鄒攀 白雪 陳秋生 李娜 郭永澤

摘要 果蔬是人體維生素、礦物質(zhì)、蛋白質(zhì)、碳水化合物等的重要來源，含有多種功能性成分，是維持人體生理活動和增進健康的重要食物。隨著居民受教育程度和家庭收入的普遍提高，消費者對于果蔬的消費觀念發(fā)生了根本性改變，關(guān)注點從價格轉(zhuǎn)向品質(zhì)。我國果蔬生產(chǎn)總量大、品種多，但是果蔬產(chǎn)業(yè)供給側(cè)結(jié)構(gòu)性矛盾也逐漸凸顯，高品質(zhì)果蔬供不應求，而普通果蔬過剩滯銷。目前，果蔬采后品質(zhì)分級評價仍靠人工、簡單機械粗略檢測，或者采用破壞性抽檢的方法，從而衍生了多種簡單、高效品質(zhì)評價方法，如近紅外光譜、高光譜成像等無損檢測技術(shù)。針對我國果蔬產(chǎn)業(yè)現(xiàn)狀，綜述果蔬品質(zhì)分析評價中所使用的無損檢測技術(shù)及其應用情況，為完善果蔬品質(zhì)評價系統(tǒng)提供參考。

關(guān)鍵詞 果蔬;品質(zhì);評價;無損檢測技術(shù);應用

中圖分類號 TS255.7? 文獻標識碼 A? 文章編號 0517-6611（2021）02-0001-04

doi：10.3969/j.issn.0517-6611.2021.02.001

開放科學（資源服務）標識碼（OSID）：

Research Progress on the Application of Nondestructive Testing Technology in Fruits and Vegetables Quality Evaluation

ZOU Pan1，2， BAI Xue1，2， CHEN Qiusheng1，2 et al

（1. Tianjin Institute of Agricultural Quality Standard and Testing Technology， Tianjin 300380; 2. Lab of Agricultural Product Quality Safety Risk Assessment （Tianjin）， Ministry of Agriculture and Rural Affairs， Tianjin 300380）

Abstract Fruits and vegetables are important sources to maintain physiological activity and to improve health， which contain various vitamins， minerals， proteins， carbohydrates， and other functional nutrients. With the general improvement of residents education and household income， consumers attitude towards fruits and vegetables has been changed， focusing on quality over price. The total amount of fruit and vegetable production in China is large and there are many varieties， but the structural contradictions on the supply side of the fruit and vegetable industry have gradually become prominent. The supply of highquality fruits and vegetables is in short supply， while the surplus of ordinary fruits and vegetables are surplus.At present， the postharvest quality evaluation of fruits and vegetables still relies on manual， simple mechanical rough inspection， or destructive sampling methods， which has derived a variety of simple and efficient quality evaluation methods， such as nearinfrared spectroscopy， hyperspectral imaging and other nondestructive inspection techniques.In view of the status quo of the fruit and vegetable industry in China， this study summarized the nondestructive testing technology used in the application of fruit and vegetable quality analysis and evaluation and its application， so as to provide references for perfecting the fruit and vegetable quality evaluation system.

Key words Fruits and vegetables;Quality;Evaluation;Nondestructive testing technology;Application

我國果蔬產(chǎn)量和銷量均居世界首位，基本上滿足了城鄉(xiāng)居民對果蔬數(shù)量、品種的需要。隨著果蔬的生產(chǎn)和消費正由產(chǎn)量規(guī)模型向質(zhì)量效益型轉(zhuǎn)變，消費者對于果蔬品質(zhì)安全的要求越來越高。目前，我國農(nóng)業(yè)生產(chǎn)中以分散種植、小農(nóng)經(jīng)營為特點，果蔬生產(chǎn)區(qū)域廣、以家庭生產(chǎn)種植為主，因此，我國果蔬產(chǎn)品存在著品質(zhì)差異大、商品率偏低、生產(chǎn)過程中化肥和農(nóng)藥等使用不規(guī)范等諸多弊端。隨著消費者對于高品質(zhì)果蔬的需求增多，果蔬進口量持續(xù)增長，特別是高端水果。與之相反，普通果蔬經(jīng)常出現(xiàn)滯銷的新聞，自2016年3月至2018年6月底，全國農(nóng)產(chǎn)品滯銷事件共發(fā)生319起，涉及區(qū)域范圍廣、品種多、數(shù)量大[1]。因此，我國果蔬產(chǎn)業(yè)急需調(diào)整，以市場為導向，提升果蔬品質(zhì)，發(fā)展品牌化道路，提高產(chǎn)品附加值。在提升果蔬品質(zhì)的過程中，為果蔬品質(zhì)評價系統(tǒng)提出了更高的要求，從而催生了多種果蔬品質(zhì)評價技術(shù)，尤其是無損檢測技術(shù)，不僅可以避免對果蔬樣品造成破壞性測量，還能對樣本進行跟蹤分析和重復檢測，適用于產(chǎn)業(yè)化生產(chǎn)和儲藏保鮮的在線檢測[2]。

1 果蔬的品質(zhì)概述

品質(zhì)是指物品的質(zhì)量，是產(chǎn)品能夠滿足一定需求的特性的總和。對于果蔬來說，品質(zhì)包括其商品品質(zhì)、營養(yǎng)品質(zhì)和安全品質(zhì)、貯藏加工品質(zhì)[3]。商品品質(zhì)指果蔬的色澤、形狀、口感、質(zhì)地、風味等，是影響消費者購買欲的直接因素，決定了果蔬的商品價值。營養(yǎng)品質(zhì)包括其所含碳水化合物、礦物質(zhì)、維生素、蛋白質(zhì)等營養(yǎng)成分的含量，決定了果蔬的營養(yǎng)價值。安全品質(zhì)是指果蔬中的生物污染、化學污染等。貯藏加工品質(zhì)指果蔬的耐儲存性和適用于各種用途的屬性。其中，營養(yǎng)品質(zhì)和安全品質(zhì)與人們的營養(yǎng)和健康息息相關(guān)[4]，受到了廣大消費者和食品專家的重視。

2 果蔬品質(zhì)常規(guī)評價方法

2.1 感官評價

果蔬的感官品質(zhì)對于消費者來說非常重要，在無法快速、準確地了解某種果蔬營養(yǎng)價值和安全品質(zhì)的情況下，果蔬的商品品質(zhì)決定著消費者的購買欲望[5]。感官評價是通過人的視覺、嗅覺、味覺、觸覺和聽覺來反映食品的外觀、氣味、滋味、質(zhì)構(gòu)等特性的一種評價方法。經(jīng)過專業(yè)培訓的評定人，通過其感官的感知，按照一定的評分標準，對果蔬的形態(tài)、顏色、氣味、味道等商品品質(zhì)做出判斷。雖然感官評定不依賴于精密的儀器設備，但對評定人員的專業(yè)水平要求較高，且評定結(jié)果容易受到品評人的專業(yè)水平和品評環(huán)境的影響[6]，導致評價等級缺乏一致性和穩(wěn)定性。

2.2 理化檢測

果蔬品質(zhì)的理化檢測分析是指通過物理檢驗、化學分析、儀器分析、微生物分析、酶分析和免疫學分析等手段來測定果蔬中的成分、性能、微觀結(jié)構(gòu)等[7]。理化檢測一般可以測定果蔬的營養(yǎng)品質(zhì)和安全品質(zhì)。常見的理化檢測品質(zhì)指標包括葉綠素、含糖量、可溶性固形物、維生素C、總酸度、粗纖維、農(nóng)獸藥殘留、微生物污染情況等。理化檢測的技術(shù)較為成熟，結(jié)果客觀可行，但是需要專業(yè)的實驗人員操作，檢測前還需要對樣品進行前處理，會破壞樣品，且檢測過程操作繁瑣、耗費時間長[8]。

3 果蔬品質(zhì)的無損檢測

隨著人們對食品營養(yǎng)和安全問題的日益關(guān)注，如何尋找一種簡便、快速且能現(xiàn)場實時監(jiān)測、無損的果蔬品質(zhì)檢測方法，對于指導果蔬產(chǎn)業(yè)發(fā)展有很大的實用價值。無損檢測是一門新興的綜合應用學科，在不損壞被檢測物品的前提下，利用各種物理學方法，如熱、聲、光、電、磁等手段來獲取待測物品質(zhì)有關(guān)的內(nèi)容、性質(zhì)或成分。

3.1 高光譜成像技術(shù)（hyperspectral imaging system）

高光譜成像技術(shù)可以同時獲取研究對象的光譜及空間信息，是一種光譜及圖像融合技術(shù)，可以捕獲目標物在特定波長下的空間值，而不是測定單點的光譜數(shù)據(jù)。當入射光照射于目標物表面時，除去少數(shù)鏡面反射損失外，剩余的光能量進入目標物的細胞組織并在其內(nèi)部發(fā)生光吸收和漫反射現(xiàn)象[9]。光吸收主要取決于待測物的化學組成，如糖分等，而漫反射則與待測物的結(jié)構(gòu)和物理特性（如密度、粒子大小等）緊密相關(guān)。

光譜數(shù)據(jù)可以分析物體內(nèi)部物理結(jié)構(gòu)及化學成分，而圖像數(shù)據(jù)又能將果蔬的外部特征、斑點或表面缺陷反映出來，因此，高光譜成像技術(shù)在果蔬品質(zhì)評價中的應用研究越來越多。通過高光譜成像技術(shù)獲取不同果蔬相應的品質(zhì)指標的光譜特征，運用化學計量方法建立各指標含量的預測模型，再結(jié)合圖像分析，就能夠?qū)咂焚|(zhì)進行準確快速的評價[10]。Itoh等[11]采用近紅外高光譜成像技術(shù)測定了葉菜的硝酸鹽分布情況;通過對葉片高精度圖像分析估算硝酸鹽濃度，結(jié)果可以提示葉片內(nèi)部硝酸鹽濃度變化情況。高光譜激光成像技術(shù)還可用于測定果蔬內(nèi)部品質(zhì)的檢測，如可溶性固形物[12]、土豆中糖含量[13]、葡萄中花青素含量[14]和靈武長棗蔗糖含量[15]，以及外部品質(zhì)的評價，包括蘋果的瘀傷[16]、黃瓜凍傷損傷[17]和草莓的硬度[18]等。

高光譜成像技術(shù)分析樣品的效率高、速度快，操作簡捷，樣品無需復雜的前處理，實現(xiàn)無損檢測，可同時對多個樣品進行定性和定量分析。此外，在檢測過程中無需使用化學試劑，安全環(huán)保、無污染。但是前期建模過程需要代表性樣本數(shù)量大[19]，并且需要測定研究對象中某項品質(zhì)指標實際含量，因此在小批量樣品品質(zhì)評價應用不大;獲取光譜數(shù)據(jù)過程容易受到環(huán)境和儀器等因素的影響，具有一定的局限性[20]。隨著實驗設備的不斷改善及光譜分辨率的不斷提高，高光譜成像能夠記錄越來越豐富的農(nóng)產(chǎn)品品質(zhì)信息，將會是實現(xiàn)果蔬品質(zhì)快速、無損檢測的重要工具。

3.2 機器視覺檢測技術(shù)（machine vision）

機器視覺是融合了人工智能、神經(jīng)生物學、心理物理學、計算機科學、圖像處理、模式識別等多學科的交叉學科[21]。機器視覺是用相機替代人眼對目標進行圖像采集，并運用計算機進行圖像處理，對圖像中的目標區(qū)域進行分析，完成待測物某品質(zhì)指標的測定、識別等任務[22]，具有非接觸性、速度快、精度高等特點，在食品質(zhì)量與安全領域得到逐步的應用推廣，尤其是果蔬的形狀分類、缺陷檢測及質(zhì)量分級[23]。

新鮮度是影響菠菜食用品質(zhì)和商品品質(zhì)的重要因素，基于機器視覺技術(shù)搭建了適用菠菜圖像采集的機器視覺硬件系統(tǒng)，建立基于菠菜圖像信息的新鮮度等級判別模型和葉綠素定量預測模型，判別準確率在85%以上，實現(xiàn)了圖像信息對菠菜葉綠素含量的預測[24]。Gongal等[25]利用3D機器視覺系統(tǒng)評價樹冠上蘋果大小，根據(jù)三維坐標主軸的判斷精度為69.1%，而基于像素大小判斷蘋果尺寸的精度提高至848%，表明在室外環(huán)境下利用3D機器視覺系統(tǒng)來評估水果大小具有一定的應用潛力。Rashidi等[26]對獼猴桃果實形狀的算法進行了定量分類，該法結(jié)果與排水計算體積法無顯著性差異，為估算獼猴桃體積提供了一種準確、簡單、快速、無創(chuàng)的方法，可方便地用于監(jiān)測各種管理措施下獼猴桃的生長發(fā)育情況，以及在收獲后的加工過程中對獼猴桃進行分選。Alfatni等[27]使用RGB顏色模型開發(fā)了一種油棕果實自動分級系統(tǒng)，以區(qū)分油棕果實的3種不同類別，結(jié)果表明，基于RGB強度，果實的成熟度可以在不同種類的果實之間進行區(qū)分。

果蔬分級是采后加工的關(guān)鍵環(huán)節(jié)，一般按照大小、形態(tài)、新鮮程度等方面對其進行外部品質(zhì)分級。國內(nèi)普遍采用的人工分級受主觀鑒別能力等因素的影響，往往偏差較大，工作效率低;機械分級雖然生產(chǎn)效率高，但是精度不夠，適應性較差，且儀器設備容易對果蔬造成損傷。與之相反，機器視覺技術(shù)可以廣泛應用于農(nóng)業(yè)和園藝，使勞動密集型轉(zhuǎn)化為自動化操作。機器視覺技術(shù)在食品行業(yè)中的普及程度不斷提高，并指出其發(fā)展也為食品行業(yè)提供了一個強有力的水平和具有競爭力的價格。然而，計算機視覺精確度受圖像質(zhì)量的影響。由于典型農(nóng)業(yè)環(huán)境的非結(jié)構(gòu)化和其中植物的生物變異，在這些應用程序中進行對象識別要困難得多。如果在昏暗或夜間條件下進行研究或操作，還需要人工照明[28]。

3.3 電子鼻（electronic nose）

同一果蔬在不同生長階段的氣味也不完全相同。這是因為果蔬中的風味物質(zhì)是由不同揮發(fā)性成分組成的混合物，包括醇類、醛類、酯類、酮類、含硫化合物等。果蔬的香氣可以客觀體現(xiàn)成熟程度和風味特點，是評價果蔬風味品質(zhì)的重要指標[29-30]。果蔬的風味物質(zhì)是影響其香氣的重要因素，目前對于果蔬的風味物質(zhì)組成的研究較少，缺少對果蔬風味品質(zhì)的評價標準。充分了解果蔬香氣形成機理，不僅可以了解果蔬生長過程生理變化，而且能夠發(fā)掘影響果蔬感官品質(zhì)的主要因素，對于提高果蔬商品率具有重要意義。分析食品風味物質(zhì)組成的常用方法為頂空固相微萃取-氣相色譜質(zhì)譜聯(lián)用法[31]，該法能夠?qū)悠愤M行高效的提取和分析，但是需要破壞樣品，無法實現(xiàn)無損在線監(jiān)測。

電子鼻是一種用于分析、識別、檢測復雜氣味和大多數(shù)揮發(fā)性成分的新型智能仿生儀器，通過模擬人和動物的鼻子，獲取樣品中揮發(fā)性成分的數(shù)據(jù)信息[32]。Raigar等[33]采用無損電子鼻與模糊邏輯相結(jié)合的方法對去殼花生的貯藏品質(zhì)進行評價，利用電子鼻所得數(shù)據(jù)估算氣味指數(shù)，結(jié)果表明電子鼻數(shù)據(jù)可以準確預測花生貯藏時間與化學酸敗指數(shù)的關(guān)系。Rocchi等[34]比較了同位素比率質(zhì)譜、氣相色譜質(zhì)譜及電子鼻對藏紅花來源、加工及年限的區(qū)別作用，結(jié)果表明電子鼻作為一種替代的快速、無損工具可以表征復雜的香氣組成，并鑒別藏紅花樣品的真實性?；陔娮颖羌夹g(shù)，優(yōu)化電子傳感器陣列，建立菠菜新鮮度等級判別模型，對于訓練集和測試集的判別正確率分別為84%和75%，表明電子鼻技術(shù)可以實現(xiàn)菠菜儲藏期新鮮度的高效判別[24]。梨果在運輸過程中容易出現(xiàn)內(nèi)部腐敗變質(zhì)，即便專家也很難分辨其內(nèi)部果肉的好壞，因此，趙策等[35]利用電子鼻技術(shù)對皇冠梨的腐敗等級進行分類，準確率均在73%以上，為皇冠梨品質(zhì)無損檢測提供了新方法。Xu等[36]采用PEN3電子鼻評價不同貯藏環(huán)境中荔枝的品質(zhì)，分析荔枝貯藏時間及硬度與風味的關(guān)系。

隨著電子鼻的深入推廣，越來越多的研究人員不再局限于固定傳感器陣列的商業(yè)電子鼻，而是根據(jù)待測物品的特性，設計相應的傳感器陣列，從而獲得更好的分析結(jié)果。但是電子鼻的傳感器只針對果蔬的氣味，所獲得果蔬品質(zhì)的指標信息具有一定的局限性。

49卷2期??? 鄒 攀等 無損檢測技術(shù)在果蔬品質(zhì)評價中應用的研究進展

3.4 近紅外光譜技術(shù)（near infrared spectroscopy）

近紅外光譜介于可見光和中紅外光譜之間，波長為780～2 526 nm，是吸收光譜中的第一個非可見光區(qū)。果蔬中化合物組成不同，其所含基團（C=C、N=C、O=C、N=C等）運動在紅外線照射下產(chǎn)生共振，在近紅外區(qū)域形成不同的光譜信息，從而基于光譜信息和組分特征可以實現(xiàn)果蔬中部分化合物的定性或定量分析[37]。近紅外光譜技術(shù)需要利用定標樣品集的理化測定數(shù)據(jù)與近紅外光譜信息建立定標，再選取未知樣品利用化學計量學的多變量統(tǒng)計模型預測未知樣品集的理化指標，因此該技術(shù)屬于間接分析方法。

近紅外光譜技術(shù)在農(nóng)業(yè)領域的應用非常廣泛，從植物品種鑒別到果蔬谷物品質(zhì)、營養(yǎng)成分測定等多個方面均有涉及。近紅外光譜技術(shù)已經(jīng)廣泛地用于果蔬的無損品質(zhì)評價中，如可溶性固形物[38-39]、酸度、可滴定酸[40]、水分、干物質(zhì)[41-42]、硬度[43]以及纖維、蛋白、脂肪、維生素C[44]、灰分等含量的快速篩查。王丹[45]通過建立不同品種及不同貯藏期柿子的近紅外無損鑒別模型，不同品種的鑒別準確率達98%，不同貯藏期的準確率為88.9%以上，這說明近紅外光譜技術(shù)可以應用于柿子品種及貯藏期的快速判別中。肖慧等[46]開發(fā)了便攜式葡萄專用可見-近紅外光譜檢測儀器，用于“美人指”和“白玉霓”2種葡萄中可溶性固形物和總多酚含量的測定，建模效果較好，可以滿足不同品種葡萄多個理化指標的建模預測。

近紅外光譜滲透性高，幾乎用于所有含氫基團化合物的分析中，且不需要前處理，分析效率高，可以實現(xiàn)多組分同時檢測，適用于多種狀態(tài)的分析對象，能夠在線、無損分析[47]。但是由于近紅外光譜區(qū)的吸收較弱，光譜信噪比低，因此不適用于水分含量高于80%的果蔬[48];此外近紅外光譜技術(shù)的模型需要不斷修正和維護，而建模工作難度大，需要專業(yè)技術(shù)人員和代表性的樣品[49]。

3.5 其他無損檢測技術(shù)

上述無損檢測技術(shù)是根據(jù)果蔬品質(zhì)指標與其光學特性、聲學特性的相關(guān)性建立模型，從而在不損壞研究對象的前提下探測果蔬的品質(zhì)。根據(jù)植物色素產(chǎn)生的葉綠素熒光獲得植物信息，建立葉綠素熒光檢測技術(shù)。葉綠素熒光檢測技術(shù)結(jié)合化學計量方法建立生菜葉片硝酸鹽含量的快速無損檢測模型，總體評價準確率為9333%，實現(xiàn)了生菜硝酸鹽安全品質(zhì)的合理評價[50]。簡訊等[51]基于智能手機光譜系統(tǒng)建立蔬菜葉綠素和含水量反演模型，該系統(tǒng)結(jié)合網(wǎng)絡云端服務和實時數(shù)據(jù)反饋的特點，實現(xiàn)了蔬菜品質(zhì)和新鮮度指標的智能檢測。利用果蔬的電學特性，研究人員發(fā)現(xiàn)介電常數(shù)隨著果蔬種類而不同，但在某段頻率范圍內(nèi)，所測得果蔬的介電常數(shù)和介質(zhì)損耗隨頻率的增加而減少[45]。利用果蔬的聲波振動特性，建立堅硬系數(shù)與聲波頻率的相關(guān)性，來檢測西瓜[52] 和哈密瓜[53]的成熟度。通過自行研制的禽蛋裂紋檢測裝置，采集并分析敲擊雞蛋產(chǎn)生的響應信號，檢測雞蛋裂紋，判別的準確率均高于72%[54]。

4 展望

果蔬的品質(zhì)對于人類健康意義重大，但是由于種類繁多，品質(zhì)成分復雜，缺乏果蔬品質(zhì)評價的科學性、系統(tǒng)性，因此，應該制定全面的果蔬品質(zhì)評價體系，對果蔬的品質(zhì)進行全面綜合評價;在評價過程中，確定各個指標對品質(zhì)影響的權(quán)重系數(shù);同時開展不同產(chǎn)地、不同品種、不同茬口、不同施肥條件、不同種植環(huán)境間果蔬的品質(zhì)評價，為優(yōu)質(zhì)果蔬品種選育、栽種提供指導，實現(xiàn)農(nóng)業(yè)生態(tài)環(huán)境的可持續(xù)發(fā)展，并滿足人們對于健康生活品質(zhì)的需求。此外，部分果蔬還含有其獨特的功能性營養(yǎng)因子，如番茄紅素、大蒜素、異硫氰酸鹽、類胡蘿卜素、槲皮素、白藜蘆醇、類黃酮等成分，這些功能性成分也是引起消費者購買欲的重要影響因素，因此，可考慮在品質(zhì)評價中引入功能性營養(yǎng)因子這一指標，有助于果蔬品牌的建設，提高其在國內(nèi)外的知名度和品牌影響力。

無損檢測是近年來發(fā)展的高新技術(shù)之一，為果蔬品質(zhì)的檢測提供了極大的便利，但是無損檢測技術(shù)均具有各自的優(yōu)劣勢，只能單獨評價一項或幾項品質(zhì)指標，不能實現(xiàn)果蔬品質(zhì)的系統(tǒng)性評價。隨著無損檢測技術(shù)的廣泛應用，檢測方法由外部質(zhì)量向內(nèi)部質(zhì)量轉(zhuǎn)變，由單一指標向綜合指標轉(zhuǎn)變。同時，測試設備正在向便攜、數(shù)字化、智能化方向發(fā)展。

參考文獻

[1] 竇曉博，邵娜.消費升級背景下中國蔬果生產(chǎn)發(fā)展策略[J].農(nóng)業(yè)展望，2018，14（11）：47-51.

[2] ABOONAJMI M，F(xiàn)ARIDI H.Nondestructive quality assessment of Agrofood products[C]∥Proceedings of the 3rd Iranian international NDT conference.Tehran，Iran：[s.n.]，2016：1-9.

[3] CHAUHAN O P，LAKSHMI S，PANDEY A K，et al.Nondestructive quality monitoring of fresh fruits and vegetables[J].Defence life science journal，2017，2（2）：103-110.

[4] 李會合.蔬菜品質(zhì)的研究進展[J].北方園藝，2006（4）：55-56.

[5] 李會合，田秀英，季天委.蔬菜品質(zhì)評價方法研究進展[J].安徽農(nóng)業(yè)科學，2009，37（13）：5920-5922.

[6] 孟留偉，楊良，王靜禹，等.基于高光譜成像技術(shù)對桑椹品質(zhì)無損檢測的研究進展[J].蠶桑通報，2017，48（3）：9-14.

[7] 潘思慧.貯藏過程中番茄成熟度的智能化檢測方法研究[D].鎮(zhèn)江：江蘇大學，2018：1-8.

[8] 陳慧芝.基于智能包裝標簽的典型生鮮配菜新鮮度無損檢測的研究[D].無錫：江南大學，2019：1-2.

[9] PU H B，LIN L，SUN D W.Principles of hyperspectral microscope imaging techniques and their applications in food quality and safety detection：A review[J].Comprehensive reviews in food science and food safety，2019，18（4）：853-866.

[10] 王巧男.基于高光譜成像技術(shù)的蔬菜新鮮度快速檢測方法研究[D].杭州：浙江大學，2015：5-9.

[11] ITOH H，KANDA S，MATSUURA H，et al.Measurement of nitrate concentration distribution in vegetables by nearinfrared hyperspectral imaging[J].Environment control in biology，2010，48（2）：37-49.

[12] MO C，KIM M S，KIM G，et al.Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J].Biosystems engineering，2017，159：10-21.

[13] RADY A，GUYER D，LU R F.Evaluation of sugar content of potatoes using hyperspectral imaging[J].Food and bioprocess technology，2015，8（5）：995-1010.

[14] GUTIRREZ S，TARDAGUILA J，F(xiàn)ERNNDEZNOVALES J，et al.Onthego hyperspectral imaging for the infield estimation of grape berry soluble solids and anthocyanin concentration[J].Australian journal of grape and wine research，2019，25（1）：127-133.

[15] 程麗娟，劉貴珊，何建國，等.靈武長棗蔗糖含量的高光譜無損檢測[J].食品科學，2019，40（10）：285-291.

[16] WANG N，ELMASRY G.Bruise detection of apples using hyperspectral imaging[M]∥SUN D W.Hyperspectral imaging for food quality analysis and control.Amsterdam：Elsevier Press，2010：295-320.

[17] CEN H Y，LU R F，ZHU Q B，et al.Nondestructive detection of chilling injury in cucumber fruit using hyperspectral imaging with feature selection and supervised classification[J].Postharvest biology and technology，2016，111：352-361.

[18] ZHANG C，GUO C T，LIU F，et al.Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J].Journal of food engineering，2016，179：11-18.

[19] 歐陽愛國，吳建，劉燕德.高光譜成像在農(nóng)產(chǎn)品無損檢測中的應用[J].廣東農(nóng)業(yè)科學，2015，42（23）：164-171.

[20] 盧娜，韓平，王紀華.高光譜成像技術(shù)在果蔬品質(zhì)安全無損檢測中的應用[J].食品安全質(zhì)量檢測學報，2017，8（12）：4594-4601.

[21] 章煒.機器視覺技術(shù)發(fā)展及其工業(yè)應用[J].紅外，2006，27（2）：11-17.

[22] 商晉.柚子品質(zhì)無損檢測方法研究進展[J].現(xiàn)代食品，2018（2）：60-62.

[23] ELMESERY H，MAO H P，ABOMOHRA A.Applications of nondestructive technologies for agricultural and food products quality inspection[J].Sensors，2019，19（4）：846-869.

[24] 徐海霞.基于機器視覺和電子鼻技術(shù)的菠菜新鮮度無損檢測研究[D].鎮(zhèn)江：江蘇大學，2016：17-40.

[25] GONGAL A，KARKEE M，AMATYA S.Apple fruit size estimation using a 3D machine vision system[J].Information processing in agriculture，2018，5（4）：498-503.

[26] RASHIDI M，SEYFI K，GHOLAMI M.Determination of kiwifruit volume using image processing[J].ARPN Journal of Agricultural and Biological Science，2007，2：17-22.

[27] ALFATNI M S M，SHARIFF A R M，SHAFRI H Z M，et al.Oil palm fruit bunch grading system using red，green and blue digital number[J].Journal of applied sciences，2008，8（8）：1444-1452.

[28] PATEL K K，KAR A，JHA S N，et al.Machine vision system：A tool for quality inspection of food and agricultural products[J].Journal of food science and technology，2012，49：123-141.

[29] 王建華，王漢忠.果蔬芳香物質(zhì)的研究方法[J].山東農(nóng)業(yè)大學學報（自然科學版），1996，27（2）：219-226.

[30] 馮蕾.基于電子鼻及低場核磁共振的黃瓜與櫻桃番茄新鮮度智能檢測研究[D].無錫：江南大學，2019：3-8.

[31] 劉瑤，徐冬穎，劉婧，等.基于電子鼻的運輸振動蔬菜氣味品質(zhì)檢測[J].北方園藝，2019（18）：100-109.

[32] 曹玉棟，祁偉彥，李嫻，等.蘋果無損檢測和品質(zhì)分級技術(shù)研究進展及展望[J].智慧農(nóng)業(yè)，2019，1（3）：29-45.

[33] RAIGAR R K，UPADHYAY R，MISHRA H N.Storage quality assessment of shelled peanuts using nondestructive electronic nose combined with fuzzy logic approach[J].Postharvest biology and technology，2017，132：43-50.

[34] ROCCHI R，MASCINI M，F(xiàn)ABERI A，et al.Comparison of IRMS，GCMS and ENose data for the discrimination of saffron samples with different origin，process and age[J/OL].Food control，2019，106[2020-03-05].https：//doi.org/10.1016/j.foodcont.2019.106736.DOI：10.1016/j.foodcont.2019.106736.

[35] 趙策，馬颯颯，張磊，等.基于電子鼻技術(shù)的皇冠梨腐敗等級分類研究[J].食品工業(yè)科技，2020，41（3）：246-250，258.

[36] XU S，L E，LU H Z，et al.Quality detection of litchi stored in different environments using an electronic nose[J].Sensors，2016，16（6）：852-866.

[37] 郭志明，郭闖，王明明，等.果蔬品質(zhì)安全近紅外光譜無損檢測研究進展[J].食品安全質(zhì)量檢測學報，2019，10（24）：8280-8288.

[38] LI X N，HUANG J C，XIONG Y J，et al.Determination of soluble solid content in multiorigin ‘Fuji apples by using FTNIR spectroscopy and an origin discriminant strategy[J].Computers and electronics in agriculture，2018，155：23-31.

[39] ZHANG D Y，XU X F，HUANG W Q，et al.Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm[J].Infrared physics & technology，2019，98：297-304.

[40] XIE L J，YE X Q，LIU D H，et al.Prediction of titratable acidity，malic acid，and citric acid in bayberry fruit by nearinfrared spectroscopy[J].Food research international，2011，44（7）：2198-2204.

[41] CLARK C J，MCGLONE V A，DE SILVA H N，et al.Prediction of storage disorders of kiwifruit （Actinidia chinensis）based on visibleNIR spectral characteristics at harvest[J].Postharvest biology and technology，2004，32（2）：147-158.

[42] SUN X D，SUBEDI P，WALSH K B.Achieving robustness to temperature change of a NIRSPLSR model for intact mango fruit dry matter content[J/OL].Postharvest biology and technology，2020，162[2020-03-25].https：//doi.org/10.1016/j.postharvbio.2019.111117.

[43] WEI X，HE J C，ZHENG S H，et al.Modeling for SSC and firmness detection of persimmon based on NIR hyperspectral imaging by sample partitioning and variables selection[J/OL].Infrared physics & technology，2020，105[2020-03-25].https：//doi.org/10.1016/j.infrared.2019.103099.

[44] 李鴻強.基于高光譜分析的蔬菜品質(zhì)檢測方法研究[D].北京：中國農(nóng)業(yè)大學，2019：49-62.

[45] 王丹.柿子采后品質(zhì)近紅外檢測模型的研究[D].天津：天津商業(yè)大學，2014：13-23.

[46] 肖慧，孫柯，屠康，等.便攜式葡萄專用可見-近紅外光譜檢測儀器開發(fā)與實驗[J].食品科學，2019，40（8）：300-305.

[47] 崔艷莉，冀曉磊，古麗菲婭，等.近紅外光譜在果蔬品質(zhì)無損檢測中的研究進展[J].農(nóng)產(chǎn)品加工（學刊），2007（7）：84-86.

[48] JIMAR? BENITO M T，BOSCH OJEDA C，SANCHEZ ROJAS F.Process analytical chemistry：Applications of near infrared spectrometry in environmental and food analysis：An overview[J].Applied spectroscopy reviews，2008，43（5）：452-484.

[49] 向延菊，蒲云峰，王大偉.近紅外光譜在果蔬品質(zhì)定性分析中的應用研究進展[J].食品工業(yè)，2019，40（4）：255-259.

[50] 趙紅星.基于葉綠素熒光光譜分析的生菜葉片硝酸鹽檢測與評價[D].長春：吉林大學，2017：33-43.

[51] 簡訊，張立福，楊杭，等.智能手機的主要葉類蔬菜品質(zhì)和新鮮度指標的光譜檢測[J].光譜學與光譜分析，2019，39（5）：1524-1529.

[52] 王書茂，焦群英，籍俊杰.西瓜成熟度無損檢驗的沖擊振動方法[J].農(nóng)業(yè)工程學報，1999，15（3）：241-245.

[53] 呂吉光，吳杰.基于智能手機聲信號哈密瓜成熟度的快速檢測[J].食品科學，2019，40（24）：287-293.

[54] 秦炎炎.雞蛋裂紋在線檢測系統(tǒng)的研究與試驗[D].武漢：華中農(nóng)業(yè)大學，2018：8-20.