孫夢(mèng)夢(mèng),鞠皓,姜洪喆,袁偉東,周宏平

(南京林業(yè)大學(xué) 機(jī)械電子工程學(xué)院,江蘇 南京,210037)

水果是人類(lèi)飲食的重要組成部分,它提供了人體必要的維生素、礦物質(zhì)以及其他有益健康的化合物,能夠有效促進(jìn)人體新陳代謝,幫助人們改善身體狀況、延緩衰老[1-2]。在采后運(yùn)輸這一環(huán)節(jié)中,由于細(xì)胞的呼吸作用致使水果內(nèi)部有機(jī)物過(guò)多地被消耗,從而影響水果的品質(zhì)和食用口感,而水果的成熟度檢測(cè)對(duì)這一過(guò)程的變化起著至關(guān)重要的作用[3]。在果實(shí)成熟過(guò)程中的內(nèi)部特性變化會(huì)影響果實(shí)的食用品質(zhì)以及采后的貨架期與銷(xiāo)售策略。成熟的果實(shí)具有宜人的風(fēng)味與香氣,然而,不熟或過(guò)熟的水果不僅風(fēng)味不佳,還會(huì)使其零售價(jià)值降低,造成嚴(yán)重的經(jīng)濟(jì)損失與資源浪費(fèi)[4]。因此,建立水果成熟度評(píng)價(jià)方法,有助于確定水果最佳采收期,降低后續(xù)不必要的損耗。

傳統(tǒng)的水果成熟度檢測(cè)方法主要是依據(jù)果農(nóng)經(jīng)驗(yàn)判斷或借助分析儀器來(lái)進(jìn)行復(fù)雜的理化實(shí)驗(yàn)[5]。然而經(jīng)驗(yàn)判斷方法受主觀因素影響較大,且效率低、誤判率高;理化實(shí)驗(yàn)方法通常需要對(duì)果實(shí)組織進(jìn)行破壞,且操作繁瑣、效率較低,難以實(shí)現(xiàn)大批量檢測(cè)[6-8]。鑒于傳統(tǒng)檢測(cè)方法的不足,無(wú)損檢測(cè)技術(shù)應(yīng)市場(chǎng)需要迅速發(fā)展。無(wú)損檢測(cè)技術(shù)是利用水果的物理化學(xué)特性,在對(duì)果實(shí)不造成破壞的情況下對(duì)其內(nèi)外部品質(zhì)、氣味、質(zhì)地等品質(zhì)參數(shù)進(jìn)行測(cè)定,并依據(jù)這些品質(zhì)參數(shù)與果實(shí)成熟度之間的關(guān)系進(jìn)行成熟度評(píng)價(jià),具有操作簡(jiǎn)單、檢測(cè)效率高等優(yōu)點(diǎn),彌補(bǔ)了人工檢測(cè)與有損檢測(cè)方法的不足[9-10]。近年來(lái),諸多文獻(xiàn)報(bào)道了關(guān)于水果品質(zhì)、病害、食品安全等方面的無(wú)損檢測(cè)研究現(xiàn)狀[11-13]。但鮮有文章針對(duì)成熟度這單一因素進(jìn)行系統(tǒng)性分析。因此,本文重點(diǎn)綜述了近幾年國(guó)內(nèi)外研究者在水果成熟度檢測(cè)領(lǐng)域中應(yīng)用較多的無(wú)損檢測(cè)方法,主要有電學(xué)特性分析法、聲學(xué)特性分析法、電子鼻、機(jī)器視覺(jué)、近紅外光譜、高光譜成像技術(shù)等方法,并對(duì)這些無(wú)損檢測(cè)技術(shù)在水果成熟度檢測(cè)領(lǐng)域中存在的問(wèn)題和發(fā)展前景進(jìn)行分析與展望。

1 水果成熟度劃分

根據(jù)水果果品用途、市場(chǎng)需要及貯存運(yùn)輸?shù)惹闆r,可將水果成熟度分為可采成熟度、食用成熟度和生理成熟度3種。可采成熟度即果實(shí)的大小和重量已達(dá)到可采收標(biāo)準(zhǔn),基本完成了生長(zhǎng)發(fā)育和各種營(yíng)養(yǎng)物質(zhì)的積累,果面開(kāi)始呈現(xiàn)出果實(shí)的固有色澤,但此時(shí)果肉較硬、風(fēng)味不佳,內(nèi)部營(yíng)養(yǎng)物質(zhì)尚未完全轉(zhuǎn)化還不宜鮮食,應(yīng)適于長(zhǎng)期貯藏、遠(yuǎn)距離運(yùn)輸或加工蜜餞等;食用成熟度指果肉已達(dá)到充分成熟階段,果實(shí)表現(xiàn)出特有的色澤、風(fēng)味與質(zhì)地,其營(yíng)養(yǎng)價(jià)值達(dá)到最高點(diǎn),為食用的最佳時(shí)期,此時(shí)采收的水果適于鮮食、當(dāng)?shù)劁N(xiāo)售或短途運(yùn)輸,也可用于釀酒、制汁或短期貯存;生理成熟度即為果實(shí)生長(zhǎng)的最后階段,此時(shí)水果果實(shí)已完全成熟,其種子也趨于成熟,但漿果肉質(zhì)松軟、口感風(fēng)味變差、果實(shí)內(nèi)含物水解作用增強(qiáng)、營(yíng)養(yǎng)價(jià)值降低,已不宜食用和貯藏,一般水果都不應(yīng)在此階段采收,只有以食用種子或用于種果樹(shù)為目的的山杏、板栗、核桃等果實(shí)才在生理成熟度采收[14-16]。

2 水果成熟度無(wú)損檢測(cè)技術(shù)應(yīng)用現(xiàn)狀

2.1 基于電學(xué)特性的成熟度檢測(cè)

水果在生長(zhǎng)發(fā)育的過(guò)程中,其內(nèi)部的生理、生化變化都伴隨著物質(zhì)和能量的轉(zhuǎn)換,使得果實(shí)組織中各類(lèi)化學(xué)物質(zhì)的帶電荷量和帶電粒子的空間分布發(fā)生變化,并在外電場(chǎng)的作用下呈現(xiàn)不同的電學(xué)特性[17]。因此,水果糖度、水分含量、成熟度等品質(zhì)因素均會(huì)對(duì)介電常數(shù)、阻抗、損耗因子等電學(xué)參數(shù)產(chǎn)生影響[18-19]。如圖1所示,其測(cè)量系統(tǒng)主要由電學(xué)特性檢測(cè)儀器、平行極板、計(jì)算機(jī)等部分組成,通過(guò)獲取評(píng)價(jià)水果成熟度的介電特性即可實(shí)現(xiàn)對(duì)水果成熟度的鑒別。

圖1 果實(shí)電學(xué)參數(shù)測(cè)量系統(tǒng)Fig.1 System of fruit electrical properties measurement

WOLF等[20]研究發(fā)現(xiàn)蘋(píng)果在成熟過(guò)程中,其介電損耗因數(shù)以及介電常數(shù)會(huì)產(chǎn)生較為明顯的變化。陳志遠(yuǎn)等[21]利用平行板電極全面地分析了8個(gè)電參數(shù)與番茄成熟度之間的相關(guān)性,結(jié)果發(fā)現(xiàn)復(fù)阻抗(complex impedance,Z)和相對(duì)介電常數(shù)(relative permittivity,ε′r)與成熟度呈現(xiàn)規(guī)律性變化,Z隨成熟度的增加而減小,而ε′r則呈現(xiàn)與Z相反的變化趨勢(shì)。CASTRO-GIRLDEZ等[22]探究了在頻率500 MHz～20 GHz石榴成熟度與其介電譜譜線之間的關(guān)系,結(jié)果表明,在1.2～2.4 GHz,成熟度與其具有顯著的相關(guān)性。SOLTANI等[23]利用帶有平行板電容采樣的正弦波頻率發(fā)生器,對(duì)不同成熟度的香蕉果實(shí)進(jìn)行了電容差異的研究,結(jié)果發(fā)現(xiàn)ε′r與香蕉果實(shí)的品質(zhì)參數(shù)具有相關(guān)性,且隨著成熟度的增加,香蕉果實(shí)的ε′r亦隨之降低。YAHAYA等[24]通過(guò)比較不同介電特性與含水量之間的關(guān)系來(lái)預(yù)測(cè)芒果的成熟度,結(jié)果發(fā)現(xiàn),果實(shí)中的水分含量隨著成熟時(shí)間的增加而降低,未成熟芒果的介電常數(shù)值為19～24,而成熟芒果的介電常數(shù)值為16～21。張莉等[25]利用LCR阻抗分析儀和平行板銅電極測(cè)定了4個(gè)成熟期“火柿”的電學(xué)特性,結(jié)果發(fā)現(xiàn)阻抗、電容、電感以及電導(dǎo)等電學(xué)參數(shù)均能夠較好地反映火柿的成熟度。

水果成熟過(guò)程中的電學(xué)特性變化與其生理特性變化之間的相關(guān)性較高,電學(xué)特性可反映果實(shí)內(nèi)含物成分變化,因此,利用某些電學(xué)參數(shù)值(如阻抗、電容、電感等)對(duì)水果的成熟度進(jìn)行無(wú)損檢測(cè)是切實(shí)可行的,為水果采后品質(zhì)分級(jí)提供理論基礎(chǔ)。表1總結(jié)了電學(xué)特性在水果成熟度檢測(cè)中的應(yīng)用。

表1 電學(xué)特性在水果成熟度檢測(cè)中的應(yīng)用Table 1 Application of dielectric properties in fruit maturity detection

2.2 基于聲學(xué)特性的成熟度檢測(cè)

水果的聲學(xué)特性是指果實(shí)在聲波作用下的反射特性、散射特性、透射特性、吸收特性、衰減系數(shù)、傳播速度及其本身的聲阻抗與固有頻率等,它們反映了聲波與水果相互作用的基本規(guī)律[26]。如圖2所示,聲學(xué)系統(tǒng)檢測(cè)設(shè)備主要由聲波傳感器、動(dòng)態(tài)信號(hào)分析儀、信號(hào)放大器、計(jì)算機(jī)等部分組成,其檢測(cè)原理是利用不同物質(zhì)間產(chǎn)生不同的振動(dòng)頻率和固有頻率,研究其成熟度與振動(dòng)頻率之間的關(guān)系,進(jìn)而對(duì)產(chǎn)品品質(zhì)進(jìn)行評(píng)估[27-28]。

圖2 聲學(xué)檢測(cè)系統(tǒng)示意圖[29]Fig.2 Diagram of acoustic detection system

KHOSHNAM等[30]利用聲波脈沖響應(yīng)方法對(duì)5種不同成熟度的甜瓜進(jìn)行分析,結(jié)果發(fā)現(xiàn)共振頻率與甜瓜成熟度之間存在較好的相關(guān)性,其共振頻率隨成熟度的增加而降低。張帥等[31]利用聲振法,通過(guò)敲擊香瓜發(fā)出的聲頻,建立其聲學(xué)特性與香瓜硬度、含糖量的相關(guān)性模型,并提出了香瓜的成熟度指數(shù),結(jié)果表明香瓜的聲學(xué)特征值與其硬度系數(shù)之間存在較好的相關(guān)性,可以用來(lái)檢測(cè)香瓜的成熟度。TANIWAKI等[32]利用非破壞性的聲振技術(shù),對(duì)梨果實(shí)的質(zhì)地以及成熟度進(jìn)行檢測(cè),結(jié)果表明在較大的頻率范圍內(nèi),梨的質(zhì)地指數(shù)會(huì)隨著成熟度的提高有顯著下降的趨勢(shì),因此可以利用聲振技術(shù)預(yù)測(cè)質(zhì)地指數(shù)從而對(duì)梨的成熟度進(jìn)行預(yù)測(cè)。CHOE等[33]研制了一種利用壓電陶瓷測(cè)量聲速的裝置來(lái)檢測(cè)西瓜成熟度,利用該裝置來(lái)測(cè)量西瓜不同部位處的聲速和西瓜中部的含糖量,結(jié)果表明,聲速與西瓜成熟度(含糖量)的相關(guān)系數(shù)為0.975,因此,可以利用測(cè)定聲速與西瓜含糖量之間的相關(guān)性來(lái)判斷其成熟度。

水果聲學(xué)特性與其成熟度存在一定的相關(guān)性,利用水果本身的聲學(xué)特性對(duì)其進(jìn)行成熟度無(wú)損檢測(cè)是一種行之有效的方法,這一檢測(cè)方法也為聲學(xué)技術(shù)在農(nóng)業(yè)檢測(cè)領(lǐng)域的應(yīng)用與推廣提供了新的方向。

2.3 基于電子鼻技術(shù)的成熟度檢測(cè)

香氣是判別水果成熟與否的重要屬性,不同成熟度的果實(shí),其芳香、氣味也有所不同[34]。電子鼻作為一門(mén)新興技術(shù),融合了模式識(shí)別、傳感器技術(shù)、人工智能等學(xué)科,能通過(guò)模擬生物嗅覺(jué)功能來(lái)實(shí)現(xiàn)對(duì)檢測(cè)對(duì)象的分析評(píng)價(jià)[35]。電子鼻主要是通過(guò)模擬電子儀器感知水果成熟時(shí)所散發(fā)出的特定物質(zhì)(如某些酚類(lèi)、酯類(lèi)、乙烯等),從而對(duì)水果成熟度進(jìn)行無(wú)損檢測(cè)[36]。其系統(tǒng)原理圖如圖3所示。

DU等[38]以獼猴桃為研究對(duì)象,利用帶有10個(gè)MOS氣體傳感器的電子鼻系統(tǒng)對(duì)不同成熟度的獼猴桃進(jìn)行數(shù)據(jù)采樣,并基于線性判別分析(linear discriminant analysis,LDA)方法分析不同成熟度的獼猴桃,結(jié)果表明其判別模型的識(shí)別準(zhǔn)確率高達(dá)100%,說(shuō)明電子鼻可以通過(guò)揮發(fā)性氣味來(lái)鑒別獼猴桃的成熟度。MANUEL等[39]利用16個(gè)氣體傳感器開(kāi)發(fā)出一種用于樹(shù)番茄成熟度無(wú)損檢測(cè)的電子鼻系統(tǒng),結(jié)果表明該系統(tǒng)對(duì)3個(gè)不同成熟度階段的樹(shù)番茄的分類(lèi)準(zhǔn)確率達(dá)到99.886%。徐賽等[40]采用PEN3電子鼻系統(tǒng)對(duì)6個(gè)不同成熟度荔枝的仿生嗅覺(jué)數(shù)據(jù)進(jìn)行采集,并結(jié)合主成分分析(principal component analysis,PCA)、LDA等方法建立荔枝成熟度的識(shí)別模型,其準(zhǔn)確率均為100%。張?chǎng)蔚萚41]采用帶有18根MOS傳感器陣列的FOX4000電子鼻系統(tǒng)采集了3個(gè)不同成熟度階段桃果實(shí)的仿生嗅覺(jué)數(shù)據(jù),并結(jié)合PCA和判別因子分析法建立了桃果實(shí)成熟度的判別模型,結(jié)果表明電子鼻可以較好地區(qū)分桃果實(shí)的成熟度。PATHANGE等[42]利用淀粉指數(shù)、穿刺強(qiáng)度等成熟度指標(biāo)將嘎啦蘋(píng)果分為未熟、成熟、過(guò)熟3個(gè)階段,并采用帶有32個(gè)高分子復(fù)合傳感器陣列的Cyranose320電子鼻系統(tǒng)采集了3個(gè)不同成熟度蘋(píng)果的仿生嗅覺(jué)數(shù)據(jù),結(jié)合PCA建立蘋(píng)果成熟度的判別模型,其準(zhǔn)確率為83%。

綜合上述研究表明,電子鼻通過(guò)檢測(cè)水果散發(fā)出的氣味能夠較為準(zhǔn)確地區(qū)分其成熟度。電子鼻系統(tǒng)分析測(cè)定速度快,能夠及時(shí)反饋被測(cè)物體的相關(guān)信息,這些信息對(duì)于水果貯藏環(huán)境溫度、濕度和氣體成分的調(diào)節(jié)起到了重要作用,有助于對(duì)果實(shí)采收期的判定。表2總結(jié)了電子鼻在水果成熟度檢測(cè)中的應(yīng)用。

表2 電子鼻在水果成熟度檢測(cè)中的應(yīng)用Table 2 Application of electronic nose in fruit maturity detection

2.4 基于機(jī)器視覺(jué)技術(shù)的成熟度檢測(cè)

在水果成熟過(guò)程中,其表皮顏色和紋理等外觀信息將會(huì)不斷發(fā)生變化,機(jī)器視覺(jué)檢測(cè)技術(shù)是利用圖像采集裝置和計(jì)算機(jī)技術(shù)演化人類(lèi)的視覺(jué)功能,從果實(shí)圖像中提取特征信息(如果實(shí)成熟度的表型性狀),并對(duì)圖像特征進(jìn)行處理和分析,以達(dá)到機(jī)器判定水果成熟度的目的,其系統(tǒng)結(jié)構(gòu)如圖4所示。水果成熟度的質(zhì)量評(píng)估是農(nóng)業(yè)經(jīng)營(yíng)中的關(guān)注點(diǎn),也是機(jī)器視覺(jué)領(lǐng)域中的研究熱點(diǎn)[43]。

圖4 機(jī)器視覺(jué)系統(tǒng)結(jié)構(gòu)Fig.4 Mechanical vision system structure

WAN等[44]提出一種將顏色特征值與反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)分類(lèi)技術(shù)相結(jié)合的方法,對(duì)綠色、橙色和紅色3種成熟度等級(jí)的番茄進(jìn)行分類(lèi),該方法分類(lèi)平均準(zhǔn)確率為99.31%。LU等[45]設(shè)計(jì)了一款基于機(jī)器視覺(jué)的冬棗分級(jí)機(jī)器人,并采用YOLOv3算法和人工提取特征相結(jié)合的方法,對(duì)冬棗成熟度進(jìn)行分類(lèi),結(jié)果表明,該方法分類(lèi)速度為每個(gè)冬棗1.39 s,分類(lèi)準(zhǔn)確率為97.28%。MAZEN等[46]提出了一種自動(dòng)識(shí)別香蕉成熟度的機(jī)器視覺(jué)系統(tǒng),并基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)算法,利用顏色、褐斑生長(zhǎng)和Tamura紋理特征等圖像特征對(duì)不同成熟度的香蕉果實(shí)進(jìn)行分類(lèi),并將該方法所得的結(jié)果與支持向量機(jī)、樸素貝葉斯、K鄰近算法、決策樹(shù)和判別分析分類(lèi)器等其他監(jiān)督分類(lèi)算法進(jìn)行比對(duì),結(jié)果發(fā)現(xiàn),該系統(tǒng)的整體識(shí)別率最高,為97.75%。KHOJASTEHNAZHAND等[47]利用圖像處理技術(shù)采集了3種不同成熟度的杏果實(shí)圖像,通過(guò)對(duì)其進(jìn)行裁剪、濾波和分割,從而提取杏的相對(duì)R、G、B通道、灰度、L*、a*和b*等成像特征,結(jié)果表明,基于顏色特征的二次判別分析(quadratic discriminant analysis,QDA)分類(lèi)器對(duì)其成熟度的分類(lèi)準(zhǔn)確率為92.3%。許德芳等[48]利用機(jī)器視覺(jué)技術(shù)采集了3種不同成熟度的甜瓜圖像,采用色彩空間與灰度共生矩陣相結(jié)合的方法提取顏色和紋理特征變量,并建立主成分分析(principal component analysis,PCA)-偏最小二乘支持向量機(jī)(least square support vector machine,LS-SVM)判別模型對(duì)甜瓜成熟度進(jìn)行識(shí)別,其綜合識(shí)別準(zhǔn)確率高達(dá)100%,結(jié)果表明,基于果皮顏色與紋理特征信息可實(shí)現(xiàn)甜瓜成熟度的判別。

研究表明,水果成熟度與其表面顏色特征、紋理特征密切相關(guān)。機(jī)器視覺(jué)技術(shù)可以代替人眼感官開(kāi)發(fā)出一個(gè)相對(duì)簡(jiǎn)單、自動(dòng)化的系統(tǒng)來(lái)對(duì)果實(shí)進(jìn)行不同成熟度的檢測(cè),其中顏色紋理分析方法對(duì)細(xì)微顏色變化敏感,能夠捕捉深層次的紋理和顏色特征,彌補(bǔ)傳統(tǒng)人工檢測(cè)的不足,為成熟果實(shí)的自動(dòng)化、智能化摘取提供一定的依據(jù)。表3總結(jié)了機(jī)器視覺(jué)在水果成熟度檢測(cè)中的應(yīng)用。

表3 機(jī)器視覺(jué)在水果成熟度檢測(cè)中的應(yīng)用Table 3 Application of machine vision in fruit maturity detection

2.5 基于近紅外光譜技術(shù)的成熟度檢測(cè)

根據(jù)美國(guó)材料與試驗(yàn)協(xié)會(huì)(American Society of Testing Materials,ASTM)提供的數(shù)據(jù),近紅外(near infrared,NIR)光是介于可見(jiàn)光和中紅外光之間的電磁波,其光譜范圍為780～2 526 nm(12 820～3 959 cm-1)[49]。由于近紅外光譜與有機(jī)分子中含氫官能團(tuán)(C—H、O—H、N—H、S—H)振動(dòng)的合頻以及各級(jí)倍頻的吸收一致,因此當(dāng)近紅外光照射到水果樣品時(shí),其基本成分(如可溶性有機(jī)酸、水分等)的結(jié)構(gòu)、組成差異會(huì)使光譜在特定波長(zhǎng)上發(fā)生偏移,是反映水果內(nèi)部品質(zhì)的一種無(wú)損檢測(cè)方法[50]。

SHARPE等[51]利用近紅外光譜技術(shù)對(duì)蘋(píng)果、桃等10種水果的漫反射光譜進(jìn)行采集,結(jié)果發(fā)現(xiàn)不同成熟度的果實(shí)光譜存在較大差別,較早地提出了應(yīng)用光譜技術(shù)進(jìn)行果實(shí)成熟度檢測(cè)的可能性。FERRARA等[52]利用740～1 070 nm波段便攜式近紅外光譜儀采集了4種鮮食葡萄品種的光譜數(shù)據(jù),并對(duì)葡萄果實(shí)可滴定酸度、可溶性固形物含量等成熟度指標(biāo)參數(shù)進(jìn)行檢測(cè),利用偏最小二乘回歸(partial least squares regression,PLSR)方法建立葡萄可溶性固形物含量的光譜預(yù)測(cè)模型,其決定系數(shù)均高于0.95。尚靜等[53]采用光纖式可見(jiàn)/近紅外光譜儀獲取了不同成熟度獼猴桃的反射光譜,并結(jié)合多元線性回歸和誤差反向傳播構(gòu)建獼猴桃可溶性固形物和硬度等成熟度品質(zhì)參數(shù)的預(yù)測(cè)模型,同時(shí)基于偏最小二乘判別分析(partial least squares discriminant analysis,PLS-DA)構(gòu)建了獼猴桃成熟度檢測(cè)模型,結(jié)果發(fā)現(xiàn)該模型對(duì)獼猴桃成熟度的識(shí)別率高達(dá)100%。周靖宇等[54]采集了3種不同成熟階段無(wú)花果的光譜數(shù)據(jù),根據(jù)多種品質(zhì)指標(biāo)的K-均值聚類(lèi),并結(jié)合PLS-DA建立判別模型,結(jié)果表明,該判別模型預(yù)測(cè)集的分類(lèi)準(zhǔn)確率為99.59%。果實(shí)在生長(zhǎng)發(fā)育過(guò)程中將會(huì)伴隨著多種理化成分的變化,采用多種理化指標(biāo)進(jìn)行綜合評(píng)價(jià),可實(shí)現(xiàn)水果成熟度的精準(zhǔn)分類(lèi),趙娟等[55]利用200～1 100 nm波段的可見(jiàn)/近紅外光譜儀采集了3種成熟度富士蘋(píng)果的光譜信息,基于極限學(xué)習(xí)機(jī)和支持向量回歸(support vector regression,SVR),并結(jié)合成熟度評(píng)價(jià)指標(biāo)(simplified internal quality index,SIQI)和綜合評(píng)價(jià)指標(biāo)建立成熟度分類(lèi)模型,對(duì)比4種分類(lèi)結(jié)果發(fā)現(xiàn),基于SIQI+SVR的分類(lèi)模型效果最佳,準(zhǔn)確率為85.71%。SOMTON等[56]根據(jù)開(kāi)花時(shí)間和干物質(zhì)含量劃分榴蓮的成熟水平,采用果肉干物質(zhì)含量作為成熟度評(píng)價(jià)指標(biāo),并基于近紅外光譜技術(shù)獲取的果皮和果莖的吸光度對(duì)干物質(zhì)含量的變化建立PLSR分類(lèi)模型,結(jié)果表明,該模型的分類(lèi)準(zhǔn)確率為94.4%。

利用近紅外光譜技術(shù)提取水果的光譜特征,建立水果成熟度的分類(lèi)判別模型和成熟度指標(biāo)的預(yù)測(cè)模型,有助于確定果實(shí)的最佳采收期,對(duì)推進(jìn)水果機(jī)械化采收具有重要意義。

2.6 基于高光譜成像技術(shù)的成熟度檢測(cè)

高光譜成像(hyperspectral imaging,HSI)技術(shù)是一種集光譜與圖像于一體的技術(shù),可以在連續(xù)波長(zhǎng)范圍內(nèi)產(chǎn)生一系列的高分辨率圖像,在高光譜圖像的每一個(gè)像素點(diǎn)上都保存相應(yīng)位置的光譜信息,因此高光譜圖像在反映果實(shí)外部特征的同時(shí),還可以對(duì)果實(shí)內(nèi)部品質(zhì)屬性進(jìn)行分析[57-58]。如圖5所示,高光譜成像系統(tǒng)主要由圖像傳感器(CCD相機(jī))、光譜儀、光源、計(jì)算機(jī)及控制裝置等組件組成,在檢測(cè)過(guò)程中利用光譜儀接收到的傳播光獲取檢測(cè)對(duì)象的光譜信息和相機(jī)捕獲的圖像信息,最終得到檢測(cè)對(duì)象的高光譜圖像[59]。

圖5 高光譜成像系統(tǒng)Fig.5 Hyperspectral imaging system

劉金秀等[60]利用近紅外高光譜成像系統(tǒng)采集了4種成熟度小白杏樣本的高光譜數(shù)據(jù),基于不同成熟度小白杏的高光譜信息,通過(guò)比對(duì)全波段和特征波段、不同的預(yù)處理方法、不同樣本集劃分方法、不同建模方法的判別效果,來(lái)建立小白杏的成熟度最優(yōu)判別模型,結(jié)果表明,對(duì)小白杏成熟度定性判別模型存在多種最優(yōu)組合,其識(shí)別準(zhǔn)確率均較高。RAJ等[61]利用高光譜成像系統(tǒng)采集了3個(gè)成熟度等級(jí)的草莓在350～2 500 nm波段的光譜數(shù)據(jù),并基于全光譜范圍建立支持向量機(jī)(support vector machine,SVM)成熟度分類(lèi)模型,其分類(lèi)準(zhǔn)確率高于98%。MUNERA等[62]利用450～1 040 nm波段范圍的高光譜成像系統(tǒng)采集了油桃成熟過(guò)程中的高光譜圖像,并基于偏最小二乘回歸法建立油桃成熟指數(shù)(ripening index,RPI)與內(nèi)部質(zhì)量指數(shù)(internal quality index,IQI)的預(yù)測(cè)模型,結(jié)果表明,該方法所建立的RPI與IQI預(yù)測(cè)模型的決定系數(shù)均大于0.87,并通過(guò)該模型計(jì)算出油桃光譜圖像中每個(gè)像素點(diǎn)的RPI與IQI值,結(jié)合偽彩色圖像處理方法實(shí)現(xiàn)了油桃內(nèi)部品質(zhì)參數(shù)的可視化。曹曉峰等[63]利用高光譜成像系統(tǒng)采集了3種成熟度冬棗在380～1 023 nm波段的光譜圖像,同時(shí)引入7個(gè)與生理成分變化相關(guān)的光譜指數(shù)(spectral indices,Sis),結(jié)合PLS-DA方法建立冬棗成熟度判別模型,判別精度為98.18%,通過(guò)對(duì)Sis-PLS-DA模型判別向量進(jìn)行預(yù)測(cè),并將結(jié)果用不同的顏色進(jìn)行直觀顯示,實(shí)現(xiàn)了冬棗成熟度的可視化分級(jí)。

綜上研究表明,高光譜成像技術(shù)將傳統(tǒng)成像技術(shù)與光譜技術(shù)有機(jī)融合,其圖譜合一的特點(diǎn)使得在進(jìn)行水果內(nèi)部品質(zhì)檢測(cè)的同時(shí)可以獲得其表面特征信息,并通過(guò)計(jì)算果實(shí)成熟度指標(biāo)在每個(gè)像素點(diǎn)上的參數(shù)值,采用偽彩色圖像處理,可實(shí)現(xiàn)水果成熟度的可視化預(yù)測(cè)。表4總結(jié)了近紅外光譜及高光譜成像在水果成熟度檢測(cè)中的應(yīng)用。

表4 近紅外光譜及高光譜成像在水果成熟度檢測(cè)中的應(yīng)用Table 4 Application of near infrared spectroscopy and hyperspectral imaging in fruit maturity detection

2.7 水果成熟度無(wú)損檢測(cè)技術(shù)小結(jié)

綜述以上水果成熟度無(wú)損檢測(cè)技術(shù)發(fā)展現(xiàn)狀,將各種檢測(cè)技術(shù)的優(yōu)缺點(diǎn)及適用范圍總結(jié)列表如下(表5)。

表5 無(wú)損檢測(cè)技術(shù)性能比較Table 5 Performance comparison of nondestructive detection technologies

綜上分析,單一的檢測(cè)技術(shù)均存在不同程度的局限性,難以實(shí)現(xiàn)高精度、高效率檢測(cè)需求,近年來(lái),諸多研究者發(fā)現(xiàn)多檢測(cè)技術(shù)聯(lián)合使用,可獲取更加全面的分析結(jié)果,王俊平等[64]提出將機(jī)器視覺(jué)與電子鼻相結(jié)合的方法對(duì)番茄成熟度進(jìn)行檢測(cè),根據(jù)機(jī)器視覺(jué)篩選出的顏色特征與電子鼻篩選出的氣味特征建立LS-SVM檢測(cè)模型,該多源融合模型識(shí)別準(zhǔn)確率為98.3%。孫靜濤[65]利用近紅外光譜信息及機(jī)器視覺(jué)圖像信息融合的方法對(duì)哈密瓜成熟度進(jìn)行判別分析,結(jié)果發(fā)現(xiàn),基于極限學(xué)習(xí)機(jī)建立的融合模型效果最佳,其預(yù)測(cè)集判別準(zhǔn)確率為98%。鄒小波等[66]利用聲學(xué)技術(shù)、近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)不同成熟度的西瓜進(jìn)行了定性判別,結(jié)果表明,基于音頻和近紅外光譜融合技術(shù)所建立的線性判別模型對(duì)西瓜成熟度的識(shí)別效果最佳,其預(yù)測(cè)集識(shí)別準(zhǔn)確率為91.67%。

多技術(shù)融合充分利用了多種傳感信息資源,具有容錯(cuò)性好、互補(bǔ)性強(qiáng)以及系統(tǒng)精度高等優(yōu)勢(shì),在水果成熟度檢測(cè)方面,其識(shí)別準(zhǔn)確率優(yōu)于單一檢測(cè)方法,為今后水果成熟度檢測(cè)與識(shí)別提供了一種新的解決思路。

3 問(wèn)題與展望

水果成熟度變化,其口感、色澤、組織結(jié)構(gòu)狀態(tài)等隨之也會(huì)發(fā)生變化,而如何無(wú)損、高效地檢測(cè)其成分變化是當(dāng)前研究的熱點(diǎn)。近年來(lái),國(guó)內(nèi)外學(xué)者對(duì)水果成熟度無(wú)損檢測(cè)的研究雖已取得了一定的成果,但無(wú)損檢測(cè)技術(shù)仍存在以下方面的問(wèn)題:

(1)電學(xué)特性檢測(cè)機(jī)理模糊,尚不能明確驗(yàn)證水果品質(zhì)變化與電學(xué)參數(shù)之間的影響關(guān)系,目前,基于電學(xué)特性對(duì)水果成熟度檢測(cè)僅局限于蘋(píng)果、香蕉、葡萄等少數(shù)幾種水果,并不能確定電學(xué)特性與其成熟度的相關(guān)性關(guān)系是否適用于其他類(lèi)型的水果,同時(shí),各研究人員在試驗(yàn)時(shí)選用的檢測(cè)設(shè)備和電學(xué)參數(shù)均存在不同差異。今后應(yīng)加強(qiáng)對(duì)其檢測(cè)機(jī)理的研究,以明確水果采后生理變化對(duì)其電學(xué)參數(shù)的影響關(guān)系;同時(shí)還應(yīng)分類(lèi)果實(shí)品種并建立同類(lèi)果品的電學(xué)參數(shù)判別標(biāo)準(zhǔn),以提高分析技術(shù)的標(biāo)準(zhǔn)化。

(2)基于聲學(xué)特性檢測(cè)水果成熟度時(shí),果實(shí)的果皮厚度、果皮硬度、內(nèi)部結(jié)構(gòu)和品質(zhì)是影響檢測(cè)準(zhǔn)確度的重要因素,應(yīng)加強(qiáng)多種聲學(xué)特性對(duì)果實(shí)成熟度相關(guān)品質(zhì)的綜合性影響研究,提高聲學(xué)檢測(cè)精度,還應(yīng)發(fā)展便捷式、非接觸式的聲學(xué)特性系統(tǒng)以便于實(shí)現(xiàn)商業(yè)化應(yīng)用。

(3)由于電子鼻訓(xùn)練集缺乏通用性,對(duì)于不同品種的水果需要構(gòu)建對(duì)應(yīng)的訓(xùn)練集,導(dǎo)致前期工作量較重,同時(shí)其傳感器還存在易受實(shí)驗(yàn)環(huán)境的相對(duì)濕度和溫度的影響,基線易漂移,靈敏度不足等問(wèn)題,在未來(lái)還需開(kāi)發(fā)新型傳感器和化學(xué)計(jì)量學(xué)模型,并對(duì)已有模式識(shí)別算法程序優(yōu)化改進(jìn),以提高檢測(cè)精度。此外,為實(shí)現(xiàn)水果及其他產(chǎn)品的戶外檢測(cè),還應(yīng)探索研制出便攜式分析儀器,為在線檢測(cè)提供方便。

(4)機(jī)器視覺(jué)檢測(cè)精度易受拍攝背景和陰影等環(huán)境因素影響,同時(shí),由于水果樣本各有差異,前期需要采集大量的樣本用于成熟度識(shí)別模型以增強(qiáng)機(jī)器視覺(jué)的檢測(cè)準(zhǔn)確度,因此在圖像處理和分析上將會(huì)花費(fèi)大量的時(shí)間,后續(xù)要提高軟件圖片處理能力和對(duì)相關(guān)識(shí)別算法進(jìn)行優(yōu)化,同時(shí)開(kāi)發(fā)集成圖像采集、圖像處理、模型訓(xùn)練和模型移植于一體,且具有通用性和專(zhuān)業(yè)性的分級(jí)設(shè)備。

(5)近紅外光譜儀器具有通用性,缺乏針對(duì)性,在水果成熟度檢測(cè)領(lǐng)域中常需結(jié)合額外的分析模型來(lái)判別分類(lèi)準(zhǔn)確性,因此迫切需要研發(fā)出具有針對(duì)性的相關(guān)方面分析儀器以滿足市場(chǎng)需求;此外,近紅外光譜檢測(cè)結(jié)果具有不穩(wěn)定性,受外界條件(測(cè)試環(huán)境溫度、濕度、光照)、樣品性狀(質(zhì)地、色澤、生長(zhǎng)條件)及儀器性能(電源穩(wěn)定性、波長(zhǎng)準(zhǔn)確度)等因素影響,使得樣品光譜信息的細(xì)微差別難以進(jìn)行定量或定性分析,因此光譜采集的過(guò)程應(yīng)形成標(biāo)準(zhǔn)化和規(guī)范化,為了減少系統(tǒng)誤差帶來(lái)的影響,適當(dāng)建立溫度或顏色等相應(yīng)的補(bǔ)償模型,以提高檢測(cè)結(jié)果。

(6)高光譜設(shè)備以大型、貴重居多,同時(shí)抗干擾能力差,對(duì)工作環(huán)境要求極為嚴(yán)格,在很多應(yīng)用領(lǐng)域和場(chǎng)所都有所限制,隨著5G技術(shù)和萬(wàn)物互聯(lián)技術(shù)的快速發(fā)展,應(yīng)順應(yīng)時(shí)代趨勢(shì)大力發(fā)展便捷式、小型化、智能化的光譜儀器;此外,高光譜數(shù)據(jù)維度過(guò)深,數(shù)據(jù)處理難度增加,還需探索出更加穩(wěn)定高效的數(shù)據(jù)處理和模型建立算法。

綜合來(lái)看,各種檢測(cè)方法功能各不相同,但單一的檢測(cè)技術(shù)不能對(duì)水果成熟度進(jìn)行綜合分析,在一定程度上降低了果實(shí)成熟度的評(píng)價(jià)準(zhǔn)確性,因此,有必要將多種技術(shù)融合并結(jié)合適宜的統(tǒng)計(jì)學(xué)方法,從而更加全面地獲取水果成熟度相關(guān)特征信息,提高預(yù)測(cè)的準(zhǔn)確性。