利用高光譜成像技術(shù)檢測(cè)鮮切蔬菜中的外來(lái)物質(zhì)

本文要點(diǎn)：本文討論了檢測(cè)鮮切蔬菜中影響產(chǎn)品安全性和質(zhì)量的外來(lái)物質(zhì)（FMs）的方法，研究使用了三種高光譜成像（HSI）技術(shù)來(lái)區(qū)分七種常見(jiàn)的鮮切蔬菜中的外來(lái)物質(zhì)，并開(kāi)發(fā)了一個(gè)模型來(lái)識(shí)別它們。其中，短波紅外HSI系統(tǒng)顯示出最佳的檢測(cè)準(zhǔn)確度（99％），可見(jiàn)近紅外和熒光分別為89％和64％。最終，研究建議在工業(yè)應(yīng)用中，采用短波紅外HSI技術(shù)結(jié)合SPA-PLS-DA模型（總體檢測(cè)準(zhǔn)確度為99％）可以有效地進(jìn)行鮮切蔬菜中外來(lái)物質(zhì)的快速、無(wú)損檢測(cè)。
 

 

---

圖1中為研究人員從韓國(guó)大田的一家超市購(gòu)買(mǎi)了七種新鮮的完整蔬菜，包括卷心菜、胡蘿卜、青蔥、洋蔥、馬鈴薯、蘿卜和西葫蘆。選擇這七種蔬菜是因?yàn)樗鼈冇猛緩V泛且顏色變化多樣。這些蔬菜被分為兩種不同的尺寸，切成了絲狀和丁狀（近似小立方體），然后與可能會(huì)在蔬菜中意外混入的小塊外來(lái)物質(zhì)（FMs）混合在一起。研究中使用了不同種類的塑料（PP、PET、LDPE、HDPE、ABS、PS、PC和尼龍）、紙張、橡膠、紙巾、線頭、石頭、木頭、香煙煙蒂、金屬、人類指甲和昆蟲(chóng)作為外來(lái)物質(zhì)（FMs）。每種類型的蔬菜分別使用了246種外來(lái)物質(zhì)（見(jiàn)表1），其中對(duì)于切絲蔬菜和切丁蔬菜的前兩次實(shí)驗(yàn)，分別使用了123種外來(lái)物質(zhì)。在第三次數(shù)據(jù)收集中，額外使用了47種外來(lái)物質(zhì)，其中至少包含了表1中的每種類型的外來(lái)物質(zhì)。這最后一次實(shí)驗(yàn)僅用于獨(dú)立測(cè)試最佳選擇的模型的性能。
 

圖1. 新鮮切割的蔬菜（上排切丁狀，下排切絲狀），均帶有外來(lái)物質(zhì)

 

本研究使用了三種不同的高光譜成像系統(tǒng)來(lái)識(shí)別鮮切蔬菜中的外來(lái)物質(zhì)，分別是可見(jiàn)近紅外（VNIR）、短波紅外（SWIR）和熒光。高光譜熒光系統(tǒng)是通過(guò)對(duì)VNIR HSI系統(tǒng)進(jìn)行改造實(shí)現(xiàn)的，其中加入了八個(gè)10瓦的紫外A LED光源，以提供365納米的激發(fā)光（取代鹵素?zé)簦�，并在物鏡前面加入了一個(gè)400納米的長(zhǎng)波透過(guò)濾光片組，以消除激發(fā)光的尾部。所有三個(gè)系統(tǒng)都使用在MS Windows中運(yùn)行的Microsoft Visual Basic（版本6.0）軟件進(jìn)行管理。這些HSI系統(tǒng)的照片視圖見(jiàn)圖2。

圖2. VNIR、SWIR、HSI系統(tǒng)照片

 

圖3展示了生成HSI數(shù)據(jù)結(jié)果圖像的典型步驟，包括數(shù)據(jù)采集、校正、光譜提取、預(yù)處理、模型開(kāi)發(fā)和最終分類圖像。

圖3. 高光譜成像（HSI）數(shù)據(jù)分析和分類圖像構(gòu)建的流程圖

 

表2為將偏最小二乘判別分析（PLS-DA）模型應(yīng)用于來(lái)自七種蔬菜的原始和預(yù)處理數(shù)據(jù)的結(jié)果匯總。然而對(duì)于所有三種系統(tǒng)而言，原始數(shù)據(jù)提供了最佳的模型準(zhǔn)確度。在短波紅外HSI區(qū)域，總體分類準(zhǔn)確度為99％，但僅未能識(shí)別與背景相關(guān)的外來(lái)物質(zhì)。在可見(jiàn)近紅外區(qū)域，分類準(zhǔn)確度略有下降（89％），可能是由于無(wú)法準(zhǔn)確基于可見(jiàn)光區(qū)域的顏色將物體分開(kāi)。熒光HSI系統(tǒng)能以中等準(zhǔn)確度（64％）區(qū)分外來(lái)物質(zhì)，但因存在一些非熒光的外來(lái)物質(zhì)而略有困難。在熒光HSI技術(shù)中，僅從包括校準(zhǔn)和驗(yàn)證數(shù)據(jù)在內(nèi)的200個(gè)外來(lái)物質(zhì)中識(shí)別出了128個(gè)，其中大多數(shù)是對(duì)熒光敏感的材料，如紙張、紙巾、橡膠和一些塑料。

 

 

此外，為了測(cè)試針對(duì)單個(gè)蔬菜的通用模型的性能，隨機(jī)選擇了每種類型的200個(gè)蔬菜和100個(gè)外來(lái)物質(zhì)的光譜，并應(yīng)用了模型。針對(duì)單個(gè)蔬菜的性能變化分別為短波紅外、可見(jiàn)近紅外和熒光HSI系統(tǒng)分別為3％、6％和27％（見(jiàn)表3）。因此，可以觀察到在識(shí)別外來(lái)物質(zhì)時(shí)，短波紅外HSI系統(tǒng)對(duì)于特定類型的新鮮切割蔬菜可能影響不大。另一方面，熒光HSI系統(tǒng)受到蔬菜類型的影響更大，因?yàn)樗�依賴于樣本中的熒光物質(zhì)含量進(jìn)行識(shí)別。然而，胡蘿卜在三種HSI系統(tǒng)中都顯示出了最佳的結(jié)果（短波紅外→99％，可見(jiàn)近紅外→93％，熒光→80％）。總的來(lái)說(shuō)，馬鈴薯和洋蔥顯示出了最低的外來(lái)物質(zhì)檢測(cè)準(zhǔn)確度，以及由于在其他蔬菜中熒光物質(zhì)色素含量最低而被正確分類的蔬菜光譜數(shù)量最低。

 

圖4討論了在新鮮切割的蔬菜中識(shí)別雜質(zhì)的方法及結(jié)果。首先，通過(guò)簡(jiǎn)單的閾值方法去除了背景，并利用PLS-DA模型的β系數(shù)構(gòu)建了結(jié)果圖像。圖像中從藍(lán)色到紅色代表了從蔬菜到雜質(zhì)的檢測(cè)范圍。結(jié)果顯示，SWIR HSI系統(tǒng)能夠高效地區(qū)分出各種大小和形狀的雜質(zhì)，包括極小的蚊子和石頭，以及非常薄的訂書(shū)釘和線。相比之下，VNIR HSI技術(shù)只能檢測(cè)到較大的石頭，無(wú)法識(shí)別蚊子、訂書(shū)釘和線，而熒光HSI無(wú)法檢測(cè)到任何這些雜質(zhì)。檢測(cè)極限取決于相機(jī)的空間分辨率，對(duì)于熒光則取決于熒光光的敏感度。增加空間分辨率可以提高檢測(cè)極限，但會(huì)增加數(shù)據(jù)采集時(shí)間，這在實(shí)時(shí)應(yīng)用中不可接受。

圖4. 檢測(cè)新鮮切割的胡蘿卜中的雜質(zhì)

 

圖5展示了新鮮切割蔬菜（圖5A）、一些昆蟲(chóng)（圖5B）以及無(wú)生命物體（圖5C）的代表性平均光譜，使用了選定的變量�？梢钥吹�，所有三種變量選擇方法都在910-970nm的范圍內(nèi)選擇了至少一個(gè)變量，這代表了蔬菜和一些雜質(zhì)（昆蟲(chóng)）中水分、糖、淀粉和纖維素的存在。

圖5. 一些選中物質(zhì)的平均光譜

 

使用從PLS-DA（圖6 A-B）、SFS-PLS-DA（圖76C-D）和SPA-PLS-DA（圖76E-F）模型獲得的β系數(shù)生成了結(jié)果圖像和二元分類圖像。從圖6中可以看出，這三種模型幾乎能夠檢測(cè)到相同數(shù)量的雜質(zhì)。然而，SFS-PLS-DA模型部分地檢測(cè)到了一個(gè)塑料和一根線（圖6D中的紅色圈），而SPA-PLS-DA模型完全檢測(cè)到了這些雜質(zhì)。因此，可以得出結(jié)論，SPA選擇了最佳的變量來(lái)識(shí)別新鮮切割的蔬菜中的雜質(zhì)。

圖6. 新鮮切割的青蔥中的雜質(zhì)的PLS-DA和二元分類圖像

 

該研究使用高光譜成像技術(shù)成功地檢測(cè)了七種不同新鮮切割蔬菜中的雜質(zhì)。研究采用了VNIR、SWIR和熒光光源，并通過(guò)400-2500納米的波長(zhǎng)范圍進(jìn)行了多元分析。結(jié)果顯示，SWIR區(qū)域的PLS-DA模型在雜質(zhì)預(yù)測(cè)準(zhǔn)確率方面表現(xiàn)最佳，其次是VNIR區(qū)域，最后是熒光。SWIR HSI系統(tǒng)相比于VNIR和熒光系統(tǒng)能夠更有效地識(shí)別各種類型的雜質(zhì)，甚至包括非常小的雜質(zhì)。通過(guò)采用SFS、SPA和iPLS等變量選擇技術(shù)，選擇了SWIR數(shù)據(jù)集中的有效波段，并建立了更快速的模型。SPA-PLS-DA模型在結(jié)果分類圖像的性能上優(yōu)于其他模型，從獨(dú)立數(shù)據(jù)集中識(shí)別出了95.7％的雜質(zhì)。這項(xiàng)研究表明，結(jié)合多元分析的SWIR HSI系統(tǒng)可以有效地識(shí)別不同種類新鮮切割蔬菜中的雜質(zhì)。

 

參考文獻(xiàn)

Tunny, S. S.; Kurniawan, H.; Amanah, H. Z.; Baek, I.; Kim, M. S.; Chan, D.; Faqeerzada, M. A.; Wakholi, C.; Cho, B.-K., Hyperspectral imaging techniques for detection of foreign materials from fresh-cut vegetables. Postharvest Biology and Technology 2023, 201.

 

⭐️ ⭐️ ⭐️

 

近紅外二區(qū)小動(dòng)物活體熒光成像系統(tǒng) - MARS 

NIR-II in vivo imaging system

高靈敏度 - 采用Princeton Instruments深制冷相機(jī)，活體穿透深度高于15mm

高分辨率 - 定制高分辨大光圈紅外鏡頭，空間分辨率優(yōu)于3um

熒光壽命 - 分辨率優(yōu)于 5us

高速采集 - 速度優(yōu)于1000fps （幀每秒）

多模態(tài)系統(tǒng) - 可擴(kuò)展X射線輻照、熒光壽命、一區(qū)熒光成像、原位成像光譜，CT等

顯微鏡 - 近紅外二區(qū)高分辨顯微系統(tǒng)，兼容成像型光譜儀

 

⭐️ ⭐️ ⭐️

 

 恒光智影

          上海恒光智影醫(yī)療科技有限公司，被評(píng)為“國(guó)家高新技術(shù)企業(yè)”，上海市“科技創(chuàng)新行動(dòng)計(jì)劃”科學(xué)儀器領(lǐng)域立項(xiàng)單位。

          恒光智影，致力于為生物醫(yī)學(xué)、臨床前和臨床應(yīng)用等相關(guān)領(lǐng)域的研究提供先進(jìn)的、一體化的成像解決方案。

          與基于可見(jiàn)光/近紅外一區(qū)的傳統(tǒng)熒光成像技術(shù)相比，我們的技術(shù)側(cè)重于近紅外二區(qū)范圍并整合CT, X-ray，超聲，光聲成像技術(shù)。

          可為腫瘤藥理、神經(jīng)藥理、心血管藥理、大分子藥代動(dòng)力學(xué)等一系列學(xué)科的科研人員提供清晰的成像效果，為用戶提供前沿的生物醫(yī)藥與科學(xué)儀器服務(wù)。