Aplicación de la tecnología de imágenes hiperespectrales en la detección de calidad de frutas y hortalizas

En los últimos años, las cuestiones de seguridad alimentaria han atraído mucha atención y las exigencias de la gente en cuanto a la calidad y la seguridad de las frutas y verduras se han vuelto cada vez más altas, lo que se ha convertido en un tema candente de preocupación social. En general, la calidad de las frutas y verduras incluye cualidades externas como la forma, el color, el tamaño y los defectos superficiales, y cualidades internas como el contenido de azúcar, la acidez, la dureza, el contenido de sólidos solubles, el contenido de almidón, la humedad y la madurez, y el contenido de otros nutrientes. La calidad es un factor importante en sus ventas en el mercado.

Los métodos tradicionales de detección de la calidad de frutas y verduras, como los métodos químicos, la cromatografía líquida de alto rendimiento, la espectrometría de masas, etc., suelen ser destructivos para los objetos que se van a probar y lentos. La visión artificial y la tecnología espectral tienen las ventajas de ser rápidas, no destructivas y fiables, y se han utilizado ampliamente en la detección de la calidad de frutas y verduras en los últimos años. Entre ellas, la tecnología de visión artificial extrae y analiza información espacial como la forma, el tamaño, el color y los defectos superficiales de las frutas y verduras para la detección de la calidad externa, mientras que la tecnología de espectroscopia de infrarrojo cercano detecta principalmente la calidad interna de las frutas y verduras. La tecnología de imágenes hiperespectrales combina imágenes con tecnología espectral para obtener simultáneamente información espectral e información espacial que refleja la calidad interna y externa del objeto a probar. En los últimos años, se ha estudiado ampliamente en pruebas no destructivas de calidad de frutas y verduras en el país y en el extranjero. Este artículo presentará los últimos avances de la investigación en este campo a partir de los principios básicos de la tecnología de imágenes hiperespectrales y su investigación y aplicación en pruebas no destructivas de calidad de frutas y verduras.

1. Principio de la tecnología de imágenes hiperespectrales

Cada píxel del sistema hiperespectral puede obtener de docenas a cientos de información de banda estrecha continua en el mismo rango espectral y obtener una curva espectral suave y completa. Al mismo tiempo, todo el sistema de imágenes también puede obtener la información espacial del objeto a medir, logrando la detección simultánea de los componentes internos y las características de apariencia del objeto a medir, con las características de continuidad espectral y alta resolución.

La imagen hiperespectral adquirida por el sistema puede representarse mediante una imagen tridimensional estereoscópica compuesta por una banda continua de imágenes ópticas, como se muestra en la Figura 2. La imagen bidimensional del plano XY representa la información espacial del objeto, como la forma, el tamaño, los defectos, etc. Dado que los cambios externos del objeto afectarán el espectro de reflexión, la forma, el color o el defecto cambiarán en una determinada longitud de onda. La coordenada λ representa la información espectral del objeto, que reflejará la calidad interna del objeto en prueba, como la composición y la estructura.

En este estudio se aplicó una cámara hiperespectral de 400-1000 nm, y el producto FS13 de Hangzhou Caipu Technology Co., Ltd. se puede utilizar para investigaciones relacionadas. El rango espectral es de 400-1000 nm, la resolución de longitud de onda es mejor que 2,5 nm y hasta 1200 canales espectrales. La velocidad de adquisición puede alcanzar 128 FPS en el espectro completo y la más alta después de la selección de banda es de 3300 Hz (que admite la selección de banda multirregional).

2. Detección de la calidad externa de frutas y verduras

La percepción directa de las personas sobre las frutas y verduras en el mercado es la calidad de su calidad externa, es decir, el juicio sobre el color, la frescura, el tamaño, el daño mecánico, la congelación y la descomposición. La tecnología de visión artificial tradicional es difícil de distinguir características externas como el daño mecánico, la congelación, la descomposición y la frescura en la detección de la calidad externa de frutas y verduras debido a la baja precisión y la operación compleja. La tecnología de imágenes hiperespectrales simplemente supera esta deficiencia y puede lograr una detección no destructiva integral. También es muy precisa y fácil de operar. En los últimos años, se ha utilizado gradualmente en la detección de la calidad externa de frutas y verduras.

La frescura es un indicador importante que refleja la calidad de las frutas y verduras. Las frutas y verduras recién recolectadas generalmente deben almacenarse y transportarse antes de llegar a los consumidores. Este proceso afectará su frescura y calidad. En términos generales, el juicio subjetivo de las personas sobre la frescura de las frutas y verduras es inexacto. Las imágenes espectrales de cuatro hojas de vegetales, incluyendo repollo chino, espinaca, colza y repollo bebé, fueron recolectadas y comparadas usando un espectrómetro de imágenes a las 0, 10, 24 y 48 horas de deshidratación. Entre ellas, el análisis comparativo de la imagen hiperespectral y la imagen de visión artificial de las hojas de pakchoi en diferentes tiempos de pérdida de agua se muestra en las Figuras 3 y 4. Se puede ver que el estado de las hojas en las dos imágenes ha cambiado significativamente con el cambio de tiempo, pero la imagen de visión artificial solo puede mostrar el estado de pérdida de agua, y la imagen hiperespectral analiza los cambios en la información espectral y encuentra que la apariencia y la clorofila interna de las hojas han cambiado durante el proceso de pérdida de agua. El coeficiente de correlación del modelo de predicción del valor del contenido relativo de clorofila es r = 0,76, lo que indica que la tecnología hiperespectral puede identificar eficazmente la frescura de las hojas de vegetales.

La tecnología hiperespectral y el modelo de predicción ANN se utilizaron para estudiar la congelación de las manzanas, como se muestra en la Figura 5. El experimento utilizó el proceso que se muestra en la Figura 6 y seleccionó cinco bandas de componentes principales (717, 751, 875, 960 y 980 nm) de la imagen hiperespectral de manzanas congeladas en la banda de 400-1000 nm para establecer el modelo ANN. Los coeficientes de correlación del conjunto de entrenamiento, el conjunto de prueba y el conjunto de validación fueron 0,93, 0,91 y 0,92, respectivamente, y finalmente lograron una precisión de reconocimiento de más del 98%.

3. Conclusión

Con la mejora del nivel de vida, las personas tienen cada vez mayores exigencias en cuanto a la calidad de los alimentos saludables. La tecnología tradicional de visión artificial y los métodos físicos y químicos son complejos y destructivos a la hora de medir la calidad de las frutas y verduras, y es difícil satisfacer las necesidades de detección. La tecnología de imágenes hiperespectrales integra la visión artificial, la espectroscopia y la tecnología de procesamiento de imágenes. La imagen producida es un cubo de datos tridimensional de "combinación espectral", que no solo contiene las características de información espacial del objeto a analizar, sino que también contiene la información espectral del objeto a analizar. Puede detectar de forma precisa, rápida y no destructiva la calidad de los productos agrícolas, y es sencilla de utilizar. En los últimos años, se ha utilizado ampliamente en la detección de la calidad de frutas y verduras. Sin embargo, en el proceso de recopilación y procesamiento de datos de imágenes, la tecnología de imágenes hiperespectrales está limitada por el rendimiento y la velocidad de procesamiento del instrumento. Esta tecnología se utiliza actualmente principalmente en la investigación básica y no se ha utilizado ampliamente en la detección industrial en línea en tiempo real. Para lograr la detección comercial en línea de la calidad de frutas y verduras, se deben lograr los dos puntos siguientes para resolver estos problemas: primero, mejorar y modernizar el equipo relacionado con la tecnología de imágenes hiperespectrales, como los espectrómetros de imágenes, para mejorar su rendimiento y reducir sus costos de producción, lo que favorece la promoción de la tecnología de imágenes hiperespectrales en la detección de la calidad de frutas y verduras; segundo, seleccionar longitudes de onda características para imágenes hiperespectrales de banda completa y de diferentes variedades de frutas y verduras para reducir la redundancia de datos y reducir el tiempo de adquisición y procesamiento de imágenes hiperespectrales. Sin embargo, con el desarrollo de la sociedad y el progreso científico, la tecnología de imágenes hiperespectrales seguirá mejorando y mejorando, y tendrá un espacio de desarrollo más amplio y perspectivas de aplicación en los campos de los productos agrícolas y la seguridad alimentaria en el futuro.