葡萄品質無損檢測技術的研究進展

孫靜濤， 羅一甲， 史學偉， 馬本學， 王文霞， 董 娟*

1. 石河子大學食品學院， 新疆 石河子 832003 2. 石河子大學機械電氣工程學院， 新疆 石河子 832003 3. 新疆植物藥資源利用教育部重點實驗室， 新疆 石河子 832003

引 言

葡萄(Vitisvinifera L.)為葡萄科葡萄屬木質藤本植物， 色澤艷麗， 口感美味且營養(yǎng)物質豐富， 與香蕉、 柑橘和蘋果并稱世界四大水果。 葡萄中含有的糖、 有機酸、 花青素和多酚等營養(yǎng)成分， 具有提供能量、 助消化、 抗氧化、 防癌等功效[1]。 葡萄不僅可以鮮食、 制造葡萄干， 還可以用于釀酒， 因此受到人們的喜愛。

近幾年， 我國的葡萄呈現(xiàn)出種植面積大， 品質下滑的現(xiàn)象， 其原因主要是葡萄成熟度、 表面顏色、 果粒大小等差異較大和商品化處理環(huán)節(jié)比較薄弱。 隨著人們生活水平的普遍提高， 對葡萄內外部品質提出了更高的要求。 不僅對顏色、 果粒大小、 表面缺陷有了更高的要求， 而且對其內部的糖度、 酸度和微量元素的含量也提出了進一步的要求。 傳統(tǒng)的葡萄外部品質的檢測主要依靠人工進行， 其具有主觀性、 繁瑣性、 耗時耗力； 內部品質的檢測主要依靠化學性實驗， 不僅對樣品具有破壞性而且無法適用于大規(guī)模地逐個檢測， 難以實現(xiàn)在線實時性檢測。

近年來， 國內外利用光學特性分析、 聲學特性分析、 電學特性分析、 電磁與射線檢測等技術對農產品的無損檢測技術得以廣泛應用[2]， 并受到越來越多的研究人員關注， 且已經取得了一定的研究成果。 本文主要總結了最新國內外有關基于機器視覺技術、 近紅外光譜技術和高光譜成像技術的葡萄品質的研究成果， 并對各種方法進行綜述和分析， 為葡萄品質的無損檢測技術的發(fā)展和相關研究人員的研究工作提供參考。

1 基于機器視覺的無損檢測研究

機器視覺技術是通過像機獲取待測物表面的圖像， 通過計算機圖像處理技術將圖像進行數據化分析， 以此獲取圖像的某些特定信息， 分析圖像信息判斷被測對象外部品質的一種技術[3]。 該技術主要包括成像系統(tǒng)、 控制系統(tǒng)、 數據傳送系統(tǒng)三部分， 實驗室搭建的機器視覺采集裝置涵蓋了信號處理、 光學、 計算機科學等多門學科[4]。 目前， 在國內外此項技術在農產品品質檢測方面運用廣泛， 技術相對比較成熟， 也是葡萄外部品質無損檢測的有效手段之一。

1.1 葡萄果粒大小的識別

對于鮮食葡萄來說， 其果粒大小是影響鮮食葡萄外觀品質的重要因素之一， 也是分級的重要指標。 對鮮食葡萄果粒大小的識別有利于對其進行標準化處理， 不但提高外觀品質， 也便于銷售和包裝， 是葡萄商品處理化的重要環(huán)節(jié)。 李俊偉等[5]運用機器視覺技術對單粒新疆無核白和紅提葡萄的質量和果徑大小進行研究， 利用最大類間方差法和數學形態(tài)學方法對葡萄圖像進行分割和去噪， 分別建立葡萄質量和果徑大小的一元線性回歸和偏最小二乘回歸預測模型， 預測決定系數分別達到0.98和0.945， 準確度達到85%以上。 肖壯等[6]利用機器視覺技術采集了42串紅提葡萄的RGB圖像和NIR圖像， 對紅提葡萄果粒尺寸進行分級檢測。 對紅提葡萄圖像進行去除果梗和輪廓干擾信息后， 利用隨機最小二乘橢圓法對紅提尺寸進行提取， 對整串紅提進行分級， 分級正確率達到90.48%， 采集裝置如圖1所示。 Li等[7]通過搭建的機器視覺裝置對紅提葡萄圖像進行采集， 并對圖像進行增強處理。 利用邊緣檢測對紅提輪廓進行兩次分割， 采用曲率角計算每個葡萄輪廓的曲率角值， 從而實現(xiàn)紅提大小的自動分級。 Khazaei等[8]提出了一種葡萄干燥過程在線監(jiān)測與控制的預測建模方法， 探究了干燥過程中無核蘇丹娜葡萄大小的收縮性與干燥模型準確性之間的相互關系。 利用機器視覺對葡萄生產過程中的形狀收縮進行了測量， 建立了葡萄干燥過程的人工神經網絡預測模型， 該研究結果實現(xiàn)了葡萄干燥過程的在線控制。

圖1 圖像采集裝置示意圖

成熟的葡萄果粒水分充足、 果實飽滿有彈性， 使用機器視覺技術結合圖像處理方法(背景分割、 邊緣檢測等)， 對葡萄果粒大小進行測量是目前常用的檢測手段。 但是， 現(xiàn)階段眾研究學者對葡萄果粒大小檢測方法， 多是采用果粒與果穗分離的方法實現(xiàn)的測量。 雖然， 已經取得了較高的檢測精度， 但是單粒葡萄的檢測無法滿足葡萄農戶采摘季節(jié)大批量、 快速檢測的目的， 且果粒與果穗分離對葡萄的銷售存在較大的影響。 因此， 實現(xiàn)果穗上單粒葡萄大小的檢測是現(xiàn)階段技術需要攻克的技術難點， 也是葡萄大小檢測的未來研究方向。

1.2 顏色的判定

無論是鮮食葡萄還是釀酒葡萄， 其果皮顏色與品質之間的關系緊密相關， 它是評價葡萄品質的主要感官性狀， 可以通過果皮顏色的不同對葡萄進行分類， 也可以通過果皮顏色的深淺來判斷葡萄的成熟度。 Wang等[9]利用機器視覺技術獲取紅、 黑葡萄的圖像， 在HSV顏色模式下提取了顏色特征的有效區(qū)域， 根據顏色特征對葡萄品質進行分級。 羅陸鋒等[10]運用機器視覺將AdaBoost框架和多種顏色成分相結合， 開發(fā)了一種自動檢測夏黑葡萄成熟度的方法。 Rahman等根據白葡萄果穗顏色的不同， 利用圖像處理技術探究葡萄的成熟度。 將葡萄穗的顏色與背景分開， 對成熟的褐色葡萄串和未成熟的綠色葡萄串進行分類， 葡萄串分離的準確性達到96.88%。 Pothen等[11]利用機器視覺技術對不同生長階段的紅提葡萄的顏色進行研究， 通過收集不同日期相同位置的葡萄圖像來估計顏色的變化率， 從而確定葡萄的最佳采收期。

通過機器視覺技術與圖像處理方法， 利用葡萄果皮顏色的變化， 實現(xiàn)葡萄成熟度的判別， 是目前研究的重要手段。 現(xiàn)階段的機器視覺檢測裝置多采用固定光源， 雖然有較高的預測精度， 卻難以在復雜多變自然場景中應用。 研究自然場景中葡萄成熟的判別， 是目前面臨的科學難題。

2 基于近紅外光譜技術的無損檢測研究

近紅外光譜分析技術可以采集待測物在750～2 500 nm范圍之間的光譜信息， 通過化學計量學將其化學組成分子的結構信息與其組成含量、 性質參數進行關聯(lián)， 確立它們之間的定量或定性關系， 檢測方式主要以漫反射和透射為主[12]。

近紅外光譜分析技術具有成本低、 速度快、 無污染、 多組分同步測定等優(yōu)點， 引起了廣大科研工作者的興趣。 至今， 隨著近紅外光譜技術的不斷發(fā)展和領域應用的不斷深入， 其優(yōu)勢逐漸被人們所認識。 在國內外， 此項技術在測定葡萄內部品質方面發(fā)揮著愈來愈重要的作用。

2.1 葡萄品種判別研究

葡萄品種的選擇至關重要， 優(yōu)良品種的葡萄豐產性高、 抗病性強、 營養(yǎng)物質豐富， 近年來， 國內外研究學者利用近紅外光譜技術對葡萄品種的探究是當前重要的研究課題之一。 曹芳等[13]利用可見-近紅外反射光譜技術在325～1 075 nm波長范圍內對黑提葡萄、 馬奶子和木拉格三個品種進行判別分析， 通過主成分分析和人工神經網絡的方法實現(xiàn)了葡萄品種的快速鑒別， 為葡萄品種的鑒別提供了一種新方法。 Xiao等[14]在400～1 100和900～2 500 nm范圍內分別建立對“美人指”和“白玉霓”葡萄果實成熟過程中顏色、 可溶性固形物(SSC)和總酚的最小二乘支持向量機(LS-SVM)和偏最小二乘(PLS)預測模型， 并基于SSC建立了“美人指”和“白玉霓”葡萄的5個生長期的判別模型， 兩種葡萄的預測集分類準確率分別達到90%和100%。 Salvado等[15]利用近紅外光譜技術(1 600～2 400 nm)對品麗珠、 赤霞珠等20種釀酒葡萄品種進行鑒別， 建立人工神經網絡和支持向量機兩種判別模型， 模型分類精度分別為87.5%和83%。

利用近紅外光譜技術對葡萄品種進行檢測， 區(qū)分譜線、 譜峰差異， 利用眾多模式識別算法實現(xiàn)多種葡萄的種類識別， 是目前眾多研究者的研究熱點。 但是， 研究中使用的模型算法， 多為自命標簽的有監(jiān)督模式識別， 對樣本的識別率較高。 然而， 想要得到一個更穩(wěn)健的定性分析模型， 需要通過無監(jiān)督模式識別方法與有監(jiān)督模式識別方法分別進行特征信息提取、 優(yōu)化、 建模識別。

2.2 葡萄糖酸品質研究

葡萄糖酸含量是品質形成過程中的最重要的內在因素， 是風味的重要決定因子， 同時也影響著葡萄酒的酒度、 結構感和清爽性。 近紅外光譜技術以其快速、 精確、 無損的特點， 在鮮食、 釀酒葡萄糖度和酸度檢測方面具有較大的技術優(yōu)勢， 如許峰等[16]利用微型光譜儀對紅提葡萄的透射光譜(400～1 000 nm)進行分析， 將卷積平滑法(SavitZky-Golay)處理后的光譜使用蒙特卡羅交叉驗證法剔除奇異點， 利用競爭適應重加權樣法提取特征光譜信息作為隨機森林預測模型的輸入量， 建立了紅提葡萄的糖度和酸度的預測模型。 陳辰等[17]利用可見-近紅外漫反射光譜技術(400～2 500 nm)對不同儲藏溫度下玫瑰香葡萄可溶性固形物和總酸含量進行了預測研究， 并比較了不同預處理及特征波長提取方法對模型精確度的影響。 有研究利用可見-近紅外光譜系統(tǒng)研究了巨峰葡萄糖度、 酸度以及感官偏好等級， 比較了漫反射和透射兩種光譜采集方式對模型精確度的影響， 結果表明， 采用透射光更能表征巨峰葡萄內部品質信息， 采集裝置如圖2(a,b)所示。 Farzaneh等[18]利用人工神經網絡探究了不同貯藏條件下的鮮食紅葡萄品質的變化， 比較了不同神經元數量和不同類型的學習算法的模型預測精度。 此研究對葡萄的酸度、 可溶性固形物、 葡萄糖和風味指數進行了優(yōu)化， 從經濟和營養(yǎng)的角度來看， 此技術在農業(yè)、 醫(yī)藥、 保健品等相關行業(yè)的應用具有更大的優(yōu)勢。 Fadock等[19]利用便攜式二極管陣列光譜儀， 在350～850 nm波長范圍內采集了赤霞珠、 品麗珠、 西拉三種釀酒葡萄的反射光譜， 采用多種預處理方法(平滑、 歸一化、 微分)結合回歸特征消除(RFE)建立了可溶性固形物含量(SSC)、 可滴定酸度(TA)、 總酚和總花青素的預測模型。

圖2 葡萄顆粒的光譜采集方式示意圖

使用近紅外光譜技術對農產品內部糖酸品質進行預測是現(xiàn)階段研究的熱點問題之一， 且對葡萄糖酸品質的研究中已取得較好的預測結果。 葡萄水分含量充足且果皮薄， 在使用透射方式檢測方面較蘋果、 梨、 桃等其他類型水果往往能夠取得的更好的檢測效果。 然而， 儀器設備型號不同、 樣本標準不統(tǒng)一和檢測條件變化等情況導致的光譜數據不穩(wěn)定性， 成為制約其商品化發(fā)展的重要因素。 因此， 如何制定相關樣品的檢測技術規(guī)范成為目前應解決的首要問題。

2.3 成熟度的判定

葡萄成熟度的判定是鮮食葡萄分級和釀酒葡萄采摘期確定的重要依據。 近紅外光譜技術在這個方面已廣泛應用， 章林忠等[20]利用近紅外光譜技術對鮮食葡萄果實進行研究， 分別建立了不同葡萄品種、 成熟度和病害的判別分析(DA)模型。 Musingarabwi[21]等采用傅里葉變換紅外光譜對赤霞珠中的酒石酸、 蘋果酸、 琥珀酸、 葡萄糖和果糖進行了定量評價， 并對赤霞珠成熟階段進行了定性鑒別， 該項研究為快速提取葡萄定性和定量信息提供了強有力的方法。 Porep等[22]利用可見-近紅外光譜儀收集1 160份釀酒葡萄的光譜建立了影響葡萄品質相關因素的偏最小二乘回歸(PLSR)預測模型， 以評估葡萄成熟度和植物檢疫狀況， 從而實現(xiàn)有效的質量控制和管理， 提高葡萄的質量。

水果的成熟度一般可以通過顏色、 果型、 糖度、 酸度和硬度等條件進行判別。 使用機器視覺技術通過外部葡萄表皮顏色實現(xiàn)成熟度的判別是目前眾學者研究等熱點問題之一， 而通過近紅外光譜技術在定量探究糖度、 酸度、 硬度等內部品質的基礎上進一步探究的成熟度的方法更具理論性和科學深度。 因此， 利用近紅外光譜技術實現(xiàn)葡萄成熟的判別， 應成為葡萄成熟的判別方向上研究重點。

2.4 其他

近紅外光譜技術在葡萄腐爛檢測方面也有相關研究。 Porep等[23]利用可見-近紅外光譜技術對雷司令、 穆勒塔戈等釀酒葡萄的腐爛程度進行了預測， 建立了糖、 酸、 pH值、 漆酶活性、 密度、 甘油和麥角甾醇含量等預測模型。 葡萄腐爛會使葡萄的糖、 酸等化學成分發(fā)生顯著的變化， 降低內在品質， 霉菌和真菌感染會讓葡萄的感官品質發(fā)生巨大的變化， 漆酶活性是判定灰霉病的一個重要標志， 麥角甾醇含量是真菌的主要成分， 其已被確認為葡萄真菌腐爛的客觀指標， 為葡萄真菌生物量的估算提供了依據。 葡萄中的氨基酸濃度也是判斷葡萄成熟的一個指標， 如Juan等[24]使用可見-近紅外光譜技術評估歌海娜釀酒葡萄成熟過程中氨基酸的含量。 另外Beghi等[25]利用便攜式可見-近紅外光譜儀(400～1 000 nm)對萎縮的科維納葡萄的質量參數進行了研究， 此研究可以用來快速檢測葡萄的新鮮度。

目前學者們研究熱點已經轉向了利用便攜式、 微型式近紅外光譜儀檢測葡萄品質， 其中肖慧等[26]為了實現(xiàn)鮮食葡萄采后品質快速無損檢測的目標， 研發(fā)了低成本、 便攜式葡萄專用多參數檢測儀器， 如圖3所示。 該便攜式可見-近紅外光譜檢測儀器以鹵素燈為光源， 以凹面全息光柵搭配電荷耦合器為光譜儀， 采用低OH的Y型石英光纖， 并設計了葡萄專用樣品池， 如圖4所示。 此設計極大減小了光斑大小不一致帶來的實驗誤差。 Baca等[27]采用便攜式微型近紅外光譜儀探究了不同年份的雷司令、 西拉葡萄及葡萄皮中的多酚含量， 建立了改進的偏最小二乘(MPLS)預測模型， 但是由于環(huán)境和葡萄生理條件的影響， 模型效果并不理想， 光譜采集裝置如圖5所示。

圖3 葡萄品質可見-近紅外檢測儀器

圖4 葡萄測定專用樣品池

圖5 光譜采集裝置

近紅外光譜技術能夠對待測物質的內部組成成分和物理結構進行檢測， 其強大的檢測能力越來越受到國內外眾多學者的關注， 且隨著便攜式、 微型近紅外光譜儀的出現(xiàn)和發(fā)展， 對近紅外光譜技術的在線檢測起到了重要的推動作用。 但是， 在檢測中存在的樣本選擇差異、 檢測環(huán)境變化和多樣性的數據處理方法限制了近紅外檢測技術的推廣和商業(yè)化發(fā)展， 如何制定檢測技術的規(guī)范成為當前面臨的迫切問題。

3 基于高光譜成像技術的無損檢測研究

20世紀80年代， 高光譜成像技術開始盛行， 目前仍在迅猛發(fā)展中。 它將傳統(tǒng)的成像與光譜技術相結合， 以此來獲取物體的空間和光譜信息， 是新興光電無損檢測技術[28]。 近年來隨著高光譜成像設備成本的不斷降低、 算法的不斷改進和簡化， 使其在農業(yè)上的應用將越來越具有吸引力。

高光譜成像系統(tǒng)通過成像光譜儀和CCD探測器可同時獲取被測物的影像和光譜信息， 如圖6所示。 在樣品圖像采集時， 由于樣品的連續(xù)移動高光譜成像儀連續(xù)接收到被測物體表面反射和透射在X軸上的分光、 在Y軸上的成像[29]， 將所有被計算機圖譜采集平臺采集數據的窄波段圖像和光譜信息進行融合， 可以得到整個樣品的光譜圖像。 根據不同的使用波段， 可分為可見波段、 可見-近紅外波段、 近紅外波段和短波紅外波段4個光譜波段[30]。

圖6 高光譜成像系統(tǒng)

3.1 葡萄糖酸品質研究

運用高光譜成像技術同樣可以對葡萄的糖度和酸度進行研究， 徐麗等[31]在500～1 000 nm波段范圍， 利用高光譜成像技術檢測采后紅提可溶性固形物的含量。 運用多種預處理方法建立可溶性固形物含量的偏最小二乘(PLS)和逐步多元線性回歸(SMLR)模型， 結果表明兩種預測模型均取得較好的預測效果。 高升等[32]利用高光譜成像技術探究了紅提的糖度和硬度， 采用不同的紅提果粒放置模式(橫放、 果柄朝下、 果柄側朝上)， 應用不同的特征波長提取方法， 建立偏最小二乘回歸(PLSR)、 最小二乘支持向量機(LS-SVM)和隨機森林(RF)的紅提糖度和硬度預測模型， 結果表明RF建立的模型效果最優(yōu)， 糖度和硬度預測相關系數分別為0.928和0.932。 圖7為Gutiérrez等[33]在全地形車輛上安裝可見-近紅外高光譜相機， 以5 km·h-1的速度拍攝高光譜圖像， 對丹魄釀酒葡萄中的可溶性固體和花青素含量進行預測。 通過在400～1 000 nm波長范圍下建立支持向量機預測模型， 可溶性固體含量的預測模型決定系數(R2)為0.92； 花青素的R2為0.83。 Rui等[34]利用高光譜成像技術對不同年份的多瑞加、 弗蘭卡、 紅巴羅卡釀酒葡萄的果實進行了生長發(fā)育參數預測。 在波長范圍為380～1 028 nm， 對不同品種的葡萄進行光譜采集， 建立支持向量回歸模型來預測葡萄漿果中的花色苷濃度， pH指數和糖的含量， 其相關系數分別為0.89， 0.81和0.90。

圖7 實時高光譜成像設備

在農產品內部品質檢測方面， 高光譜成像技術能夠同時獲取待測物質的圖像和光譜信息。 相較于近紅外光譜技術的點檢測， 高光譜成像技術的面檢測更加豐富， 因此在葡萄糖酸度品質檢測方面使用高光譜成像技術對單粒葡萄和葡萄串， 國內外學者均已進行了較多的研究， 且得到了較好的預測結果。 但是， 高光譜圖像數據冗余， 有效數據提取困難依然成為其發(fā)展的關鍵因素， 因此開發(fā)帶有有效波段信息的多光譜成像系統(tǒng)和采集速度更快、 效率更高的便攜式高光譜成像系統(tǒng)成為農產品檢測領域迫切需要攻克的關鍵問題。

3.2 花色苷、 總酚含量的研究

總酚是含有苯環(huán)和多個羥基的物質， 可以影響葡萄酒的澀味、 苦味、 香氣及色澤， 因此可以根據葡萄中總酚的含量來挑選優(yōu)質的釀酒葡萄， 從而提高葡萄酒的質量。 近年來， 利用高光譜成像技術對葡萄總酚的探究已經成為研究的熱點問題。 Zhang等[39]利用高光譜成像技術探究了赤霞珠、 西拉、 黑比諾等葡萄皮和種子成熟過程中酚類物質的含量。 對不同的預處理方法預處理后的光譜信息， 分別建立PCR， SVR和PLSR預測模型， 該方法不僅為葡萄品質參數的確定提供了一種快速、 無損的方法， 而且為釀酒商選擇最佳采收時間提供了參考。 Nogalesbueno等[40]利用紅外高光譜成像技術檢測了西拉和丹魄葡萄的成熟度和果皮中的總酚類化合物的含量， 建立葡萄成熟度、 果皮總酚含量、 糖度、 可測定酸和pH的偏最小二乘模型。

葡萄中花色苷和總酚含量對葡萄酒的顏色和口味具有重要影響， 使用高光譜成像技術實現(xiàn)對葡萄中花色苷和總酚含量的定量檢測是提高紅酒品質的重要檢測手段。 目前， 國內外有部分學者開始使用高光譜成像技術對花色苷和總酚含量進行研究， 但是限于花色苷和總酚物質中包含的化學成分比較復雜， 加大了檢測難度。 因此， 在今后的研究中可嘗試對花色苷和總酚指標進行詳細劃分， 以期達到更好的預測效果。

3.3 安全檢測

在葡萄安全檢測中， 研究的重點主要是真菌、 細菌感染、 農藥殘留、 病蟲等。 Dutta等[41]利用高光譜成像技術對湯姆遜無核葡萄中的農藥殘留進行分析， 通過液相色譜質譜聯(lián)用或質譜(LC-MS/MS)分析未處理和處理過的葡萄中的農藥含量， 將感興趣區(qū)域從葡萄串中分割， 使用Haar濾波器在頻域中提取圖像特征， 使用支持向量機對農藥含量進行鑒定。 Knauer等[42]利用高光譜成像技術對霞多麗葡萄串的白粉病感染水平進行了預測。 通過線性判別分析(LDA)降維方法推導出圖像波段， 用隨機森林和圖像帶積分圖選擇性提取紋理參數， 此研究有望提高葡萄疾病檢測的速度和準確性。 在農藥殘留檢測方面紅斑病是一種影響葡萄質量的病毒性疾病， 紅斑病會導致葡萄藤上的糖積累減少， 從而延遲葡萄的成熟， 監(jiān)測這種病對葡萄品質的提高具有至關重要的作用， Mehrubeoglu等[43]利用便攜式高光譜成像系統(tǒng)研究了葡萄紅斑病的光譜特征以及鑒定其病變區(qū)域。

食品安全問題是當今世界各國普遍重視的一個全球性問題， 依據高光譜成像技術和機器學習相結合的強大檢測能力也成為眾多國內外學者研究的熱點問題之一。 使用高光譜成像技術對葡萄農藥和病蟲害的研究， 對提升我國葡萄及葡萄酒品質具有重要的意義。 雖然國內外研究已經取得了一定研究成果， 但是現(xiàn)階段的研究多處于研究室階段， 能否運用高光譜成像技術對葡萄表面農藥殘留的快速檢測并加以應用仍需要進一步驗證。

4 存在的問題

與傳統(tǒng)的檢測技術相比， 葡萄品質無損檢測技術更具優(yōu)勢， 但是在葡萄檢測方面仍存在以下問題：

(1)機器視覺在線檢測系統(tǒng)中， 挑選樣本標準、 相機型號、 設備參數和光源條件的差異導致的處理算法不具有通用性， 是目前葡萄分級系統(tǒng)面臨的關鍵問題； 在果蔬采摘機器人視覺領域， 除上述情況外， 開發(fā)適用于復雜多變的自然環(huán)境條件下的葡萄圖像處理算法， 是面臨的科學問題。

(2)近紅外光譜技術同樣存在挑選樣本標準、 光譜儀型號、 設備參數和光源條件的差異導致的預測模型傳遞性差的問題。 而且， 采集時只能采集葡萄上某個點的信息， 不能反映整體果實的品質情況， 如病害果、 蟲害果和鳥食果等， 是近紅外光譜技術本身存在的問題之一。 同時， 近紅外光譜儀內部光學器件易損壞， 維修費用昂貴， 不利于現(xiàn)實生產中的廣泛應用。

(3)高光譜成像技術， 雖然能圖譜合一， 樣本信息完整， 但是數據量大、 信息冗雜， 極易導致模型預測結果變差， 需要對大量的數據進行處理， 因此對計算機的性能和運行速度有很高的要求， 目前該項技術僅應用于實驗室研究， 無法廣泛應用于商業(yè)在線檢測。

5 應用前景

近年來我國葡萄總產量高、 種植面積大， 但是葡萄的出口量小， 主要歸結于我國葡萄產后處理水平較低， 因此在世界貿易方面具有廣闊的發(fā)展空間。 為了適應國際市場對葡萄高品質的要求， 葡萄品質自動無損檢測就越來越受到關注， 近幾年， 葡萄品質的無損檢測技術成為國內外學者重要的研究方向之一。

(1)隨著機器視覺技術的日漸成熟， 硬件成本的不斷下降， 此項技術在葡萄外部品質(大小、 顏色以及表面缺陷等)的無損檢測中發(fā)揮著越來越重要的作用。 而建立采集過程中樣本標準、 相機型號、 設備參數和光源條件的統(tǒng)一標準， 對機器視覺技術的應用推廣具有非常重要的意義。 另一方面， 開發(fā)適用于解決開放環(huán)境中葡萄圖像特征提取的算法， 是推進視覺采摘機器人推廣的另一研究方向。

(2)近紅外光譜技術具有分析速度快、 分析成本低、 操作簡便、 檢測范圍廣等優(yōu)點， 在葡萄內部品質的檢測中具有重要地位。 而建立采集過程中的標準， 使得建立的預測模型能夠同儀器之間、 同一儀器的不同附件之間或不同測量環(huán)境之間有效傳遞， 也是目前應解決的首要問題。

(3)高光譜成像技術將機器視覺與近紅外光譜這兩項技術的優(yōu)點進行結合， 既可獲得大量用于檢測葡萄外部品質的圖像信息， 又可獲得對物體內部品質進行分析的光譜信息， 在葡萄無損檢測領域具有巨大的潛力。 根據高光譜特征波長制作的濾波片多光譜相機， 或開發(fā)檢測速度快、 效率高和便于攜帶的新型高光譜成像系統(tǒng)， 是推動無損檢測技術快速發(fā)展的又一重要研究方向。

葡萄果皮軟， 在采摘、 運輸和儲存過程中會產生損傷， 因此， 無損檢測技術成為葡萄品質檢測方面的必然趨勢， 具有廣闊的前景， 必將得到廣泛的應用。