周童童， 孫曉林， 孫志忠， 彭何歡， 孫 通， 胡 棟*

1. 浙江農(nóng)林大學(xué)光機(jī)電工程學(xué)院， 浙江 杭州 311300 2. 浙江農(nóng)林大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 浙江 杭州 311300

引 言

果蔬種類繁多， 富含人體必需的維生素、 無機(jī)鹽、 生物酶及植物纖維， 是人們?nèi)粘Ｉ畈豢苫蛉钡纳攀澈椭匾獱I養(yǎng)來源。 消費(fèi)者對(duì)果蔬的選擇范圍很廣， 他們要求以合理的價(jià)格購買到高質(zhì)量、 安全、 新鮮的果蔬。 因此， 果蔬供應(yīng)商面臨挑戰(zhàn)性的任務(wù)， 既要檢測(cè)果蔬保證高質(zhì)量， 以滿足日益增長的消費(fèi)者需求， 又要在激烈的市場(chǎng)競爭中保持或提高盈利能力。 果蔬從產(chǎn)地到達(dá)消費(fèi)者的餐桌前需要經(jīng)過生產(chǎn)、 收獲、 包裝、 保鮮、 貯存、 運(yùn)輸、 銷售等環(huán)節(jié)， 在流通過程中， 果蔬將遭受不同程度的靜載、 擠壓、 振動(dòng)、 跌落和沖擊等多種載荷形式的作用， 從而造成不同程度的機(jī)械損傷， 導(dǎo)致果蔬質(zhì)量損失或降低[1]。 除此之外， 果蔬內(nèi)部組織容易受到真菌或細(xì)菌侵染， 造成內(nèi)部損傷或病變， 如晚疫病、 干腐病、 軟腐病、 黑心病、 水心病、 霉心病等。 外部及內(nèi)部損傷均會(huì)降低果蔬品質(zhì)， 并最終導(dǎo)致產(chǎn)品的商業(yè)價(jià)值損失[2]。 同時(shí)， 由于受影響的產(chǎn)品易于發(fā)酵， 在儲(chǔ)存過程中腐爛或發(fā)霉， 并感染其他健康果實(shí)， 導(dǎo)致潛在的食品安全問題[3]。 因此， 果蔬產(chǎn)品的損傷檢測(cè)和定量分析至關(guān)重要。

果蔬采后損傷檢測(cè)最常用的方法是人工檢查， 但是該方法不僅耗時(shí)， 還容易出現(xiàn)誤判和漏判現(xiàn)象。 果蔬品質(zhì)無損檢測(cè)技術(shù)利用光、 聲、 電、 磁、 力等傳感特性， 在不損傷或者不影響檢測(cè)對(duì)象物理化學(xué)性質(zhì)的前提下， 對(duì)果蔬產(chǎn)品的品質(zhì)信息進(jìn)行獲取和評(píng)價(jià)分析。 目前， 越來越多的光譜和成像技術(shù)被應(yīng)用于果蔬損傷檢測(cè)， 包括近紅外光譜、 拉曼光譜、 熒光光譜、 高光譜成像、 空間頻域成像、 核磁成像、 X射線成像和熱成像等。 表1總結(jié)歸納了上述光譜成像技術(shù)的優(yōu)缺點(diǎn)。 在此， 分別介紹上述光譜成像技術(shù)的基本原理及其在果蔬損傷檢測(cè)領(lǐng)域的研究進(jìn)展， 并討論其面臨的挑戰(zhàn)和未來發(fā)展趨勢(shì)。

表1 不同光譜及成像技術(shù)在果蔬損傷檢測(cè)領(lǐng)域的特點(diǎn)比較

1 光譜技術(shù)

1.1 近紅外光譜

NIRS技術(shù)可用于檢測(cè)果蔬輕微擦傷、 瘀傷、 冷害等外部損傷， 通?；趽p傷果和健康果的光譜特征信息差異結(jié)合化學(xué)計(jì)量法進(jìn)行識(shí)別分類。 郭文川等[13]對(duì)碰撞后獼猴桃進(jìn)行無損判別， 建立了典型、 誤差反向傳播神經(jīng)網(wǎng)絡(luò)(error back propagation neural network， BPNN)與最小二乘支持向量機(jī)(least square support vector machine， LSSVM)三種判別模型， 綜合比較了全光譜波段， 采用主成分分析(principal component analysis， PCA)提取變量和連續(xù)投影算法(successive projection algorithm， SPA)優(yōu)選特征波長建模的效果， 認(rèn)為SPA-LSSVM模型的識(shí)別性能最佳， 總的正確識(shí)別率為98.2%。 薛建新[14]等報(bào)道了9點(diǎn)平滑預(yù)處理對(duì)梨棗輕微損傷識(shí)別的提高作用， 建立了短波近紅外(780～1 100 nm)偏最小二乘線性判別分析(partial least squares-line discriminant analysis， PLS-LDA)模型， 正確識(shí)別率達(dá)到96.7%以上。 Pholpho等[15]在可見光波段(400～700 nm)用分光光度計(jì)獲得龍眼果實(shí)損傷前后的可見光光譜， 利用主成分分析、 偏最小二乘判別分析(partial least squares discriminant analysis, PLS-DA)和簇類獨(dú)立軟模式法(soft independent modeling of class analogy， SIMCA)， 對(duì)未擦傷和擦傷的龍眼果實(shí)進(jìn)行分類； 結(jié)果表明PLS-DA模型的分類準(zhǔn)確率高于SIMCA， 正確率為100%。 NIRS可應(yīng)用的果蔬范圍十分廣泛， 上述輕微擦傷識(shí)別同樣可以應(yīng)用于橄欖[16]、 番茄[17]、 櫻桃[18]、 鮮棗[19]、 蘋果[20]等多種果蔬。 當(dāng)天氣寒冷、 溫度驟降時(shí)， 果蔬易遭受冷害損傷。 冷害的發(fā)生會(huì)導(dǎo)致果蔬在生長季節(jié)、 運(yùn)輸、 分配或貯藏過程中的生理功能障礙[21]。 Xia等[22]搭建了基于NIR光譜的蘋果冷害分類分析的云計(jì)算平臺(tái)， 應(yīng)用了隨機(jī)森林(random forest， RF)和決策樹(decision tree， DT)等多種分類模型， 分類精度最高達(dá)98.3%。

NIRS技術(shù)不僅能夠檢測(cè)表面擦傷、 冷害等外部損傷， 在內(nèi)部損傷方面， 如鴨梨的黑心病、 蘋果的水心病等也有很多的應(yīng)用和探究。 劉燕德等[23]利用近紅外漫透射光譜判別黑心鴨梨， 結(jié)果表明偏最小二乘(partial least squares， PLS)模型的判別準(zhǔn)確率最高， 黑心梨正確識(shí)別率達(dá)到100%。 Sun等[24]的黑心鴨梨識(shí)別分類正確率達(dá)到98.3%。 穆炳宇等[25]對(duì)新鮮與腐爛花椰菜進(jìn)行判別分類， 正確率達(dá)到100%。 上述研究說明， 近紅外光譜在果蔬內(nèi)部和表面缺陷的鑒別中具有很大潛力和優(yōu)勢(shì)， 透射光譜更適宜于內(nèi)部損傷檢測(cè)， 漫反射光譜可以對(duì)表面或次表面的損傷進(jìn)行有效鑒別。 定性模式識(shí)別模型、 光譜預(yù)處理算法、 建模波段等因素都影響著損傷果和健康果的分類精度。 近年來， 深度學(xué)習(xí)算法也開始用于近紅外光譜定性和定量模型的建立， 在一定程度上可以降低建模的工作量或者解決分類模型在不同儀器上不通用等問題， 但是目前依然存在參數(shù)需要優(yōu)化選擇、 過擬合、 模型精度低等問題。

1.2 拉曼光譜

拉曼光譜(Raman spectroscopy, RS)是一種散射光譜分析技術(shù)， 由分子極化率變化誘導(dǎo)產(chǎn)生， 它能提供分子內(nèi)部各種簡正振動(dòng)頻率及有關(guān)振動(dòng)能級(jí)的信息[5]。 拉曼光譜分析主要包括對(duì)拉曼峰的高度、 寬度、 面積、 位置和形狀等的分析。 首先確定拉曼光譜中含有待測(cè)信息的光譜， 然后將有效拉曼信號(hào)從光譜的其他部分(如噪聲)中分離出來， 最后確定拉曼光譜信號(hào)與樣品信息的關(guān)系[26]。

Guzmán等[27]應(yīng)用低分辨率拉曼光譜儀對(duì)橄欖油加工前的橄欖進(jìn)行分級(jí)， 結(jié)合SIMCA， PLS-DA， K-NN等分類方法， 對(duì)凍傷果和發(fā)酵果進(jìn)行判別， 正確率達(dá)到100%和97.0%。 RS在果蔬損傷檢測(cè)中的應(yīng)用不是很廣， 特別是在定量分析中能檢測(cè)的成分指標(biāo)較少， 但由于RS具有指紋特征， 所以對(duì)它所檢測(cè)的成分含量(特別是類胡蘿卜素)能夠獲得較好的預(yù)測(cè)效果。 基于上述原因， 目前RS的檢測(cè)對(duì)象也具有一定的選擇性， 主要包括在成熟過程中或加工過程中類胡蘿卜含量變化較顯著的果蔬， 如胡蘿卜[28]、 西紅柿[29]等。 此外， RS在果蔬農(nóng)藥殘留檢測(cè)中有較好的應(yīng)用潛力， 特別是光譜增強(qiáng)技術(shù)的采用提高了檢測(cè)精度。

1.3 熒光光譜

熒光是物質(zhì)吸收紫外或可見波段的電磁輻射后， 受激發(fā)的原子或分子躍遷到較高能級(jí)， 通過輻射躍遷的衰變過程返回基態(tài)， 并伴隨發(fā)射波長與激發(fā)輻射波長不同的輻射發(fā)光過程， 是一種光致發(fā)光的冷發(fā)光現(xiàn)象[30]。 物質(zhì)的熒光光譜(fluorescence spectroscopy, FS)主要由其所含分子的能級(jí)結(jié)構(gòu)決定， 因此熒光光譜能反應(yīng)物質(zhì)內(nèi)部化學(xué)信息。 相比健康組織， 碰傷組織的熒光激發(fā)會(huì)降低。 Ruslan等[31]使用精密實(shí)驗(yàn)室熒光儀進(jìn)行診斷， 分離和量化組織表面結(jié)痂的蘋果和腐爛的土豆。

FS還可以和計(jì)算機(jī)視覺技術(shù)相結(jié)合， 稱之為熒光成像(fluorescence imaging, FI)。 該技術(shù)從水果的熒光圖像中提取顏色、 紋理、 熒光強(qiáng)度等信息進(jìn)行處理并加以分析， 得出想要的結(jié)果[6]。 Chiu等[32]開發(fā)了一套熒光成像(系統(tǒng)原理示意圖如圖1所示)， 采用470 nm波長的LED作為熒光激發(fā)源。 為了捕捉熒光， 使用了帶650 nm高通濾光鏡頭的數(shù)碼相機(jī)進(jìn)行在線蘋果損傷檢測(cè)， 測(cè)試結(jié)果表明該系統(tǒng)能夠?qū)?0分鐘后的損傷實(shí)現(xiàn)100%的識(shí)別率。 熒光光譜成像具有可獲取樣品內(nèi)部信息、 受溫濕度影響小、 圖像采集不受光照限制、 價(jià)格合理等優(yōu)勢(shì)， 因此熒光光譜在葉片中葉綠素的濃度[33]、 環(huán)境脅迫因子的影響信息[34]、 診斷植物病害[35]等方面應(yīng)用廣泛， 但在果蔬損傷檢測(cè)中的應(yīng)用不多， 但上述研究表明了熒光光譜技術(shù)在果蔬損傷檢測(cè)方面有一定的發(fā)展前景。

圖1 熒光成像系統(tǒng)示意圖[32]

2 成像技術(shù)

傳統(tǒng)的機(jī)器視覺技術(shù)模擬人眼采集R， G和B三個(gè)通道的圖像， 有檢測(cè)果蔬顏色、 大小、 形狀、 紋理和明顯的外部缺陷的能力[7]。 但檢測(cè)瘀傷、 腐爛和一些其他不明顯的缺陷時(shí)， 損傷果和健康果呈現(xiàn)相同的形狀和紋理， 傳統(tǒng)的機(jī)器視覺技術(shù)往往難以精確檢測(cè)， 最終仍然采用人工檢測(cè)。 因此， 開發(fā)一種自動(dòng)的缺陷檢測(cè)系統(tǒng)來取代人工檢測(cè)是十分迫切和必要的。 計(jì)算機(jī)視覺(computer vision, CV)是一項(xiàng)結(jié)合力學(xué)、 光學(xué)儀器、 電磁傳感、 數(shù)字視頻和圖像處理技術(shù)的工程技術(shù)。 借助波長色散裝置、 高分辨率相機(jī)以及計(jì)算機(jī)硬件和軟件等方面的最新進(jìn)展， 開發(fā)了與光譜結(jié)合的計(jì)算機(jī)視覺系統(tǒng)并且對(duì)果蔬損傷缺陷進(jìn)行有效檢測(cè)與分類。 下文將分別介紹各類成像技術(shù)的基本原理及其在果蔬損傷檢測(cè)領(lǐng)域的研究進(jìn)展。

2.1 高光譜成像

高光譜成像(hyper-spectral imaging， HIS)可獲取大量被測(cè)目標(biāo)的窄波段連續(xù)光譜圖像， 它同時(shí)涵蓋了檢測(cè)對(duì)象的光譜和圖像信息， 光譜分辨率可達(dá)納米級(jí)。 如今， HSI在信息豐富程度方面有了極大提高， 可獲取被測(cè)對(duì)象整個(gè)面陣的品質(zhì)信息， 檢測(cè)結(jié)果更加綜合、 精確。

HIS系統(tǒng)有三個(gè)必不可少的設(shè)備[14]： 光源、 波長色散元件、 面陣探測(cè)器。 光源可以是寬波段石英鎢鹵素弧光燈， 發(fā)光二極管或激光器。 波長色散元件通常由基于衍射光柵的成像光譜儀或電可調(diào)濾光器組成。 不同類型的波長色散元件與不同的圖像采集方法相關(guān)。 成像光譜儀用于線掃描測(cè)量， 而電可調(diào)濾光器用于區(qū)域掃描。 電荷耦合元件(charge coupled device， CCD)是光譜成像的主流檢測(cè)器， 而CMOS(互補(bǔ)金屬氧化物半導(dǎo)體)在實(shí)時(shí)成像應(yīng)用中具有吸引力并且越來越受歡迎。

近年來， HSI技術(shù)與各類光譜技術(shù)組合使用對(duì)果蔬損傷的檢測(cè)更有利， HSI與NIRS技術(shù)結(jié)合已較為成熟。 Li等利用NIRS-HSI技術(shù)加分水嶺分割方法對(duì)雙色桃[36]、 柑橘[37]、 蘋果[38]早期腐爛進(jìn)行有效識(shí)別分類， 分類正確率分別達(dá)到96.6%， 100%和99%； Li等[39]之后又對(duì)比了HIS和短波近紅外、 長波近紅外結(jié)合情況， 結(jié)果表明短波近紅外更適合桃早期腐爛的分類， 再結(jié)合改進(jìn)的分水嶺分割方法， 最終分類正確率達(dá)到96.5%。 Fan等[40]利用NIRS-HSI技術(shù)檢測(cè)機(jī)械撞擊后30 min～12 h藍(lán)莓內(nèi)部擦傷， 通過波段比圖像進(jìn)行分類， 結(jié)果表明藍(lán)莓在撞擊后30 min， 2 h， 6 h和12 h的分類準(zhǔn)確率分別為77.5%， 83.8%， 92.5%和95.0%； Yu等[41]也對(duì)藍(lán)莓進(jìn)行過相似的擦傷判斷。 Lee等[42]利用NIRS-HSI技術(shù)對(duì)番茄角質(zhì)層裂紋進(jìn)行檢測(cè)， 對(duì)于有無裂紋缺陷的番茄， LDA和SVM的分類正確率分別為94.6%和96.4%。 Wang-Hee Lee等[43]在950～1 650 nm的光譜范圍內(nèi)檢測(cè)梨皮下?lián)p傷， 圖2是從梨的近紅外高光譜圖像中提取的代表性光譜， 隨波長的變化對(duì)瘀傷、 健康區(qū)域、 皮孔和具有鏡面反射的區(qū)域進(jìn)行了測(cè)量。 從原始圖像可以看出， 梨的表面(特別是從中心到邊緣)的反射強(qiáng)度變化很大， 這是因?yàn)闃悠返膸缀涡螤钍菆A形的。 為了中和水果圓形幾何形狀的影響， 對(duì)圖像數(shù)據(jù)在1 074 nm左右的單個(gè)光譜峰值進(jìn)行了歸一化處理， 最后基于最佳閾值波段比的損傷檢測(cè)準(zhǔn)確率為92.0%。

HIS在果蔬冷害方面的研究比起NIRS技術(shù)更為廣泛。 大多數(shù)果蔬對(duì)冷害損傷很敏感， 采后不應(yīng)在低于12 ℃的溫度下儲(chǔ)存， 但實(shí)際上經(jīng)常被放置在低至0～5 ℃的溫度下； 檢測(cè)果蔬的冷害損傷可以使這些果蔬盡早從市場(chǎng)上撤下， 具有現(xiàn)實(shí)意義。 Lu等[44]使用Criminisi算法先進(jìn)行光譜修復(fù)， 然后利用線性判別分析(line discriminant analysis, LDA)對(duì)受不同冷害程度的青棗進(jìn)行二分類和三分類， 精度分別達(dá)到98.3%和93.3%。 Cen等[45]對(duì)受不同冷害程度的黃瓜進(jìn)行二分類和三分類， 精度分別達(dá)到100%和91.3%。 Sun等[46]采用人工神經(jīng)網(wǎng)絡(luò)模型(artifificial neural networks, ANN)對(duì)桃冷害進(jìn)行二分類、 三分類、 四分類， 精度達(dá)到99.3%， 96.1%和85.4%。 果蔬的分級(jí)分類是熱門研究話題， 但要保證模型高效而又達(dá)到高精度是分級(jí)研究的重點(diǎn)難點(diǎn)， 當(dāng)今熱門方式是和深度學(xué)習(xí)相結(jié)合[47-48]。 高光譜成像技術(shù)應(yīng)用的果蔬種類最多而且?guī)缀醪皇芄叻N類和損傷種類的限制， 除了上述果蔬， 還包括櫻桃[49]、 茄子[50]、 蘋果[51-54]、 馬鈴薯[55]、 青椒[56]等等， 在食品質(zhì)量檢測(cè)中越來越受到重視， 在檢測(cè)果蔬缺陷方面的能力近年來已經(jīng)得到肯定， 但是一直面臨著圖像采集時(shí)間長、 數(shù)據(jù)量大等問題。 進(jìn)一步的研究必須針對(duì)這些問題， 改進(jìn)硬件和數(shù)據(jù)處理策略， 在將其商業(yè)應(yīng)用之前， 還有很長的路要走。

圖2 (a)梨在1 200 nm歸一化前后的高光譜圖像； (b)梨在950～1 650 nm的平均光譜圖[43]

2.2 空間頻域成像

空間頻域成像(spatial-frequency domain imaging， SFDI)技術(shù)是一種新興的光學(xué)成像技術(shù)， 其采用光強(qiáng)呈正弦變化的結(jié)構(gòu)光照明， 通過采集樣品表面的反射圖像， 結(jié)合圖像解調(diào)等數(shù)據(jù)處理手段， 得到樣品的交流(alternating current， AC)和直流(direct current， DC)圖像。 與傳統(tǒng)的均勻照明光相比， 結(jié)構(gòu)光可通過調(diào)節(jié)光照頻率實(shí)現(xiàn)不同樣品深度的信息采集[57]。 在過去的十多年中， 空間頻域成像技術(shù)得到了快速發(fā)展， 在果蔬損傷檢測(cè)中得到了廣泛的應(yīng)用[58-59]。

Lu等[60]開發(fā)了一套SFDI系統(tǒng)(原理示意圖如圖3所示)， 用于檢測(cè)蘋果的早期損傷。 研究表明， 相比于DC圖像， AC圖像更有利于損傷檢測(cè)。 針對(duì)空間頻域成像數(shù)據(jù)處理中耗時(shí)較長的問題， Lu等[61]提出了螺旋相位變換解調(diào)算法， 將相位圖像從3幅減少為2幅， 大大提高了試驗(yàn)速度和數(shù)據(jù)處理效率。 在此基礎(chǔ)上， Lu等[62]進(jìn)一步改進(jìn)了SFDI系統(tǒng)， 采用液晶可調(diào)諧濾光器代替濾波片， 實(shí)現(xiàn)多光譜數(shù)據(jù)采集， 并將其用于蘋果損傷檢測(cè)； 結(jié)果表明， 710～830 nm波長對(duì)早期損傷檢測(cè)更為有利。

圖3 空間頻域成像系統(tǒng)示意圖

此外， 孫志忠等[63]建立了ANN模型快速反演光學(xué)特性參數(shù)用于蘋果的皮下?lián)p傷檢測(cè)， 大大提高了蘋果皮下?lián)p傷的檢測(cè)效率， 增加了SFDI技術(shù)在線應(yīng)用的可能性。 綜上所述， SFDI技術(shù)在檢測(cè)果蔬皮下隱性損傷方面具有極大的潛力， 它甚至可以檢測(cè)出20 min時(shí)間內(nèi)形成的新鮮損傷。 然而， 受光透射深度[64]的影響， 該技術(shù)目前適用于果皮較薄的果蔬產(chǎn)品或者是深度較淺的損傷， 研究人員對(duì)該技術(shù)的改進(jìn)和創(chuàng)新也許可以擴(kuò)大它的適用范圍。

2.3 磁共振成像

磁共振成像(magnetic resonance imaging， MRI)基于核磁原理， 對(duì)處于恒定磁場(chǎng)中的樣品施加不同的射頻脈沖， 使氫質(zhì)子發(fā)生共振、 衰減、 聚相等現(xiàn)象而呈現(xiàn)不同的信號(hào)， 這些信號(hào)經(jīng)傅里葉轉(zhuǎn)換、 反演、 二維或三維成像等處理后， 得到不同的圖譜或圖像， 然后進(jìn)行分析， 根據(jù)自擴(kuò)散系數(shù)、 縱向弛豫時(shí)間和橫向弛豫時(shí)間來反映被測(cè)樣品的分子動(dòng)態(tài)信息[10]。

Mazhar等[65]研究表明， 質(zhì)子磁共振成像(1H-MRI)可用于監(jiān)測(cè)鱷梨瘀傷隨時(shí)間的變化，1H-MRI清楚地顯示了果實(shí)的形態(tài)特征和果皮組織的損傷。 Razavi等[66]通過實(shí)驗(yàn)得到梨靜態(tài)加載后的損傷體積， 在裝載后的不同時(shí)間間隔確定果實(shí)內(nèi)部損傷體積的擴(kuò)散。 MRI在果蔬損傷檢測(cè)的圖像更直觀具象， 但是磁共振設(shè)備成本高， 且獲取圖像速度較慢， 對(duì)操作人員要求高， 實(shí)現(xiàn)商業(yè)化在線檢測(cè)仍面臨許多困難。

2.4 X射線成像

X射線由陰極燈絲發(fā)射的高速電子束打擊陽極靶面產(chǎn)生， 波長在0.001～10 nm之間， 具有極強(qiáng)的穿透性， X射線通常以全透射的方式應(yīng)用在水果內(nèi)部品質(zhì)檢測(cè)[67]。 X射線成像技術(shù)(X-ray imaging， XRI)是研究物質(zhì)內(nèi)部物理結(jié)構(gòu)的重要方法， 它是利用X射線透過被檢測(cè)物體時(shí)， 缺陷部位與完好部位對(duì)X射線吸收能力不同來實(shí)現(xiàn)果蔬無損檢測(cè)。 利用此方法進(jìn)行果蔬新鮮損傷的研究很少， 這是因?yàn)樾聜c正常組織的對(duì)比度較低， 采用這種方法很難被檢測(cè)出來。 當(dāng)我們從多個(gè)角度拍攝圖像時(shí)， 這些圖像可以通過數(shù)學(xué)算法來重建一個(gè)物體的三維圖像， 這種方法被稱為X射線計(jì)算機(jī)斷層掃描(computed tomography, CT)[68]。 與MRI相比， CT具有較高的空間分辨率和較少的圖像采集時(shí)間， 因此被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域的果蔬內(nèi)部質(zhì)量評(píng)價(jià)。 Kenias等[69]將蘋果在二氧化碳濃度不同的環(huán)境下存放三天， CT能成功從微觀層面將內(nèi)部褐變的蘋果區(qū)分出來。 Arendse等[70]的研究已經(jīng)證明了CT作為一種非破壞性技術(shù)的能力， 可以用于果蔬的損傷體積及其分?jǐn)?shù)評(píng)估； 其后Elien等[71]用來估算瘀傷蘋果的瘀傷體積。 但是蘋果造成的損傷具有不規(guī)則性， 簡單幾何假設(shè)的瘀傷體積估計(jì)不能提供準(zhǔn)確的結(jié)果。 XRI是檢測(cè)果蔬內(nèi)部缺陷的有力工具， CT由于速度快， 具有在線檢測(cè)的潛力， 并且CT在檢測(cè)果蔬存儲(chǔ)過程中生理紊亂的動(dòng)態(tài)方面具有優(yōu)勢(shì)。 然而， CT由于昂貴的儀器和漫長的掃描時(shí)間， 不適合食品質(zhì)量檢測(cè)。 同時(shí)， 在使用XRI進(jìn)行食品質(zhì)量檢測(cè)時(shí)， 應(yīng)注意防止?jié)撛诘慕】滴：Α?/p>

2.5 熱成像

熱成像(thermal imaging, TI)是基于所有材料都發(fā)射紅外輻射這一事實(shí)， 而TI測(cè)量的是物體發(fā)射的紅外輻射， 而不是反射的紅外光[11]。 在果蔬損傷檢測(cè)過程中， 熱量在損傷果蔬組織中的吸收和傳播發(fā)生變化， 引起熱擴(kuò)散系數(shù)、 熱傳導(dǎo)系數(shù)、 比熱容等熱特性參數(shù)發(fā)生變化， 從而導(dǎo)致正常和損傷組織間產(chǎn)生一定的溫度差異[67]。

Kim等[72]采用正弦熱能刺激物體， 利用高靈敏度的中紅外熱像儀測(cè)量得到梨的熱發(fā)射信息， 對(duì)梨損傷大小和損傷深度實(shí)現(xiàn)了定量識(shí)別。 Kuzy等[73]使用LDA， SVM， RF， K-NN和logistic回歸分類器對(duì)健康藍(lán)莓和損傷藍(lán)莓進(jìn)行分類， 準(zhǔn)確率可達(dá)89.5%。 上述研究表明， 利用TI技術(shù)檢測(cè)水果損傷是可行的， 主要挑戰(zhàn)在于如何增強(qiáng)與提取損傷信號(hào)， 同時(shí)熱源的優(yōu)化設(shè)計(jì)和熱圖像處理也需進(jìn)一步提高。

上述的光譜及成像技術(shù)在果蔬損傷檢測(cè)領(lǐng)域的檢測(cè)對(duì)象涉及蘋果、 梨、 龍眼、 水蜜桃、 獼猴桃、 花椰菜、 青椒、 番茄、 馬鈴薯等多種水果和蔬菜， 具體應(yīng)用情況如表2所示。

表2 光譜及成像技術(shù)在果蔬損傷檢測(cè)中的應(yīng)用現(xiàn)狀

續(xù)表2

3 總結(jié)與展望

果蔬在收獲、 運(yùn)輸、 分揀、 貯藏過程中容易發(fā)生機(jī)械損傷， 較嚴(yán)重的外部損傷可通過傳統(tǒng)的機(jī)器視覺技術(shù)等手段得以檢測(cè)， 而由碰壓引起的內(nèi)部損傷用肉眼難以識(shí)別。 果蔬損傷的檢測(cè)難點(diǎn)之一是損傷特征不明顯， 尤其是損傷時(shí)間過短的情況下， 主要原因是較小的外界作用力沒有引起果蔬組織生理和結(jié)構(gòu)方面的明顯變化， 果蔬自身因外界刺激而產(chǎn)生的防御也會(huì)進(jìn)一步削弱損傷和正常組織間的差距， 傳統(tǒng)人眼識(shí)別的方法根本無法觀測(cè)出這樣的損傷。 此外， 較深的果皮顏色也會(huì)對(duì)檢測(cè)造成干擾。 如果能在短時(shí)間內(nèi)(1～2 h)檢測(cè)輕微損傷， 果蔬不僅能夠得以正確分類， 操作人員也能盡快對(duì)損傷進(jìn)行處理， 避免對(duì)其他水果造成二次感染。

雖然光譜及成像檢測(cè)技術(shù)在果蔬無損檢測(cè)方面取得了不錯(cuò)的進(jìn)展， 但是依然存在一些問題， 阻礙了上述技術(shù)的在線應(yīng)用。 檢測(cè)設(shè)備的成本首當(dāng)其沖， 例如MRI設(shè)備過于昂貴， 設(shè)備折舊的價(jià)值甚至可能大于該設(shè)備檢測(cè)到的果蔬價(jià)值。 同時(shí)， 將檢測(cè)設(shè)備與自動(dòng)裝配線集成在一起存在諸多工程挑戰(zhàn)， 在將其商業(yè)應(yīng)用之前， 還有很長的路要走。

(1)檢測(cè)對(duì)象和檢測(cè)指標(biāo)將會(huì)更廣泛。 目前的損傷檢測(cè)主要針對(duì)薄皮果蔬， 對(duì)于果皮較厚較硬的果蔬產(chǎn)品研究較少。 光譜模型的穩(wěn)定性和預(yù)測(cè)精度再加上模型對(duì)環(huán)境參數(shù)不同的適應(yīng)性， 這些因素都需要嘗試和采用新的或改進(jìn)的化學(xué)計(jì)量方法及參數(shù)補(bǔ)償算法去提高。

(2)嘗試多元信息融合檢測(cè)損傷， 以提高損傷檢測(cè)的準(zhǔn)確率和效果。 隨著光譜成像技術(shù)的發(fā)展， 光譜與圖像信息的結(jié)合將更普遍。

(3)設(shè)備成本和設(shè)備小型化是未來研究方向。 便攜式果蔬品質(zhì)分析儀器開發(fā)將是本領(lǐng)域發(fā)展的重點(diǎn)之一， 需要更突出小型化、 低成本、 低功耗、 專用化等優(yōu)勢(shì)； 除此之外， 隨著各類儀表儀器的發(fā)展， 大型果蔬損傷分級(jí)生產(chǎn)線將進(jìn)一步發(fā)展， 需要更突出功能齊全、 自動(dòng)化程度高等優(yōu)勢(shì)。 無論是便攜式儀器還是大型分級(jí)生產(chǎn)線， 操作簡便、 受環(huán)境干擾影響小、 模型穩(wěn)定精度高、 成本較低都仍將是儀器研發(fā)的關(guān)鍵點(diǎn)。