如第一部分所述，短波紅外（SWIR）成像揭示了復(fù)雜新鮮食品（如蘋果）的狀態(tài)和價值等一系列極其珍貴的信息——而可見光譜無法提供此類信息。但SWIR本身也有局限性。我們該從何說起呢？

什么是SWIR？

短波紅外（SWIR，一般定義為0.9 - 1.7μm波長范圍內(nèi)的光，但也可歸入0.7 - 2.5μm波長范圍）成像使我們能夠看到我們無法看到的物體。與物體本身發(fā)出的中波紅外光（MWIR）和長波紅外光（LWIR）不同，SWIR與可見光類似，所發(fā)出的光子被物體反射或吸收，提供的高對比度適用于更高的分辨率成像場景。

由于硅傳感器的上限約為1.0μm，SWIR成像需要專用的光學(xué)和電子組件在特定的SWIR范圍內(nèi)工作。砷化銦鎵（InGaAs）傳感器是在SWIR成像中使用的主要傳感器，可覆蓋典型的SWIR頻帶，但可擴展低至550nm和高至2.5μm的波長。雖然市場上可提供線掃描InGaAs傳感器，但區(qū)域掃描InGaAs傳感器一般受到ITAR限制。

因此有必要使用針對SWIR波長范圍設(shè)計、優(yōu)化和鍍膜的鏡頭。專用于可見光譜的鏡頭會降低圖像分辨率，產(chǎn)生嚴重的光學(xué)像差。SWIR波長通過玻璃、鏡頭和其他光學(xué)組件（濾光片、窗口片等）傳輸。圍繞SWIR成像探測器構(gòu)建的系統(tǒng)可以使用與可見光組件相同的工藝制造，從而降低制造成本，并在系統(tǒng)中使用保護性窗口片和濾光片。

光學(xué)成像對于無損食品檢驗和分級意義重大，需要投入持續(xù)的研發(fā)關(guān)注。食品“產(chǎn)品品質(zhì)”的自動檢測仍然是一項重大的挑戰(zhàn)。曲面上的物理變量檢測，缺陷與自然特征之間的區(qū)分，不可見缺陷和面下缺陷的區(qū)分取決于底層算法的可靠性，以及快速光學(xué)檢測系統(tǒng)的速度和性能。這些挑戰(zhàn)會降低檢驗的準確性，增加成本，或減慢生產(chǎn)線的效率。

如今，我們見證了單色、彩色（VIS）、紫外線（UV）、近紅外（NIR）、短波紅外（SWIR）和高光譜成像系統(tǒng)應(yīng)用于食品分揀領(lǐng)域?？v觀SWIR成像方法，幾乎不可能同時提供關(guān)于整個物體物理和化學(xué)性質(zhì)的空間和光譜信息。而這些是我們想要了解的內(nèi)容。例如，光譜測定系統(tǒng)可以對水果的可溶性固形物含量（SSC）進行無損評估。這是一種特殊的測量方法，已被證實是預(yù)測水果內(nèi)部品質(zhì)的一把利器。但是，光譜測量一次只能收集樣品上單個區(qū)域的信息，這限制了其在整果表面缺陷檢測中的應(yīng)用。

同其它檢驗行業(yè)一樣，它們面臨著一個普遍的壓力：以更低的成本、更快的速度獲得更高質(zhì)量的產(chǎn)出。一旦解決了這個問題，高光譜成像技術(shù)可以將光譜和成像的特征集成到一個系統(tǒng)中，提供反映多種食品品質(zhì)特征的異構(gòu)信息，從而預(yù)測新鮮農(nóng)產(chǎn)品的適銷性和壽命。

使用高光譜成像獲得全面的信息

人們對蘋果很挑剔?？谖吨皇亲罨镜囊?。在亞洲國家，高級蘋果可以作為特殊儀式（如農(nóng)歷新年慶祝活動）的禮物。在這種情況下，我們要求蘋果個頭大，外表鮮紅光亮，含糖量高。

高光譜成像法可以同時為我們提供涉及這些性質(zhì)的寶貴信息，包括大小和形狀，顏色，甚至是表面的化學(xué)成分。高光譜成像技術(shù)的傳統(tǒng)應(yīng)用幾乎僅限于可見光（380-740nm）以及硅基陣列探測器可達的VNIR（750-1000nm）光譜區(qū)。

果實大小是決定水果價值的重要因素之一，大果比小果更貴。為了生產(chǎn)更大的果實，一系列栽培技術(shù)得以應(yīng)用。這包括物理方法，如修枝和間伐，也包括化學(xué)方法，如植物生長調(diào)節(jié)劑。但這些處理方法的使用（或過度使用）可能會產(chǎn)生副作用，例如使果形變長，這在日本、中國和韓國等國家并不受歡迎，這些國家的人更喜歡圓形的蘋果，如富士蘋果或亞洲梨。要如何把握其中的尺度？你的產(chǎn)品適合哪個市場？你需要衡量處理方法和結(jié)果，在時間的推移中探索對自身產(chǎn)品有益的因素。

左圖是針對亞洲市場種植的梨。右圖是針對北美市場種植的梨。資料來源：亞洲梨和西洋梨，肯塔基大學(xué)農(nóng)業(yè)食品和環(huán)境學(xué)院作物多樣化中心

然而，基于高光譜成像的實時檢測技術(shù)的發(fā)展遇到了瓶頸。高光譜圖像的每個像素都幾乎形成連續(xù)的光譜，每個空間位置包含數(shù)百個波段。這導(dǎo)致形成龐大的數(shù)據(jù)集，增加了整個檢測系統(tǒng)的采集和處理要求，并且通常排除了實時應(yīng)用的可能性（或?qū)嵱眯裕?/p>

多光譜成像：更專注的選擇

另一種解決方案是多光譜成像。與高光譜成像非常相似，多光譜成像仍然可以提供每個測試樣品的紫外光、可見光和紅外光譜成像。但它不是在一個連續(xù)的波段捕捉一切物體，而是在特定選擇的、不連續(xù)的光譜范圍內(nèi)捕捉圖像數(shù)據(jù)。例如，一個典型的多光譜成像系統(tǒng)通常可以在更大的范圍內(nèi)提供具有3-20個波段的圖像，例如兩個紫外光波段，三個可見光波段，五個紅外光波段。

我們從而可以在離散的光譜范圍內(nèi)選擇窄帶圖像，生成目標物體中每個像素的特定特征波長，從而大大減少所需的帶寬。這在保證快速掃描大量產(chǎn)品所需速度的同時，滿足了快速識別和檢測的行業(yè)需求。

成像、光譜法、高光譜成像和多光譜成像技術(shù)主要特點的比較。資料來源：植物食品品質(zhì)分析與可視化的多光譜成像，《食品科學(xué)與食品安全綜合評論》

我們可以基于濾波和色散器件（如光學(xué)濾波器和可調(diào)諧濾波器）開發(fā)多光譜成像系統(tǒng)。多光譜成像系統(tǒng)更為小巧、精簡，運行速度更快，具備眾多的優(yōu)勢。但你必須準確了解自身的需求。傳感器和系統(tǒng)的構(gòu)建必須基于十分確切的信息，確保滿足最關(guān)鍵的產(chǎn)量要求。這是多光譜成像過程中最具挑戰(zhàn)性的任務(wù)，選擇波長來代表具體的特征，對相關(guān)物體進行表征。

在食品品質(zhì)和安全分析方面，最常用的多光譜成像系統(tǒng)旨在獲取VISNIR區(qū)（380-2500nm）的光譜數(shù)據(jù)。收集的光譜可以提供與色素和泛音（如第一泛音、第二泛音和第三泛音）的強烈吸收相關(guān)，或與分子鍵（如C-H（脂肪族和芳香族）、C-O（羧基）、N-H（酰胺和胺）和O-H（羥基）官能團）組合模式（變形和拉伸）相關(guān)的樣品的復(fù)雜結(jié)構(gòu)特征。

多光譜圖像可獲得三維數(shù)據(jù)，使用多元建?？蛇x擇性地將其轉(zhuǎn)換為二維化學(xué)圖像。你可以通過這一方法預(yù)測并直觀了解水果和蔬菜的品質(zhì)參數(shù)：

● 物理參數(shù)：紋路、持水能力

● 化學(xué)參數(shù)：淀粉和蛋白質(zhì)含量

● 微生物指標參數(shù)：病毒和真菌含量

● 摻假：品種、產(chǎn)地

● 分級：成熟度、貯存期

● 污染：氯吡脲、吡蟲啉

● 缺陷：淤傷、腐爛

此類植物性食品的品質(zhì)參數(shù)不僅可通過定性或定量方法予以確定，還可在空間中進行可視化顯示，多光譜成像從而能夠?qū)崿F(xiàn)無損且非均質(zhì)的品質(zhì)測定。

例如，如果我們無法用光譜學(xué)方法直接測定SSC，我們可以采用多光譜成像工具間接測定。其他研究已經(jīng)證實了特定波長吸收與水果SSC或含糖量之間的對應(yīng)關(guān)系：

● 535nm和680nm波段與蘋果中的主要色素（花青素和葉綠素）有關(guān)，這些色素的變化取決于蘋果的成熟度。

● 760nm波段與水果的含水量有關(guān)，含水量與SSC成反比。

● 730nm和900nm波段的吸收與碳水化合物有關(guān)，碳水化合物決定了糖液的濃度。

● 900nm左右波段已被證明與多種水果（蘋果、梨和桃子）的SSC有關(guān)。

另一項研究表明，VIS-NIR光譜（400-5000nm）上的許多點可用于檢測實驗前一小時產(chǎn)生的特定項目，例如蘋果上的淤傷。當整合此類具有不同噪聲和性能特征的成像范圍時，有必要進行更高級的圖像分析以獲得準確的結(jié)果。常用的一項技術(shù)是最小噪聲分離變換（MNF），該算法包括兩個連續(xù)的數(shù)據(jù)歸約運算。第一個運算基于數(shù)據(jù)中由一個相關(guān)矩陣表示的噪聲估算。然后，這一變換通過方差對噪聲進行解關(guān)聯(lián)和重新縮放。隨后的第二次變換考慮波段噪聲之間的信息，提供原始數(shù)據(jù)集中所有波段方差的加權(quán)信息。這種分析使得區(qū)分組織中的缺陷區(qū)和正常區(qū)成為了可能。

對于有淤傷的水果，由于細胞壁破裂，淤傷區(qū)域的水分含量會增加。水分吸收的眾多波段的光處于SWIR范圍內(nèi)。這種吸收使得SWIR成像能夠檢測到可見光相機技術(shù)無法檢測到的淤傷。最小噪聲分離變換（MNF）分析對SWIR波長圖像的組合進行評分，從而確定“金冠蘋果”的最佳認定方法。資料來源：使用高光譜數(shù)據(jù)和熱成像技術(shù)檢測蘋果的早期瘀傷，《食品工程學(xué)報》

多光譜數(shù)據(jù)太多？引入AI

盡管與高光譜成像相比，多光譜解決方案可以簡化數(shù)據(jù)，但這并不意味著它實際上很簡單。還有許多相關(guān)的帶寬需要考慮。研究表明，某些波段具有相關(guān)價值。當我們使用數(shù)據(jù)來推斷另一個未測定的品質(zhì)（如前文所述的SSC）時，這一發(fā)現(xiàn)可能非常有幫助。

多光譜方案能有多復(fù)雜？為單獨測定草莓硬度，你可以使用19個非連續(xù)波長（405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940和970nm）！

而早在2002年，研究人員就已經(jīng)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于食品品質(zhì)檢驗。

就像任何與機器學(xué)習(xí)和人工智能實際應(yīng)用相關(guān)的領(lǐng)域一樣，該領(lǐng)域正在迅速變化。多個研究團隊正尋求將多光譜數(shù)據(jù)集與不同的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法相結(jié)合，以確保精度結(jié)果不低于先進的實時處理結(jié)果。

使用神經(jīng)網(wǎng)絡(luò)評估蘋果淤傷的流程圖?；诟吖庾V成像技術(shù)的蘋果輕微淤傷快速檢測與可視化，《International Journal of Food Properties》

神經(jīng)網(wǎng)絡(luò)將變得越來越智能。常見的算法，如反向傳播，意味著網(wǎng)絡(luò)可以自主學(xué)習(xí)，這超出了我們利用有限的數(shù)據(jù)集向其傳授的知識。期待在未來的某一天，食品檢驗系統(tǒng)能夠迅速生成幾乎完美的準確結(jié)果，而我們可能無從得知它們是如何做到這一點的！

食品生產(chǎn)中的Teledyne DALSA技術(shù)

Teledyne DALSA的SWIR GigE線掃描相機采用尖端的InGaAs傳感器和緊湊型封裝設(shè)計，廣泛應(yīng)用于機器視覺領(lǐng)域。

這款高速、高分辨率相機是DALSA SWIR系列的第一款產(chǎn)品。Linea SWIR采用尖端的InGaAs傳感器和緊湊型封裝設(shè)計，適用于各類應(yīng)用場景。這款相機具有超高靈敏度和低噪聲，使客戶能夠以前所未有的方式查看產(chǎn)品。Linea SWIR包括一款1k分辨率、12.5μm像素的高響應(yīng)率相機，以及一款512分辨率、25μm像素的相機。

與所有Linea型號產(chǎn)品一樣，Linea SWIR做工優(yōu)異，功能先進，這也是Teledyne DALSA產(chǎn)品遠遠超越其他同行的原因之一。Linea SWIR的特色功能，包括高運行速度，高靈敏度，循環(huán)模式和可編程I/O，可以便利機器視覺工作。多功能的Linea SWIR是光學(xué)分選、太陽能電池板檢測以及通用機器視覺等應(yīng)用的理想選擇。