本文要点：本文讨论了检测鲜切蔬菜中影响产品安全性和质量的外来物质（FMs）的方法，研究使用了三种高光谱成像（HSI）技术来区分七种常见的鲜切蔬菜中的外来物质，并开发了一个模型来识别它们。其中，短波红外HSI系统显示出最佳的检测准确度（99％），可见近红外和荧光分别为89％和64％。最终，研究建议在工业应用中，采用短波红外HSI技术结合SPA-PLS-DA模型（总体检测准确度为99％）可以有效地进行鲜切蔬菜中外来物质的快速、无损检测。

图1中为研究人员从韩国大田的一家超市购买了七种新鲜的完整蔬菜，包括卷心菜、胡萝卜、青葱、洋葱、马铃薯、萝卜和西葫芦。选择这七种蔬菜是因为它们用途广泛且颜色变化多样。这些蔬菜被分为两种不同的尺寸，切成了丝状和丁状（近似小立方体），然后与可能会在蔬菜中意外混入的小块外来物质（FMs）混合在一起。研究中使用了不同种类的塑料（PP、PET、LDPE、HDPE、ABS、PS、PC和尼龙）、纸张、橡胶、纸巾、线头、石头、木头、香烟烟蒂、金属、人类指甲和昆虫作为外来物质（FMs）。每种类型的蔬菜分别使用了246种外来物质（见表1），其中对于切丝蔬菜和切丁蔬菜的前两次实验，分别使用了123种外来物质。在第三次数据收集中，额外使用了47种外来物质，其中至少包含了表1中的每种类型的外来物质。这最后一次实验仅用于独立测试最佳选择的模型的性能。

图1. 新鲜切割的蔬菜（上排切丁状，下排切丝状），均带有外来物质

本研究使用了三种不同的高光谱成像系统来识别鲜切蔬菜中的外来物质，分别是可见近红外（VNIR）、短波红外（SWIR）和荧光。高光谱荧光系统是通过对VNIR HSI系统进行改造实现的，其中加入了八个10瓦的紫外A LED光源，以提供365纳米的激发光（取代卤素灯），并在物镜前面加入了一个400纳米的长波透过滤光片组，以消除激发光的尾部。所有三个系统都使用在MS Windows中运行的Microsoft Visual Basic（版本6.0）软件进行管理。这些HSI系统的照片视图见图2。

图2. VNIR、SWIR、HSI系统照片

图3展示了生成HSI数据结果图像的典型步骤，包括数据采集、校正、光谱提取、预处理、模型开发和最终分类图像。

图3. 高光谱成像（HSI）数据分析和分类图像构建的流程图

表2为将偏最小二乘判别分析（PLS-DA）模型应用于来自七种蔬菜的原始和预处理数据的结果汇总。然而对于所有三种系统而言，原始数据提供了最佳的模型准确度。在短波红外HSI区域，总体分类准确度为99％，但仅未能识别与背景相关的外来物质。在可见近红外区域，分类准确度略有下降（89％），可能是由于无法准确基于可见光区域的颜色将物体分开。荧光HSI系统能以中等准确度（64％）区分外来物质，但因存在一些非荧光的外来物质而略有困难。在荧光HSI技术中，仅从包括校准和验证数据在内的200个外来物质中识别出了128个，其中大多数是对荧光敏感的材料，如纸张、纸巾、橡胶和一些塑料。

此外，为了测试针对单个蔬菜的通用模型的性能，随机选择了每种类型的200个蔬菜和100个外来物质的光谱，并应用了模型。针对单个蔬菜的性能变化分别为短波红外、可见近红外和荧光HSI系统分别为3％、6％和27％（见表3）。因此，可以观察到在识别外来物质时，短波红外HSI系统对于特定类型的新鲜切割蔬菜可能影响不大。另一方面，荧光HSI系统受到蔬菜类型的影响更大，因为它依赖于样本中的荧光物质含量进行识别。然而，胡萝卜在三种HSI系统中都显示出了最佳的结果（短波红外→99％，可见近红外→93％，荧光→80％）。总的来说，马铃薯和洋葱显示出了最低的外来物质检测准确度，以及由于在其他蔬菜中荧光物质色素含量最低而被正确分类的蔬菜光谱数量最低。

图4讨论了在新鲜切割的蔬菜中识别杂质的方法及结果。首先，通过简单的阈值方法去除了背景，并利用PLS-DA模型的β系数构建了结果图像。图像中从蓝色到红色代表了从蔬菜到杂质的检测范围。结果显示，SWIR HSI系统能够高效地区分出各种大小和形状的杂质，包括极小的蚊子和石头，以及非常薄的订书钉和线。相比之下，VNIR HSI技术只能检测到较大的石头，无法识别蚊子、订书钉和线，而荧光HSI无法检测到任何这些杂质。检测极限取决于相机的空间分辨率，对于荧光则取决于荧光光的敏感度。增加空间分辨率可以提高检测极限，但会增加数据采集时间，这在实时应用中不可接受。

图4. 检测新鲜切割的胡萝卜中的杂质

图5展示了新鲜切割蔬菜（图5A）、一些昆虫（图5B）以及无生命物体（图5C）的代表性平均光谱，使用了选定的变量。可以看到，所有三种变量选择方法都在910-970nm的范围内选择了至少一个变量，这代表了蔬菜和一些杂质（昆虫）中水分、糖、淀粉和纤维素的存在。

图5. 一些选中物质的平均光谱

使用从PLS-DA（图6 A-B）、SFS-PLS-DA（图76C-D）和SPA-PLS-DA（图76E-F）模型获得的β系数生成了结果图像和二元分类图像。从图6中可以看出，这三种模型几乎能够检测到相同数量的杂质。然而，SFS-PLS-DA模型部分地检测到了一个塑料和一根线（图6D中的红色圈），而SPA-PLS-DA模型完全检测到了这些杂质。因此，可以得出结论，SPA选择了最佳的变量来识别新鲜切割的蔬菜中的杂质。

图6. 新鲜切割的青葱中的杂质的PLS-DA和二元分类图像

该研究使用高光谱成像技术成功地检测了七种不同新鲜切割蔬菜中的杂质。研究采用了VNIR、SWIR和荧光光源，并通过400-2500纳米的波长范围进行了多元分析。结果显示，SWIR区域的PLS-DA模型在杂质预测准确率方面表现最佳，其次是VNIR区域，最后是荧光。SWIR HSI系统相比于VNIR和荧光系统能够更有效地识别各种类型的杂质，甚至包括非常小的杂质。通过采用SFS、SPA和iPLS等变量选择技术，选择了SWIR数据集中的有效波段，并建立了更快速的模型。SPA-PLS-DA模型在结果分类图像的性能上优于其他模型，从独立数据集中识别出了95.7％的杂质。这项研究表明，结合多元分析的SWIR HSI系统可以有效地识别不同种类新鲜切割蔬菜中的杂质。

参考文献

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.