高光譜成像將成像和光譜相結合，以增強對材料的無損分析。當與化學計量學(即多變量)分析相結合時，高光譜成像可用于預測樣品中多種成分的濃度和分布。這使得該技術對食品行業(yè)內(nèi)的許多常規(guī)質量檢查具有吸引力。高光譜成像的一項潛在有用應用是食品加工中的異物檢測。

異物污染被認為是食品召回的最常見原因之一。因此，為了符合產(chǎn)品安全要求和維護消費者信心，需要快速、無損的技術來檢測和識別食品工業(yè)產(chǎn)品中的異物。玻璃、金屬和塑料是加工食品中最常提到的異物。金屬探測器通常用于食品加工鏈，以防止成品中出現(xiàn)金屬碎片;然而，這些儀器無法檢測玻璃和塑料污染。

與在可見光譜范圍內(nèi)捕獲的肉類圖像(左)不同，高光譜圖像向食品質量檢查員(右)顯示了感興趣的區(qū)域，例如以假色突出顯示的脂肪或蛋白質區(qū)域

在本文中，介紹了用于識別和分類谷物中異物的高光譜成像數(shù)據(jù)的化學計量學分析。使用在近紅外 (700–1700 nm) 波長范圍內(nèi)以漫反射模式運行的推掃式線掃描高光譜成像儀器獲得高光譜圖像。調(diào)查的異物有：塑料碎片、玻璃珠和橡膠碎片。檢測了兩種類型的谷物樣品：一種相對均勻的白米谷物樣品和一種混合品種谷物樣品(含有多種脫水谷物豆類)。

用于谷物樣品中污染物檢測的高光譜成像

每種污染物的平均偏差和標準偏差反射光譜顯示了所研究污染物的不同光學特性。玻璃樣品表現(xiàn)出非常低的光譜響應，表明從這些樣品反射的光水平很低。塑料和橡膠樣品在特定波長下表現(xiàn)出對近紅外 (NIR) 輻射的特征吸收。盡管污染物在光譜特征上彼此截然不同，但所研究的食品樣品的光譜響應與污染物的光譜響應存在一些重疊;因此，使用單波段圖像識別污染物是不合適的。

與其他異物檢測方法相比，高光譜成像的一大優(yōu)勢是能夠根據(jù)異物的光譜特性檢測異物并對其進行分類。主成分分析 (PCA) 可應用于高光譜圖像，將它們壓縮為各個波長圖像(“分數(shù)”)的線性組合，從而產(chǎn)生最大方差投影。因此，PCA 是識別高光譜成像數(shù)據(jù)中潛在模式的有用工具。為了證明這一點，將 PCA 應用于含有異物的谷物樣品的圖像。

當沒有應用光譜預處理時，混合谷物樣品的光譜響應的可變性導致 PC 評分圖像的顯著可變性，使得異物識別變得困難。因此，為了突出 PC 評分空間中谷物樣品和異物污染物之間的差異，對漫反射光譜應用了各種光譜預處理。結果發(fā)現(xiàn)，一階導數(shù) Savitsky-Golay 平滑與標準正態(tài)變量預處理的組合導致 PC 分數(shù)空間中各種異物的最佳分離。由于應用了上述光譜預處理，谷物樣品在 PC 分數(shù)圖像中顯得均勻，具有相對較高的[在水稻的情況下，或較低的 [在混合的情況下]谷物樣品，像素強度較異物。因此，可以通過簡單的閾值將污染物從圖像背景中分離出來。然而，晶粒的一些邊緣區(qū)域由于其曲率而遭受錯誤分類。為了去除這些誤報并在閾值圖像中保持真實的異物，應用了形態(tài)學膨脹和腐蝕操作，從而產(chǎn)生更準確的異物檢測圖像。

為了建立用于異物識別的判別模型，將 PCA 應用于屬于異物類的像素?；旌瞎任飿悠返?PC2 圖像及其對應的直方圖。直方圖中有三個峰，一個對應于每種污染物。根據(jù)這些峰值對 PC2 圖像進行閾值處理可以識別每種污染物。

每個樣品的 PCA 分析結果可用于算法開發(fā)，以檢測和識別加工線中的污染物。顯示了基于前面章節(jié)中描述的混合谷物樣品異物檢測和分類分析的典型例程的流程圖。標準圖像預處理和后處理步驟，例如背景去除和死像素為清楚起見，刪除被省略。因此，應用 PC 特征向量可以檢測和識別樣品中的異物。此方法中使用的 PC 特征向量是樣本和異物特定的。

總結

NIR 波長范圍內(nèi)的高光譜反射成像與化學計量學相結合，顯示出檢測和識別食品谷物中異物的前景。這種方法特別適用于識別塑料和橡膠異物，因為這些材料在近紅外波長區(qū)域表現(xiàn)出特征吸收。該研究還表明了 NIR 反射高光譜成像用于檢測谷物樣品中玻璃的潛力。所提出的方法可以修改為檢測和識別原材料樣品中的異物，例如，在食品加工鏈中。在目標食品樣品中可能含有異物的情況下，光透射比反射檢測更理想，因為反射成像主要揭示表面特征?？梢姽?近紅外波長區(qū)域的透射高光譜成像可能適用于異物的亞表面檢測;但它的用途通常是特定于樣品的，強烈依賴于樣品的光散射特性。