此外，系統(tǒng)軟件支持LabVIEW前端配置界面，調用Python訓練模型實現(xiàn)在線分選，并結合圖像遮罩模型實現(xiàn)背景/果面區(qū)域自動剔除，最終輸出帶分類標簽的掃描圖像。針對邊緣像素反射率低導致誤判問題提出了去邊策略，并分析了常見誤判（如銹斑與腐爛混淆、白霉覆蓋誤識）成因及后續(xù)圖像分析優(yōu)化方向。

圖7 圖像軟件界面及識別系統(tǒng)

(Pham et al., 2025)圍繞棗類果實采后分選與分級中因表面曲率、雜散反光、柄端結構等因素引發(fā)的誤判問題，提出了一種基于可見-近紅外高光譜圖像（468–950 nm）與深度學習算法相結合的兩階段棗類分選與分級方法。實驗選取294個高雄11號“蜜棗”為研究對象，覆蓋銹斑、腐爛、黑霉、白霉、果肉暴露等常見表面缺陷。系統(tǒng)采用芬蘭Specim公司ImSpector V10成像光譜儀、Edmund Optics公司的VIS-NIR鏡頭（50 mm/F2.0）、德國Basler公司acA1920–155um黑白CMOS相機構建推掃式高光譜成像平臺，并在暗室中完成數(shù)據(jù)采集，確保圖像光譜質量。

采用像素級缺陷識別模型與果實級分選決策模型。通過訓練含有27個特征波段的多類別人工神經(jīng)網(wǎng)絡（ANN）模型，對每個像素進行分類，構建七類缺陷圖層（正常、銹斑、腐爛、白霉、黑霉、果肉暴露、反光）。為提升模型魯棒性，系統(tǒng)引入YOLOv8n-seg語義分割網(wǎng)絡實現(xiàn)柄端區(qū)域識別，并通過一系列規(guī)則剔除因果實曲率（±45°照明條件下）或柄端結構造成的錯誤分類。此外，針對儀器噪聲及灰塵導致的“椒鹽噪聲”，提出融合bwareaopen與imopen形態(tài)學處理的自適應算法，顯著提升圖像純凈度。 “分選”階段，提出多標簽分類規(guī)則，若某一缺陷圖層中像素超過閾值，則判定該棗為不合格品。在“分級”階段，融合果形不規(guī)則度指標與銹斑面積閾值對合格棗進一步劃分為優(yōu)質（Premium）、禮盒（Gifted）、普通（Good）三個等級。實驗表明，像素分類準確率高達97.8%，而在處理曲率、柄端與噪聲干擾后，最終整果分選準確率提升至91.78%，顯著高于未處理狀態(tài)下的34.88%。

(Jiang et al., 2023)面向冬棗采后貯藏過程中易感染的黑斑病，系統(tǒng)探索了可見-近紅外（400–1000 nm）與短波紅外（1000–2000 nm）高光譜成像系統(tǒng)對病害不同階段的無損檢測與可視化能力。實驗分為健康組、水處理對照組與病原接種組（人工創(chuàng)口注入1×10? CFU/mL真菌孢子懸液），在20°C條件下貯藏5天，每天采集40個樣本進行高光譜圖像采集。Vis-NIR系統(tǒng)由Specim ImSpector V10E成像光譜儀與Imperx ICLB1620 CCD相機構成，SWIR系統(tǒng)則采用Specim ImSpector N25E光譜儀與Raptor EM285CL相機，實現(xiàn)數(shù)據(jù)獲取。

在圖像處理上，研究首先通過SNV、MSC和Auto Scale三種預處理方法對原始光譜去噪，然后以PLS-DA與SVM-DA構建六階段病程分類模型。結果顯示，Vis-NIR光譜下的SNV-PLS-DA模型表現(xiàn)最佳，預測準確率達92.31%，明顯優(yōu)于SVM；而SWIR下SNV-PLS-DA模型準確率亦達91.03%。但SWIR模型在早期（Day 2）病變階段識別準確率低（69.23%），顯示其對初期癥狀敏感性有限。結合一元ANOVA結果，研究進一步篩選出判別力較強的特征波段，如Vis-NIR中的492、518、638、683 nm，與類胡蘿卜素和葉綠素吸收相關，SWIR中的1152、1327、1851 nm則與糖類和O-H振動有關。基于PCA對Vis-NIR圖像進行可視化處理，成功提取出黑斑病病變區(qū)域的主成分偽彩圖，其中PC1圖像在Day 1和Day 2階段即可初步顯現(xiàn)感染部位，遠優(yōu)于肉眼觀測。相較之下，SWIR系統(tǒng)在病變區(qū)域可視化能力較差，主要由于其光譜在前期感知差異度不高。

圖8 HSI系統(tǒng)在兩個光譜區(qū)域檢測冬棗黑斑病并監(jiān)測其發(fā)病過程

(Pham & Liou, 2020)開發(fā)了一種創(chuàng)新的基于旋轉平臺的高光譜成像系統(tǒng)，用于檢測紅棗表面的缺陷。該系統(tǒng)工作波段范圍為468–950 nm，與傳統(tǒng)的線性掃描系統(tǒng)相比，具有顯著優(yōu)勢，能在一次掃描中覆蓋紅棗表面約95%的區(qū)域，而傳統(tǒng)線性掃描系統(tǒng)只能覆蓋約49%。通過旋轉平臺，該系統(tǒng)能夠掃描球形果實的大部分表面，避免了由于果實表面曲率導致的圖像畸變問題。研究中針對紅棗的六種常見皮膚缺陷（銹斑、腐爛、白霉、黑霉、裂紋和反光）進行了分類，采用支持向量機（SVM）和人工神經(jīng)網(wǎng)絡（ANN）模型進行缺陷檢測。實驗結果表明，兩種模型均表現(xiàn)出較高的分類準確率，SVM模型達到了97.3%的準確率，ANN模型的準確率為97.4%。通過混淆矩陣對模型進行了評估，發(fā)現(xiàn)基于旋轉掃描數(shù)據(jù)訓練的模型優(yōu)于線性掃描數(shù)據(jù)訓練的模型。研究開發(fā)了圖形用戶界面（GUI），用于高光譜數(shù)據(jù)的預處理，包括LOESS平滑濾波和使用白色與黑色參考圖像計算相對反射率。此外，為了解決果實邊緣區(qū)域因掃描線強度較低而導致的誤分類問題，采用了自適應掩膜技術，有效減少了反光等因素對分類結果的干擾。

圖9基于旋轉平臺的高光譜成像系統(tǒng)及光譜采集流程

(Lu et al., 2018)基于高光譜反射成像的青棗冷害檢測方法，選擇最合適的光譜分辨率和掃描速度，提高冷害在線分選的效率。實驗中，使用了ImSpector V10光譜儀（Spectral Imaging Ltd., Finland）和C8484-05G CCD相機（Hamamatsu）構建的高光譜成像系統(tǒng)，掃描范圍為380–1023 nm，并結合不同光譜分辨率（1.25 nm、2.51 nm、5.03 nm、10.08 nm）和掃描速度（8 mm/s與20 mm/s）進行分析。青棗樣本經(jīng)過冷藏處理（0°C±0.5°C）不同天數(shù)后，分別分為正常、輕度冷害和重度冷害三類。研究首先使用Criminisi算法對光譜圖像中的鏡面反射區(qū)域進行修復，再通過隨機蛙算法選擇*優(yōu)的波長特征進行冷害分類。

結果表明，在5.03 nm光譜分辨率和20 mm/s掃描速度下，基于光譜特征的線性判別分析（LDA）模型能夠提供最佳的分類性能，分別達到98.3%（兩類分類）和93.3%（三類分類）的準確率。同時，使用基于圖像紋理的分類方法時，分類準確率相對較低，顯示出光譜特征在冷害檢測中的重要性。對于光譜特征的選擇，1.25 nm分辨率下的關鍵波長為726、724、889 nm，而在5.03 nm分辨率下，重要波長則主要集中在839–880 nm范圍內。這些波長的選取有助于識別冷害對青棗果肉的影響，特別是在細胞結構崩解引起的光散射變化上。

圖10基于高光譜成像技術的青棗冷害管道檢測