篇(1)

　　下面文章主要探究的是紅外熱成像技術的相關應用，首先簡單介紹了這項技術，之后探討了其在多種復合材料中的具體應用方式，這對此方面的研究起到一定的指導作用，促使該技術的應用范圍能夠逐步擴大。紅外熱成像是一種具備多種優勢的無損檢測技術，其能夠獲取構件內部的缺陷信息，并且在檢測過程中無需直接接觸，目前在航空航天領域的應用成果十分顯著。

　　【關鍵詞】紅外熱成像,無損檢測,復合材料

　　1引言

　　復合材料具備許多突出的優勢，并且目前的應用范圍越來越廣，但在無損檢測的過程中還存在較大難度，無法控制一些影響因素，并且在復合材料結構越發復雜的情況下缺陷也會越發顯著，進而影響構件性能，但紅外技術能夠獲取最為詳細的缺陷信息，本文就對此進行了具體分析。

　　2復合材料

　　2.1損傷分類

　　損傷類型除基本的夾雜、裂紋、缺層、孔隙之外，還包括磨損、劃傷及纖維卷曲等，其中較為常見的缺陷是夾層、孔隙，并且復合材料中的缺陷可能只存在一種，也可能是多種缺陷并存。

　　2.2無損檢測應用

　　無損檢測技術的應用主要體現在以下幾個方面。第一是材料檢測，主要的檢測內容包括材料性能及內部損傷情況，進而在此基礎上進行模型的構建并判斷損傷的特征。第二是結構檢測，目的在于解決產品加工制造過程中內部的結構問題，并依據相關的檢測標準與方法判別缺陷。第三是服役檢測，其主要針對的是已經完成裝機的結構件，目的在于了解構件的損傷擴展情況及構件壽命信息，主要針對的是不同類型的應用結構件。

　　3檢測原理

　　任何溫度高于零度的材料都會發射熱輻射能，而紅外檢測就利用的是物體的這一特點，即通過施加溫度場有效控制物體溫度，進而激發其產生熱波。另外，不同物體在物理、化學及材質等多個方面都存在一定的差異性，這就會對熱波的傳輸造成一定的影響，進而出現反射的現象，最終體現在材料的溫度變化方面，而這一變化過程及結果就可被紅外探測儀記錄，進而可準確了解材料的具體特性，并判斷其內部是否出現了損傷。

　　4不同類型材料檢測

　　復合材料分為多種類型，下面主要介紹幾種特性較為顯著的復合材料的紅外檢測。

　　4.1陶瓷基

　　該類材料主要應用于航空領域，是近年來才研發出的一種新型材料，其最大的特點在于能夠抵抗高溫且抗氧化性能較強，具備許多十分突出的優勢，目前關于該種材料的研究力度也在逐步加大。因此研發適合該材料的無損檢測技術是十分必要的，這樣才能準確獲取材料內部所存在的缺陷。

　　目前關于此方面的研究成果也越來越多，例如相關人員就利用紅外熱波技術分別對含有碳化硅的試樣及不含有碳化硅的氧化缺陷試樣進行了無損檢測。最終的結果顯示，材料內部的氧化損傷可以直觀呈現，并且由檢測結果可知，材料的熱擴散系數可以作為損傷程度的檢測依據船]，而通過紅外技術則能夠進一步進行無損探傷。

　　4.2夾心復合材料

　　該類材料的特點在于密度較小且強度及剛度較大，其同樣是航空領域的重要材料，尤其體現在儲油箱及雷達罩等部位，但是由于在加工過程中涉及許多較為復雜的因素，容易使得該復合材料產生缺陷，進而影響其承載能力，因此需要通過紅外熱像技術了解構件的缺陷，進而對生產工藝進行改進。

　　目前關于此方面的研究成果也逐漸增多，例如相關研究人員就利用該技術的原理進行了玻璃纖維試件的制作，并通過紅外技術進行了缺陷檢測，從研究結果來看，該項技術能夠全面檢測出試件中分層缺陷的部位、尺寸及深度等各項參數，進而使得這些缺陷得到處理，這對于促進航空航天領域的進一步發展具有十分重要的作用。

　　4.3層合板

　　層合板屬于結構材料的范疇之內，其特點在于剛度及強度較高、可承受較高的溫度，并且不容易被磨損，但該類材料同時也存在一些缺陷，主要體現在層間強度過低，一旦受到外物沖擊就會使得結構內部被嚴重損傷，并且出現脫層及開裂等十分顯著的缺陷。

　　因此，通過紅外技術檢測缺陷并加以改進是十分必要的。當前部分研究人員在研究絕熱層試件的過程中就將脫粘缺陷作為了研究的主要方向，進而通過控制表面溫度來判斷缺陷位置，并通過紅外成像圖準確識別缺陷，從研究結果來看，紅外熱成像能夠識別直徑與深度分別為十毫米與五毫米的脫粘缺陷，檢測效果十分突出。

　　5實際應用

　　紅外熱像檢測技術最為突出的優勢在于其適用于一些大型部件中，并且檢測速度較快，操作過程也較為簡便，并且能夠獲取最具時效性的信息，但其缺陷在于探測器本身存在一定的差異，因此容易實現測試結果受到影響。但盡管如此，該項技術的突出優勢仍然使得其在西方多個國家得到了廣泛應用，尤其是航天領域，目前主要用于飛機及固體火箭發動機的檢測中。另外，該檢測技術在應用過程中無需提前對表面做預處理，并且可適用于任何結構試件，因此應用前景十分可觀。

　　6結語

　　總而言之，當前復合材料的檢測成果越來越多，其中主要運用的是紅外成像技術，從檢測結果來看，該類技術能夠準確獲取構件的缺陷信息，因此當前就可逐步擴大其應用領域，這對于促進航空航天及社會其他領域的發展具有重要作用，本文就對此進行了深入探究。

　　【參考文獻】

　　[1]丁克勤.紅外無損檢測技術研究現狀與發展趨勢[J].中國鍋爐壓力容器安全，2013，16(6)：47-51.

　　[2]蔡毅，唐金亞.對紅外熱成像技術發展的幾點看法【J].紅外技術，2015，22(2)：2-6.

　　[3]曾祥照.無損檢測文化概論[J].無損探傷，2014，(2)：34-37.

　　[4]戴宇，王方.工業爐管溫度的紅外成像測試方法[J】.南京化工大學學報，2014，21(6)：44-48.

　　相關期刊推薦：紅外技術(月刊)創刊于1979年，是由兵器工業集團公司主管，昆明物理研究所、中國兵工學會夜視技術專業委員會主辦的技術性學術月刊。

篇(2)

　　摘要:針對營達高速公路花冠隧道工作面前方地質構造問題，為隧道工程的安全施工提供更為準確的物探資料，采用地震層析成像技術的原理，介紹了該方法在隧道超前地質預報工作的準備事項、工作流程及注意事項。通過在花冠隧道超前地質預報工作的應用研究，表明該方法在隧道超前預報中探測范圍廣，隧道上下、左右探測距離能達到50m，前方探測距離能達到150m;并通過三維成像方法能將隧道工作面前方地質構造異常空間位置直觀地表現出來。提高了隧道超前地質預報成果的解釋準確度及精度。

　　關鍵詞:地震層析成像;隧道工程;超前地質預報;三維成像;巖體破碎帶;地質異常體

　　0引言

　　隧道工程往往存在埋深較深、地勢復雜且里程較長的特點，所以地質條件較為復雜。隧道施工中往往要經過如溶洞、斷層、煤層、瓦斯富集區、富水區、破碎帶等許多不良地質異常體，而在勘察設計階段難以準確的查明這些隱蔽的不良地質體具體情況，這造成勘察設計階段的地質勘察資料與實際地質情況不符。查明這些隱伏不良地質異常體，為隧道施工提供可靠的地質物探資料，進行隧道超前地質預報工作是非常必要的，它在隧道施工中具有重要的作用，它是隧道掘進開挖之前必須進行的一個重要步驟[1-5]。

　　隧道超前地質預報常用的工作方法有鉆探法、地質調查法、物探方法，常使用的物探方法有電法、電磁法、地震波法。現階段隧道長距離超前地質預報方法使用的主要是地震波法，它包括TSP、TGP、TRT、TST、HSP等各種方法。隧道地震波反射層析成像技術(簡稱TRT)具有操作簡單、探測距離較長、不需要放炮、費用低、成果三維顯示、結果解釋較準確等諸多技術優勢，近年來在各個隧道都有良好的應用[6-12]。

　　1原理與技術方法

　　1.1基本原理

　　地震波反射層析成像技術簡稱TRT，屬于地震波超前預報法。該技術是在隧道工作面布置三維觀測的無線檢波器，在震源點用大錘激發地震波，地震波在向隧道工作面掘進前方傳播過程中遇到波阻抗界面，即地層巖石分界面或巖體變化界面，如巖性分界面、斷層構造、破碎構造帶、巖溶、采空區、富水區等，一部分透射進入前方繼續傳播，一部分彈性波信號被反射回來的高靈敏度傳感器接收，并通過無線傳感器基站把信號傳輸到計算機中。通過處理得到隧道工作面掘進前方三維地震波反射層析圖，分析隧道工作面掘進前方不良地質異常體的性質的位置及規模。當地震波從低阻抗巖層介質傳播到高阻抗巖層介質時，反射系數R為正;反之，反射系數R為負。

　　所以，當地震波從較軟巖傳播到較硬的圍巖時，反射回波的偏轉極性和波源是相同的。當地震波傳播到圍巖破裂帶時，反射回波的極性會發生反轉。地質異常反射體的范圍越大，聲學阻抗差異性就越大，反射回波能量就越強，越容易探測到[13-17]。該技術采用層析掃描成像技術，形成直觀、立體的三維圖，立體圖中的反射邊界煤一點離散圖像是由空間疊加所有地震波形計算得來。通過分析，得出隧道工作面前方地質異常體的性質、位置、形狀、大小。

　　1.2工作前準備

　　現階段使用地震波反射層析成像技術的儀器主要有美國產TRT6000、TRT7000，以TRT7000為例工作前準備主要有以下4個方面。

　　(1)儀器完整性檢查。1臺系統主機，11個模塊，1個BASE，1根BASE和主機連接線，1個采集密碼狗，1根觸及線纜及1個觸發器，10個傳感器，10個固定塊及10根固定細管。

　　(2)儀器充電。包括主機、模塊、無線風鉆。

　　(3)設備工作狀態檢查。連接基站、打開無線模塊，檢查采集軟件中相應通道綠燈是否亮，若所有燈不亮，需要檢查基站連接線、基站和軟件設置，若某個通道不亮，則檢查相應模塊。觸發正常后連接所有傳感器，每個傳感器按一定順序排開，開始采集數據，看每個通道采集的數據地震波初至是否明顯，如果初至波不明顯，則更換線或傳感器，如果始終無法讓初至波明顯，則維修無線模塊，直至所有通道初至波明顯為止。

　　(4)物品準備。1個12磅左右大錘，1個小錘，1瓶做標記用的噴漆，10個鐵鉤子，1L左右的水，梯子或者裝載機，全站儀，帶��8mm鉆頭的沖擊鉆。

　　1.3工作流程

　　以TRT7000儀器的工作過程為例:選擇震源點及檢波器點，測量人員測量坐標，操作人員安裝傳感器及遠程模塊，建立基站，連接電腦，測試是否正常，進行數據采集。

　　1.4注意事項

　　檢波器應固定牢固，布置前用小錘輕輕敲擊巖石表面，確保不要選取破碎的點;用全站儀準確測量記錄好12個震源點、10個檢波器的三維坐標;遠程模塊掛在隧道壁上，注意保持天線朝下，而基站的無線模塊天線注意保持朝上;設備采用的是進口高靈敏度、高精度的檢波器，對環境震動及噪聲比較敏感，在作業時必須完全排除隧道施工和環境產生的震動及噪音等干擾因素。

　　1.5成果分析

　　使用RV3D軟件處理數據得到隧道工作面掘進方向空間的物探異常體的三維立體圖像成果，運用用相對異常解釋原理，先確定地震波在正常連續均勻的巖性體傳播為正常的背景場，形成物探異常體區域偏離背景場值的大小、范圍、距離，然后結合地質勘察資料、已揭露的地質資料、施工現場環境及類似工程的施工經驗綜合考慮解釋隧道工作面前方不良地質體的位置、性質、形狀、規模[17-20]。

　　2工程實例

　　2.1工程概況

　　花冠隧道位于營山至達州在建高速公路。隧道地貌單元屬構造剝蝕丘陵區，地貌單位由中等強度的構造及長期的剝蝕堆積形成，形成山丘渾圓、斜坡較緩、溝谷寬闊的地面形態，微地貌主要表現為丘陵、緩坡、陡坎、沖溝、寬谷等。

　　在長期的剝蝕作用下，地勢無明顯脈絡，迂回起伏較為破碎，地形為爪狀起伏垅崗與寬闊槽谷相間雜呈，垅崗由小山丘與不規則狀殘丘組成，地形地貌較復雜。洞體主要圍巖主要由侏羅系上統蓬萊組下段砂巖、粉砂質泥巖組成。巖層產狀為357°∠6°，傾向與坡向夾角為70°，為層狀斜向結構，呈較不利組合，且由于巖體風化強烈，易產生節理裂隙發育，巖體破碎不良地質體。花冠隧道左線的起止里程ZK34+740m—ZK35+345m，長605m;右線的起止里程K34+720m—K35+365m，長645m。

　　2.2現場采集

　　試驗探測位置為花冠隧道進口左線，里程為ZK34+808m。探測使用的儀器為TRT7000設備，儀器組成:檢波器10個，檢波器固定塊10個，無線模塊11個，無線通訊基站1個，觸發器1個，儀器主機。根據隧道工作面具體情況的設計安裝10個傳感器，在工作面左右邊墻分別布置4個，隧道拱頂布置2個，錘擊震源點在隧道左右邊墻分別布置6個共設計12個。

　　2.3超前地質預報探測結果

　　通過軟件處理得到三維地震反射界面的分布圖，結合工區的地質資料、鉆探資料和現場的實際情況綜合分析，預報結論如下:

　　(1)工作面前方14～39m(ZK34+822m—ZK34+847m)，三維成像圖顯示在該區域存在范圍較廣且反射振幅較強的地震波反射界面帶，結合地質資料和已掘進段的地質情況綜合判斷該段地質異常體是由于圍巖層理、裂隙發育，巖體破碎帶引起。

　　(2)工作面前方110～130m(ZK34+918m—ZK34+938m)，三維成像圖顯示存在較弱的地震波反射界面，結合地質資料和已掘進段的地質情況推測該段圍巖存在裂隙或含有裂隙水，也有可能是干擾造成的假異常。

　　(3)工作面前方0～10m、40～110m、130～150m(ZK34+808m—ZK34+818m、ZK34+848m—ZK34+918m、ZK34+938m—ZK34+958m)，三維成像圖顯示該區域范圍內無明顯地震反射波，推測該段圍巖完整性較好無明顯異常。

　　2.4驗證結果

　　隧道掘進后的地質資料顯示:工作面前方18～38m(ZK34+826m～ZK34+846m)巖性為粉砂質泥巖，層理、裂隙發育，巖體較破碎。工作面前方115～125m(ZK34+923m～ZK34+933m)工作面附近圍巖無明顯異常現象。超前地質預報結果和實際掘進驗證情況基本一致。

　　3結論

　　(1)地震反射層析成像技術操作簡便、三維成像、直觀準確地顯示地質異常體，探測距離能達到150m，探測范圍廣，隧道上下、左右50m，隧道前方、側方和上下方向異常都能探測到。

　　(2)地震反射層析成像技術能準確的預測預報花冠隧道內的不良地質異常體，為本隧道的安全施工提供了可靠的地質物探資料，有利于在此工程項目其他隧道工程推廣及應用。

　　(3)結果解釋需要結合地質勘察資料、已揭露的地質資料、施工現場環境及類似工程的施工經驗綜合考慮解釋，提高超前預報工作的準確性。

　　參考文獻(References):

　　[1]趙永貴，劉浩，孫宇，等.隧道地質超前預報研究進展[J].地球物理學進展，2003，18(3):460-464.ZhaoYonggui，LiuHao，SunYu，etal.Researchprogressintunnelgeologicalprediction[J].ProgressinGeophysics，2003，18(3):460-464.

　　[2]劉國，李焯均，沈衛東.綜合超前地質預報在長樂山隧道施工中的應用[J].現代隧道技術，2011，48(1):123-127.LiuGuo，LiZhuojun，ShenWeidong.IntegratedadvancegeologicpredictionappliedinChangleshantunnel[J].ModernTunnelling

　　相關刊物推薦：《現代隧道技術》(雙月刊)創刊于1964年，由中鐵西南科學研究院有限公司 和中國土木工程學會隧道及地下工程分會共同主辦。

篇(3)

　　摘要：高光譜成像(HyperspectralImage,HSI)技術通過將成像和光譜這兩種經典光學傳感技術集成到一個系統中，可以同時提供空間和光譜信息。因此，高光譜成像具有快速和無損檢測水果的物理形態特征以及內在化學和分子信息的能力，以便進行質量和安全分析和檢測。本文總結了近十年來高光譜成像技術在水果質量檢測方面的研究進展與應用。描述了高光譜成像系統的基本原理和系統組件，總結了高光譜數據采集、預處理、建模的常用方法，并對用于檢測水果外觀特征和內在特性例如硬度、可滴定酸度(TitratableAcidity,TA)、可溶性固形物含量(SolubleSolidsContent,SSC)、水分含量(Moisturecontent,MC)的方法進行了綜述。同時給出了應用于水果質量檢測的高光譜成像技術今后的發展趨勢和研究方向，以期為水果產業智能化提供參考。

　　關鍵詞：高光譜成像;化學計量學;水果品質;可溶性固形物含量;光譜定性分析;光譜定量分析

　　水果的綜合質量檢測包括外觀檢測和內在特性的測定。外部缺陷包括擦傷、冷害等，在很大程度上，這些缺陷會降低水果質量水平，造成巨大的經濟損失。內部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等，這些都與水果香氣、口感和口味有很大關系，而且其中一些成分對身體有很大益處，這意味著內部特征在質量檢測中起著主導作用[13]。傳統上，基于外部特征的水果質量檢測系統嚴重依賴于人工操作，既耗時又費力且不夠客觀。同時，水果內部質量的測量主要依賴于破壞樣品和使用化學試劑進行化學分析。

　　計算機技術方向評職知識：適合視覺傳達設計論文發表的期刊

　　近年來，計算機視覺技術已被用于監測水果的質量變化。計算機視覺系統捕獲的質量特征主要突出與其形狀大小、顏色和紋理特征密切相關的外部視覺特性[45]。關于水果內部屬性的定性和定量測定，已經采用了包括反射、透射、熒光和拉曼散射測量的光譜方法，來提供對水果質量和安全問題的直接檢測。

　　然而，上述方法中單點檢測的弱點限制了它們在均勻樣品中的應用[67]。因此，在水果質量檢測過程中應用一種實時、準確、無損的檢測技術來量化每個質量參數，同時保證水果的安全性已成為迫切需要。如今的局限性可以通過引入高光譜成像技術來解決。本文將對高光譜成像技術在水果質量檢測方面的研究進展與應用展開討論。介紹高光譜成像系統的主要儀器組成，以及數據采集、光譜預處理和建模的常用方法。通過介紹用于檢測水果外觀特征和內部特性的方式及其建模方法，提出高光譜成像技術的挑戰和未來發展趨勢，以便更好地將高光譜成像技術應用于水果無損檢測領域。

　　1高光譜技術原理

　　1.1高光譜成像系統及其系統組件

　　高光譜成像涉及成像和光譜兩個方面內容。該技術可以在連續的波長范圍內產生一系列高分辨率圖像信息，這些數據具有二維(2D)空間信息和一維(1D)光譜信息，構成了三維(3D)數據立方體。其中，軸和軸代表2D平面，λ軸代表波長軸。因此，高光譜圖像中的每個像素都保存相應位置的光譜信息，獲得的光譜具有反映該特定像素信息的功能[89]。

　　1.2形態校準

　　在高光譜圖像采集中，由于曝光時間、載物臺移動速度和焦距的不同，普通水果表皮的粗糙度、顏色和光澤在影響圖像采集方面各有差異。因此，根據不同水果的特點，確定圖像采集的參數尤為重要。由于水果中光強分布不均勻，形狀多樣，在光源強度較弱的波長下，獲取的圖像通常具有較大的噪聲，這給數據處理帶來了冗余信息。因此，需要使用黑白板來校準高光譜圖像[10]。

　　1.3化學計量學方法

　　1.3.1光譜預處理

　　為了將儀器和檢測環境的干擾噪聲和背景等非質量信息降至最低，需要進行光譜預處理，如均值中心化(MeanCentering)、平滑、多元散射校正(MultiplicativeScatterCorrection,MSC)、標準正態變量變換(StandardNormalVariate,SNV)、去趨勢(Detrending,DT)、導數處理、光譜濾波等，以提高原始數據質量，用于后續分析[11]。

　　1.3.2波長篩選方法

　　原始高光譜數據立方體包含幾十到幾百個波段，這給計算機帶來了巨大的存儲和處理壓力。因此，選擇保存最佳波段是數據簡化和模型優化的重要步驟，以此提高分析速度。目前在定量與定性分析中，波長選擇的方法主要有相關系數法、方差分析法、無信息變量消除(EliminationofVariables,UVE)法、競爭性自適應權重取樣(CompetitiveAdaptiveReweightedSampling,CARS)法、連續投影算法(SuccessiveProjectionsAlgorithm,SPA)和遺傳算法(GeneticAlgorithms,GA)[12]等。

　　1.3.3建模方法

　　建模方法可分為定量建模方法和定性建模方法。定量建模方法也稱多元定量校正方法。在光譜分析中常用的方法包括多元線性回歸(MultipleLinerRegression,MLR)、主成分分析(PrincipalComponentAnalysis,PCA)、偏最小二乘回歸(PartialLeastSquaresRegression,PLSR)、人工神經網絡(ArtificialNeuralNetwork,ANN)、支持向量機(SupportVectorMachine,SVM)[13]等方法。定性分析問題需要用到化學計量學中的模式識別方法。這種方法通常包括三類：有監督的方法、無監督的方法、光譜檢索方法。常用的分類方法包括：聚類分析、深度優先搜索(DepthFirstSearch,DFS)和判別分析(DiscriminantAnalysis,DA)等。

　　2高光譜成像技術在水果質量檢測中的應用水果質量既包括外觀、顏色等外部屬性，也包括硬度和可溶性固形物含量(SSC)等內部質量參數。高光譜成像技術用于捕捉與內部質量相關的各種光譜和空間信息。表明了高光譜技術在水果品質無損檢測中應用非常廣泛。

　　水果的外部特征和內部參數的測量及建模方法在下面小節詳細討論。

　　2.1外部特征

　　2.1.1擦傷

　　在收獲和運輸時出現在水果表面的表皮擦傷是水果最嚴重的外部缺陷之一，在研究中備受關注。它影響水果的外觀、質地和顏色，并促使水分流失。擦傷的斑點增加了細菌和真菌污染的風險，降低了消費者的接受程度。擦傷區域的化學變化會導致其反射特性的變化。因此，通過比較同一物體上不同空間位置的光譜，可以很容易地檢測到擦傷區域。Siedliska(2014)等[29]對蘋果擦傷進行無損檢測，在構建水果損傷的監督分類模型時，采用了高光譜數據的二階導數預處理和基于相關性的特征選擇算法。測試集的成功率超過95%，驗證集的成功率超過90%。在模型中，正確分類的實例的百分比非常高，從測試集的98.2%到100%，到驗證集的93%。

　　吳龍國(2015)等[16]對長棗擦傷進行無損檢測，采用近紅外(NearInfraredReflection,NIR)波段獲取300個長棗反射圖像，提取并分析各類型長棗光譜曲線，選擇9181678nm波段范圍進行主成分分析，通過權重系數提取特征波長，然后對特征波長下圖像進行主成分分析，選擇最優的主成分圖像進行識別。最后，對未識別的長棗圖像采用波段比算法進一步進行識別。

　　NIR波段碰傷棗的識別率為100%。Keresztes(2016)等[30]開發了一個基于HSI的實時像素早期蘋果碰傷檢測系統。為了克服HSI光照均勻性較差的限制，對幾種反射率校準和預處理技術進行了比較，以校正眩光并最大化信噪比。通過一階導數和均值中心化的最佳組合，以及圖像后處理，該系統能夠在像素級以98%的精度檢測30個蘋果中的新擦傷，每個蘋果的處理時間低于200ms。

　　Liu(2017)等[15]對草莓進行缺陷識別，采用最小噪聲分數(MinimumNoiseFraction,MNF)變換對高光譜圖像數據進行處理，并定位和分離缺陷區域并進行光譜提取。基于水果的目標缺陷區域建立質量參數和光譜特征之間的聯系。光譜歸一化后，擦傷草莓的光譜區域為650720nm，并通過連續投影算法從整個波長范圍中選擇八個最佳波長。開發了線性和非線性算法來識別草莓中的缺陷類型。

　　結果表明，基于全波長的SVM模型具有最高的識別準確率，標定準確率為96.91%，預測準確率為92.59%。 上述研究結果表明，基于高光譜成像技術的水果擦傷檢測主要集中在蘋果、獼猴桃、草莓、棗等水果，其中對蘋果的擦傷檢測最多。對于區分擦傷和正常水果以及不同深度的擦傷，高光譜成像技術的引入提高了水果擦傷的預測效率。然而，在使用高光譜檢測較小面積擦傷時，應謹慎使用圖像處理技術。此外，以上研究僅限于某類水果的幾個品種，因此需要進一步研究更多不同品種的水果材料。

　　2.1.2冷害

　　冷害是指由水果和蔬菜組織冰點以上的不適低溫造成的傷害。大多數熱帶和亞熱帶水果都對冷害敏感。在低溫條件下，水果組織容易受到損傷，導致代謝活性發生改變。在敏感物種中，可以觀察到表面點蝕、變色、萎蔫、風味喪失甚至腐爛。ElMasry(2009)等[31]對蘋果冷害進行識別，建立了一個“蛇果”蘋果冷害識別模型，利用反向傳播神經網絡方法，準確率為98.4%，該模型可進一步應用于蘋果硬度的預測。

　　Sun(2017)等[19]對桃子冷害進行評價，采用高光譜反射成像(4001000nm)并結合化學計量學方法，建立PLSDA、ANN和SVM判別模型，用于二類(“非冷害”和“冷害”)，三類(“非冷害”、“輕度冷害”和“重度冷害”)，四類(“非冷害”、“輕度冷害”、“中度冷害”和“重度冷害”)分類模式。

　　結果表明，使用全波長時，神經網絡模型對預測集的分類率最高，四類、三類和二類分類的準確率分別為85.37%、96.11%和99.29%。此外，通過連續投影算法選擇的六個最佳波長用作偏最小二乘法、費希爾線性判別分析、ANN和SVM模型的輸入。另外，還通過轉換圖像的主成分分析算法，生成了冷害區域的空間分布圖。結果表明，高光譜反射成像技術用于桃子冷害的無損檢測是可行和有效的，甚至可以在食用和加工前進行多波長的檢測。

　　2.1.3組織特性

　　除了水果的擦傷和冷害之外，其他組織特性如多汁性和咀嚼性與其感官質量密切相關。蘋果綿軟是一種組織障礙，其特征是缺乏汁液和組織疏松。Huang和Lu(2010)[18]在6001000nm范圍內使用HSI系統檢測“金冠”蘋果綿軟，使用硬度和多汁性這兩個參數作為指標。偏最小二乘分類模型對“綿軟”和“非綿軟”蘋果的準確率在74.6%至86.7%之間。

　　利用局部線性嵌入算法進行特征提取，偏最小二乘法的總體分類性能為80.4%，而分類模型的準確率為82.5%。總的來說，高光譜成像有很好的二級分類(綿軟，非綿軟)結果。對于在長貨架期內處理的“粉狀”蘋果的兩級分類，獲得了更好的結果(93%的準確性。然而，這項技術仍然不能準確地確定硬度和多汁性方面的粉質水平，也不能區分不太嚴重的粉質蘋果。

　　3發展趨勢

　　盡管在水果質量檢測過程中，與強大的化學計量學相結合的高光譜成像技術使我們從繁重的測量和繁瑣的計算中解脫出來，但在將高光譜成像技術應用于實時應用時仍有一些障礙需要克服。首先，之前構建的模型應用到另一個HSI系統時，應該仔細進行模型轉換。第二，樣本的特性也可能給質量分類和預測帶來一些問題。一方面，由于大多數水果例如，圓形蘋果或圓柱形香蕉的形態變化而導致的光譜變化削弱了模型的能力。另一方面，樣品所具有的干擾例如，莖和花萼對擦傷檢測的干擾)可能會降低分類的準確性[4244]。

　　隨著硬件和軟件技術的進步，具有低成本和快速檢測特性的高光譜成像系統是有望實現的。在今后的應用高光譜對水果質量進行無損檢測的過程應注重以下幾個方面的研究：(1)目前，基于高光譜圖像關鍵波段的多光譜成像受到了廣泛關注。由于多光譜成像系統具有相對較低的儀器成本和較高的分析速度，有望在工業領域中得到廣泛應用。(2)另外，HSI可以在不同的模式下執行，每種模式在提供特定的樣本信息方面都有自己的優勢。因此，以多模式方式運行的未來高光譜成像系統通過提供關于同一物體的更全面的信息將具有良好的潛力。

　　(3)此外，仍然需要改進成像處理算法，以進一步提高該技術的效率，挖掘其降低計算和圖像分析成本的潛力，能夠快速、實時、準確地確定水果中重要化學成分。(4)更要鼓勵業界采用比當前在線多光譜技術更可靠、更靈活的分類解決方案，但建議進一步照明和硬件優化，以進一步減少眩光的影響和提高處理速度，以促進高光譜成像在水果快速和無損質量檢測中的廣泛應用。

　　結論

　　本文綜述了近10年來高光譜成像在水果質量檢測方面的研究進展與應用。涵蓋了水果的內外屬性，外部屬性包括擦傷、冷害等，內部特征包括硬度、可溶性固形物含量、可滴定酸度、水分含量等。在過去的幾十年里，現代無損檢測技術，包括光譜和成像技術得到了發展。在光譜技術方面，高光譜技術作為一種快速方便的工具，在這些無損檢測技術中成本最低，適用于測定皮薄或內部結構均勻的水果。就成像技術而言，高分辨率成像技術是預測內部質量的有力工具，只需選擇幾個波長即可獲得很好的結果。高光譜成像技術使實現對水果的無損檢測以及在線分類和分級成為可能。

　　參考文獻References：

　　[1]RAJKUMARP,WANGN,ELMASRYG,RAGHAVANG,GARIEPYY.Studiesonbananafruitqualityandmaturitystagesusinghyperspectralimaging[J].JournalofFoodEngineering,2012,108(1):194200.

　　[2]NANYAMY,CHOUDHARYR,GUPTAL,PALIWALJ.Adecisionfusionstrategyforfruitqualityinspectionusinghyperspectralimaging[J].BiosystemsEngineering,2012,111:118125.

　　[3]YANGL,GAOHQ,MENGLW,FUXP,DUXQ,WUD,HUANGLX.Nondestructivemeasurementofpectinpolysaccharidesusinghyperspectralimaginginmulberryfruit[J].FoodChemistry,2021,334:110.

　　[4]LIUJH,SUNX,YOUNGJM,BACHMEIERLA,NEWMANDJ.Predictingporkloinintramuscularfatusingcomputervisionsystem[J].MeatScience,2018,143:1823.

　　[5]WANP,TOUDESHKiA,TANHQ,EHSANIR.Amethodologyforfreshtomatomaturitydetectionusingcomputervision[J].ComputersandElectronicsinAgriculture,2018,146:4350.

　　作者：何馥嫻，蒙慶華1*，唐柳，黃新，盧旭恒，王瑞揚，張克智，李鈺