本文要點：本文討論了檢測鮮切蔬菜中影響產品安全性和質量的外來物質（FMs）的方法，研究使用了三種高光譜成像（HSI）技術來區分七種常見的鮮切蔬菜中的外來物質，并開發了一個模型來識別它們。其中，短波紅外HSI系統顯示出最佳的檢測準確度（99％），可見近紅外和熒光分別為89％和64％。最終，研究建議在工業應用中，采用短波紅外HSI技術結合SPA-PLS-DA模型（總體檢測準確度為99％）可以有效地進行鮮切蔬菜中外來物質的快速、無損檢測。
 

 

---

圖1中為研究人員從韓國大田的一家超市購買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為它們用途廣泛且顏色變化多樣。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），然后與可能會在蔬菜中意外混入的小塊外來物質（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、人類指甲和昆蟲作為外來物質（FMs）。每種類型的蔬菜分別使用了246種外來物質（見表1），其中對于切絲蔬菜和切丁蔬菜的前兩次實驗，分別使用了123種外來物質。在第三次數據收集中，額外使用了47種外來物質，其中至少包含了表1中的每種類型的外來物質。這最后一次實驗僅用于獨立測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），均帶有外來物質

 

本研究使用了三種不同的高光譜成像系統來識別鮮切蔬菜中的外來物質，分別是可見近紅外（VNIR）、短波紅外（SWIR）和熒光。高光譜熒光系統是通過對VNIR HSI系統進行改造實現的，其中加入了八個10瓦的紫外A LED光源，以提供365納米的激發光（取代鹵素燈），并在物鏡前面加入了一個400納米的長波透過濾光片組，以消除激發光的尾部。所有三個系統都使用在MS Windows中運行的Microsoft Visual Basic（版本6.0）軟件進行管理。這些HSI系統的照片視圖見圖2。

圖2. VNIR、SWIR、HSI系統照片

 

圖3展示了生成HSI數據結果圖像的典型步驟，包括數據采集、校正、光譜提取、預處理、模型開發和最終分類圖像。

圖3. 高光譜成像（HSI）數據分析和分類圖像構建的流程圖

 

表2為將偏最小二乘判別分析（PLS-DA）模型應用于來自七種蔬菜的原始和預處理數據的結果匯總。然而對于所有三種系統而言，原始數據提供了最佳的模型準確度。在短波紅外HSI區域，總體分類準確度為99％，但僅未能識別與背景相關的外來物質。在可見近紅外區域，分類準確度略有下降（89％），可能是由于無法準確基于可見光區域的顏色將物體分開。熒光HSI系統能以中等準確度（64％）區分外來物質，但因存在一些非熒光的外來物質而略有困難。在熒光HSI技術中，僅從包括校準和驗證數據在內的200個外來物質中識別出了128個，其中大多數是對熒光敏感的材料，如紙張、紙巾、橡膠和一些塑料。

 

 

此外，為了測試針對單個蔬菜的通用模型的性能，隨機選擇了每種類型的200個蔬菜和100個外來物質的光譜，并應用了模型。針對單個蔬菜的性能變化分別為短波紅外、可見近紅外和熒光HSI系統分別為3％、6％和27％（見表3）。因此，可以觀察到在識別外來物質時，短波紅外HSI系統對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系統受到蔬菜類型的影響更大，因為它依賴于樣本中的熒光物質含量進行識別。然而，胡蘿卜在三種HSI系統中都顯示出了最佳的結果（短波紅外→99％，可見近紅外→93％，熒光→80％）。總的來說，馬鈴薯和洋蔥顯示出了最低的外來物質檢測準確度，以及由于在其他蔬菜中熒光物質色素含量最低而被正確分類的蔬菜光譜數量最低。

 

圖4討論了在新鮮切割的蔬菜中識別雜質的方法及結果。首先，通過簡單的閾值方法去除了背景，并利用PLS-DA模型的β系數構建了結果圖像。圖像中從藍色到紅色代表了從蔬菜到雜質的檢測范圍。結果顯示，SWIR HSI系統能夠高效地區分出各種大小和形狀的雜質，包括極小的蚊子和石頭，以及非常薄的訂書釘和線。相比之下，VNIR HSI技術只能檢測到較大的石頭，無法識別蚊子、訂書釘和線，而熒光HSI無法檢測到任何這些雜質。檢測極限取決于相機的空間分辨率，對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極限，但會增加數據采集時間，這在實時應用中不可接受。

圖4. 檢測新鮮切割的胡蘿卜中的雜質

 

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

圖5. 一些選中物質的平均光譜

 

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系數生成了結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到相同數量的雜質。然而，SFS-PLS-DA模型部分地檢測到了一個塑料和一根線（圖6D中的紅色圈），而SPA-PLS-DA模型完全檢測到了這些雜質。因此，可以得出結論，SPA選擇了最佳的變量來識別新鮮切割的蔬菜中的雜質。

圖6. 新鮮切割的青蔥中的雜質的PLS-DA和二元分類圖像

 

該研究使用高光譜成像技術成功地檢測了七種不同新鮮切割蔬菜中的雜質。研究采用了VNIR、SWIR和熒光光源，并通過400-2500納米的波長范圍進行了多元分析。結果顯示，SWIR區域的PLS-DA模型在雜質預測準確率方面表現最佳，其次是VNIR區域，最后是熒光。SWIR HSI系統相比于VNIR和熒光系統能夠更有效地識別各種類型的雜質，甚至包括非常小的雜質。通過采用SFS、SPA和iPLS等變量選擇技術，選擇了SWIR數據集中的有效波段，并建立了更快速的模型。SPA-PLS-DA模型在結果分類圖像的性能上優于其他模型，從獨立數據集中識別出了95.7％的雜質。這項研究表明，結合多元分析的SWIR HSI系統可以有效地識別不同種類新鮮切割蔬菜中的雜質。

 

參考文獻

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.

 

⭐️ ⭐️ ⭐️

 

近紅外二區小動物活體熒光成像系統 - MARS 

NIR-II in vivo imaging system

高靈敏度 - 采用Princeton Instruments深制冷相機，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，空間分辨率優于3um

熒光壽命 - 分辨率優于 5us

高速采集 - 速度優于1000fps （幀每秒）

多模態系統 - 可擴展X射線輻照、熒光壽命、一區熒光成像、原位成像光譜，CT等

顯微鏡 - 近紅外二區高分辨顯微系統，兼容成像型光譜儀

 

⭐️ ⭐️ ⭐️

 

 恒光智影

          上海恒光智影醫療科技有限公司，被評為“國家高新技術企業”，上海市“科技創新行動計劃”科學儀器領域立項單位。

          恒光智影，致力于為生物醫學、臨床前和臨床應用等相關領域的研究提供先進的、一體化的成像解決方案。

          與基于可見光/近紅外一區的傳統熒光成像技術相比，我們的技術側重于近紅外二區范圍并整合CT, X-ray，超聲，光聲成像技術。

          可為腫瘤藥理、神經藥理、心血管藥理、大分子藥代動力學等一系列學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藥與科學儀器服務。