农作物在追求高价值和精细化的过程中将面临更多的挑战。水果和有机农产品在小型农场种植，产生了更多的劳动力需求。苹果就是一个很好的例子，它是当今世界上最具经济和文化意义的水果之一，产地遍布全球温带地区。作为一种高价值的水果，苹果的种植和采摘耗费大量的劳动力，以确保果树健康和产量丰收。苹果是一项大产业，主要的产业参与者遍布世界各地。
在过去的几年中，苹果产业的需求在发展中逐渐追求更好的品质，食品安全，以及产品的可追溯性。随着劳动力待遇要求提高，能源和水资源消耗降低，农用化学品安全性提高，苹果的生产成本也不断上升。这给种植者、加工商和零售商带来了巨大的压力，迫使他们调整供应链。精准农业、分子生物学、表型组学、作物建模和采后生理学的最新发展应该能够提高全球温带水果的产量和品质，并降低生产成本。
如果苹果变得更加脆弱、稀缺和昂贵，机器视觉能提供什么帮助呢？每个人类个体都不一致，他们的日常行为也往往不一致。传统的检查一般涉及人工切开并检查农产品。这一费时费力的操作会破坏农产品，且除了成本较高之外，检查的结果往往带有主观性。相比之下，成像系统可以实现高速、无损的品质检查和分级。可见、多光谱和红外成像技术已经在水果和蔬菜分级系统中得到了不同程度的应用。然而，品质和分级检查的自动化仍然具有挑战性，这减缓了其在水果和蔬菜分级系统中的应用。● 物理和生物多样性（仅在美国就有成千上万种苹果）●大小和形状变化显著的不均匀圆形物体需接受表面检测。从这些挑战来看，我们难以定义“品质”。这不是一个定义明确的单一属性，而是优质水果所具备的众多特征。研究表明，在相对类似的文化中，即使品质相对一致，人们对品质的认可方式也存在很大的差异。当问及更多样化的群体时，关于“品质”的文化共识很快就会瓦解。这些文化差异在研究中随处可见（在对待“幸福”的定义时可能会变得非常疯狂），但这迫使我们去研究特定的、更容易量化的因素。这项任务稍稍简单了一点。我们培育苹果是为了让它们的外表好看。不仅如此，可见光往往停留在果皮上，色素、叶绿素和其他波段的光可以被下层的结构化组织散射。通过近红外和短波红外（SWIR）技术，你可以更清楚地看到苹果内部的水密度和分布情况。这说明关键的物理属性有助于预测可测量的苹果“品质”、纹路、持水能力和比重。食品加工厂传送带上的新鲜苹果，准备接受自动化包装纹路和密度异常表明可能存在淤伤，这对品质检测系统尤为重要。“淤伤”是指外力、挤压、切割或苹果皮和果肉擦伤造成的水果组织损伤。这会导致水果的纹路和化学成分发生物理变化，对产品的颜色、气味、味道和寿命直接造成长期影响。苹果对机械损伤的敏感性取决于许多因素，包括土壤栽培、营养和水果生长过程中的气候条件，所有这些因素在过去几十年里都变得愈发的复杂和极端。收获和运输会对产品造成淤伤，生产线上的条状物和其他碎片也会造成同样的损伤。光学分拣技术可捕获和移除淤伤的产品。事实上，提高分选效率可减少浪费的可能性。相反，可根据苹果与其他产品（比如果酱、蜜饯和冷冻混合物）之间的匹配度进行分拣。尽管淤伤是水果在分拣生产线上被拒收的首要原因，但自动分拣系统在检测淤伤方面仍然缺乏精度，这迫使公司寻求人工分拣。那么我们如何才能达到更高的精度呢？我们已经了解了短波红外成像如何帮助实现田间作物的精准种植。但在作物收获后，需求即发生了改变。植物性食品行业面临的一个主要挑战在于，植物性食品的保质期通常很短，这几乎是一个普遍的事实。一般而言，国内消费食品的保质期为七天左右，海外消费食品的保质期为7-15天。食品在收获后接受加工、储存和运输，随后其生理品质不断变化。2007年，研究人员能够使用近红外/SWIR测量技术来区分苹果品种、储存类型和储存时间。后来，研究人员利用红外光谱技术检测了在室温或气调贮藏环境下储存6个月后的苹果的食用和感官品质（即我们所说的味道和口感）。然而，这两项研究都不具有预测性；他们只检查了储存后的苹果。红外成像技术需要更大的改进才能迈出下一步。
图左：肉眼看起来完美无瑕的红苹果 图右：SWIR成像下可见表皮的淤青
确定水果品质需要的不仅仅是在商店中放置消费者信赖的明显标识，如形状、大小、颜色、纹路和缺陷。水果生产商需要重视那些表明未来品质和寿命的不可见特征：糖含量、硬度、可溶性固形物含量和营养成分。为此，研究人员创建了一个系统，将可见光、SWIR和MWIR成像范围内（400-5000nm）的反射辐射成像纳入其中。事实证明，整个光谱有助于检测淤伤。成像所延伸的红外线范围越深，研究人员就能对苹果组织进行更深的评估。显然，我们需要一种更全面的方法来为生产决策提供动力。研究人员随后转向高光谱图像分析（包括近红外和SWIR波段），给出了目标图像苹果的不同“深度”。分析证明，MWIR成像技术可用于更广泛的淤伤识别。这需要同时使用大量数据，主要是因为目标对象是3D而非2D对象。使用最小噪声分离变换（MNF）旋转可以获得更好的结果，可以确定图像数据的固有维数，分离数据中的噪声，并减少后续处理MNF变换的计算量。MNF变换成分可以更好地用于图像分割目的。
川公网安备 51010402000667号