基于Vis/ NIR多光谱成像技术的轻加工苹果日新鲜度衰减研究：初步实验
摘要：
近年来，鲜切（轻度加工）果蔬的市场消费量大幅增长。事实上，人类生活方式的变化往往促使消费者更倾向于选择便捷且健康的产品。监测新鲜切割产品的质量变化对于控制整个生产链中的新鲜度水平至关重要。因此，采用非破坏性且可整合到生产链中的新型分析方法将极大助力新鲜果蔬行业的发展。本初步研究旨在利用可见光 / 近红外多光谱成像技术，定性监测鲜切苹果切片12 小时内新鲜度随时间的衰减规律。实验所用3颗粉红佳人苹果购自大型连锁商超；沿果柄-果萼横轴横向切片制备样品。每片苹果对半分割处理：其中一半切片浸入含2%（w/v）L-抗坏血酸的水溶液中5分钟以模拟即食产品状态，另一半作为对照组保持未处理状态。
采用丹麦 Videometer A/S 公司生产的 Videometer Lab4多光谱成像系统，连续 12 小时、每 60 分钟对苹果进行监测，并针对每次采集数据采用与各样本同步获取的多色参考图像进行归一化校正，以确保测量条件的一致性。每张图像均采用k均值算法对RGB彩色图像进行分割，从而将苹果果肉（即关注区域）与背景、果皮及果核分离。经过上述预处理后，将当日每个切片的所有采集数据整合为单一数据集，并以二维矩阵形式呈现，随后应用主成分分析（PCA）。最终通过伪彩色评分图像重组技术，突显单个苹果切片中出现的显著差异。
研究结果令人鼓舞：所有样本的分析均能清晰区分经处理切片与未处理切片（尤其在PC2评分维度上）；同时，经处理与未处理切片均显示出随时间推移（按小时计）明显的变化趋势。本初步研究表明，多光谱成像技术可作为快速、非破坏性的监测手段，有效追踪低限度加工苹果切片的新鲜度变化过程。
图1. 苹果切片示意图（左图），标签分别标示经L-抗坏血酸处理的部分与未处理部分；右侧为掩膜处理后的感兴趣区域（ROI）标识。
主成分分析（PCA）结果显示，三个具显著性的主成分共同解释了近98.21%的总方差（图3）。PC2得分分布图显示其解释了22.14%的方差，并清晰揭示了所有三个样本时间维度上的变化趋势（如图2所示）。图中三个苹果切片按列顺序排列（参见纵轴标签），其时间演变过程则沿横轴方向呈现（参见横轴标签）。
图2. PC2得分源自主成分分析（PCA）。所监测的苹果切片按列顺序排列，而按行顺序排列则展示了这些样本在一天中各时段的变化趋势。
在第一次采集的样本中（即图2左部分），深色区域广泛分布。这些颜色通常与较高的新鲜度相关，因为它们是新鲜切片采集样本的典型特征。随着时间推移，深色区域会逐渐消失，并被更明亮的颜色所取代，这表明苹果的衰老程度正在加剧，主要与水分流失有关。在图2右部分的最终采集数据中，最明亮的颜色占据主导地位，说明在整个持续12小时的实验过程中，产品的新鲜度已显著下降。
图3.前三个主成分（PC）的PCA载荷值随相机滤光片波长的变化关系（左图），以及相同主成分解释的总方差百分比（右图）。
图3展示了前三个主成分（PC）的PCA载荷图。如前所述，样品随时间的变化特征主要由PC2来描述：其载荷图在430–470nm可见光区及 NIR 波长大于850nm的区域呈现明显的正负峰值；而在这两个波长范围之间的区间内，曲线则趋近于零。因此，衰老进程主要可通过蓝色区域内的三种对颜色敏感的滤波器，以及近红外波段中对检测样品随时间变化至关重要的滤波器来表征。针对这些定性分析结果，需进一步开展深入研究以确定合适的滤波器组合并减少所需滤波器数量。
②Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit
多光谱成像技术在草莓果实品质指标与成熟度判别中的应用
摘要：
采用涵盖405–970nm波长范围内的19个波长的多光谱成像技术，已被用于无损检测草莓果实的硬度、总可溶性固形物（TSS）含量及成熟度等级。研究采用了偏最小二乘法（PLS）、支持向量机（SVM）和反向传播神经网络（BPNN）等多种分析方法，建立了预测完整草莓果实硬度与TSS含量的理论模型。与PLS和 SVM 相比， BPNN 显著提升了多光谱成像技术预测硬度和TSS含量的性能：相关系数(r)分别为0.94和0.83，均方误差（SEP）分别为0.375和0.573，偏差分别为0.035和0.056。随后，利用 SVM 模型和主成分分析-反向传播神经网络（PCA- BPNN）模型验证了该技术对果实成熟度分级的分类能力，其中 SVM 模型实现了高达100%的分类准确率。所有模型结果均表明，光谱中的可见光（VIS）区域是决定草莓果实硬度、估算TSS含量及判定成熟度等级的主要因素。结果证明，结合合适的分析模型，多光谱成像技术是一种快速评估草莓果实品质特性并实现成熟度分级的前景广阔的技术手段。
图1. 多光谱成像系统的主结构配置：采用带有哑光白色涂层的积分球可确保最佳光照条件；位于球体边缘的发光二极管可实现窄带照明；图像采集由安装在球体顶部的单色灰度CCD相机完成。
图2展示了在三个成熟度阶段采集的草莓果实于405–970 nm波长范围内测得的平均相对反射率光谱。尽管处于不同成熟度，草莓果实的反射率曲线在整个光谱范围内均较为平滑。代表草莓果实颜色特征的花青素和叶绿素此前已被分别鉴定出存在于约520nm和680nm波长处[33,34]。ElMasry等人[11]指出，NIR在840nm和960nm附近的吸收峰分别与糖分含量及水分含量相关。本研究中，由于成熟及过熟果实中的叶绿素已发生降解，其在660 nm处的叶绿素吸收带几乎消失。与此同时，花青素吸收带（525 nm处）的相对反射率在成熟及过熟果实中均显著低于未成熟果实，表明这两种果实中的花青素含量明显更高。该结果与ElMasry等人[11]的研究报告一致——他们同样发现成熟及过熟果实中的花青素含量高于未成熟果实。先前研究已明确，总可溶性固形物含量的主要构成成分为糖类，其占比达57%至82%[5]。过熟果实中糖类吸收带（850nm处）的相对反射率远低于未成熟及成熟果实，这可能与过熟果实的总可溶性固形物含量（8.63 μg·g⁻¹）显著高于未成熟及成熟果实（分别为7.03 μg·g⁻¹和7.79 μg·g⁻¹）有关。
图2. 未成熟、成熟及过熟草莓果实的多光谱图像平均反射率。垂直条表示基于70次测量所得标准差。
③Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method
基于多光谱成像法的整颗枣果预测模型卷积神经网络
摘要：
可溶性糖是评估枣子品质的重要指标，同时也是影响枣子口感的关键因素。目前测定枣子可溶性糖含量主要依赖人工化学分析法，该方法耗时且劳动强度大。本研究探讨了多光谱成像技术结合深度学习方法用于快速无损检测果实内部品质的可行性。通过多光谱成像方法建立了支持向量机回归模型、偏最小二乘回归模型以及卷积神经网络（CNN）模型，用于预测整颗枣子的可溶性糖含量，并从中筛选出优模型用于预测三种可溶性糖的含量。研究表明：经过CNN训练后，整颗枣子的蔗糖预测模型性能最佳，验证集的相关系数达0.88，这证明了利用CNN预测枣子可溶性糖含量的可行性。
图1为本研究方法整体试验流程。试验样本选用中国新疆维吾尔自治区不同品种红枣。基于多光谱反射率数据构建支持向量回归（SVR）模型与偏最小二乘回归（PLSR）模型；完成图像分割与数据增广后，利用卷积神经网络搭建预测模型；最后依据预测精度筛选优模型。
流程：样本采集→样本多光谱图像采集→图像预处理（光谱提取、图像分割、数据扩充）→模型构建（CNN 图像模型、PLSR 模型、SVR 模型）→模型对比→样本含糖量实测
试验流程
①图像预处理：选取880nm波段灰度图，阈值分割+分水岭算法实现单颗枣果分割；
②数据扩充：旋转、翻转扩增样本，数据集按 5:1 划分训练集与验证集；
③构建三类模型：
SVR、PLSR 传统机器学习模型（3 组不同一维光谱输入）；
浅层自制 CNN 模型，输入19波段三维多光谱图像，同步融合光谱+空间纹理特征；模型评价指标：决定系数R2、均方根预测误差 RMSPE。
图 2 样本采集与处理示意图：(a) 用于红枣图像采集的 VideometerLab4 设备；(b) 红枣原始多光谱图像；(c) 对比 19 个光谱波段后，选取区分样本与背景效果佳的 880 nm 灰度图开展预处理，通过阈值法分离前景枣果与背景；(d) 采用分水岭算法分割单颗枣果，生成独立单果多光谱图像。
试验采用 VideometerLab 4 多光谱成像设备（图 2 (a)），设备搭载 19 种不同波长 LED 光源，覆盖可见光、紫外、近红外四大成像模块，光谱范围 365–970 nm。密闭球体内各 LED 依次闪烁照射样本，生成多光谱图像（图 2 (b)）。
图 3 样本多光谱反射率感兴趣区域：(a) 红枣整体平均多光谱反射率提取区域；(b) 红枣五点光谱采样点位示意图。
首先提取预处理后单颗枣果的感兴趣区域（ROI），借助 Videometer Lab软件提取该区域平均多光谱反射率，见图3 (a)；其次在感兴趣区域内选取5个采样点（左上、右上、左下、右下、中心）采集单点光谱反射数据，图3(b) 为 5 个采样点分布位置。
图 4 样本数据扩充方式：(a) 原始图像；(b) 90° 旋转；(c) 270° 旋转；(d) 左右翻转；(e) 上下翻转。
本研究样本数量有限，训练卷积神经网络前先进行数据扩充。如图 4 所示，每张样本图像执行四种增广操作：90° 旋转、270° 旋转、左右翻转、上下翻转。
图5. CNN架构示意图：输入为80 × 80 × 19的样本图像，输出经过五个卷积模块、一个全连接层和一个回归层处理。各卷积模块包括卷积层（Conv）、批归一化层（BN）、Leaky ReLU激活函数层、最大池化层（Max pooling）以及丢弃层。
图5展示了CNN预测模型，该模型主要由五个卷积模块、一个全连接层模块以及一个回归层组成。每个卷积模块包含一个卷积层、一个归一化层、一个带泄漏的ReLU（修正线性单元）激活函数层和一个最大池化层。卷积层的卷积核尺寸为5 × 5 and 3 × 3；特征图像数量分别为128、64、32、16和8；所有卷积层的步长均为2；填充值设为0。在该模型中采用了交叉熵损失函数和Adam优化算法，学习率初始值设定为0.1。
研究结论：SVR、PLSR 所有输入方案建模效果极差，CNN 模型预测精度大幅提升，果糖、葡萄糖、蔗糖中蔗糖预测效果优。优势原因：CNN 输入完整多光谱图像，同时包含光谱、外形、纹理信息，相比一维光谱机器学习更适配多品种、小批量红枣无损检测。
④Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest
壳聚糖可抑制指状青霉和意大利青霉的生长，在采后阶段保护柑橘免受绿霉病和蓝霉病侵害
摘要：由青霉属（Penicillium spp.）感染引起的橙子采后损失是全球柑橘产业面临的主要问题。本研究检测了壳聚糖对多种青霉菌株（包括部分对杀菌剂耐药的菌株）的抗菌特性，并评估了壳聚糖作为脐橙保护涂层预防感染的效果。在培养基中添加0.5%浓度的壳聚糖可抑制指状青霉（Penicillium digitatum）的生长，而斜青霉（Penicillium italicum）则需要1%的壳聚糖才能抑制其生长。随后，我们分别采用单独使用壳聚糖或与商业蜡混合的方式对橙子进行涂覆处理，以比较其控制青霉感染的效果与传统杀菌剂加蜡处理方案的差异；其他对照组包括仅使用蜡处理或不作处理的橙子。在适宜病害发生的条件下，对橙子进行指状青霉和斜青霉菌株的接触接种实验。结果显示：与仅使用蜡处理或未处理的橙子相比，经1%、2%及1%+蜡混合壳聚糖涂层处理的橙子感染累积发生率显著降低；基于壳聚糖的食用涂层效果亦优于杀菌剂和蜡处理方案。与常规处理组相比，2%壳聚糖可使杀菌剂耐药型指状青霉和斜青霉引起的腐烂发生率分别降低68%和76%。此外，与所有其他处理方法相比，将壳聚糖与蜡结合使用可延长橙子的保质期并提升其市场竞争力。这些结果表明，壳聚糖可作为合成杀菌剂的有效补充或替代品，用于防治脐橙采后供应链中的青霉病和蓝霉病。
试验图像采集
为评估壳聚糖是否具有预防感染作用并支持视觉评估，研究人员对每组实验中的六个橙子采用多光谱成像（MSI）技术检测真菌早期发育情况及观察病程进展。经nCDA算法处理后的多光谱图像清晰显示了受感染组织与健康组织在反射光谱上的显著差异。虽然使用17种波长组合可获得最佳分离效果（特征值为18），但我们最终选定包含365、490、570、645、880和940 nm六种波长的波长组合（覆盖紫外、可见光及近红外区域），其特征值为13.54。例如图3展示了涂覆1%壳聚糖+蜡剂与传统抑霉唑+蜡剂（阳性对照）的橙子在接触接种斜口假单胞菌FR菌株后的对比结果：阴性对照组与壳聚糖+蜡剂组图像中均未出现红色像素点，证实视觉上健康的组织确实保持健康状态；而壳聚糖+蜡剂处理组橙子在接触接种48小时后感染即被抑制；相比之下，传统抑霉唑处理组果实中出现深红色像素点表明存在活跃的真菌生长（斜口假单胞菌FR）。
sRGB 原图：普通可见光照片，就是人眼直观看到的橙子外观，早期果皮内部霉菌肉眼看不出痕迹；
nCDA 转换图：Videometer软件对 19 段多光谱波段做判别分析处理后的可视化图像，是设备核心病害识别输出结果。
时间梯度观测
图中展示接种后 2 天、6 天、10 天、14 天多个时间节点成像，每组橙子下方标注霉变总面积（mm²）与果皮侵染占比，实现病害量化，不靠人主观肉眼打分。
①阴性对照：未接触病菌的健康橙子，全程几乎无红色侵染像素；
②传统抑霉唑 + 果蜡处理组：随贮藏时间延长红色病斑持续扩大，证明耐药青霉对化学杀菌剂已产生抗性，传统保鲜方案失效
③1% 壳聚糖+蜡涂层组：全程仅有极小面积感染，48 小时接触病菌后霉菌扩散被有效阻断，防护效果突出；
图3.橙子病害进展的多光谱成像研究。图像对比了空白阴性对照组、传统抑霉唑 + 果蜡处理组、1%壳聚糖+果蜡处理组等并经接触接种意大利假单胞菌FR的果实。1%壳聚糖+蜡涂层在接触接种后有效保护了橙子免受感染。不同时间点的橙子图像以原始（sRGB）和转换（nCDA）格式呈现。果实储存于12.5°C、相对湿度约95%的环境中。色标表示转换后的像素值范围：健康果皮为蓝色（-2），感染果皮为红色(2)；比例尺=20毫米。每个橙子下方标注了感染面积（单位：mm²）及感染组织百分比。dpci：接触接种后天数；2 dpci：第一次接触接种源后48小时；nCDA：非经典判别分析；sRGB：标准红、绿、蓝色彩空间。
⑤Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging
采用傅里叶变换红外光谱法与多光谱成像技术测定苹果干的理化性质及生物活性化合物
摘要：
本研究采用多光谱成像（紫外 - 近红外光谱）、傅里叶变换红外光谱（FTIR）结合化学计量学分析，探究膨化干燥对苹果片理化特性与微观结构的影响。膨化干燥会显著改变苹果片品质：亮度L*值由75.00降至43.62，水分含量由10.34%降至7.41%；红度a*值由5.41上升至12.32，酸度由0.37%提升至0.49%，硬度由422.06大幅升高至2967.06。尽管干燥后质地硬度提升，总酚含量却从 3650.03mgGAE/kg下降至3307.28 mgGAE/kg，说明加工过程中存在营养物质损耗。傅里叶变换红外光谱分析证实，样品中碳水化合物与脂质发生结构改变；总酚含量下降也印证酚类物质受热降解。主成分分析（PCA）可清晰区分对照组与膨化干燥处理样品，第一主成分可解释98.5%的总体变异。基于红外光谱数据构建偏最小二乘回归（PLS）模型，能够精准预测样品亮度、红度与硬度指标。多光谱成像结果直观体现样品颜色与质地的显著差异：膨化干燥后苹果片亮度降低，表面不均匀性显著上升；对紫外-近红外光谱开展主成分分析可实现不同组别样品有效分离，进一步证明干燥造成果肉组分发生改变。上述结果表明，多光谱成像可作为无损检测手段，用于实时监测干燥加工引发的果蔬内部组分与品质变化。
图三.对照组与膨化干燥（PD）苹果切片的平均紫外 NIR 光谱
平均光谱曲线（图3）显示，对照组与膨化干燥（PD）苹果样品在紫外-近红外波段的平均光谱强度存在明显差异，该差异源于膨化干燥处理引发的样品理化性质改变。在紫外-可见光区间（360–700 nm），对照组样品平均光谱强度高于膨化干燥样品。原因可能是膨化干燥过程使多酚、各类色素等紫外-可见光区特征吸光物质发生降解或结构转化；这类物质对干燥过程中的高温与机械作用力十分敏感。在过渡波段（650–750 nm），两组样品光谱强度差值较小，说明此波段对应的物质结构与化学组分变化程度微弱。近红外区间（750–960 nm）内，膨化干燥样品平均光谱强度略高于对照组。近红外波段信号通常对应O–H、C–H、N–H 化学键的合频吸收峰；该波段反射率上升与干燥失水、微观结构改变，以及膨化处理造成的碳水化合物、蛋白质组分变化相关。膨化干燥形成多孔结构会增强光散射效应，这也是膨化干燥样品光谱强度更高的重要原因（参考文献 42）。
图4.对照组(a)与膨化干燥苹果切片(b)的多光谱图像
多光谱成像结果（图 4）直观展现了对照组与膨化干燥苹果片在色泽、表面质地方面的显著区别，直观佐证干燥处理造成的组分与微观结构变化可通过外观特征体现。
图5. (a) 对照组与膨化干燥苹果样品紫外 - 近红外光谱主成分分析得分图；(b) 基于 Videometer 光谱数据建立红度值a*实测值-预测值偏最小二乘回归拟合图
紫外-近红外光谱数据的主成分分析得分图（图 5）进一步证明两组样品可全区分，说明膨化干燥引发了苹果内部显著的结构与组分变化。与色泽相关波段对应的高载荷系数表明样品色素体系发生明显改变，该现象大概率由美拉德反应与焦糖化反应共同导致。
参考文献：
[1] Guidetti, Riccardo , et al. "Daily Freshness Decay of Minimally Processed Apples using Vis/NIR Multispectral Imaging: Preliminary Tests." #i{Chemical Engineering Transactions} 44(2015).
[2] Liu, Changhong , et al. "Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit." #i{Plos One} 9(2014).
[3] Jing, Wang , et al. "Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method." #i{Chinese Journal of Electronics} 32.3(2023):655-662.
[4] Piancatelli, Simone , et al. "Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest." #i{Postharvest Biology and Technology} (2026):232.
[5] Baltacolu, Cem , et al. "Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging." #i{Scientific Reports}.
