Pengenalan
Penggredan buah di Malaysia masih banyak bergantung kepada pemeriksaan visual dan ujian memusnah seperti refraktometer untuk kemanisan, yang memerlukan buah dipotong (pengetahuan am). Kaedah ini lambat dan hanya mewakili sampel kecil. Pengimejan hiperspektral (HSI) menggabungkan kamera dan spektroskopi untuk merakam ratusan jalur panjang gelombang bagi setiap piksel imej, membolehkan sifat dalaman buah dianggarkan tanpa memotongnya (pengetahuan am). Mangga merupakan contoh yang paling banyak dikaji dalam data yang diperoleh.
Artikel ini meringkaskan kajian bertajuk “Detection of mango soluble solid content using hyperspectral imaging technology” (Tian et al., 2023), terbitan Infrared Physics & Technology. Objektifnya ialah membangunkan model regresi kuasa dua terkecil separa (PLS) bagi kandungan pepejal larut (SSC) mangga dengan menggabungkan pengimejan hiperspektral cahaya nampak dan inframerah dekat (400–1000 nm), untuk kegunaan penggredan kualiti. Negara kajian tidak dinyatakan dalam abstrak. Dapatan dilengkapi oleh ulasan sistematik mangga (Chaudhary et al., 2025), kajian kerosakan hentaman (Xu et al., 2018), kajian pelbagai atribut pemasakan (Lu et al., 2026) dan kajian kekerasan mengikut kultivar (Liu et al., 2026).
Sorotan Kajian Lepas
Wu dan Sun (2013), dalam ulasan aplikasi pengimejan hiperspektral untuk analisis kualiti dan keselamatan makanan, menyimpulkan bahawa teknik ini boleh mengautomasikan pelbagai tugas pemeriksaan rutin, dan sistem pemantauan makanan masa nyata dijangka dapat memenuhi keperluan sistem kawalan dan pengisihan industri. Liu et al. (2014) mengulas kaedah pemilihan panjang gelombang dalam bidang makanan, iaitu langkah untuk memilih jalur yang paling bermaklumat daripada ratusan jalur, serta potensi dan cabaran pembangunan sistem HSI.
Bagi buah, Mendoza et al. (2011) menggunakan ciri spektrum dan imej daripada imej serakan hiperspektral dalam julat 500–1000 nm untuk meramal kekerasan dan kandungan pepejal larut epal. Pan et al. (2016) pula menunjukkan kebolehlaksanaan pengimejan pantulan hiperspektral bersama rangkaian neural buatan untuk mengesan kecederaan sejuk pada pic, dengan ketepatan klasifikasi keseluruhan 95.8% bagi semua sampel yang disimpan sejuk.
Pendekatan pemilihan pemboleh ubah untuk model PLS juga digunakan oleh Jie et al. (2013) bagi kandungan pepejal larut tembikai menggunakan teknik transmisi resapan inframerah dekat, untuk tujuan penggredan kualiti.
Dapatan Utama
Prapemprosesan terbaik. Tian et al. (2023) membandingkan lima model jalur penuh dengan kaedah prapemprosesan berbeza dan memilih transformasi pemboleh ubah normal piawai (SNV) dan pembetulan serakan berganda (MSC).
Pemilihan panjang gelombang. Tiga kaedah digunakan untuk mengenal pasti panjang gelombang ciri: algoritma unjuran berturutan (SPA), pensampelan berwajaran semula adaptif kompetitif (CARS) dan algoritma genetik (GA). Jalur terpilih digunakan untuk membina model PLS.
Model SNV-CARS-PLS paling baik. Model ini memberikan prestasi ramalan terbaik, dengan pekali korelasi nilai ramalan SSC mangga 0.9001 dan ralat punca min kuasa dua 0.6162.
Mengesan kesan jatuhan. Xu et al. (2018) menilai kerosakan hentaman pada mangga (Mangifera indica) yang dijatuhkan dari ketinggian 0.5, 1.0 dan 1.5 m, menggunakan spektrum pantulan 900–1700 nm dan regresi PLS. Prestasi terbaik (R² dan RMSEP) ialah 0.84 dan 31.6 g bagi kekerasan isi, 0.9 dan 0.49 °Brix bagi TSS, 0.65 dan 0.1% bagi keasidan tertitrat, serta 0.94 dan 0.96 bagi kroma. Klasifikasi tahap kerosakan mencapai ketepatan lebih 77.8% berdasarkan indeks pemasakan.
Banyak atribut sekali gus. Lu et al. (2026) membina set data HSI pemasakan mangga menggunakan 634 biji mangga ‘Tainong’ pada peringkat pemasakan berterusan, dengan HSI imbasan garis 400–1700 nm dan 504 konfigurasi model. Model terbaik mencapai R² set ujian 0.89 bagi kekerasan, 0.93 bagi TSS, 0.90 bagi karotenoid dan 0.72 bagi kanji. Input semua panjang gelombang umumnya mengatasi input yang dikurangkan, dan julat VNIR sahaja mengekalkan maklumat ramalan yang besar, menyokong kemungkinan sistem satu kamera yang lebih ringkas.
Kultivar penting. Liu et al. (2026) mendapati mangga ‘Tainong’ menguning ketara semasa masak, manakala ‘Keitt’ kekal hijau walaupun matang sepenuhnya. Model gabungan dua kultivar menunjukkan prestasi keseluruhan sederhana tetapi tidak seimbang antara kultivar. Model khusus kultivar mencapai R² 0.89 dan RMSE 0.27 bagi ‘Tainong’, serta R² 0.79 dan RMSE 0.43 bagi ‘Keitt’.
Gambaran bidang. Ulasan sistematik Chaudhary et al. (2025) mendapatkan 101 artikel dalam tempoh sepuluh tahun dan memilih 85 kertas untuk analisis terperinci. Atribut utama yang dinilai termasuk jumlah pepejal larut (TSS), kandungan bahan kering (DMC), kekerasan, kematangan dan kecacatan permukaan, dengan tumpuan kepada pembelajaran mesin, pembelajaran mendalam dan model transformer.
| Atribut | Prestasi terbaik | Sumber |
|---|---|---|
| SSC mangga (400–1000 nm) | r = 0.9001; RMSE 0.6162 | Tian et al. (2023) |
| TSS (900–1700 nm) | R² 0.9; RMSEP 0.49 °Brix | Xu et al. (2018) |
| TSS (400–1700 nm) | R² 0.93 | Lu et al. (2026) |
| Kekerasan ‘Tainong’ / ‘Keitt’ | R² 0.89 / 0.79 | Liu et al. (2026) |
| Karotenoid / kanji | R² 0.90 / 0.72 | Lu et al. (2026) |
| Kecederaan sejuk pic | 95.8% ketepatan | Pan et al. (2016) |
Perbincangan
Secara keseluruhan, kajian-kajian ini menunjukkan bahawa HSI berupaya menganggar kemanisan (SSC/TSS), kekerasan dan pigmen mangga dengan ketepatan yang tinggi, dan juga mengesan kerosakan akibat hentaman. Nilai R² bagi TSS sekitar 0.9 dalam dua kajian berasingan (0.9 dan 0.93), di samping pekali korelasi 0.9001 bagi SSC, menunjukkan bahawa kemanisan antara atribut yang paling konsisten diramal. Kanji (R² 0.72) dan kekerasan bagi kultivar yang kekal hijau (R² 0.79) lebih sukar.
Terdapat perbezaan pendekatan antara kajian. Tian et al. (2023) bergantung kepada pemilihan beberapa panjang gelombang ciri, manakala Lu et al. (2026) mendapati semua panjang gelombang umumnya memberi keputusan lebih baik, menandakan maklumat tersebar luas dalam spektrum. Liu et al. (2026) pula menunjukkan bahawa model gabungan pelbagai kultivar boleh menyembunyikan prestasi lemah bagi kultivar tertentu. Bagi Malaysia, ini bermakna model yang dibangunkan untuk ‘Tainong’ atau ‘Keitt’ tidak boleh terus digunakan untuk kultivar tempatan; model perlu dikalibrasi semula dengan sampel tempatan (pengetahuan am).
Had utama data ini ialah kesemua kajian melibatkan mangga, dan tiada kajian Malaysia atau Asia Tenggara ditemui dalam carian ini. Kos peralatan HSI, keperluan kepakaran analisis data dan kelajuan pemprosesan di talian pembungkusan juga merupakan cabaran praktikal (pengetahuan am). Dapatan julat VNIR yang mencukupi (Lu et al., 2026) memberi harapan kepada sistem yang lebih murah.
Implikasi kepada Agensi dan Pengusaha Pembungkusan
1. Mulakan dengan atribut yang paling konsisten diramal dalam kajian ini, iaitu TSS/kemanisan, sebelum beralih kepada kekerasan dan kanji.
2. Bina model khusus bagi setiap kultivar tempatan dan jangan bergantung kepada model kultivar luar negara.
3. Kumpulkan set data rujukan yang besar dan merangkumi pelbagai peringkat kematangan, seperti 634 biji mangga dalam kajian Lu et al. (2026).
4. Pertimbangkan sistem VNIR satu kamera sebagai pilihan kos lebih rendah untuk projek rintis.
5. Pertimbangkan HSI untuk mengesan kerosakan hentaman akibat pengendalian kasar; ketepatan klasifikasi yang dilaporkan baru melebihi 77.8%.
Kesimpulan
Pengimejan hiperspektral menunjukkan potensi yang kukuh untuk menilai kualiti dalaman mangga secara tidak memusnah, dengan model SNV-CARS-PLS mencapai pekali korelasi 0.9001 bagi SSC dan kajian lain mencapai R² sekitar 0.9 bagi TSS dan 0.79–0.89 bagi kekerasan. Kejayaan penggunaannya bergantung kepada kalibrasi khusus kultivar dan kajian tempatan bagi buah-buahan Malaysia.
Rujukan
1. Tian, P., Meng, Q., Wu, Z., et al. (2023). Detection of mango soluble solid content using hyperspectral imaging technology. Infrared Physics & Technology. https://doi.org/10.1016/j.infrared.2023.104576
2. Chaudhary, R. K., Neupane, A., Wang, Z., et al. (2025). Mango quality assessment using near-infrared spectroscopy and hyperspectral imaging: A systematic review. Agronomy. https://doi.org/10.3390/agronomy15102271
3. Xu, D., Wang, H., Ji, H., et al. (2018). Hyperspectral imaging for evaluating impact damage to mango according to changes in quality attributes. Sensors. https://doi.org/10.3390/S18113920
4. Lu, L.-B., Wang, Y., Nie, C., et al. (2026). Automated hyperspectral imaging reveals distributed spectral signatures of mango ripening for multi-attribute quality assessment. Journal of Food Composition and Analysis. https://doi.org/10.1016/j.jfca.2026.109588
5. Liu, Z., Zhou, Y., Yan, X., et al. (2026). Nondestructive prediction of mango firmness using hyperspectral imaging and cultivar-specific multimodal modeling. Lebensmittel-Wissenschaft & Technologie. https://doi.org/10.1016/j.lwt.2026.119865
6. Wu, D., & Sun, D.-W. (2013). Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review — Part II: Applications. Innovative Food Science and Emerging Technologies. https://doi.org/10.1016/J.IFSET.2013.04.016
7. Liu, D., Sun, D.-W., Zeng, X.-A., et al. (2014). Recent advances in wavelength selection techniques for hyperspectral image processing in the food industry. Food and Bioprocess Technology. https://doi.org/10.1007/S11947-013-1193-6
8. Mendoza, F., Lu, R., Ariana, D. P., et al. (2011). Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content. Postharvest Biology and Technology. https://doi.org/10.1016/J.POSTHARVBIO.2011.05.009
9. Pan, L., Zhang, Q., Zhang, W., et al. (2016). Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network. Food Chemistry. https://doi.org/10.1016/J.FOODCHEM.2015.06.106
10. Jie, D., Xie, L., Fu, X., et al. (2013). Variable selection for partial least squares analysis of soluble solids content in watermelon using near-infrared diffuse transmission technique. Journal of Food Engineering. https://doi.org/10.1016/J.JFOODENG.2013.04.027
Sumber carian: SciSpace Literature Review (mod High Quality), November 2026.
Kata kunci: pengimejan hiperspektral, mangga, kandungan pepejal larut, kekerasan, regresi PLS, penggredan tidak memusnah, pembelajaran mesin, inframerah dekat
