农业行业
坚果在储存、运输过程中，如果环境温湿度控制不当，可能出现受潮、霉变等问题。
对于已经出现明显霉斑、颜色变化的腰果，通过人工观察往往能够进行初步判断。但在实际检测和分选过程中，仅依靠肉眼观察存在一定局限：一方面，人工判断容易受到经验、光照等因素影响；另一方面，一些样品的外观变化并不明显，仅从颜色和形态上不容易快速区分。
那么，除了“看外观”，还能不能从光谱信息中寻找差异？
本次彩谱科技使用FS-19S高光谱相机，对健康腰果与发霉腰果进行了高光谱数据采集与分析，尝试利用近红外光谱信息识别腰果霉变状态。
图1：健康腰果与发霉腰果对比图
普通相机主要记录物体的颜色、纹理和形状，而高光谱成像在获取空间图像的同时，还能够记录不同波长下的光谱信息。
简单来说，一幅高光谱图像中，每个像素不仅对应一个位置，还包含该位置在多个连续波段上的光谱数据。
本次实验采用的FS-19S高光谱相机光谱范围为900-1700nm，通过采集腰果在这一波段范围内的反射率光谱，分析健康样品与发霉样品之间是否存在可识别的光谱差异。
这也是高光谱用于农产品、食品品质检测的一个重要思路：把肉眼看到的图像信息，与肉眼无法直接感知的光谱信息结合起来。
图2：FS-19S高光谱相机图
本次测试选取4颗腰果样品，并将样品平行放置在扫描平台上进行高光谱图像采集。
其中，上方两颗为外观正常的健康腰果，下方两颗为发生霉变的腰果。
完成图像采集后，在SortingExpert软件中对不同区域进行标签定义和框选：
绿色标签代表健康区域；
红色标签代表发霉区域。
通过这种方式，可以分别提取健康腰果和发霉腰果对应区域的高光谱数据，为后续光谱分析建立样本基础。
图3：4颗腰果绿色/红色标签框选图
完成样品区域标记后，对采集到的数据进一步处理，并分别绘制健康腰果、发霉腰果以及背景区域的平均光谱曲线，同时观察原始光谱与预处理后的光谱效果。
与单纯依靠颜色或外观判断不同，高光谱分析关注的是样品在不同波长下对光的反射响应。
当腰果发生霉变后，其表面及内部相关物质状态可能发生变化，相应的近红外光谱特征也可能随之改变。因此，可以通过光谱数据提取和分析，寻找健康区域与霉变区域之间的差异，并进一步用于分类判断。
图4：健康腰果、发霉腰果平均光谱曲线
根据本次实验采集结果，通过FS-19S高光谱相机对腰果样品进行900-1700nm近红外高光谱成像后，可以获得相应的高光谱反射率数据。
结合健康样品与发霉样品的区域标记及光谱数据分析，本次测试结果表明，采集得到的高光谱反射率数据可用于判断本次腰果样品是否发生霉变。
需要说明的是，本次实验属于具体来样测试。实际应用到批量检测或在线分选时，还需要结合更多具有代表性的样本进行数据采集、模型训练和验证，并充分考虑腰果品种、产地、含水率、霉变程度及检测环境等因素。
高光谱成像的价值，并不只是告诉我们“这颗腰果的光谱是什么样”。
当健康样品与异常样品之间能够建立稳定、可重复的光谱差异后，还可以进一步结合分类算法建立识别模型，使高光谱图像中的不同区域被自动分类。
对于腰果、花生、瓜子等坚果及其他农产品而言，这种“成像+光谱+算法”的方式，为品质检测、异常样品识别以及后续自动化分选提供了一种技术路径。
从肉眼观察到光谱识别，高光谱成像为腰果霉变检测提供了新的技术思路，让霉变识别不再局限于外观，而是有了更丰富的光谱数据作为判断依据。
