Гиперспектральная визуализация: новый инструмент для оценки качества плодоовощной продукции
В условиях повышенного внимания к безопасности пищевых продуктов, требования к качеству и безопасности фруктов и овощей постоянно растут. Оценка качества включает в себя как внешние параметры (форма, цвет, размер, поверхностные дефекты), так и внутренние (содержание сахаров, кислотность, твердость, содержание сухих веществ, крахмала, влажность, зрелость и содержание питательных веществ). Эти характеристики оказывают значительное влияние на потребительские свойства и рыночную стоимость продукции.
Традиционные методы контроля качества (химический анализ, жидкостная хроматография, масс-спектрометрия) характеризуются высокой точностью, но являются разрушающими и трудоемкими. В качестве альтернативы, методы машинного зрения и спектроскопии обладают высокой скоростью, неразрушающим характером и надежностью, что обусловило их широкое распространение в данной области. Машинное зрение позволяет оценивать внешние параметры (размер, форма, цвет, дефекты), а ближняя инфракрасная спектроскопия используется для анализа внутренних характеристик плодов и овощей.
Гиперспектральная визуализация объединяет преимущества машинного зрения и спектроскопии, позволяя одновременно получать пространственную и спектральную информацию, отражающую как внешнее, так и внутреннее качество продукта. В последние годы технология активно изучается и внедряется для неразрушающего контроля качества плодоовощной продукции. Данная статья посвящена обзору современных исследований и применений гиперспектральной визуализации в этой области, начиная с рассмотрения основных принципов метода.
Принцип действия гиперспектральной визуализации
В гиперспектральной системе каждый пиксель изображения содержит информацию о спектральных характеристиках объекта в узком диапазоне длин волн, что позволяет получить полную и непрерывную спектральную кривую. Одновременно регистрируется пространственная информация, что позволяет выявлять взаимосвязь между внешними характеристиками и внутренним составом продукта. Высокое спектральное разрешение и непрерывность спектральных данных являются ключевыми преимуществами метода.
Рисунок 1 - Схема системы гиперспектральной визуализации
Гиперспектральное изображение представляет собой трехмерный массив данных (Рисунок 2), в котором координаты X и Y соответствуют пространственным размерам объекта (форма, размер, дефекты), а координата λ – спектральным характеристикам. Внешние изменения (форма, цвет, дефекты) отражаются в спектре отражения на определенных длинах волн, а спектральная информация (координата λ) позволяет определять внутренние характеристики, такие как состав и структура.
Рисунок 2 - Трехмерный массив данных
В данном исследовании используется гиперспектральная камера FS13 (Hangzhou Caipu Technology Co., Ltd.) с диапазоном 400-1000 нм, разрешением лучше 2.5 нм и числом спектральных каналов до 1200. Камера обеспечивает высокую скорость съемки: до 128 кадров в секунду в полном спектральном диапазоне и до 3300 Гц при выборе отдельных участков спектра.
Гиперспектральная камера FS13
Гиперспектральная визуализация для оценки внешнего качества плодоовощной продукции
Внешний вид плодов и овощей (цвет, свежесть, размер, наличие механических повреждений, морозобоин, гнили) играет решающую роль при выборе покупателя. Традиционные методы машинного зрения часто оказываются недостаточно эффективными для обнаружения дефектов, требующих высокой точности и чувствительности. Гиперспектральная визуализация, благодаря своей неразрушающей природе, высокой точности и простоте использования, представляет собой перспективную альтернативу для комплексной оценки внешнего качества продукции.
Определение свежести является важной задачей при контроле качества фруктов и овощей, особенно учитывая этапы хранения и транспортировки. В отличие от субъективной оценки, гиперспектральная визуализация позволяет количественно оценить степень потери свежести. Исследования с использованием спектрометра визуализации для анализа листовых овощей (китайская капуста, шпинат, рапс, детская капуста) в процессе дегидратации (0, 10, 24 и 48 часов) показали, что гиперспектральные изображения позволяют выявить изменения не только во внешнем виде, но и в содержании хлорофилла (Рисунки 3, 4). Модель прогнозирования относительного содержания хлорофилла продемонстрировала высокую корреляцию (r=0,76), что подтверждает эффективность гиперспектральной визуализации для оценки свежести.
Рисунок 3, 4 - Сравнительный анализ гиперспектрального изображения и изображения машинного зрения листьев пак-чой в разное время обезвоживания
Аналогично, гиперспектральная визуализация в сочетании с искусственными нейронными сетями (ANN) успешно применена для выявления морозобоин на яблоках (Рисунок 5). На основе анализа спектральных характеристик в диапазоне 400-1000 нм (выбор 5 главных компонент: 717, 751, 875, 960 и 980 нм) была разработана ANN-модель, обеспечивающая высокую точность классификации (более 98%) и продемонстрировавшая отличные результаты на обучающей (0,93), тестовой (0,91) и проверочной (0,92) выборках.
Рисунок 5 - Эксперимент по изучению обморожения яблок, в нем были использованы гиперспектральная технология и модель прогнозирования на основе искусственной нейронной сети (ИНС)
Рисунок 6 - Схема эксперимента
Рисунок 7 - a: Образец яблока; b: Результат отображения SSC (содержания растворимых сухих веществ), где участки яблока, находящиеся ближе к кожуре, имеют более высокие значения SSC по сравнению с центральными частями.
Заключение и перспективы
Современные потребители предъявляют все более высокие требования к качеству и безопасности продуктов питания. Традиционные методы оценки качества плодоовощной продукции, такие как машинное зрение и физико-химический анализ, часто являются сложными, трудоемкими и разрушающими, что ограничивает их применение для оперативного контроля. Гиперспектральная визуализация, объединяющая преимущества машинного зрения, спектроскопии и методов обработки изображений, предоставляет возможность точной, быстрой и неразрушающей оценки качества сельскохозяйственной продукции. Получаемые гиперспектральные изображения содержат как пространственную, так и спектральную информацию об объекте, что позволяет проводить комплексный анализ его свойств.
Несмотря на значительный потенциал, технология гиперспектральной визуализации в настоящее время ограничена производительностью и скоростью обработки данных, что затрудняет ее применение в промышленных системах онлайн-контроля. Для успешного внедрения данной технологии в коммерческую практику необходимо решить следующие задачи:
- Совершенствование оборудования: Модернизация гиперспектральных камер и спектрометров с целью повышения производительности, снижения стоимости и обеспечения надежности в промышленных условиях.
- Оптимизация обработки данных: Разработка алгоритмов выбора оптимальных длин волн для различных сортов и видов плодоовощной продукции с целью уменьшения избыточности данных, сокращения времени обработки и повышения эффективности анализа.
Несмотря на существующие ограничения, технология гиперспектральной визуализации обладает огромным потенциалом для повышения эффективности и безопасности пищевой промышленности. Дальнейшее развитие и совершенствование оборудования, алгоритмов обработки данных и методов анализа позволит широко внедрить эту технологию в практику, обеспечивая надежный контроль качества и безопасности сельскохозяйственной продукции на всех этапах производства и поставки.