猕猴桃品质检测的重要性
猕猴桃因其营养价值高、风味独特，被誉为“水果**”，广受消费者喜爱。然而，在猕猴桃种植、采摘、储存和销售的各个环节中，其品质始终是关键问题。
随着农业向智能化和高效化方向发展，传统的人工检测手段已难以满足大规模种植的需求。无损检测技术的引入，不仅能提升工作效率，还为大数据分析、精准农业和全产业链质量管理提供了坚实基础。
猕猴桃品质检测方法
传统的猕猴桃果实品质检测方法主要是化学分析方法、质构剖面分析、穿刺等测试方法，这些有损检测方法在实际应用中存在成本高、破坏性强等局限性。为满足快速、无损的果品品质监测需求，核磁共振、光谱分析和电子鼻等技术，已被广泛研究并应用于检测水果的内部品质。其中，高光谱成像技术作为新兴的光学检测方法，可同时获取待测对象的内外部品质信息，即二维空间和一维光谱信息。二维空间信息用于直接提取待测对象的外部品质特征（如大小、形状）；将一维光谱信息与对象特定成分及含量等特征进行耦合分析，可以实现果品内部品质预测评估。
高光谱成像技术通过在多个连续的光谱波段（通常覆盖可见光到近红外范围）采集物体的反射或透射信息，能够提供比传统图像更丰富的细节。这项技术通过记录每个像素的光谱信息，能够**反映物体的物理和化学特性。猕猴桃品质检测中，高光谱成像可用于无损评估其外观、内部结构、糖度、硬度、成熟度等多种特征，通过分析不同波段的光谱信息，帮助检测瑕疵、腐烂以及预测质量指标，广泛应用于农业产品的质量控制和智能化检测。因此，国内外学者已逐渐将高光谱技术用于高效、无损的猕猴桃品质监测与分级研究中。
高光谱成像技术在猕猴桃内部品质检测中的应用
猕猴桃作为后熟水果之一，在实际采收时通常在未成熟时采摘，以延长其贮藏时间。如果过早采摘，猕猴桃会保持果肉的硬度，从而影响口感。采收太晚会导致猕猴桃过熟，难以储存。可溶性固形物含量（SSC）、硬度和颜色（L*、a*和B*）是评价猕猴桃品质和成熟度的重要参数。因此，无损检测猕猴桃在不同的成熟期的SSC，硬度和颜色，可用于确定适当的采收时间和采后质量分级。在以往的研究中，Meng et al. (2024)利用高光谱成像技术和化学计量学方法，建立了猕猴桃不同成熟期理化指标（SSC、硬度、L*、a*和B*）的快速检测模型，并采用伪彩色技术对猕猴桃不同成熟期的理化指标分布进行可视化，使检测结果更加直观（图1）。Zhu et al. (2017) 也利用高光谱成像技术研究了结合变量选择方法和校正模型预测了猕猴桃硬度，可溶性固形物含量（SSC）和pH值，并开发了图像处理算法，以在每个像素中传递预测模型，从而生成可视化硬度和SSC的空间分布的预测（图2）。
图1.猕猴桃理化指标可视化图
图2.原始RGB图像（a）和猕猴桃中SSC（B）和硬度（c）的分布图（测量值在图的底部）。
由于猕猴桃采摘后的储存时间短，需要冷藏以延长其成熟和软化时间。为探究贮藏环境对猕猴桃品质的影响，Zhao et al. (2023) 采用高光谱成像（HSI）技术研究了猕猴桃在近红外（NIR）区域不同贮藏条件下的猕猴桃品质变化。他们提出了一种基于深度学习方法对在不同温度（低温和室温）下储存的猕猴桃进行不同时间（0、2、4 和 6 天）的分类。此外，为了进一步研究低温环境下贮藏时间对猕猴桃的影响，采用深度学习方法建立高光谱深度特征与猕猴桃之间的关联，并对猕猴桃的贮藏时间进行分类。分类图可以直观地显示了新鲜水果和低温贮藏水果之间的差异（图3）。
图3. 猕猴桃的伪彩*图像（a）及不同低温储存时间的品质预测图（b）
Zou et al. (2024)对红心猕猴桃在开花、结果、成熟和采收过程进行了研究，提出了一种将荧光高光谱成像（FHSI）技术与化学计量学相结合的猕猴桃品质属性评价和成熟度识别的无损方法（图4）。该研究发现随着猕猴桃成熟，FHSI技术捕获的猕猴桃荧光强度逐渐减弱。在猕猴桃品质属性（DMC、硬度和SSC）的预测中，荧光高光谱技术结合PLSR模型准确预测了猕猴桃的内在品质特征。在使用深度学习模型进行猕猴桃成熟度（未熟、成熟和过熟）的三分类中，深度学习相对于机器学习模型具有一定的优势。
图4. FHSI技术与化学计量学相结合的猕猴桃品质和成熟度检测流程
Ma et al. (2021)利用推扫式近红外高光谱成像相机和样品旋转阶段相结合的方法采集了猕猴桃全表面的高光谱数据，这项工作提供了一种非破坏性和快速的方法来可视化猕猴桃的SSC和pH值（图5）。结果表明猕猴桃SSC���pH的360°映射结果超过了这一领域的早期工作，它们在每个完整的样品中显示出不同的空间分布。研究结果表明，对象旋转高光谱成像方法是有前途的非破坏性预测映射的猕猴桃或其他圆柱形样品中的SSC和pH值。
图5. 猕猴桃全表面品质可视化图像
高光谱成像技术在猕猴桃外部品质检测中的应用
猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标，不仅影响果实外观，也决定果实等级高低的划分。传统的形状分级方法大多采用人工分级,存在耗时长、效率低、重复性差且易受人为主观影响等问题。针对传统猕猴桃形状分级存在的问题，黎静 et al. (2020)利用高光谱成像建立了猕猴桃正常果和畸形果的分类检测方法。该研究以“金魁”猕猴桃为研究对象，采猕猴桃畸形果和正常果的分类由多位专业果形分析人员综合评定，得到正常果和畸形果（图6）。利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据，并采用主成分分析法对光谱数据进行降维得到了特征波长的融合光谱图像。然后计算了猕猴桃区域的形状特征参数，结合机器学习方法实现了正常果与畸形果的识别。
图6. （a）：正常果；（b）-（d）：畸形果
高光谱成像技术在猕猴桃货架期检测中的应用
货架期是影响果蔬品质和供应**的重要因素,快速准确预测果蔬货架期已成为消费者、生产者和管理者共同关注的问题。猕猴桃属于呼吸跃变型果实，采后成熟、衰老迅速，极易软化腐烂变质，货架寿命非常有限。但由于猕猴桃表面颜色变化不明显，人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。邵园园 et al. (2020) 近红外高光谱成像技术获取冷藏、室温条件下不同保鲜时间的猕猴桃高光谱信息，结合化学计量学方法，对猕猴桃货架期进行快速预测和判别。对猕猴桃切片图像进行PCA分析，图7为4℃和（18±2）℃的猕猴桃切片PC1-PC7图像。由图中可以看出，PC2图像反映猕猴桃切片信息* 明显，４℃和（18±2）℃的猕猴桃切片PC2图像在各货架期均呈现出不同程度的内部变化。从所得切片信息也进一步验证了高光谱成像技术是实现猕猴桃货架期预测的可靠工具。
图7. 猕猴桃切片图像主成分分析
