同样是检查一批苹果，RGB 相机、高光谱相机和近红外光谱仪拿回来的东西完全不同：第一种是一张彩色照片，第二种是每个像素上的一条光谱曲线，第三种往往只是探头对准的那一小块区域的整体光谱。信息在采集这一步就已经决定了，后面的算法再强，也补不出传感器没有记录的内容。所以谈选型，先看每种方式拿到了什么，再谈模型。
先把三者放进同一张表里。
| 对比项 | RGB 机器视觉 | 高光谱成像 HSI | 近红外光谱 NIR |
|---|---|---|---|
| 获取的信息 | 红、绿、蓝三个通道的颜色、形状与纹理 | 每个像素一条光谱，构成 (x, y, λ) 数据立方体 | 一个点或一条线上的整体光谱，通常没有空间分布 |
| 擅长任务 | 外观分级、尺寸、表面缺陷、异物、包装检查 | 成熟度、早期霉变、内部品质分布、成分空间分布、波段研究 | 糖度、水分、蛋白、脂肪等组分的定量点测 |
| 局限 | 看不到内部与化学差异；缺陷与正常区域颜色接近时容易混淆；对光照敏感 | 数据量大，需要白板和暗参考校正、需要标定与算力；推扫式对速度和光照稳定性要求高 | 局部缺陷可能被整体平均掉；依赖破坏性理化数据标定，受品种与季节漂移影响 |
| 速度与成本 | 速度快、成本低，最容易在产线上铺开 | 成本较高，可压缩为关键波段的多光谱方案 | 单次测量很快，适合在线单点测量，整机成本通常低于高光谱成像 |
读这张表，有两个地方容易被忽略。一是“快”和“便宜”都是相对的：RGB 相机每秒能拍几十帧甚至更多，算法可以放在边缘端运行，所以外观类任务几乎都从它开始。高光谱成像（Hyperspectral Imaging，HSI）常见的做法是推扫式线扫描，一次只拍传送带上的一条线，靠传送带运动拼出整幅图，每个像素记录的是几十到几百个数值，而 RGB 只有三个，数据量随之成倍增长，这是它进入产线时最先遇到的压力。二是近红外光谱（Near-Infrared Spectroscopy，NIR）虽然没有空间信息，但对水、糖、蛋白、脂肪里的含氢基团吸收很敏感，一次测量就能给出一个数值，适合回答“这批苹果平均糖度大约是多少”，却回答不了“这颗苹果的哪个角落开始变软”。
按任务选型
把表翻译成日常任务，大致是下面这样。
- 外观分级（大小、形状、着色面积）：RGB 足够，也最稳定，没有必要为它上光谱。
- 表面缺陷与常见异物：以 RGB 为主。缺陷和正常区域颜色接近，或者异物与产品同色（比如和产品颜色相近的塑料薄片）时，RGB 容易漏检，这时才值得考虑增加光谱通道。金属、玻璃等硬质异物通常另用金属探测器或 X 射线设备，不属于这三种技术的强项。
- 成熟度：颜色只反映果皮，果肉里糖和水分的变化更接近“成熟”本身。可见—近红外范围（VNIR，约 400–1000 nm）的高光谱能同时给出空间分布和光谱，NIR 则适合读整体数值。
- 早期霉变：表面颜色还没变化时，霉变区域的水分与组分可能已经不同，高光谱有机会把它定位出来，而 RGB 通常要等到变色以后。
- 糖度、水分、蛋白：以 NIR 单点定量为主，前提是有可靠的标定数据。
组合使用的产线思路
真实产线很少只押一种技术。一种常见的组合是：RGB 相机放在前段，覆盖每一个产品，负责外观分级和表面缺陷；NIR 在中段对每个产品点测，读糖度或水分；高光谱更多放在研究与验证环节，在实验室里看清“哪些波段真的有用”，再把结果压缩成十几个关键波长，交给更快、更省算力的多光谱相机上线。关键波长怎样筛选、筛完为什么仍要重新验证，可以看首页那篇关于高光谱关键波长的文章。
- RGB 外观分级
- NIR 点测糖度与水分
- 高光谱研究与波段提取
- 关键波长
- 多光谱在线检测
需要再强调一次边界：上面的对照是通用规律，具体到某个品种、某台设备，结论仍要用自己的样品验证。比较稳妥的做法是拿同一批样品，用几种方式各采一遍，再和人工判定或理化测量的结果逐个对照，看哪一种在自己的产品上真正拉开了差距，而不是先按设备档次做决定。纵横国际官网在这个栏目里更关注光谱到底能不能判断内部品质的变化，以及模型搬进工厂以后准确率为什么会掉，这两个问题往往比“买哪种相机”更早决定项目成败。
选型的第一个问题其实很朴素：你要检的东西，在表面上看得见吗？看得见，从 RGB 开始；看不见，但与水分、糖分这类组分有关，考虑 NIR；看不见，又需要知道问题出在哪个位置，才轮到高光谱。