陈泺羽 周文秀 胡康恺 吴兴远 边勇 印丽萍 焦彬彬

陈泺羽 ^1,2 周文秀 ¹ 胡康恺 ^1,3 吴兴远 ¹ 边 勇 ⁴ 印丽萍 ² 焦彬彬 ^{1 ,2 *}

摘 要 本研究聚焦海关进口农产品传统检测方法在效率与覆盖指标上的提升需求，探讨高光谱成像技术（Hyperspectral Imaging，HSI）在进口农产品智能查验中的应用价值与实现路径。本研究采用了比较分析法、数据分析方法与案例分析法，通过对比HSI技术与理化检测、微生物培养、色谱—质谱联用等传统方法在准确性、时效性、检测限等指标上的差异，评估PCA、LDA等降维算法及PLS-DA、SVM、CNN等分类算法构建检测模型的应用场景，结合国内外海关应用案例总结实践经验。结果表明，HSI技术凭借快速、多参数、高精度、无损检测的核心优势，可显著提升通关效率与风险识别准确性，有效弥补传统检测方法短板。本文立足智慧海关建设需求，明确HSI技术在标准化应用、特征数据库构建及多技术融合等方面的应用前景，为进口农产品检测提供技术参考，助力海关监管向精准化、智能化转型。

关键词 高光谱成像技术；进口农产品；无损检测

Prospects for the Application of Hyperspectral Imaging in the Inspection of Imported Agricultural Products

CHEN Luo-Yu^1,2 ZHOU Wen-Xiu¹ HU Kang-Kai^1,3

WU Xing-Yuan¹ BIAN Yong⁴ YIN Li-Ping² JIAO Bin-Bin^1,2*

Abstract To meet the growing demand for higher throughput and broader screening capacity in conventional customs inspection of imported agricultural products, this study explores the application value and implementation pathway of hyperspectral imaging (HSI) technique for the intelligent inspection of imported agricultural products. Comparative analytics, data mining and representative case studies were integrated to benchmark HSI against reference protocols physicochemical assays, microbial cultivation and chromatography mass spectrometry across accuracy, timeliness and limits of detection. Dimensionality reduction algorithms (PCA, LDA) and classifiers (PLS-DA, SVM, CNN) were evaluated for model robustness under real-world customs scenarios. Empirical evidence from domestic and overseas customs deployments demonstrates that the core advantages of HSI rapid, multiparametric, high-precision and non-destructive can significantly accelerate clearance and sharpen risk targeting, closing critical gaps left by conventional workflows. Anchored in the vision of Smart Customs construction, we delineate a forward-looking agenda for HSI standardization, spectral feature database construction and multi-modal technology fusion, offering a technical blueprint for transforming import agricultural product inspection toward precision and intelligence.

Keywords hyperspectral imaging (HSI); imported agricultural products; non-destructive inspection

本论文由海关国门生物安全虚拟仿真实训技术1+X研究室支持

基金项目：国家重点研发计划（2021YFD1400100，2021YFD1400102，2021YFD1400103）

第一作者：陈泺羽（2004—），男，汉族，广东普宁人，本科，主要从事植物检疫研究工作，E-mail: 1011230228@m.shcc.edu.cn

通信作者：焦彬彬（1982—），男，汉族，江苏兴化人，博士，研究员，主要从事植物检疫研究工作，E-mail: billjohn820929@163.com

1. 上海海关学院 上海 201204

2. 上海海关动植物与食品检验检疫技术中心 上海 201210

3. 黄山海关 黄山 245000

4. 中国海关科学技术研究中心 北京 100026

1. Shanghai Customs University, Shanghai 201204

2. Shanghai Customs Animal, Plant and Food Inspection and Quarantine Technology Center, Shanghai 201210

3. Huangshan Customs, Huangshan 245000

4. Science and Technology Research Center of China Customs, Beijing 100026

随着进口粮食、原木等数量持续增加以及水果、种苗等进口农产品品种日益繁多，外来病虫害入侵风险增加^[1]，亟待建立外来病虫害高效检测关键技术、研发能直接应用于国境口岸的装备、开发检疫自主特色数据库，实现智能、高效、精准检测，以提升检测效率、覆盖范围与精准度^[2]。

高光谱成像技术（Hyperspectral Imaging，HSI）作为一种融合图像与光谱信息的新型无损检测手段，可同时获取农产品的空间特征与连续窄波段光谱数据，实现对农产品内外品质及污染物快速、多参数、高精度检测^[3]。该技术通过捕捉物质特有的光谱响应，能够识别病虫害、农药残留、重金属污染及内部品质指标。

本研究在智慧海关建设的背景下，阐述高光谱成像技术的基本原理与系统组成，分析当前进口农产品检测中面临的挑战，重点探讨高光谱成像技术在提升查验效率、实现多指标同步检测和推动智能化监管方面的应用潜力，并对其未来在标准化、数据库建设与多技术融合等方面的发展方向进行展望，以期为推动进口农产品检测向智能化、精准化转型提供理论参考与实践依据。

1 研究方法

1.1 比较分析法

将高光谱成像检测技术与传统进出口农产品检测方法（如理化检测、微生物培养检测等）进行对比。针对农产品病害检测，对比高光谱图像特征分析与传统显微镜观察、病原菌培养鉴定的准确性与时效性；在异物检测方面，对比高光谱成像技术与X射线检测、人工分拣的效率与精度；对于农药残留检测，对比高光谱成像技术与色谱—质谱联用等化学检测方法的检测限、灵敏度等指标，分析高光谱成像技术的优势与不足。

1.2 数据分析方法

针对获取的高光谱图像数据，探讨运用主成分分析（Principal Component Analysis，PCA）、线性判别分析（Linear Discriminant Analysis, LDA）等降维算法，降低数据维度，提取关键特征，减少数据冗余，提高处理效率的效用。基于利用偏最小二乘判别分析（Partial Least Squares-Discriminant Analysis，PLS-DA）、支持向量机（Support Vector Machine，SVM）、深度学习卷积神经网络（Convolutional Neural Network，CNN）等分类算法研究，评估其构建病害识别、异物检测、农药残留含量预测模型的应用场景。

1.3 案例分析法

收集并梳理国内外多个海关与质检机构在进出口农产品检测中应用高光谱成像技术的典型案例，深入分析其在柑橘、苹果等不同农产品类型及口岸快速筛查、实验室精准检测等多种场景下的应用流程、面临问题与解决方案，归纳成功经验与教训，为技术推广与优化提供参考依据。

2 高光谱成像技术介绍

HSI是20世纪80年代发展起来的多学科交叉技术，融合了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术成果，把传统的二维成像技术和光谱技术有机地结合在了一起。高光谱成像技术具有超多波段、高分辨率和图谱合一的特点。高光谱成像技术主要用到两类检测方法，分别是基于光谱空间的检测方法和基于特征空间的检测方法，能够同时获取目标物的空间、辐射和光谱信息^[4]。高光谱成像系统通过“图谱合一”的特性，能够同时获取目标物的空间信息和连续窄波段光谱信息。

在高光谱成像系统中，分光技术是其核心组成部分。该系统所应用的主要分光技术有四种类别，分别为光栅分光技术、声光可调谐滤波分光技术、棱镜分光技术以及芯片镀膜分光技术。在采用光栅分光技术的过程中，首先需要对一维图像上的独立的空间像素进行处理，让这些点的光线经过光栅结构发生衍射现象。光线经过衍射之后会形成具有特定波长范围的谱带，形成的谱带会进一步照射到专门的探测器表面。探测器接收到谱带信号后，能够将原本的一维图像进行转化，然后借助机械推扫的方式开展后续操作。通过机械推扫的操作，最终可以完成对三维数据的采集工作^[5]。

从技术原理的角度，不同种类的物质之间存在差异。这种差异主要体现在物质的分子结构方面以及化学成分方面。正是由于分子结构和化学成分的差异，不同物质对不同波长的光线会产生不同的作用效果。不同物质在吸收、反射和发射光线方面表现出的特性各不相同。这些特性共同构成了每种物质独有的光谱特征，即“光谱指纹”。

高光谱成像技术的研发与应用就是以物质具有独特光谱特征这一基本特性为基础的^[6]。在实际应用高光谱成像技术时，会对农产品在各个不同波段的光线照射下产生的光谱响应情况进行分析。通过对这些光谱响应情况的分析，能够获取与农产品相关的多种信息。这些信息主要涵盖农产品内部所含的化学成分信息以及农产品自身的物理结构信息。以水果检测这一应用场景为例，水果内部包含多种物质成分，主要有糖分、酸度、水分以及各类营养成分。这些物质成分在水果内部的分布情况会对光谱产生影响，具体表现为在光谱图上会呈现出特定形态的吸收峰以及特定的反射特征。通过观察和分析这些特定的吸收峰与反射特征，研究人员或者检测人员就能够对水果的品质做出准确判断。高光谱成像技术能够借助丰富的光谱信息来实现水果品质的全面检测^[7-9]。

2.1 高光谱图像的获取原理

高光谱成像通过融合空间分辨与光谱分辨能力，形成“三维光谱数据矩阵”（空间维度x、y，光谱维度λ），其核心在于同步记录目标物的空间分布及连续波段的反射或辐射特性。光谱—空间耦合成像机制^[10]：高光谱成像的本质是将入射光按波长精细分割后，逐波段捕获二维空间图像，最终叠加为三维数据集。其中：分光解耦是利用光学元件将宽谱光分解为数百个窄波段（典型波段宽度＜10 nm），如光栅通过衍射效应分离波长，或声光可调滤波器（Acousto-Optic Tunable Filter，AOTF）通过声波调制实现动态波长筛选；空间同步采集是在每一波段下，探测器（如CCD或CMOS）逐行或逐像素记录目标物的空间信息，例如，线扫描模式下，系统通过“推帚式”（Push-broom）逐行推进完成全视场覆盖，形成连续光谱—空间数据链；数据重构是将各波段图像按波长顺序堆叠，生成包含每个像素点连续光谱曲线的三维矩阵，其数学表征为公式（1）：

(1)

式（1）中，x、y表示空间维度；λ表示光谱维度。

在不同的检测场景，为发挥出高光谱成像技术的最大优势，以及保证检测的准确性，高光谱成像技术中会采用不同的分光技术，具体的分光技术选择方案^[6]见表1。

典型的高光谱系统由光源模块（卤素灯/LED阵列）、分光模块（光栅/AOTF）、成像模块（制冷型CCD）及控制单元构成。以推帚式系统为例，其工作时序是以线阵探测器在平台移动中同步采集各波段信号并结合GPS/INS数据实现空间配准，最终输出地物光谱—空间联合信息。

2.2 黑白版矫正

为消除HSI设备中暗电流和自然光、不均光产生的影响，在使用HSI设备前需进行黑白版矫正，按照公式（2）即可进行矫正并得到R^[10]：

(2)

式（2）中，R为校正后的高光谱图像的相对反射率；S为原始的苹果高光谱图像；D为黑板标定图像；W为白板标定图像。

在数据处理方面，针对高光谱数据“高维、小样本、非线性”特性，研究依据检测目标差异可以搭建不同模型^[11]。颜色或外观特征识别以SVM与随机森林为主，二者在低维特征空间内即可实现苹果颜色等指标的快速分类，且对样本量需求低、解释性强；当检测对象为水果内部机械损伤等隐性缺陷时，CNN与梯度提升树较为合适，通过多层卷积自动挖掘空—谱联合特征，实现损伤区域的像素级定位。对于酸度、糖度等连续品质参数，普遍采用偏最小二乘回归与多元线性回归建立谱—值对应关系，并结合波段选择算法降低共线性干扰；而在水果的多级别品质分级等非线性复杂场景，多层感知机及集成学习（AdaBoost、XGBoost）通过叠加弱分类器或提升树结构，显著提高了多类混淆情况下的判别精度。不论模型复杂度如何，训练阶段均统一执行交叉验证与网格搜索超参数优化，以抑制过拟合并保证跨场景泛化性能。

3 高光谱成像技术在进口农产品检测中的优势

当前进口农产品检测中采用高效液相色谱法、气相色谱—质谱联用法等传统检测手段^[12]，需经样品采集、预处理、仪器调试分析及结果报告等规范流程，部分进境水果检测周期相关环节耗时，对易腐品类通关时效及保鲜效果有一定影响，物流与损耗管控存在优化空间。在检测效能方面，现场查验、取样等环节仍以人工操作与感官判断为重要辅助，检测精准度和全面性有待进一步提升。传统手段在内部病虫害、早期霉变等隐蔽问题识别上存在局限，多聚焦单一或少数指标检测，部分方法对低浓度污染物的检测灵敏度不足，尚未完全满足全方位多参数综合评估及高标准食品安全监管需求。近年来，高光谱技术与机器学习、深度学习、计算机视觉等新技术的融合，为进口农产品检测提供了新的方案。例如，通过迁移学习和多特性同步预测，可以提高进口农产品品质和病虫害检疫鉴定的准确性和可靠性^[13]。此外，便携式光谱仪和现场监测系统的开发，使得高光谱技术在实际应用中更加便捷和高效。高光谱技术在进口农产品检测中的多场景展现出广阔的应用前景。

其中，高光谱成像技术在水果检疫中的应用不断拓展，在病虫害检测、内外部品质检测和缺陷检测等方面均取得了显著进展^{[7-8, 14]}，为水果检疫提供了高效、无损的技术手段。其检测准确率达90%以上。水果在果实生长期易受病菌的潜伏侵染，危害初期在组织上表现症状并不明显，内食性的害虫危害初期表现症状也不明显，常导致漏检。检疫人员通过现场剖果检疫，检查柑橘、苹果等果实内是否有实蝇、蛾类、象甲等虫体及有无霉变、腐烂等病害症状。但该方法耗损大、方法单一、工作量大，远不能满足贸易便利化和快检快放的要求。无损检测技术是根据检测对象的光、电、声、力特性，利用相应的传感器采集特征信息，在不破环检测对象的情况下检出定性或定量的信息。由于光谱技术能检测农产品内部品质信息和外部特征，已被用于柑橘溃疡病菌的无损检测。利用高光谱成像检测技术对进口高附加值水果内部特征进行分析，通过光谱信息结合筛选的特征波段提高识别精准度，实现高附加值水果内部病虫害无损检测。利用高光谱成像技术还可以在港口快速检测水果的成熟度、病虫害情况，对于合格的水果能够迅速放行进入市场，避免了因长时间等待检测而导致的水果腐烂损失，保障了水果的新鲜度和商业价值。Pu等^[15]对荔枝成熟度的检测，使用可见和近红外高光谱成像技术，成功预测荔枝水果的可溶性固形物含量和pH值，并实现成熟度区分，该模型在实验中表现出高准确性，有助于港口快速评估水果品质，避免腐烂损失。

高光谱成像的高分辨率特性，使其能精准捕捉农产品极其细微的光谱差异，与传统流程需要依赖人工抽样、破坏取样和实验室耗时24～72 h分析相比（图1），高光谱成像以400～1000 nm非接触扫描，结合PCA降维与SVM模型实时输出病虫害/农残/糖度，实现同一多参数综合评估，显著提升精准度并降低误判，进而实现对物理、化学、安全三类核心指标的同步检测与分类解析^[16]。在物理指标层面，它可通过光谱反射率的细微变化，非接触式识别农产品的大小、形状、色泽均匀度及表面损伤（如水果表皮的微小划痕、斑点）等外观与结构特征，为判断农产品成熟度、新鲜度提供直观依据；在化学指标层面，其能基于不同化学成分对特定波长光谱的吸收或反射特性，精准量化农产品中的糖类（如葡萄糖、果糖）、蛋白质、维生素（如维生素C、β-胡萝卜素）、水分及有机酸等营养成分含量，清晰呈现农产品的内在品质差异；在安全指标层面，无论是农产品表面或内部残留的农药（如有机磷、拟除虫菊酯类）、重金属（如铅、镉、汞），还是潜在的微生物感染（如霉菌、致病菌），高光谱成像技术都能通过特征光谱信号的提取与分析，实现快速、准确的检测，为农产品安全筛查筑牢防线。物理指标检测依靠PLS模型，快速分析果实硬度、水分、成熟度等，通过光谱降维和线性拟合保障检测稳定性。化学指标分析借助PLS模型，对蛋白质、糖分等营养成分及有机酸等化学组分快速定量，无需复杂前处理即可完成检测。安全指标检测针对农药残留、重金属污染、微生物感染等，采用CNN等非线性算法，提取深层特征分辨隐蔽污染物，误判率低于3%。这些模型具备“自学习”功能^[17]，通过新数据优化参数，适应不同产地、季节的光谱变化，减少环境干扰，提升检测精度。

通过对这些多参数的综合分析，能够更全面、准确地评估农产品的质量安全状况，有效提高检测的精准度，减少漏检和误判情况的发生。在检测蔬菜的农药残留时，高光谱成像技术不仅可以精确识别出多种不同类型的农药残留，还能准确测定其残留量，为农产品的质量安全提供有力保障。

4 高光谱成像技术在进口农产品检测中的应用展望

在实际工作中，提升高光谱成像技术的集成化、智能化水平，可以进一步适应和满足进口农产品检测多场景监管需求。在技术集成与自动化持续演进的背景下，高光谱成像技术依托其独特优势，正深度嵌入进出口农产品检验检疫流程，并沿设备便携化与分析智能化两个方面发展，以满足多元场景需求。在设备便携化方向，以往高光谱检测设备多为大型、固定的实验室设备，体积庞大、重量较重，不仅需要专业的场地安置，且对使用环境要求较高，难以在检验检疫的多种实际场景下灵活应用。例如，在港口码头，需要对刚到港的农产品进行快速抽检，但传统设备难以快速搬运至此开展工作；在农产品产地，由于场地和条件限制，大型设备的能力也无法有效施展。而如今朝着便携化发展，高光谱检测设备体积不断缩小，重量不断减轻，逐渐具备了类似手持检测仪器的便捷性。部分设备可像便携式相机一样方便携带，工作人员能够轻松将其带到农产品进出口的各个环节，如仓库、运输车辆、海关查验现场等。这极大地提高了检测的灵活性和及时性，能随时随地对农产品进行检测，快速获取检测结果，减少货物的滞留时间，提高通关效率。从分析智能化角度来看，过去对高光谱成像数据的分析往往依赖人工解读和较为基础的算法，而且对分析人员的专业知识和经验要求极高。面对大量进出口农产品的高光谱成像数据，人工分析难以快速处理，容易出现误差和遗漏。随着人工智能、机器学习等技术的飞速发展，高光谱成像技术在分析方面正朝着智能化方向发展。利用深度学习算法，系统可以自动对高光谱成像数据进行特征提取和模式识别。以检测农产品是否含有农药残留为例，智能化的分析系统能够快速处理高光谱图像数据，准确识别出农药残留的种类和含量，无需人工逐一比对和分析。同时，还能通过建立庞大的农产品高光谱数据库，让系统不断学习和优化，进一步提高检测的准确性和可靠性。而且智能化分析还能实现多参数同时检测，不仅可以检测农产品的品质、病虫害情况，还能同时分析其营养成分等，为农产品的质量评估提供更全面的信息，满足进出口农产品检测多样化的需求。在分析技术层面，机器学习与化学计量学的深度融合将解决复杂样本鉴别难题。当前进出口农产品种类繁多，且可能存在“同一污染物不同形态”“多种污染物混合残留”等复杂情况，传统单一模型难以精准识别。未来将通过构建多算法融合模型，提升检测精确性。一方面，通过利用PLS模型在光谱数据降维与线性关系拟合上的优势，对农产品的常规指标（如糖分、水分、常见农药残留）进行快速定量分析，该模型能够确保基础指标检测的稳定性。另一方面，引入CNN、SVM等非线性算法，对隐蔽性强、光谱特征重叠度高的样本进行精准分类，例如在检测进口大豆中的转基因成分与真菌毒素混合污染时，CNN可通过多层卷积提取光谱的深层特征，区分两种物质的细微光谱差异，将误判率控制在3%以下。同时，模型将具备“自学习”能力，通过实时接入新检测数据不断优化参数，适应不同产地、不同季节农产品的光谱特征变化，例如针对东南亚雨季出口的大米，模型可自动调整湿度干扰因子的权重，避免因环境湿度差异导致的检测偏差。

另外，数据库建设与标准化是高光谱成像技术在进出口农产品检测中规模化应用的核心支撑，将从“数据共享”与“流程统一”两方面打破技术应用壁垒。在光谱特征数据库建设上，需构建覆盖全球主要农产品产区、品种、污染物类型的“全维度”数据库，为检测提供精准比对基准。数据库应当重点关注三大核心模块：（1）“品质特征库”：收录不同产区进出口农产品的基础光谱数据，如巴西大豆的蛋白质含量光谱特征、新西兰猕猴桃的可溶性固形物光谱曲线、云南出口鲜花的新鲜度光谱变化规律等，通过对比样本光谱与库内标准光谱的相似度，快速判断农产品品质是否符合进口国标准。（2）“污染物特征库”：系统收录常见农药残留（如有机磷、拟除虫菊酯类）、重金属（如铅、镉、汞）、真菌毒素（如脱氧雪腐镰刀菌烯醇、黄曲霉素）的标准光谱，甚至包含不同加工方式（如冷冻、烘干）下污染物的光谱变化数据，例如冷冻进口肉类中兽药残留的光谱峰位可能发生轻微偏移，库内数据需覆盖这类特殊情况，确保污染物检测无遗漏。（3）“病虫害特征库”：针对跨境传播风险较高的检疫性有害生物（如地中海实蝇、松材线虫），收录其不同生长阶段（卵、幼虫、成虫）在农产品中的光谱印记，例如天牛幼虫蛀食木材后，会导致木材内部结构变化，在近红外波段形成特定的吸收谷，数据库将标注该特征对应的虫害严重程度，辅助海关快速判定检疫风险等级。此外，数据库将实现跨国、跨部门数据联通和共享，例如中国海关可与欧盟食品和饲料快速预警系统对接，实时更新全球农产品安全风险数据，提升跨境检疫协同能力。

在检测流程标准化方面，需制定从样本采集到结果输出的全流程规范，确保不同口岸、不同检测机构的结果可重复、可比对。具体将明确三大关键环节标准：（1）采样标准：根据农产品类型（如散装谷物、包装水果、冷冻肉类）规定采样比例与方法，例如对进口小麦采用“分层五点采样法”，每100 t至少采集5个样本，每个样本重量不低于1 kg，避免因采样不均导致的检测偏差。（2）图像校正标准：统一光源条件（如采用5000 K标准白光光源）、拍摄距离（针对水果检测设定30 cm固定距离）、环境参数（温度25±2℃、湿度50%±5%），并规定定期使用标准白板进行光谱校正，消除设备老化、环境变化对检测结果的影响。（3）特征提取标准，明确不同检测目标的光谱波段范围，例如检测农药残留聚焦400～1000 nm可见光—近红外波段，检测重金属污染重点分析1000～2500 nm近红外波段，同时规范特征变量的筛选方法（如采用连续投影算法SPA剔除冗余变量），确保不同实验室提取的光谱特征具有一致性。通过标准化建设，将高光谱检测从“经验依赖型”转变为“标准驱动型”，为其纳入官方检测方法体系提供基础。

5 结语

高光谱成像技术以“多指标、高时效、高精度、低成本”的综合优势，为智慧海关建设提供了支撑。借助“光谱—数据—模型”的检测方式，使“抽样检测”升级为“全链条、全环节、全批次”的数字监管。当高光谱谱库与既有信息化平台无缝对接时，可形成“现场采集—云端建模—实时决策”的扁平化指挥链，显著降低通关时长与合规成本，同时提升预警灵敏度。

展望未来，随着“端—边—云”协同框架以及可解释深度学习的持续升级，高光谱系统有望融入“事前—事中—事后”监管全周期：事前以“光谱护照”方式随附批次信息，实现境外预检与源头追溯；事中以车载、手持或无人机载形式完成口岸100%快筛，并与物联网环境参数（温湿度、CO₂、乙烯）融合，构建智能放行模式；事后通过区块链存证与风险回溯算法，对问题批次开展精准责任界定与趋势预测，从而将国门生物安全防线由“口岸”前推至“境外”后延至“市场”，形成覆盖“产地—口岸—消费”全链条的数字化治理生态。

在安全与贸易便利化的双重目标下，高光谱成像技术展现出良好的政策兼容性。大连海关“智慧动植检”实践表明，以糖度、病虫害、农残三道光谱阈值为核心，可同时满足出口国品质证明与进口国安全验证，实现“一次检测、多国互认”，为企业降低重复检测费用约30%，口岸放行效率提升50%以上。进口方面，高光谱快速筛查与后续法定检测形成“梯次检验”模式：对光谱特征与风险模型匹配度＜5%的批次，直接签发电子合格证；对可疑批次启动精准抽样，以实验室确证作为执法依据，在最大程度上压缩合格企业的时间成本，同时集中监管资源于高风险目标，实现安全与便利的动态均衡。未来，通过持续扩充多品类、跨产地的光谱—理化—生物学耦合数据库，高光谱成像技术将进一步推动检测标准由“经验驱动”走向“数据驱动”，推动无损检测监管模式在海关的应用，提升通关效率。

参考文献

表1 分光技术的方案选择表

Table 1 Scheme selection table of spectroscopic techniques

图1 两种检测方法流程对比图

Fig.1 Comparison chart of workflow for two inspection methods