基于单次快照多频解调的空间频域成像技术实现水果光学特性的实时精准宽场测量

本综述系统介绍了空间频域成像（SFDI）技术在水果无损检测中的创新突破，重点提出两种单次快照多频解调（SSMD）方法：基于双Blackman窗函数的频域处理技术可显著抑制旁瓣（达-60 dB），将散射系数（μs′）相对误差降至14.46%；而融合频率-空间注意力机制的FSA-Unet深度学习模型进一步将误差优化至5.98%，为水果品质实时监测与高精度检测提供了双轨解决方案。

　　

Highlight

本研究针对多频单次快照空间频域成像（MSS-SFDI）中的频率分离难题，提出了两种创新解决方案：基于双Blackman窗函数的传统频域处理方法和融合频率-空间注意力机制的FSA-Unet深度学习网络。前者通过优化窗函数设计实现约-60 dB的旁瓣抑制，在保留图像边缘结构完整性的同时，将散射系数（μ_s^′）图像的相对误差从21.22%降低至14.46%；后者通过注意力机制增强多频特征提取能力，使频率分离结果的归一化平均绝对误差（NMAE）较传统U-Net提升17.65%，μ_s^′图像误差进一步降至5.98%。两种方法分别适用于小样本实时监测和大样本高精度检测场景，为水果光学特性测量提供了灵活高效的技术路径。

Experimental environment

本研究采用的SFDI系统详细参数见文献（Zhou et al., 2023）。投影波长包括550 nm、600 nm、630 nm、675 nm、710 nm和730 nm（图1A）。空间调制频率设置为三组正交组合：（f_x=0.1 mm^?1, f_y=0.2 mm^?1）、（f_x=0.1 mm^?1, f_y=0.3 mm^?1）和（f_x=0.3 mm^?1, f_y=0.2 mm^?1），其中f_x和f_y分别代表x和y方向的频率分量。

Results of dual Blackman window processing

采用双Blackman窗函数对图像进行频域处理，有效实现了频谱泄漏抑制和频率信息提取。图4B展示了原始图像的傅里叶频谱，图4C显示经过第一阶段Blackman窗处理后的频谱。实验结果表明，处理后频谱的旁瓣干扰显著降低，主瓣能量更加集中，为后续频率分离奠定了坚实基础。

Discussion

本研究提出的两种方法形成互补优势：双Blackman窗函数法适用于样本量有限、计算资源受限的实时监测场景；而FSA-Unet深度学习法则面向大样本高精度频率解耦任务，通过数据驱动方式实现复杂信号的特征提取与分离。在苹果、桃、梨等多种水果上的实验验证了两种方法在不同检测需求下的适应性与准确性。

Conclusion

本研究成功验证了两种SSMD方法在空间频域成像中的应用：双Blackman窗函数法与融合FSA注意力机制的FSA-Unet法。前者适用于小样本高实时性场景，后者面向大样本高精度需求，实现了多频正弦图案的高精度分离和光学特性的二维宽场重建，为水果无损品质评估提供了创新技术方案。