論文筆記 -《Machine vision technology for detecting the external defects of fruits - a review》

Content

• 1 文章背景
• 2 摘要内容
• 3 段落主旨
• • 3.1 Introduction
  • 3.2 Defect detection using image two dimensional information
  • • 3.2.1 Color imaging
    • 3.2.2 Monochrome imaging
    • 3.2.3 Integrating colour imaging and monochrome imaging
  • 3.3 Defect detection using image threedimensional (3D) information
  • 3.4 Hyperspectral and multispectral imaging
  • • 3.4.1 Bruises
    • 3.4.2 Chilling injury
    • 3.4.3 Pathogen infections
    • 3.4.4 Contamination
    • 3.4.5 Fluorescence imaging
  • 3.5 Advantages and disadvantages
  • 3.6 Conclusions

1 文章背景

1）題目/作者/發表時間/關鍵詞

• Machine vision technology for detecting the external defects of fruits — a review
• J. B. Li, W. Q. Huang, C. J. Zhao
• 2015
• Fruits; Machine vision; Colour imaging; Monochrome imaging; Hyperspectral imaging; External defect

2）期刊 / ISSN

• MAGING SCIENCE JOURNA
• 1368-2199

3）分區/名額

• 中科院分區：
  • 4區（工程技術/成像科學與照相技術）
• JCR分區：
  • Q2（Computer Science / Computer Vision and Pattern Recognition）

4）IF3 / h-index / CiteScore：0.554 / 21 / 0.83

2 摘要内容

機器視覺具有精度高、速度快、自動化、無損和成本效益高等特點，是以被廣泛用于多種行業。在農業上，機器視覺可用于水果的檢測和分級。

在這篇文獻中，回顧了目前主要的水果表面缺陷檢測方法，包括基于水果二維資訊成像、基于水果三維資訊成像、高光譜成像和多光譜成像等方法。

雖然目前的多相機組合成像系統達到了行業對水果檢測分級的精度和品質要去，但無法滿足實時工作要求，需要繼續降低系統對不同類型圖檔的處理時間以及合并分析。

3 段落主旨

3.1 Introduction

人工水果缺陷檢測是一種勞動密集型工作方式，容易産生錯誤。利用機器視覺進行檢測，可以在提升産品檢測品質的同時，将人從這種體力勞動中解放出來。在農業裡，水表表面缺陷不僅影響着水果的經濟價值，而且可以預測水果的内部特點，比如含糖量。

3.2 Defect detection using image two dimensional information

3.2.1 Color imaging

顔色是水果重要的自然特征之一，大多數檢測系統會利用這一特點分割水果圖檔。

1）Machine vision for non destructive evaluation of fruit quality（12）

作者/日期：Molto´等人/1995；

研究對象：桃子、橘子、蘋果和梨；

結果：利用線性判别法将将像素分割為3或4類。

2） Machine vision inspection of Golde Delicious apples（13）

作者/日期：Heinemann等人/1995；

研究對象：蘋果；

結果：利用判别函數對蘋果分類，達到了82.5%的檢測率。

3）

a） A real-time grading method of apples based on features extracted from defects（10）

作者/日期：Leemans等人/2004；

研究對象：蘋果；

結果：利用2個強化步驟，将顔色高斯模型用于蘋果缺陷分割上。該算法可以有效分割蘋果的多種外部缺陷，但也顯示出了一些噪聲。

b）Defects segmentatio on Golden Deliciousapples by using colour machine vision（14）

作者/日期：Leemans等人/1998；

研究對象：蘋果；

結果：

• 使用成像品質更好的3CCD相機去檢測蘋果外表皮缺陷。提出了一種基于貝葉斯判别分析的像素分割方法。用健康表皮和缺陷表皮的色頻分布去估計每類表皮缺陷的分布。
• 使用照明管、擴散器和反射器提供均勻的光照。

c）Defect segmentatio on ‘Jonagold’ apples using colour vision and a Bayesian classification method（15）

作者/日期：Leemans等人/1999；

研究對象：蘋果；

結果：将二次判别分析法用于蘋果的分類，但檢測效果不行。

4）Application of neural networks to the color grading of apples（16）

作者/日期： Nakano等人/1997；

研究對象：蘋果；

結果：将神經網絡用于蘋果分級，并取得了好的檢測結果。

5）Comparison of three algorithms in the classification of table olive by means of computer vision（17）

作者/日期： Diaz等人/2004；

研究對象：橄榄；

結果：将三種不同的算法用于橄榄的分級，其中，具有隐藏層的神經網絡準确度超過90%，偏最小二乘法法和馬氏距離法僅僅超過70%。

6）Application of image analysis fo classification of ripening bananas（18）

作者/日期：Mendoza等人/2004；

研究對象：香蕉；

結果：利用簡單判别分析技術，并基于香蕉顔色、棕色斑點發展和圖檔紋理資訊，計算機詳細系統成功識别了49根香蕉所處的不同階段，準确率達到90%。

7）Classification of grapefruit peel diseases using colour textur feature analysis（19）

作者/日期：Kim等人/2009；

研究對象：西柚；

結果：提出了基于HIS模型的14個西柚皮缺陷紋理特征。

雖然上述算法可以有效的将水果分類，但這些算法需要學習如何将不同區域和像素顔色聯系起來。也就是說，這些算法需要一個有效的訓練分類器，另外，為了适應水果季節性的顔色變化，算法訓練需要貫穿始終。

最近，一個新的基于無監督技術的面向區域圖檔分割算法被提出。該算法不需要先前的以适應不同批次水果和光照條件為目的的訓練和調整，見下面第“ 8）”條。

8）Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm（22）

作者/日期：Blasco等人/2007；

研究對象：柑橘；

結果：利用無監督技術檢測2294張柑橘圖檔的缺陷和果梗部位，分割成功率達到94%。

9）Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach（23）

作者/日期：Lo´pez-Garcı´a等人/2010；

研究對象：柑橘；

結果：提出了一種基于無監督多元圖像分析政策（具體流程見下圖）和主成成分分析方法的柑橘表面缺陷檢測算法，各項缺陷檢測的準确率達到91.5%。

10）Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods（24）

作者/日期：Li等人/2010；

研究對象：橘子；

結果：結合照明變換和鏡像比法，利用RGB成像技術去檢測柑橘的常見表面缺陷。對于720張獨立的樣圖，達到了98.9%的缺陷檢測率。

3.2.2 Monochrome imaging

因為傳統的彩色相機主要用于再現人類的視覺，是以它們不能很好地識别對RGB以外波段敏感的缺陷。考慮到這一點，在某些缺陷的識别上，可以使用基于不可見光的單目CCD相機，尤其是基于近紅外波段。

1）Machine vision methods for defect sorting stonefruit（26）

作者/日期：Nimesh等人/1994；

研究對象：石果；

結果：第一次使用單色相機來自動化水果和蔬菜的分級過程。作者将帶有近紅外波段濾波器的單目相機捕捉石果的圖像，以檢測和識别他們的主要缺陷。機器預測和人工測量瘀傷和疤痕區域的相關系數分别為0. 75和0.72。

2）Building a rule-based machine-vision system for defect inspection on apple sorting and packing lines（27）

作者/日期：Wen and Tao等人/1999；

研究對象：蘋果；

結果：将帶有700 nm長波濾波器的近紅外單目CCD相機系統用于水果缺陷的檢測。在960張蘋果樣圖上測試分類效果。通過設定合适的參數可以實作對蘋果缺陷的高識别率。

3）Computer vision based system for apple surface defect detection（28）

作者/日期：Li等人/2002；

研究對象：蘋果；

結果：使用分形特征和人工神經網絡将莖端和花萼從缺陷中分離出來。就莖端和花萼的識别而言，神經網絡模型對40個蘋果樣品的識别準确率達到93%。

4）Identifying defects in images of rotating apples（29）

作者/日期：Bennedsen等人/2005；

研究對象：蘋果；

結果：我們使用了基于單色相機和兩個分别在740 nm和950 nm的光學濾鏡的實驗機器視覺系統來識别蘋果上包括瘀傷在内的表面缺陷。該圖像系統會在蘋果于鏡頭前旋轉360°的同時捕捉六幅圖像。結果表明，包括瘀傷在内的缺陷對740 nm處的圖像敏感，而隻有瘀傷對950 nm處的圖像敏感，如下圖所示。（使用兩個波段的濾光器和蘋果360°旋轉擷取的原始圖像：740 nm濾波器捕獲的是前六張圖檔，950 nm濾波器捕獲的是下方的六張圖檔）

5）Stem and calyx recognition on ‘Jonagold’ apples by pattern recognition（30）

作者/日期： Unay and Gossenlin等人/2007；

研究對象：蘋果；

結果：

• 比較了線性判别，最近鄰，模糊最近鄰和支援向量機分類器等方法的識别效果。支援向量機在所測試的分類算法中識别效果最好，通過使用標明的特征子集可以正确識别出99％的莖端和100％的花萼。
• 水果遠處邊緣的分割是有問題的，可能是因為該位置仍然存在的照明僞像。是以，可以侵蝕水果的外輪廓以減輕該問題。但這會導緻檢測品質下降，因為有時沒有分析到水果表面的重要部位。

在單色圖像中，蘋果圖檔是淺灰色的。圖檔的平均亮度由中心到邊界逐漸下降。這通常使得圖檔邊緣黑暗，而中心部分看起來更明亮。此外，變暗邊緣甚至會導緻健康組織區域經常被誤認為是受損區域。是以，可以通過建立适當的照明系統來解決這個問題。

6）Defects segmentatio on Golden Deliciousapples by using colour machine vision（14）

作者/日期：Leemans等人/1998；

研究對象：蘋果；

結果：

• 使用照明管、擴散器和反射器提供均勻的光照；
• 使用成像品質更好的3CCD相機去檢測蘋果外表皮缺陷。提出了一種基于貝葉斯判别分析的像素分割方法。用健康表皮和缺陷表皮的色頻分布去估計每類表皮缺陷的分布。

7）Development of a multi-spectral vision system for the detection of defects on apples（32）

作者/日期：Kleynen等人/2005；

研究對象：蘋果；

結果 ：設計了一個包括兩個光源的照明隧道以檢測蘋果缺陷。

一般來說，一個有效的光照系統可以準确識别出圖檔邊緣的健康部分和圖檔中心的缺陷部分。然而，水果的許多自然變化，如大小、形狀、質地和顔色等，導緻我們難以建立一個在任何條件下對任何水果都有效的通用照明系統。另外，由于機械、空間或成本等原因，不能繼續優化照明系統。

8）Stem and calyx recognition on ‘Jonagold’ apples by pattern recognition（30）

作者/日期： Unay and Gossenlin等人/2007；

研究對象：蘋果；

結果：

• 水果遠處邊緣的分割是有問題的，可能是因為該位置仍然存在的照明僞像。是以，可以侵蝕水果的外輪廓以減輕該問題。但這會導緻檢測品質下降，因為有時沒有分析到水果表面的重要部位。
• 比較了線性判别，最近鄰，模糊最近鄰和支援向量機分類器等方法的識别效果。支援向量機在所測試的分類算法中識别效果最好，通過使用標明的特征子集可以正确識别出99％的莖端和100％的花萼。

9）Background and external defects segmentation of navel orange based on mask and edge gray value compensation algorithm（33）

作者/日期：Li等人/2009；

研究對象：臍橙；

結果 ：作者認為缺陷部位的錯誤分割是由球形水果的低邊緣灰階值造成的，是以提出了一種快速水果圖像邊緣灰階值補充算法。

研究兩個及以上RGB通道的關系可以減輕照明不均勻的影響，是以大多數檢測系統隻使用顔色特征來分割缺陷。另外，單色成像可以更有效地檢測對RGB以外波段敏感的某些缺陷。

3.2.3 Integrating colour imaging and monochrome imaging

為了更有效的确定缺陷，研究人員提出了結合多種相機檢測的方法。

1）A fast identification method for fruit surface defect based on fractal characters（34）

作者/日期：Li and Wang等人/2000；

研究對象：水果；

結果：使用三個CCD相機，一個彩色CCD相機和兩個具有560 nm幹涉濾波片的單色CCD相機來檢測水果缺陷。

2）Multispectral inspection of citrus in real-time using machine vision and digital signal processors（5）

作者/日期：Aleixos等人/2002；

研究對象：檸檬和柑子；

結果：使用由一個提供RGB資訊的彩色CCD和一個提供NIR資訊的單色CCD組成的相機系統，以及兩個數字信号處理器來識别水果的外部缺陷，其中，檸檬和桔子的識别準确度分别為93％和94％；

3）Dual-camera NIR/MIR imaging for stemend/calyx identification in apple defect sorting（4）

作者/日期：Wen and Tao等人/2000；

研究對象：蘋果；

結果：波長範圍從700至1000 nm的近紅外錄影機對蘋果的莖端/花萼和真實缺陷敏感，而波長範圍從3.4至5 um或者從8至12 um的中紅外錄影機僅對莖端/花萼敏感。基于這一事實，開發了一種結合近紅外和中紅外相機的系統，對莖端的識别率達到98.86％，對萼片的識别率達到99.34％。成像系統和檢測結果如下圖所示。（圖1，用于自動識别和分離蘋果缺陷和莖梗/花萼的機器視覺系統的示意圖；圖2，成功識别出右上角蘋果的瘀傷缺陷和右下角蘋果的疤痕缺陷，具體如下：a-傳送帶上蘋果的MIR圖像； b-從MIR圖像中提取莖端/花萼的圖像； c-圖3b的莖端/花萼的改良的MIR圖像； d-傳送帶上的蘋果的NIR圖像； e-缺陷和莖端/花萼的近紅外圖像； f-通過圖3c和e的比較獲得的真實缺陷的圖像。）

4）NIR/MIR dual-sensor machine vision system for online apple stem-end/calyx recognition（35）

作者/日期：Cheng等人/2003；

研究對象：蘋果；

結果：提出使用基于像素灰階相似度的相同系統（文中文獻4提到的系統）來檢測蘋果上的莖端/花萼。歐氏距離用于評估莖/花萼和缺陷之間的相似性。莖/花萼的識别率分别為94％和92％。但檢查精度可能會受到試樣表面溫度分布的影響。盡管該政策有效，但相機的成本（作者未讨論）是該方法實際實施的重要問題。

5）

a）Citrus sorting by identification of the most common defects using multispectral computer vision（36）

作者/日期：Blasco等人/2007；

研究對象：柑橘類水果；

結果：研究人員使用近紅外，紫外線和彩色圖像采集系統來鑒定柑橘類水果的最常見缺陷，發現每種類型的缺陷僅對特殊系統敏感。（下圖顯示了攝像頭和燈具位置的視覺系統方案圖。從左至右顯示了紫外線圖像采集系統，彩色圖像采集系統和近紅外圖像采集系統）

b）Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features（37）

作者/日期：Blasco等人/2009；

研究對象：柑橘類水果；

結果：為了區分11種柑橘類水果的缺陷，作者提出了一種将可見資訊和不可見資訊與形态特征相結合的柑橘分選算法，對2000多個柑橘類水果樣品的檢測成功率為86％。

6）Detection of surface defects on fruits using spherical intensity transformation（38）

作者/日期：Huang等人/2012：

研究對象：蘋果；

結果：使用雙CCD錄影機檢測并提出了蘋果缺陷檢測算法。近紅外CCD圖像用于去除目标圖像的背景，RGB CCD圖像用于開發缺陷檢測算法。

3.3 Defect detection using image threedimensional (3D) information

通常很難通過二維形狀特性或強度特性（例如由于外觀相似而導緻的均值，方差和梯度）來區分莖/花萼和某些缺陷。但是，水果上的莖/花萼區域具有獨特的3D幾何形狀，這些形狀可用于區分上述部位。是以，一些研究人員使用3D資訊來區分莖/花萼和缺陷。

1）Apple stem and calyx identification with machine vision（39）

作者/日期：Yang等人/1996；

研究對象：蘋果；

結果：描述了一種基于結構光的表面形狀資訊來查找莖/花萼的方法。在這項研究中，一組均勻間隔的平行光條紋同時投射到蘋果表面上。蘋果凸面上的條紋具有平行圖案。然而，莖和花萼區域周圍的凹面，條紋的外觀受到幹擾，條紋并不總是平行的。基于這種幹擾，可以區分莖/花萼和缺陷，如下圖所示。（結構光圖像：a-蘋果上有光條紋的圖像； b-分割的光條紋）

2）Real-time defect detection in fruit：Part I：Design concepts and development of prototype hardware（40）

作者/日期： Crowe and Delwiche等人/1996：

研究對象：蘋果；

結果：與文中文獻39類似。

3）Apparatus & method for inspecting articles such as agricultural produce（41）（專利）

作者/日期：Blit等人/1996：

研究對象：檢驗物品；

結果：如果疊加在莖端和花萼等位置上等的栅格照明線的曲率具有相對急劇的變化，則将這些位置确定為推定的莖或花萼位置。

在自動檢測中使用結構光會存在一些障礙。由于加工線上水果移動的随機性，很難檢測到水果表面上照明圖案的變形并獲得異常的圖像圖案，尤其是在檢測區域中掃描多個蘋果。最近，很少有關于使用結構光技術區分莖/花萼和缺陷的報道。

4）Study on identifying measurement about default of fruit in computer vision（42）

作者/日期： Feng and Wang等人/2002：

研究對象：蘋果；

結果：将傅裡葉變換用于識别缺陷和莖/花萼，并在100個蘋果樣品上進行了測試，其準确性達到 90％。.

5）

a）3D surface reconstruction of apples from 2D NIR images（43）

作者/日期：Zhu等人/2005：

研究對象：蘋果；

結果：為了開發更有效的方法來識别缺陷的莖/花萼，根據蘋果的3D深度資訊不同，重建了蘋果的3D表面，如下圖所示。使用 The Lambertian model 評估水果表面的反射率圖，然後 Pentland’s Shape-From-Shading method 被用于基于快速傅立葉變換的蘋果3D表面資訊重構。（蘋果3D表面重建：a-具有莖和缺陷的蘋果； b-具有花萼和缺陷的蘋果）

b）Three-dimensional shape enhanced transform for automatic apple stem-end/calyx identification（44）

作者/日期： Zhu等人/2007；

研究對象：蘋果；

結果：提出了一種3D形狀增強變換方法。該方法可以根據莖/花萼與水果表面區域之間的3D表面梯度差異來增加水果莖/花萼的面積。總共對203個蘋果圖像進行了測試，準确性高達93.97％。

c）Automated 3D surface reconstruction and analysis of apple near-infrared data for the application of apple stem-end/calyx identification（45）

作者/日期：Zhu等人/2007：

研究對象：蘋果；

結果：為了提高檢測效率，作者提出了3D二次面模型拟合方法。 在這項研究中檢查了233個蘋果圖像， 檢出率在90％以上。

3.4 Hyperspectral and multispectral imaging

高光譜成像是一種新興的技術，它将正常成像技術和光譜學技術相結合，同時從目标擷取空間資訊和光譜資訊。

反射成像是高光譜或多光譜成像的最常見模式。反射成像通常在可見光-近紅外(400-1000 nm)或(900-1700 nm)範圍内進行，已用于檢測水果的瘀傷、冷害、污染物和病原體感染等缺陷。

3.4.1 Bruises

瘀傷是水果表面最為常見的缺陷之一。但即使是目前最為先進的商用水果分類機器，也無法識别瘀傷等細微缺陷。

1）Detection of bruises on apples using near-infrared hyperspectral imaging（49）

作者/日期：Lu等人/2003；

研究對象：蘋果；

結果：利用頻域在900到1700 nm之間的近紅外高光譜對瘀傷後的蘋果進行成像，獲得它們在瘀傷後47天内的圖像。結果顯示該成像系統可以檢測新瘀傷和舊瘀傷，其中，Red Delicious的檢測準确率為62%至88%，Golden Delicious的檢測準确率為59%至94%，最合适頻譜區間是1000至1340 nm；

2）

a）Bruise detection on ‘Jonagold’ apples using hyperspectral imaging（48）

作者/日期： Xing等人/2005：

研究對象：蘋果；

結果：使用頻域在400至1000 nm的高光譜成像系統檢測Jonagold 蘋果的瘀傷。在所選樣本中，好蘋果的識别率為84.6%，1天内産生的新瘀傷蘋果識别率為77.5%。

b）Detecting bruises on Golden Deliciousapples using hyperspectral imaging with multiple wavebands（47）

作者/日期： Xing等人/2005：

研究對象：蘋果；

結果：使用文獻48中同樣的檢測系統檢測Golden Delicious蘋果，達到了86%的識别率。

上述所有系統都可以檢測發生在24小時後的瘀傷。但如果瘀傷出現在早期(小于12小時)，在這個階段中，瘀傷與其周圍區域之間的邊緣通常不清楚，檢測會出現問題。

3）Early detection of apple bruises on different background colors using hyperspectral imaging（50）

作者/日期：ElMasry等人/2008；

研究對象：蘋果；

結果：為解決12小時内新産生的瘀傷無法檢測的問題，作者首先采用偏最小二乘法和逐漸判别分析相結合的方法進行資料降維和有效波長的選擇。選擇近紅外區的三個有效波長(750、820和960 nm)進行多光譜成像測試。分類結果表明，瘀傷蘋果與正常蘋果能夠成功地區分開來。該系統對形成在1h後的瘀傷具有更好的檢測效果。

4）Detecting subtle bruises on fruits with hyperspectral imaging（51）

作者/日期：Zhao等人/2008；

研究對象：蘋果；

結果：作者使用高光譜成像檢測蘋果細微瘀傷，利用主成成分分析法選擇了547 nm的光譜。然後采用合适的圖像處理方法提取瘀傷特征，達到了88.57%的準确率。

3.4.2 Chilling injury

冷害在過去幾年是工業界中最常見的缺陷之一。因為在低溫下儲存的冷害水果，通常看起來都是健康的，是以水果冷害缺陷的早期檢測是相當困難的。最近，少數研究人員利用高光譜成像來識别這一缺陷。

1）Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks（54）

作者/日期：ElMask等人/2009；

研究對象：蘋果；

結果：使用高光譜反射成像系統檢測Red Delicious蘋果的冷凍傷害。利用前饋反向傳播神經網絡模型選擇最優的波段，實作了98.4%的識别率。

3.4.3 Pathogen infections

在柑橘包裝廠中，真菌感染的早期檢測尤為重要，因為極少數受感染的水果可以将感染傳播到整個批次，進而造成巨大的經濟損失。柑橘包裝廠最嚴重的收獲後損害是由青黴菌造成的。但使用标準人工視覺系統或标準RGB相機很難檢測到。

備注：病原體（pathogens）是指可造成人或動植物感染疾病的微生物（包括細菌、病毒、立克次氏體、真菌）、寄生蟲或其他媒介（微生物重組體包括雜交體或突變體）。

1）Hyperspectral computer vision system for the detection of Penicillium digitatum in citrus packing

lines（56）

作者/日期：Go´mez-Sanchis等人/2004；

研究對象：柑橘；

結果：為了解決人眼難以觀察到水果病菌感染的問題，作者使用可見光-近紅外高光譜成像系統去檢測由綠黴菌（Penicillium digitatum）導緻的柑橘類水果感染，以使病菌傷害在人眼可見前将它們檢測出來。利用主成成分分析的方法減少檢測波段數，利用分類和回歸樹将80%的圖檔進行了正确分類。圖像分割依賴于有效波段選擇技術和像素分類方法的結合。最終，水果腐爛的識别率達到了91%以上。

2）** Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging**（57）

作者/日期：Li等人/2012；

研究對象：桔子；

結果：作者使用高光譜成像技術檢測桔子的潰瘍病（canker），提出了基于主成成分分析法和波段比（Q687/630）的方法，在訓練集和測試集上分别實作了99.5%和84.5%的準确率。

3）Hyperspectral LCTF-based system for classification of decay in mandarins caused by Penicillium digitatum and Penicillium italicum using the most relevant bands and nonlinear classifiers（58）

作者/日期：Go´mez-Sanchis等人/2013；

研究對象：柑橘；

結果：作者使用高光譜成像技術識别腐柑（ the rotten mandarins），提出了新的特征選擇方法以降低高光譜圖像的次元，并獲得了最多10個相關特征。神經網絡被用于圖像的分割。根據決策樹獲得的結果表明，在衰減分類問題中，其準确性約為93％。

3.4.4 Contamination

在生長和收獲階段，水果暴露于糞便中可能會導緻水果産品被細菌食源性病原體污染。動物糞便是緻病性大腸杆菌O157:H7污染的最可能來源。此外，污染的可能性随着水果的實體損傷(如瘀傷)而增加。清潔可以減少污染物，但不可能消除污染物。是以，水果采摘後，研究其預處理階段的污染檢測技術具有重要意義。

1）

a）Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations（59）

作者/日期：Mehl 等人/2004；

b）Hyperspectral reflectance and fluorescence imaging system for food safety and quality（62）

作者/日期：Kim 等人/2001；

研究對象：蘋果；

結果：比較了Red Delicious，Golden Delicious，Gala and Fuji apples 表面缺陷和污染物檢測的各種圖像分析方法。結果表明，非對稱二次差分法是一種易于實作的多光譜成像技術。

2）Systemati approach for using hyperspectral imaging data to develop multispectral imagining systems: detection of feces on apples（63）

作者/日期：Lefcout等人/2006；

研究對象：蘋果；

結果：作者試圖開發基于來自高光譜成像關鍵波段的多光譜成像系統來檢測蘋果上的糞便。

3）Development of simple algorithms for the detection of fecal contaminants on apples from visible/near-infrared hyperspectral reflectance imaging（60）

作者/日期：Liu 等人/2007；

研究對象：蘋果；

結果：采集了Red Delicious和Golden Delicious蘋果經三種不同濃度糞便處理後的高光譜反射圖像。比較了雙波段比(Q725/557)算法、雙波段比(Q725/811)算法、三波段比算法、非對稱二次差分法和the first PC波段對兩個品種蘋果糞便污染圖像的識别效果，結果表明雙波段比(Q725/811)算法對糞便污染皮膚的識别效果最好。圖8和圖9分别顯示了本研究中應用的四種不同算法處理樣本蘋果圖像的結果。

4）Detecting pesticide residue on navel orange surface by using hyperspectral imaging（64）

作者/日期：Xue 等人/2009；

研究對象：桔子；

結果：作者展示了高光譜成像在檢測水果農藥殘留污染方面的潛在應用。通過主成分分析得到特征波長圖像。然後，對第三主成分圖像進行處理，檢測臍橙上的農藥殘留。本研究表明，高光譜成像技術可以有效地檢測水果表面的農藥殘留。

3.4.5 Fluorescence imaging

大多數水果外觀缺陷檢測的研究都涉及反射成像。一種可替代反射成像的檢查技術是熒光成像，它可以用來檢測不可見的損傷。

1）**Multispectral detection of fecal contamination on apple based on hyperspectral imagery: Part II. Application of hyperspectral fluorescence imaging **（65）

作者/日期：Kim等人/2002；

研究對象：蘋果；

結果：開發了一種多光譜雷射誘導熒光成像系統，根據高光譜熒光成像系統确定的最佳波長，檢測蘋果上的糞便污染。圖10顯示了包括關鍵部件的系統原理圖。熒光成像結果表明，即使是肉眼看不清的微小動物糞便也能被系統檢測到。

2）

a）Integrating reflectance and fluorescence imaging for apple disorder classification（66）

作者/日期：Ariana等人/2003；

b）Integrating reflectance and fluorescence imaging for apple disorder classification（67）

作者/日期：Ariana等人/2004；

研究對象：蘋果；

結果：作者将多光譜成像分别在反射和熒光模式下結合神經網絡分析對蘋果病害的各種類型進行分類。研究了三種不同的成像模式(反射式、可見光誘導熒光和紫外光誘導熒光)。結果表明，熒光模式具有較高的分類精度。

3）Detection of fecal contamination on cantaloupes using hyperspectral fluorescence

imagery（68）

作者/日期：Vargas等人/2005；

研究對象：哈密瓜；

結果：用多光譜熒光圖像來評估檢測哈密瓜上動物糞便污染的可能性。結果表明，680 nm處的熒光圖像顯示出最大的對比度，這種對比度可以通過圖像的比例來提高。

4）Detection of fecal contamination in apple calyx by multispectral laser-induced fluorescence（69）

作者/日期：Lefcourt等人/2005；

研究對象：蘋果；

結果：用多光譜熒光圖像來檢測蘋果花萼中奶牛糞便的污染情況。結果表明，糞便稀釋度為1:20的檢測準确率達到100%，但當稀釋度達到1:200時，檢測結果較差。

5）Hyperspectral reflectance and fluorescence line-scan imaging for online defect and fecal contamination inspection of apples（70）

作者/日期：Kim等人/2007；

研究對象：蘋果；

結果：為解決文獻69中因糞便濃度稀釋過低，使得檢測結果較差的問題，作者開發了一種與商用蘋果分揀機內建的快速高光譜線掃描成像系統。示意圖如下圖11所示。為了進行實時試驗，從以每秒3個蘋果的處理分選線速度移動的樣品中采集了30個400-700 nm連續光譜通道的高光譜熒光圖像。基于熒光多光譜圖像比值法，實作了100%的檢測準确率。

6）Application of hyperspectral fluorescence image technology in detection of early

rotten oranges（71）

作者/日期：Li 等人/2012；

研究對象：桔子；

結果：使用高光譜熒光成像技術檢測橙子的早期腐爛。采用最佳指數因子法确定最佳波段組合，并利用最優波段比圖像和兩個門檻值的實作100%的檢測率。

7）Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery（72）

作者/日期：Cho等人/2013；

研究對象：櫻桃番茄；

結果：提出了一種用于無損檢測有缺陷的櫻桃蕃茄的高光譜熒光成像技術。采用簡單方差分類分析和主成分分析法研究了最佳熒光波段。結果表明，基于方差分析結果選擇的一對波段與高光譜熒光圖像線性組合，能夠以大于99%的準确率檢測櫻桃番茄缺陷。

3.5 Advantages and disadvantages

如果人眼可以觀察到水果的缺陷表面，也就是說該類缺陷對紅綠藍波段敏感，則該類缺陷可以采用彩色（RGB）成像技術。

如果某缺陷對紅綠藍以外的波段敏感，可是使用帶有相應波段濾波器的單色成像技術。

為了更有效的檢測缺陷表面，可以采用結合彩色成像和單色成像的組合成像技術進行檢測。

為了解決水果缺陷和果莖/果萼不易區分的問題，可以采用三維資訊成像技術。利用該技術可以獲得更為精細的圖像資訊，但因為硬體成本和算法複雜度等問題，會使得檢測花費更多的時間。

高光譜成像技術作為一項新興技術，雖然可以檢測到彩色成像等技術無法檢測到的缺陷，但存在系統成本高，圖像采集和處理時間長等缺點。

目前研究一般用該項技術确定冷凍或瘀傷等缺陷的最佳檢測波長，然後将識别出的關鍵波段用于開發低成本、快速有效的多光譜成像系統或單色成像系統。

3.6 Conclusions

通過開發多相機組合系統，可以提高水果表面檢測的品質和精度。但組合系統不滿足實時性要求，需要繼續減少對不同類型圖檔的處理時間和合并分析。

由于相機安裝位置的不同，對同一個物體，其視場也是不同的。是以不同相機獲得的圖檔需要比對分析。

水果屬于生物材料，是以，了解不同果皮區域光吸收特性的差異是非常重要的。

高光譜成像技術結合了光譜和成像的優點，在水果缺陷檢測中有很多潛在的應用前景。但仍有一些關鍵問題需要進一步研究，包括高光譜降維、穩定特征波長的優化、圖像采集和處理時間的縮短等。