高光谱成像技术用于梨果品质无损评估：范围、方法、鲁棒性及工业准备度——小型综述

《Horticulturae》：Hyperspectral Imaging for Non-Destructive Assessment of Pear Fruit Quality: Scope, Methods, Robustness, and Industrial Readiness—Mini Review

　　

梨果品质决定了采后分级、贮藏管理及市场价值。传统的破坏性分析方法虽能准确测定可溶性固形物含量（SSC）、硬度、可滴定酸度（TA）等品质指标，但通量低，难以适应在线分选需求。高光谱成像（HSI）整合了空间与光谱信息，已成为梨果品质无损评估的重要工具。针对预审过程中发现的范畴模糊及关键综合不足的问题，本综述将研究对象严格限定于梨属（Pyrus spp.）果实，典型研究品种包括库尔勒香梨、鸭梨、南果梨、砀山梨及黄玉梨，排除了对所有水果类型的泛化研究及非光谱机器视觉检测技术。本文采用叙述性综述框架，并制定了透明的文献检索与筛选标准。研究工作系统比较了HSI在检测梨外部缺陷、真菌病害、可溶性固形物含量（SSC）、果肉硬度、可滴定酸度（TA）及果实成熟度方面的研究成果；进一步从适用波段、光谱/图像预处理策略、特征筛选算法、多元建模方法、模型验证方案及工业应用潜力等维度进行了对比分析。现有研究表明，400–1000 nm可见光-近红外波段适用于识别果皮颜色变化、表面机械损伤及真菌病斑，而900–1700 nm近红外波段则提供了与内部水分、糖分及组织结构相关的高维光谱特征。然而，所有已报道模型的检测精度均受梨品种、样本量、图像采集几何条件、预处理模式、校正-测试集划分方式以及是否采用独立外部验证样本等因素的强烈影响。目前，HSI在实验室环境下已被验证可用于梨果品质检测，但大规模商业化推广仍需建立多季节、多品种的标准化数据集，统一检测指标与单位的报告标准，进行严格的独立外部验证，构建可解释的建模体系，并开展真实传送带在线检测实验。

1. 引言

随着居民生活水平的提高，消费者对梨果内外综合品质提出了更高要求。梨的外部品质涉及果皮颜色、果实大小、果形、表面疤痕及病斑；内部品质指标主要包括可溶性固形物含量（SSC）、果肉硬度、可滴定酸度（TA）及果实成熟度。这些性状共同决定了梨的商业等级、市场价格及采后贮藏性能。传统梨果品质评估依赖人工分选结合破坏性理化检测。人工视觉分级存在主观偏差与标准不一；破坏性检测如硬度计测量、折光仪检测及酸碱滴定虽可获得精确数据，但耗时费力且对样品造成不可逆损伤，无法满足现代梨加工业高速在线分选的需求。机器视觉可提取二维图像信息识别梨的形状、大小及明显表面缺陷，但缺乏光穿透能力，无法定量分析内部化学成分与组织结构。单光谱技术可捕捉果实物质的吸收与反射特性以预测内部品质，却无法获取区分表面损伤所需的空间纹理信息。高光谱成像（HSI）结合了成像与光谱分析的优点，同时获取样品的连续光谱数据与二维空间像素信息，近年来已成为水果品质无损检测的核心研究热点。目前，HSI已广泛应用于梨的瘀伤识别、潜伏病害预警、糖酸预测及成熟度分类。然而，现有已发表文献在实验方案上表现出巨大异质性：不同研究采用不同的梨品种、不一致的光谱波段、各异的样本量、采集条件、预处理及建模策略。因此，单一实验室环境获得的高精度无法直接迁移至商业分选线。为解决上述问题，本综述明确定义了研究边界，仅关注梨属（Pyrus）果实的HSI及邻近的可见光-近红外成像检测，而非一般性水果光谱研究。本文标准化了梨品种通用名称，并在必要时使用拉丁学名如白梨（Pyrus bretschneideri Rehd.）。在此领域先前综述工作的基础上，本文对各品质指标的检测特性、模型鲁棒性及工业实用性进行了比较分析，并探讨了对采后园艺学及水果分选行业的潜在启示。

2. 文献检索与筛选标准

本综述采用标准叙述性综述结构，并制定了明确的研究检索、筛选及数据提取规则，以提高透明度与可靠性。

2.1 数据库与检索词

文献检索范围覆盖国内外主流学术数据库，包括Web of Science、Scopus、ScienceDirect、SpringerLink、MDPI、CNKI及Google Scholar。核心检索关键词统一如下：pear、Pyrus、Korla fragrant pear、Ya pear、Nanguo pear、Dangshan pear、Huangyu pear、hyperspectral imaging、visible–near infrared spectroscopy、non-destructive detection、soluble solids content、firmness、titratable acidity、maturity、bruise、plant disease、spectral preprocessing、feature selection、PLSR、SVM、SVR、random forest、deep learning。

2.2 纳入与排除标准

纳入标准需同时满足以下三项：研究对象为梨果，检测方法为HSI或可见光-近红外光谱成像；报告了完整的实验参数，包括梨品种、光谱波长范围、检测目标、预处理及特征提取算法、建模框架；提供了至少一项定量评价指标，如分类精度、R²、RMSE、RMSEP及RPD。聚焦其他水果种类的研究仅在正文中作为对比背景讨论，不纳入表1和表2。排除标准包括：仅采用RGB机器视觉而无光谱维度信息；缺失关键实验参数如波长范围和样品信息；基于完全相同的数据集进行重复分析且无创新结论；回归类指标在适用情况下缺乏明确物理单位，但无量纲的分类指标（如accuracy）和R²不受单位要求限制，且缺失完整的内部/外部验证方案。

2.3 标准信息提取框架

所有检索到的论文提取五类核心信息以实现跨研究横向比较：作物与栽培品种、图像采集参数、检测目标、算法流程、统一评价指标。注意：面向分类的指标如accuracy和R²是无量纲的，不需要物理单位。

3. HSI采集与数据处理流程

一个完整的实验室高光谱检测平台由光源、卤素灯、成像光谱仪、光学镜头、工控机、驱动设备及水果输送平台组成。根据光谱相机的扫描模式，HSI分为点扫描、线扫描和面扫描；根据光源与探测器的相对位置，采集模式分为反射、透射和漫透射。反射模式硬件成本低、操作简单，是目前梨实验室及初步产线测试中最广泛采用的方案。标准化梨高光谱检测全数据处理流程如图1所示。原始高光谱图像因暗电流和光照不均匀干扰不能直接用于分析，需经黑白参考图像校正，随后进行一系列预处理。预处理后数据分为两个独立分支：用于内部品质定量的光谱处理和用于外部缺陷识别的图像处理，最终融合实现果实综合品质评价。整个库尔勒香梨HSI检测系统的物理布局如图2所示。系统由用于数据存储和计算的工控机、控制输送平台的驱动设备、两个对称的卤素灯光源以及一个置于输送平台上方的成像光谱仪组成，用于捕获放置于传送平台上梨样本的连续光谱-空间信息。三种主流HSI扫描模式对比如图3所示。点扫描一次仅采集单个像素信号，主要用于微观组织观察；线扫描同步采集一条直线上的所有像素信息，与动态传送带检测高度兼容，成为水果分选研究中最常用的扫描模式；面扫描在单一固定波长下完成全帧像素采集，不太适合高通量水果检测。三种光学数据采集模式如图4所示。反射模式将光源和探测器置于样品同侧，便于搭建，适用于表面特征检测；透射模式将光源和探测器置于对侧以获得深层果肉内部信号，但需要高功率光源和高灵敏度传感器，限制了其现场应用；漫透射模式在光源与接收器之间增加挡板，收集水果浅层组织的光谱信息。图像采集后，黑白校正是消除系统噪声的强制性预处理步骤。后续标准化处理链包括感兴趣区域（ROI）分割、光谱预处理、特征波长筛选及多元建模。值得注意的是，波长筛选必须在划分校正集和测试集之后进行；在样本分组之前进行特征选择会导致数据泄漏并人为夸大模型性能。在所总结的研究案例中，只有一小部分研究报告了特征波长选择是在校正集和测试数据集划分之后进行的。大多数已发表论文省略了这一关键实验细节。这种常见的报告缺陷暗示了潜在的数据泄漏风险，可能导致过于乐观的模型精度。此类非标准化实验设计是当前梨高光谱成像研究中普遍存在的方法学局限性。梨组织中水、可溶性糖、果皮叶绿素和花青素的光谱吸收带严重重叠。因此，所有相关研究必须充分报告完整的算法流程，并严格区分三类验证结果：校正集交叉验证、内部预测集测试及独立外部样本验证。

4. 外部品质评估

梨的外部品质指标包括果皮颜色、果形、大小、机械压痕及黑斑病等病原性病变。大多数表面生理变化对应400–1000 nm可见光-近红外波段内的明显光谱响应。从表1数据可以看出，vis–NIR波段对于梨早期和晚期表面缺陷识别均有稳定表现。对于小样本真菌病斑检测数据集，LS-SVM获得了优异的分类结果；当有足够的水果样本时，CNN和ResNet深度学习框架可进一步提高不可见早期瘀伤的识别精度。然而，几乎所有现有实验数据均在静态实验室环境下获得，缺乏在可变传送带速度和混合水果批次条件下的验证，这限制了所报道高精度的实际参考价值。纵观表1中汇编的研究，所报道精度上的显著差异更多归因于样本构成和实验设置的差异，而非算法的优越性。库尔勒香梨和‘皇冠’梨在文献中占主导地位，而‘鸭梨’、‘秋月’和‘圆黄’等品种的代表性不足，限制了已发布模型的跨品种泛化能力。对于真菌病斑和早期瘀伤检测，使用LS-SVM在小样本量研究中常报道分类精度超过95%，但这些结果很少在独立样本集上得到复现；相比之下，CNN和ResNet等深度学习模型只有在足够大且多样化的数据集上训练时才能获得更稳定的性能。表1中几乎所有条目共有的局限在于实验是在可控照明的静态实验室条件下进行的，没有研究系统地验证模型在可变传送带速度、混合品种批次或环境光干扰下的性能。这一方法论差距意味着文献中报道的高精度应被解释为上限基准，而非可直接转移的工业指标。

5. 内部品质评估

梨的核心内部品质性状包括可溶性固形物含量（SSC）、可滴定酸度（TA）、果肉硬度及综合成熟度指数。不同的理化成分表现出不同的光谱信号强度：SSC具有独立的强吸收峰；硬度仅产生间接的组织散射信号；TA的吸收带较弱，易被水和糖的光谱掩盖。如表2数据所示，SSC是当前HSI研究中研究最广泛的定量检测指标之一，在大多数校正模型中具有高R²和低RMSE。硬度预测受不均匀果肉细胞结构的影响，导致模型稳定性有限。可滴定酸度的光谱信号太弱，导致预测精度普遍低于SSC。450–1000 nm波段适用于田间采收成熟度分级，而900–1700 nm SWIR波段更适合贮藏品质动态监测。对表2中条目的跨研究比较揭示，HSI模型的预测性能强烈依赖于性状。由于可溶性糖在近红外区域具有明确且相对孤立的吸收特征，SSC预测在不同品种和光谱范围内始终获得最高的R²值。相比之下，硬度预测在研究间显示出显著更高的变异性：R²值范围从约0.6到高于0.9，这主要是因为硬度是一种间接的力学性质，受细胞壁结构和膨压调节，其光谱散射响应对果实成熟度、贮藏时间和测量方向高度敏感。可滴定酸度仍然是最具挑战性的性状，大多数研究报告的R²低于0.75，因为有机酸的吸收带很弱，容易被主要的水和糖信号掩盖。关于光谱范围选择，450–1000 nm vis–NIR窗口因能捕获叶绿素和花青素变化而有利于收获期成熟度分级，而900–1700 nm SWIR窗口因其更强的水和碳水化合物倍频带而更适合采后贮藏监测。然而，表2中研究的一个反复出现的弱点是缺乏关于校正-测试集划分和波长选择时间的标准化报告；如第3节所述，在数据集拆分前进行特征选择会引入数据泄漏并夸大报告的性能，这可能部分解释了某些出版物中异常高的R²值。

6. 模型鲁棒性与工业准备度

从单一批次静态实验室样品中获得的高分类或拟合精度不能直接转移到商业分选装配线上。HSI模型的泛化性能受到样本多样性、验证实验设计、标准化指标报告及在线采集条件的共同制约。判断研究可靠性的四个核心评估维度见表3。从工业应用角度来看，表面缺陷识别和SSC定量检测因具有明显的光谱特征差异而具有最接近商业化的前景。硬度和可滴定酸度检测仍需要大量标准化的多源样本来增强模型的抗干扰性能。未来研究应避免单纯追求黑箱式高拟合精度，而应结合果实采后生理学、细胞微结构及贮藏代谢规律来阐释光谱响应机制。表1和表2中总结的研究共同揭示了实验室报道精度与工业准备度之间持续存在的差距。大多数已发布模型依赖于从一个果园、一个季节采集的单一批次、单一品种样本，验证通常局限于同一数据集内的交叉验证或随机分割的内部测试集。只有极少数研究报告了来自不同时间或地点收集的独立外部样本集的结果，甚至更少的研究在动态在线条件下进行测试。这种验证设计直接夸大了表观模型性能：交叉验证R²值常超过0.9，而独立外部验证通常会下降0.1–0.2或更多。此外，各研究所报告的评估指标并不完全可比：一些论文仅提供校正集R²而不包含RMSEP或RPD，另一些则省略了回归输出的物理单位，还有几篇未说明波长选择是在数据集划分之前还是之后进行的。这些报告的不一致性使得客观地对模型进行排序或识别在商业分选环境中表现最可靠的算法变得困难。因此，未来的研究应优先考虑独立外部验证、标准化指标报告和多源样本多样性，而不是在校正集拟合精度上进行增量改进。

7. 结论与未来展望

高光谱成像（HSI）技术能够同步获取梨果样品的空间纹理和连续光谱信息，是评估内外果实品质的综合无损检测工具。光谱波段、采集模式、预处理算法及建模框架的匹配必须根据不同检测对象进行调整：400–1000 nm vis–NIR波段优选用于果皮颜色、病害及表面疤痕识别；900–1700 nm近红外波段包含更丰富的与果肉水分和组织结构相关的光谱吸收特征。对于光谱共线性严重的中小型数据集，偏最小二乘回归（PLSR）和支持向量回归（SVR）保持稳定的预测效果；随机森林和深度卷积神经网络可挖掘光谱与果实生理性状之间的非线性相关性，但它们依赖于充足的样本量和严格的多组验证。为推动HSI技术从实验室研究走向商业梨果分选生产线，后续研究应优先考虑以下六个研究方向：构建标准化的多品种、跨果园、多季节共享梨光谱数据集；在所有相关研究中统一梨品种命名标准及拉丁学名；建立检测指标的通用报告规范，并严格标注RMSE和RMSEP的物理单位；将独立外部样本验证作为判断模型泛化能力的强制性标准；在实际装配线光干扰和可变传送速度条件下开展动态在线检测实验；开发轻量化可解释融合模型，以支持低成本便携式检测设备，实现梨果品质全程可追溯。