水果品質(zhì)光學(xué)無(wú)損檢測(cè)技術(shù)研究進(jìn)展

馬佳佳，王克強(qiáng)

（1.仲愷農(nóng)業(yè)工程學(xué)院機(jī)電工程學(xué)院, 廣東廣州 510225；2.仲愷農(nóng)業(yè)工程學(xué)院自動(dòng)化學(xué)院, 廣東廣州 510225）

我國(guó)是水果生產(chǎn)大國(guó)，水果產(chǎn)量與種植面積均位于世界前列[1?2]。近年來(lái)國(guó)內(nèi)水果產(chǎn)業(yè)已經(jīng)成為我國(guó)種植業(yè)中的第三大支柱產(chǎn)業(yè)，與此同時(shí)我國(guó)水果產(chǎn)量已達(dá)到全球生產(chǎn)總量的15%以上[3]。隨著經(jīng)濟(jì)的發(fā)展和社會(huì)整體消費(fèi)水平的提升，消費(fèi)者對(duì)果品品質(zhì)的要求逐漸提高，在產(chǎn)量巨大和需求標(biāo)準(zhǔn)提高的雙重影響下，如何通過(guò)方便快捷的水果無(wú)損檢測(cè)手段以實(shí)現(xiàn)準(zhǔn)確的品質(zhì)分級(jí)是目前水果產(chǎn)業(yè)研究學(xué)者亟需思考的[4]。傳統(tǒng)檢測(cè)方法是通過(guò)人工結(jié)合機(jī)械進(jìn)行，存在檢測(cè)效率低、準(zhǔn)確度不高等問(wèn)題，很難滿(mǎn)足生產(chǎn)需求。近年來(lái)，無(wú)損檢測(cè)方法因其快速、簡(jiǎn)便、高效的優(yōu)點(diǎn)，被國(guó)內(nèi)外學(xué)者廣泛關(guān)注，也越來(lái)越多地被應(yīng)用于水果品質(zhì)的檢測(cè)研究中[5]。

無(wú)損檢測(cè)技術(shù)又稱(chēng)為非破壞性檢測(cè)，是在不損壞樣本的前提下實(shí)現(xiàn)品質(zhì)檢測(cè)的一種方法。該方法在獲取樣品信息的同時(shí)保證了樣品的完整性，檢測(cè)速度較傳統(tǒng)的理化方法有很大提升，且能有效地判斷出從外觀(guān)無(wú)法獲得的樣品內(nèi)部品質(zhì)信息。目前常用的無(wú)損檢測(cè)技術(shù)大多利用待測(cè)物在光學(xué)、聲學(xué)、力學(xué)、電磁學(xué)等相關(guān)物理特性上的表征來(lái)實(shí)現(xiàn)檢測(cè)[6]，不同的無(wú)損檢測(cè)技術(shù)都有其各自的優(yōu)點(diǎn)與適用條件，正確認(rèn)識(shí)和總結(jié)不同無(wú)損檢測(cè)技術(shù)的優(yōu)點(diǎn)與局限性對(duì)水果的檢測(cè)與生產(chǎn)具有重要意義。

水果品質(zhì)包括外部品質(zhì)和內(nèi)部品質(zhì)，外部品質(zhì)的主要檢測(cè)指標(biāo)包括果實(shí)大小、形狀、色澤、表面缺陷和損傷等，利用機(jī)器視覺(jué)技術(shù)結(jié)合圖像處理算法對(duì)水果外觀(guān)品質(zhì)進(jìn)行檢測(cè)是目前國(guó)際上正在研究的熱點(diǎn)課題[7]。內(nèi)部品質(zhì)檢測(cè)指標(biāo)包括果實(shí)的酸度、甜度、水分、維生素含量、可溶性固形物含量等，可以通過(guò)光學(xué)、聲學(xué)、電磁學(xué)等相關(guān)方法進(jìn)行檢測(cè)。但無(wú)論對(duì)于水果的外部品質(zhì)或是內(nèi)部品質(zhì)，光學(xué)無(wú)損檢測(cè)技術(shù)包括機(jī)器視覺(jué)、近紅外光譜檢測(cè)、拉曼光譜檢測(cè)和高光譜成像技術(shù)都可以取得一定檢測(cè)效果，且目前這些方法均已獲得廣泛應(yīng)用[8]。本文將分別介紹這四種光學(xué)無(wú)損檢測(cè)技術(shù)在水果無(wú)損檢測(cè)中的應(yīng)用，對(duì)其研究歷程和發(fā)展現(xiàn)狀進(jìn)行歸納整理，同時(shí)展望未來(lái)發(fā)展方向，為水果品質(zhì)光學(xué)無(wú)損檢測(cè)研究工作提供基礎(chǔ)理論參考。

1 機(jī)器視覺(jué)

1.1 概述

早在上世紀(jì)70年代，國(guó)外學(xué)者就開(kāi)始將機(jī)器視覺(jué)技術(shù)與圖像處理技術(shù)結(jié)合應(yīng)用于水果的外部品質(zhì)無(wú)損檢測(cè)研究中。機(jī)器視覺(jué)技術(shù)是通過(guò)攝像機(jī)來(lái)獲取物體圖像后，通過(guò)結(jié)合圖像處理技術(shù)實(shí)現(xiàn)對(duì)物體的識(shí)別和檢測(cè)。該技術(shù)模仿了人類(lèi)感官中的視覺(jué)，屬于一種智能感官仿生技術(shù)。因具有高效、無(wú)損、分級(jí)指標(biāo)多、檢測(cè)結(jié)果客觀(guān)準(zhǔn)確等優(yōu)勢(shì)目前正被廣泛地研究和應(yīng)用。一般來(lái)說(shuō)，機(jī)器視覺(jué)系統(tǒng)主要由光源、工業(yè)攝像機(jī)、圖像采集卡、圖像處理器和顯示器等組成圖像采集、處理和分析、信息輸出這三部分主要內(nèi)容[9]。設(shè)計(jì)合理的硬件設(shè)備采集樣本圖像后，選用合適的圖像處理算法可以提取得到樣本表面的各種特征信息，包括尺寸、形狀、顏色及表面缺陷等。

1.2 分部檢測(cè)

1.2.1 圖像采集 為提高水果無(wú)損檢測(cè)的穩(wěn)定性，首先必須獲取到可提取有效特征信息的水果樣本圖像。而對(duì)于大多數(shù)形態(tài)為類(lèi)球形的水果來(lái)說(shuō)，采用機(jī)器視覺(jué)技術(shù)對(duì)其進(jìn)行無(wú)損檢測(cè)過(guò)程中需要優(yōu)先解決的一個(gè)重要問(wèn)題是如何獲取果實(shí)樣本不同面的圖像，許多學(xué)者通過(guò)以下兩種基本思路開(kāi)展研究。

1.2.1.1 旋轉(zhuǎn)待測(cè)果實(shí) 一種直接的思路是通過(guò)調(diào)整待測(cè)物的位置獲取得到多角度圖像。美國(guó)一家農(nóng)業(yè)科技公司[10]首先設(shè)計(jì)了一款蘋(píng)果分揀機(jī)械，采用帶有滾輪裝置的傳送帶使蘋(píng)果在運(yùn)輸?shù)倪^(guò)程中進(jìn)行翻轉(zhuǎn)，同時(shí)利用多區(qū)域掃描攝像機(jī)對(duì)全傳送帶上的大量蘋(píng)果進(jìn)行圖像采集，再通過(guò)多視角圖像合成即可得到果實(shí)的幾乎所有側(cè)面信息。但由于大量蘋(píng)果的形狀與大小各不相同，旋轉(zhuǎn)的速度與方向不一致，通過(guò)多區(qū)域掃描攝像機(jī)可能造成信息的冗余。此外，蘋(píng)果旋轉(zhuǎn)軸線(xiàn)兩端的表面部分?jǐn)z像機(jī)無(wú)法采集到，使得分級(jí)準(zhǔn)確率達(dá)不到理想水平。日本新舄大學(xué)的科研團(tuán)隊(duì)[11]開(kāi)發(fā)了一套完整的圖像數(shù)據(jù)采集系統(tǒng)，系統(tǒng)由旋轉(zhuǎn)平臺(tái)、電荷耦合攝像機(jī)（charge coupled device，CCD）、圖像處理器和微型計(jì)算機(jī)組成。利用旋轉(zhuǎn)平臺(tái)使置于平臺(tái)上的蘋(píng)果發(fā)生旋轉(zhuǎn)，每旋轉(zhuǎn)18 °時(shí)置于側(cè)面的CCD攝像機(jī)采集到一幅圖像，直至蘋(píng)果旋轉(zhuǎn)一整周，可獲取到共20幅圖像。每幅圖像僅保留中間部分進(jìn)行圖像合成，可得到一顆蘋(píng)果的全表面展開(kāi)圖像。該方法可以很好獲取到水果的全表面信息，但需人為地將果實(shí)一個(gè)個(gè)放置在旋轉(zhuǎn)平臺(tái)上，若結(jié)合機(jī)械臂進(jìn)行自動(dòng)化拾取放置會(huì)取得不錯(cuò)的效果。土耳其Süleyman Demirel大學(xué)的Sofu團(tuán)隊(duì)[12]設(shè)計(jì)了一種以顏色、大小、重量作為指標(biāo)的蘋(píng)果質(zhì)量檢測(cè)系統(tǒng)，通過(guò)滾筒刷和兩臺(tái)CCD攝像機(jī)能夠獲取蘋(píng)果四個(gè)面的圖像。缺陷在于雖然較小的蘋(píng)果可以很容易地旋轉(zhuǎn)，但較大的蘋(píng)果可能由于與滾筒形成滾輪結(jié)構(gòu)而不能旋轉(zhuǎn)，因此要獲取完整的蘋(píng)果四面圖像是非常困難的?？傮w來(lái)說(shuō)，通過(guò)旋轉(zhuǎn)待測(cè)果實(shí)進(jìn)行圖像采集穩(wěn)定性較差，特別是針對(duì)形狀不規(guī)則的水果。

1.2.1.2 鏡面反射 近年來(lái)有部分學(xué)者考慮利用鏡面反射優(yōu)化圖像采集設(shè)備，例如中國(guó)農(nóng)業(yè)大學(xué)的李慶中團(tuán)隊(duì)[13]設(shè)計(jì)了一套蘋(píng)果顏色在線(xiàn)檢測(cè)系統(tǒng)，輸送帶設(shè)計(jì)為琴鍵式結(jié)構(gòu)，每個(gè)果框?yàn)榈固菪?，果框兩?cè)貼有與水平面成45 °的兩面平面鏡，使果實(shí)在運(yùn)輸過(guò)程中，位于果實(shí)正上方的攝像機(jī)可以一次獲取到每個(gè)果實(shí)的三面彩色圖像，可基本保證顏色檢測(cè)的全面性要求。王干等[14]設(shè)計(jì)了一套臍橙采后田間分級(jí)系統(tǒng)，基于機(jī)器視覺(jué)能夠獲取臍橙的尺寸、表面缺陷數(shù)量及缺陷面積，對(duì)果品進(jìn)行自動(dòng)分級(jí)。為了獲取臍橙表面信息同時(shí)減少鏡面反射，選擇條形無(wú)頻閃發(fā)光二極管（light-emitting diode，LED）光源前光照明和漫反射光照，通過(guò)在暗箱頂部和兩側(cè)各設(shè)置相機(jī)，結(jié)合安裝有輥輪-齒輪裝置的傳送帶使臍橙在圖像采集區(qū)域不斷旋轉(zhuǎn)，利用可編程邏輯控制器（programmable logic controller，PLC）控制完成對(duì)同一個(gè)臍橙9副不同面圖像的采集。以上研究表明，通過(guò)鏡面反射獲取果實(shí)多面圖像可行性較高，在穩(wěn)定性上表現(xiàn)也相對(duì)較好。截至目前，雖然基于機(jī)器視覺(jué)的水果外觀(guān)品質(zhì)檢測(cè)有著精確、高效的優(yōu)點(diǎn)，但在圖像采集方面還存在一定不足，合理的檢測(cè)系統(tǒng)設(shè)計(jì)，既便于得到全面的表面信息，同時(shí)能提高檢測(cè)效率。

1.2.2 前景分割 球狀的水果在集中光源的照射下容易造成表面亮度不均勻，如何將果實(shí)前景從背景中分割出來(lái)是在獲取特征之前的一個(gè)重要課題。密歇根州立大學(xué)的Mizushima等[15]提出了一種基于線(xiàn)性支持向量機(jī)（support vector machine，SVM）和 Otsu閾值分割算法的自適應(yīng)顏色分割方法，使用線(xiàn)性SVM計(jì)算得到圖像在RGB空間中的最佳分離超平面，從而生成灰度圖像。通過(guò)在水果邊界區(qū)域附近找到的最小閾值估計(jì)得到最佳閾值，解決了由于光照不均難以準(zhǔn)確完成前景分割的問(wèn)題。上海交通大學(xué)與北京農(nóng)業(yè)智能裝備研究中心[16]合作設(shè)計(jì)了一套使用自動(dòng)亮度校正的蘋(píng)果缺陷檢測(cè)系統(tǒng)，利用朗伯定律即果實(shí)對(duì)象中央部分與邊緣部分的吸光強(qiáng)度不同分別對(duì)兩部分進(jìn)行亮度校正，結(jié)合相關(guān)向量機(jī)（relevance vector machine，RVM）分類(lèi)器較好地解決了因亮度分布不均以及真實(shí)缺陷與莖、花萼之間存在相似性而難以檢測(cè)出準(zhǔn)確缺陷區(qū)域的問(wèn)題。伊朗庫(kù)爾德斯坦大學(xué)Baigvand團(tuán)隊(duì)[17]針對(duì)無(wú)花果設(shè)計(jì)了一套基于機(jī)器視覺(jué)的分級(jí)系統(tǒng)，質(zhì)量分級(jí)指標(biāo)選用顏色、尺寸和開(kāi)裂尺寸，結(jié)合無(wú)花果加工專(zhuān)家對(duì)樣本進(jìn)行的真實(shí)等級(jí)確定，將無(wú)花果質(zhì)量分為5個(gè)等級(jí)。該系統(tǒng)選用RGB空間中的B通道圖像，采用Otsu閾值分割算法，結(jié)合形態(tài)學(xué)圖像處理方法，分割出無(wú)花果目標(biāo)區(qū)域，得到RGB圖像掩膜用于后續(xù)提取顏色特征。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)對(duì)無(wú)花果進(jìn)行分級(jí)的總精度高于95%，平均速度為90 kg/h，可以實(shí)現(xiàn)對(duì)無(wú)花果品質(zhì)的實(shí)時(shí)檢測(cè)。王干等[14]在臍橙采后田間分級(jí)系統(tǒng)中，為了完整分割出臍橙的目標(biāo)區(qū)域，根據(jù)臍橙外觀(guān)顏色特點(diǎn)同樣采用了RGB顏色空間，通過(guò)R分量圖像減去B分量圖像，得到前后景差異明顯的灰度圖像，以此實(shí)現(xiàn)前景分割。前景分割與邊緣檢測(cè)效果息息相關(guān)，有時(shí)在果實(shí)不規(guī)則形狀或周邊環(huán)境的干擾下，邊緣檢測(cè)效果達(dá)不到預(yù)期，這就需要學(xué)者們對(duì)算法再做創(chuàng)新，進(jìn)一步增強(qiáng)檢測(cè)系統(tǒng)的穩(wěn)定性與適應(yīng)性。

1.2.4 形狀檢測(cè) 果品的外觀(guān)形狀也是影響水果品質(zhì)的重要因素之一，成熟水果的外形各異，有時(shí)很難用具體的某一種形狀來(lái)進(jìn)行說(shuō)明。Momin等[23]研究了一種以芒果幾何形狀作為分級(jí)指標(biāo)的芒果自動(dòng)分級(jí)技術(shù)，提出了一種基于區(qū)域全局閾值顏色分割處理算法。算法采用HSI顏色空間，結(jié)合中值濾波和形態(tài)學(xué)分析得到芒果在圖像中表現(xiàn)出的投影面積、周長(zhǎng)和圓度特征值。與灰度圖像相比，基于區(qū)域的全局閾值顏色分割方法可以獲得更多像素級(jí)別的信息，并搜索具有相似像素特征值的像素。在獲取特征部分，系統(tǒng)通過(guò)計(jì)算圖像中對(duì)象邊界內(nèi)的像素?cái)?shù)及連接對(duì)象輪廓的邊界像素?cái)?shù)，分別與圖像分辨率值相乘得到投影面積和周長(zhǎng)。系統(tǒng)將芒果分為三個(gè)等級(jí)，試驗(yàn)結(jié)果表明，選擇投影面積和費(fèi)雷特直徑作為分級(jí)指標(biāo)可以實(shí)現(xiàn)97%的識(shí)別準(zhǔn)確率，選擇周長(zhǎng)或圓度也可實(shí)現(xiàn)芒果分級(jí)要求，但準(zhǔn)確性較差。該方法通過(guò)適當(dāng)調(diào)整可以應(yīng)用于其他水果的形狀檢測(cè)。大連交通大學(xué)黃辰等[24]在研究基于圖像特征融合的蘋(píng)果在線(xiàn)分級(jí)方法時(shí)，采用凸度即目標(biāo)像素個(gè)數(shù)與目標(biāo)最小凸包像素個(gè)數(shù)的比值，結(jié)合傅里葉描述子補(bǔ)充輪廓信息進(jìn)而描述蘋(píng)果形狀的規(guī)則程度，建立的分級(jí)模型分級(jí)準(zhǔn)確率可達(dá)95%。石瑞瑤等[20]在蘋(píng)果品質(zhì)在線(xiàn)分級(jí)檢測(cè)系統(tǒng)的設(shè)計(jì)中，把蘋(píng)果橫徑與縱徑的比值作為果形評(píng)判指標(biāo)，數(shù)值越接近1說(shuō)明果品形狀越接近球形，從而量化蘋(píng)果果形特征，試驗(yàn)結(jié)果表明系統(tǒng)分級(jí)準(zhǔn)確率達(dá)95%，說(shuō)明橫縱比可以用于提取果形特征。Peng等[25]針對(duì)蘋(píng)果、香蕉、柑橘、楊桃、梨和火龍果這六種水果對(duì)多類(lèi)水果的識(shí)別進(jìn)行了研究，利用形狀不變矩等方法對(duì)果品的顏色和形狀特征進(jìn)行綜合提取。該設(shè)計(jì)首先采用Otsu閾值分割算法和Canny邊緣檢測(cè)算子完成果品的前景分割和邊緣特性提取。在形狀特征提取方法上，該設(shè)計(jì)采用計(jì)算圖像中目標(biāo)面積與目標(biāo)外接圓面積之比提取果品的二維特征，同時(shí)通過(guò)提取目標(biāo)輪廓的形狀不變矩來(lái)描述果品的三維特征，最后采用SVM分類(lèi)算法完成具體類(lèi)別的識(shí)別。該系統(tǒng)對(duì)不同水果種類(lèi)的識(shí)別率在80%~95%范圍內(nèi)，在水果識(shí)別分類(lèi)的適應(yīng)性上有較好的表現(xiàn)。以上研究表明，利用機(jī)器視覺(jué)檢測(cè)果品形狀可以通過(guò)提取果品二維特征來(lái)進(jìn)行，結(jié)合傅里葉描述子或形狀不變矩等傳統(tǒng)算法，都可以在特定對(duì)象上取得不錯(cuò)的識(shí)別效果。

1.2.5 顏色檢測(cè) 顏色是衡量水果外部品質(zhì)的一個(gè)重要指標(biāo)，高品質(zhì)的水果一般具有著色好且均勻的特征。此外，果實(shí)顏色也間接反映了水果的成熟度和內(nèi)部品質(zhì)，若要從水果的外觀(guān)判斷其成熟度，一般需要與顏色檢測(cè)結(jié)合起來(lái)，通過(guò)不同顏色空間的轉(zhuǎn)換可以快速獲取果實(shí)表面顏色信息。顏色空間是用一種數(shù)學(xué)方法形象化地表示顏色，目前在圖像處理中廣泛使用的顏色空間主要有RGB顏色空間、HSI顏色空間和Lab顏色空間等：RGB顏色空間采用物理三基色紅（Red）、綠（Green）、藍(lán)（Blue）表示，因其物理意義清晰，適合彩色顯像管工作，但這一系統(tǒng)并不適應(yīng)人的視覺(jué)特點(diǎn)；HSI顏色空間采用色調(diào)（Hue）、色飽和度（Saturation）和亮度（Intensity）來(lái)描述顏色，通常把色調(diào)和飽和度通稱(chēng)為色度，用來(lái)表示顏色的類(lèi)別與深淺程度。由于人的視覺(jué)對(duì)亮度的敏感程度遠(yuǎn)強(qiáng)于對(duì)顏色濃淡的敏感程度，為了便于顏色處理和識(shí)別，機(jī)器視覺(jué)技術(shù)為模仿人的視覺(jué)系統(tǒng)經(jīng)常采用HSI顏色空間；Lab顏色空間是基于人眼對(duì)顏色的感覺(jué)，用亮度（Light）和色差來(lái)描述顏色分量，同樣可以用數(shù)字化方法描述人的視覺(jué)感官，而不受參考的設(shè)備模型干擾。

目前最常使用的顏色空間是最適應(yīng)人類(lèi)視覺(jué)特點(diǎn)的HSI顏色空間。李慶中團(tuán)隊(duì)[13]利用HSI顏色空間中的色度圖像對(duì)蘋(píng)果顏色進(jìn)行檢測(cè)與分級(jí)，團(tuán)隊(duì)通過(guò)觀(guān)察和比對(duì)樣本的色度直方圖，將果實(shí)表面色度分為7個(gè)頻度，并以此作為蘋(píng)果顏色分級(jí)的特征參數(shù)。但只從色度圖像來(lái)實(shí)現(xiàn)顏色檢測(cè)難以避免外部環(huán)境光線(xiàn)的干擾，不利于顏色檢測(cè)結(jié)果穩(wěn)定輸出。中國(guó)農(nóng)業(yè)大學(xué)馮斌等[26]選用HSI顏色空間分析研究了不同色度的水果，結(jié)合各色度點(diǎn)的累計(jì)特性和空間分布特性，以各色度在水果表面分布的分形維數(shù)作為特征對(duì)果實(shí)進(jìn)行分級(jí)，同時(shí)建立了卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）識(shí)別模型。實(shí)驗(yàn)結(jié)果表明，模型分級(jí)準(zhǔn)確率達(dá)95%。同時(shí)，分形維數(shù)在各等級(jí)間有明顯的變化規(guī)律，可以作為著色分級(jí)特征對(duì)水果進(jìn)行實(shí)時(shí)分類(lèi)。江蘇大學(xué)的趙杰文團(tuán)隊(duì)[27]同樣選擇HSI顏色空間進(jìn)行紅棗的顏色識(shí)別，設(shè)計(jì)系統(tǒng)提取色度的均值和均方差作為紅棗的顏色特征值，以此區(qū)別正常色度的紅棗及個(gè)別整體或局部顏色偏暗的缺陷棗，使用SVM分類(lèi)方法，識(shí)別準(zhǔn)確率高達(dá)96.2%。浙江大學(xué)的饒秀勤等[28]研究了按臍橙表面顏色進(jìn)行分級(jí)的方法，該研究通過(guò)HSI顏色空間，提出了基于H分量面積加權(quán)直方圖的臍橙表面顏色特征提取方法，結(jié)合主成分分析（principal component analysis，PCA）方法，對(duì)水果表面曲率變化引起的檢測(cè)誤差進(jìn)行補(bǔ)償。試驗(yàn)結(jié)果表明，分級(jí)誤差為1.75%，取得不錯(cuò)的檢測(cè)效果。意大利學(xué)者Cavallo等[29]在葡萄無(wú)損檢測(cè)系統(tǒng)的研究中，通過(guò)提取場(chǎng)景中的HSI顏色特征信息，針對(duì)兩個(gè)白葡萄品種分別進(jìn)行了驗(yàn)證試驗(yàn)，交叉驗(yàn)證得到分類(lèi)準(zhǔn)確率分別達(dá)到92%和100%。該系統(tǒng)大幅簡(jiǎn)化了硬件配置與處理過(guò)程中的人工干預(yù)程度，更利于應(yīng)用于實(shí)際自動(dòng)化生產(chǎn)中。但從另一個(gè)角度上來(lái)看，直接在RGB顏色空間內(nèi)處理圖像可以進(jìn)一步簡(jiǎn)化算法，Arakeri等[30]通過(guò)檢測(cè)番茄的缺陷與成熟度設(shè)計(jì)了一款分級(jí)系統(tǒng)，系統(tǒng)使用RGB顏色空間，從番茄圖像中提取R、G、B值通過(guò)實(shí)驗(yàn)選擇的閾值進(jìn)行成熟度判斷，建立CNN預(yù)測(cè)模型，對(duì)成熟度的預(yù)測(cè)準(zhǔn)確率達(dá)96.47%。黃辰等[24]在基于圖像特征融合的蘋(píng)果分級(jí)方法研究中選用RGB分量值，包括R分量均值與方差、G分量均值與方差、平均灰度等5個(gè)參數(shù)值來(lái)表征蘋(píng)果顏色分布特征，也取得不錯(cuò)的識(shí)別效果。伊朗學(xué)者Azarmdel等[31]設(shè)計(jì)了一套桑葚成熟度分級(jí)專(zhuān)家系統(tǒng)，該系統(tǒng)從R，B，b*和Cr四個(gè)參數(shù)中提取桑葚的顏色和紋理特征，以此作為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）模型的輸入，結(jié)合SVM算法可以實(shí)現(xiàn)98.26%的分級(jí)準(zhǔn)確率。以上研究表明，HSI顏色空間由于與人類(lèi)視覺(jué)感官高度相似而被廣泛應(yīng)用于多項(xiàng)顏色檢測(cè)研究中，選用RGB顏色空間則由于其適用于機(jī)器工作在一定程度上可以簡(jiǎn)化算法。因此，在對(duì)不同的檢測(cè)對(duì)象進(jìn)行檢測(cè)試驗(yàn)時(shí)，出于檢測(cè)目的的不同，可以考慮試用多種顏色空間對(duì)圖像進(jìn)行處理，必定能尋找到適用于特定檢測(cè)對(duì)象的某種顏色空間。

1.2.6 外觀(guān)缺陷檢測(cè) 在水果外觀(guān)缺陷檢測(cè)方面，顏色的差異可以作為缺陷檢測(cè)的一個(gè)特征方向。其中最簡(jiǎn)單的一個(gè)思路是通過(guò)灰度化圖像進(jìn)行，果實(shí)表面不同種類(lèi)的缺陷其灰度值與鄰近正常區(qū)域的灰度值有明顯差異，可根據(jù)這一思路實(shí)現(xiàn)缺陷識(shí)別。Miller和Delwiche[32]采用彩色攝像機(jī)和近紅外掃描攝像機(jī)獲得桃子圖像，提出了對(duì)桃子圖像進(jìn)行缺陷區(qū)域分割的圖像分析算法，算法內(nèi)容具體為對(duì)桃子表面的灰度圖象進(jìn)行陰影校正、邊緣檢測(cè)和圖像分割，用二維高斯方程進(jìn)行圖像濾波完成邊緣檢測(cè)，然后用灰度和色度閾值及區(qū)域增長(zhǎng)法求得損傷表面面積，最后通過(guò)分類(lèi)器將分割的區(qū)域識(shí)別為特定的缺陷類(lèi)型。試驗(yàn)表明在近紅外區(qū)域獲得的水果圖像的缺陷檢測(cè)效果比彩色圖像的好，但會(huì)將果梗和花萼部分誤判為缺陷區(qū)域，正確率僅為69%，與人工測(cè)得的結(jié)果相關(guān)系數(shù)為0.56，檢測(cè)效果一般。Leemans等[33]提出了一種基于顏色信息的蘋(píng)果缺陷檢測(cè)方法，建立了基于果實(shí)表面色度變化的顏色模型。為了分割缺陷，該系統(tǒng)將蘋(píng)果圖像每個(gè)像素的色度值與模型進(jìn)行比較，如果數(shù)值相匹配，則認(rèn)為它屬于正常部分，否則被視為缺陷。然后，系統(tǒng)通過(guò)分別計(jì)算整個(gè)果面中每個(gè)像素的RGB三通道灰度值均值，包括各種缺陷的三通道灰度值均值，將其與正常部分的該值進(jìn)行加權(quán)離差，對(duì)以上的評(píng)判結(jié)果再做檢驗(yàn)。最后系統(tǒng)借助局部色澤信息再次修正評(píng)判結(jié)果。試驗(yàn)結(jié)果表明該算法能夠分割出各種缺陷。印度學(xué)者Arlimatti[34]在他的研究中介紹了一種缺陷檢測(cè)方法，該方法將圖像劃分為多個(gè)窗口，以窗口為單位提取蘋(píng)果表面特征信息，從而實(shí)現(xiàn)整體的缺陷提取。這是一種簡(jiǎn)單且高效的方法，同時(shí)可以通過(guò)最近鄰分類(lèi)器（K-Nearest Neighbor，KNN）將缺陷部分與果實(shí)本身的莖端或花萼部分區(qū)分開(kāi)來(lái)，分類(lèi)準(zhǔn)確率達(dá)到92%。結(jié)合光學(xué)特征可以提高系統(tǒng)缺陷檢測(cè)的穩(wěn)定性與準(zhǔn)確率。劉禾等[35]利用光學(xué)反射特性，在近紅外波段拍攝到蘋(píng)果圖像，提出了蘋(píng)果正常區(qū)域與缺陷區(qū)域的閾值計(jì)算方法與圖像窗口的快速確定方法，這是一種實(shí)用的蘋(píng)果表面缺陷圖像檢測(cè)方法。浙江大學(xué)的Li等[36]提出了一種橘子常見(jiàn)表面缺陷的檢測(cè)方法，方法通過(guò)基于Butterworth濾波器的照明變換方法結(jié)合計(jì)算圖像中不同分量比率的莖端識(shí)別算法，可以有效檢測(cè)橘子表面缺陷區(qū)域，檢測(cè)準(zhǔn)確率達(dá)到98.9%。該方法對(duì)表面只有一種顏色的水果缺陷識(shí)別效果很好，但對(duì)表面有多種顏色的水果識(shí)別效果較差。

通過(guò)與不同顏色空間相結(jié)合，可以使檢測(cè)系統(tǒng)更加便于應(yīng)用于實(shí)際。Arakeri等[30]在番茄分級(jí)系統(tǒng)中，采用RGB顏色空間，提取R、G、B通道的灰度平均值作為顏色統(tǒng)計(jì)特征，再使用圖像的灰度共生矩陣從每個(gè)顏色通道中提取四個(gè)紋理特征，將這些特征作為CNN預(yù)測(cè)模型的輸入，由此系統(tǒng)實(shí)現(xiàn)對(duì)番茄的缺陷識(shí)別。試驗(yàn)結(jié)果表明，系統(tǒng)對(duì)番茄表面缺陷的識(shí)別準(zhǔn)確率達(dá)100%。王干等[14]在臍橙采后田間分級(jí)系統(tǒng)中同樣采用缺陷區(qū)域與背景灰度值存在明顯差異的這一共性特征，進(jìn)行臍橙的缺陷檢測(cè)。具體方法為對(duì)圖像進(jìn)行均值濾波處理后再與原圖進(jìn)行灰度值的比較，若差異明顯則將該點(diǎn)判定為缺陷區(qū)域。試驗(yàn)結(jié)果表明，系統(tǒng)的缺陷數(shù)量識(shí)別率達(dá)99%，缺陷面積檢測(cè)誤差小于7%，可以實(shí)現(xiàn)實(shí)時(shí)的缺陷檢測(cè)。李順琴等[21]在橙子實(shí)時(shí)分級(jí)系統(tǒng)研究中通過(guò)分離出HIS顏色空間中的S分量圖判斷得到橙子表面因蟲(chóng)害導(dǎo)致的白色條紋及因病害和損傷造成的黑色爛點(diǎn)這兩類(lèi)缺陷，系統(tǒng)采用Otsu閾值分割算法得到橙子表面缺陷的二值化圖像并計(jì)算得到缺陷面積，以此作為RBF神經(jīng)網(wǎng)絡(luò)模型的特征參數(shù)，取得不錯(cuò)的分級(jí)效果。印度學(xué)者Kumar等[37]研究了番茄表面缺陷的識(shí)別方法，該方法采用小波變換算法識(shí)別并分割對(duì)象缺陷區(qū)域，基于顏色與幾何特征，將缺陷準(zhǔn)確識(shí)別為三種類(lèi)型，分別為黑點(diǎn)、爛點(diǎn)和黑素病點(diǎn)，然后通過(guò)聯(lián)級(jí)兩個(gè)SVM分類(lèi)器，實(shí)現(xiàn)98%的識(shí)別準(zhǔn)確率。而對(duì)于獲取到的圖像可能存在的果實(shí)球面面積畸變問(wèn)題，Tao[10]提出了一種球形變換法，該方法通過(guò)對(duì)曲面上的強(qiáng)度梯度進(jìn)行補(bǔ)償?shù)玫角蛎孀儞Q，從而在不丟失物體缺陷的情況下生成平面物體圖像，再經(jīng)過(guò)簡(jiǎn)單的閾值處理即可檢測(cè)到缺陷區(qū)域。近年來(lái)，國(guó)內(nèi)外學(xué)者在水果缺陷檢測(cè)的研究上取得了很大進(jìn)展，基于灰度化圖像處理，結(jié)合一些新興的分類(lèi)算法或?yàn)V波算法，可以取得相對(duì)較好的檢測(cè)效果，使之在實(shí)際生產(chǎn)應(yīng)用更加廣泛。

1.3 優(yōu)點(diǎn)及適用條件

計(jì)算機(jī)技術(shù)的快速發(fā)展加快了機(jī)器視覺(jué)技術(shù)的不斷進(jìn)步，相關(guān)圖像處理算法正不斷被優(yōu)化，適用于實(shí)際生產(chǎn)的檢測(cè)模型也在不斷被完善。機(jī)器視覺(jué)技術(shù)具有快速、準(zhǔn)確、無(wú)損，能完成多項(xiàng)品質(zhì)指標(biāo)檢測(cè)，在水果外部品質(zhì)檢測(cè)上有著廣泛的應(yīng)用前景。但是其局限性也很明顯，該技術(shù)對(duì)于水果內(nèi)部品質(zhì)或輕微的外部損傷的檢測(cè)能力較差，單純通過(guò)對(duì)外部品質(zhì)的檢測(cè)無(wú)法精準(zhǔn)把控果品內(nèi)部品質(zhì)的各項(xiàng)指標(biāo)。

將1.2中獲得的promoter-DGAT2-pMD19-T中間載體和表達(dá)載體pCAMBIA1304-35s采用限制性?xún)?nèi)切酶Kpn Ⅰ 和Nco Ⅰ 進(jìn)行雙酶切，并用DGAT2 基因啟動(dòng)子替換CaMV35S 啟動(dòng)子，得到重組載體。將新構(gòu)建的promoter-DGAT2-pCAMBIA1304表達(dá)載體利用電轉(zhuǎn)法轉(zhuǎn)化到農(nóng)桿菌GV3101感受態(tài)細(xì)胞中。在含有50 mg/mL卡那霉素(Kanamycin)和利福平(Rifampin)的固體LB培養(yǎng)基中，28℃培養(yǎng)2 d，再置于LB 液體培養(yǎng)基中擴(kuò)大培養(yǎng)，離心收集菌體，采用蘸花法侵染擬南芥花序。

2 光譜檢測(cè)技術(shù)

2.1 近紅外光譜檢測(cè)

2.1.1 概述 紅外線(xiàn)波段是人眼不可視波段，近紅外光譜檢測(cè)技術(shù)是利用波長(zhǎng)為700~1100 nm的電磁波來(lái)分析樣品的結(jié)構(gòu)和組成等信息，從而實(shí)現(xiàn)樣品的無(wú)損檢測(cè)。該技術(shù)在水果品質(zhì)檢測(cè)中有許多優(yōu)良的性能，已知碳?xì)浠衔铮ㄌ?、酸、水、維生素等）在近紅外波段有不同的吸收峰，基于這一理論基礎(chǔ)可以建立許多相關(guān)模型服務(wù)于各項(xiàng)研究。近紅外光譜分析技術(shù)是近年來(lái)發(fā)展最快、應(yīng)用最廣的水果內(nèi)部品質(zhì)無(wú)損檢測(cè)方法，可以精確檢測(cè)水果內(nèi)部的糖度、酸度、可溶性固形物含量、維生素含量等，具有適應(yīng)力強(qiáng)，對(duì)人體無(wú)害，操作簡(jiǎn)單等優(yōu)點(diǎn)。

2.1.2 應(yīng)用方向

2.1.2.1 內(nèi)部成分檢測(cè) 近紅外光譜檢測(cè)技術(shù)可應(yīng)用于水果糖度、酸度、pH及可溶性固形物含量等內(nèi)部品質(zhì)成分的檢測(cè)。印度學(xué)者Jha等[38]使用近紅外光譜分析技術(shù)研究了多個(gè)品種蘋(píng)果的甜度、酸度以及酸甜比模型，該模型選用900~1700 nm的波長(zhǎng)范圍，采用了偏最小二乘回歸（partial least squares regression，PLS）和多元線(xiàn)性回歸（multiple linear regression，MLR）兩種統(tǒng)計(jì)學(xué)方法。試驗(yàn)結(jié)果表明使用MLR建立的模型預(yù)測(cè)準(zhǔn)確率較高，甜度、酸度以及酸甜比的預(yù)測(cè)模型多重相關(guān)系數(shù)分別為0.887、0.890和0.893，該模型基本可以實(shí)現(xiàn)不同品種蘋(píng)果內(nèi)部品質(zhì)指標(biāo)的無(wú)損檢測(cè)。孫炳新等[39]將近紅外光譜分析技術(shù)應(yīng)用于檢測(cè)蘋(píng)果pH的研究中，學(xué)者選用波長(zhǎng)范圍為643.26~985.11 nm的近紅外透射光譜儀對(duì)蘋(píng)果樣本進(jìn)行光譜掃描，建立起紅富士蘋(píng)果有效酸度的預(yù)測(cè)模型。模型相關(guān)系數(shù)為0.925，性能較穩(wěn)定，可以對(duì)不同儲(chǔ)藏期的蘋(píng)果pH進(jìn)行快速無(wú)損檢測(cè)。王轉(zhuǎn)衛(wèi)等[40]建立了發(fā)育后期蘋(píng)果內(nèi)部品質(zhì)和其近紅外光譜特性之間的關(guān)系模型。試驗(yàn)方法具體為利用近紅外漫反射技術(shù)測(cè)量發(fā)育后期三個(gè)月內(nèi)富士蘋(píng)果在833~2500 nm波長(zhǎng)范圍內(nèi)的光譜特性，并通過(guò)測(cè)量得蘋(píng)果樣本的可溶性固形物含量、硬度、pH以及含水量4種蘋(píng)果內(nèi)部理化指標(biāo)，分析了單一波長(zhǎng)下蘋(píng)果的吸光強(qiáng)度與其各項(xiàng)內(nèi)部品質(zhì)指標(biāo)之間的相關(guān)關(guān)系。試驗(yàn)結(jié)果表明，前后者之間的線(xiàn)性相關(guān)性均較弱，但通過(guò)極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）算法結(jié)合PCA統(tǒng)計(jì)方法進(jìn)行數(shù)據(jù)降維，試驗(yàn)最終可建立預(yù)測(cè)該品種蘋(píng)果可溶性固形物含量和pH的最優(yōu)模型，預(yù)測(cè)結(jié)果較為穩(wěn)定。廣東省農(nóng)業(yè)科學(xué)院徐賽團(tuán)隊(duì)[41]采用可見(jiàn)光和近紅外光譜技術(shù)（visible and near-infrared spectroscopy，VIS/NIR）對(duì)沙田柚中的水分和可溶性固形物進(jìn)行快速無(wú)損檢測(cè)，試驗(yàn)通過(guò)遺傳算法（genetic algorithm，GA）進(jìn)行特征提取，結(jié)合PLSR建立模型。該模型對(duì)驗(yàn)證集樣本的檢測(cè)準(zhǔn)確率達(dá)100%，成功將光譜技術(shù)應(yīng)用于厚皮大果的品質(zhì)無(wú)損檢測(cè)上，試驗(yàn)結(jié)果表明通過(guò)VIS/NIR檢測(cè)柚子的水分含量和可溶性固形物含量是充分可行的。以上研究結(jié)果表明，近紅外光譜檢測(cè)技術(shù)可用于水果內(nèi)部成分檢測(cè)，且在碳?xì)浠衔锶缣恰⑺?、水等成分的檢測(cè)效果上有著顯著優(yōu)勢(shì)。

2.1.2.2 成熟度檢測(cè) 通過(guò)對(duì)水果內(nèi)部單個(gè)品質(zhì)指標(biāo)的檢測(cè)也可以引申到檢測(cè)其成熟度。南非夸祖魯-納塔爾大學(xué)的Olarewaju團(tuán)隊(duì)[42]使用近紅外光譜分析技術(shù)檢測(cè)鱷梨果實(shí)成熟度，試驗(yàn)具體為建立偏最小二乘回歸模型對(duì)果實(shí)的含油量、含水量和可溶性固形物含量等與成熟度相關(guān)的指標(biāo)進(jìn)行預(yù)測(cè)，研究結(jié)果顯示在反射模式下的近紅外系統(tǒng)對(duì)果實(shí)含油量和可溶性固形物含量的檢測(cè)準(zhǔn)確率較高，系統(tǒng)相對(duì)誤差分別為2.00和2.13，進(jìn)一步表明這一方法對(duì)鱷梨成熟度指標(biāo)參數(shù)的快速無(wú)損檢測(cè)是充分可行的。Chen等[43]通過(guò)使用VIS/NIR定量檢測(cè)沙田柚Lab顏色空間中的各參數(shù)，以此實(shí)現(xiàn)沙田柚成熟度的檢測(cè)。該方法將移動(dòng)窗口偏最小二乘法（moving-window partial least square，MWPLS）和改進(jìn)光程長(zhǎng)度估計(jì)與校正法(modified optical path length estimation and correction，MOPLEC)相結(jié)合，達(dá)到優(yōu)選波段同時(shí)充分優(yōu)化其他建模參數(shù)的目的。試驗(yàn)結(jié)果表明，在所選的最佳波段范圍內(nèi)，模型的相關(guān)系數(shù)分別達(dá)到0.913、0.997和0.940，均取得可觀(guān)的預(yù)測(cè)效果。以上研究結(jié)果表明，近紅外光譜檢測(cè)技術(shù)是一種可靠的水果成熟度檢測(cè)和表征方法。

2.1.2.3 霉變檢測(cè) 同時(shí)，近紅外光譜檢測(cè)也可應(yīng)用于果實(shí)的霉變檢測(cè)上。李順?lè)宓萚44]利用近紅外漫反射光譜技術(shù)判別蘋(píng)果是否存在霉心病，試驗(yàn)方法具體為首先測(cè)量4000~12000 cm?1波數(shù)范圍內(nèi)的正常蘋(píng)果與霉心病蘋(píng)果的光譜特性，結(jié)合切開(kāi)果實(shí)判斷其實(shí)際類(lèi)別，通過(guò)PCA提取20個(gè)主特征，并將其輸入Fisher判別分類(lèi)方法建立得到蘋(píng)果霉心病判別模型。該模型對(duì)訓(xùn)練集的正確判別率為89.9%，對(duì)測(cè)試集的正確判別率為87.8%。Tian等[45]提出了一種基于水果尺寸大小的光譜自動(dòng)校正方法，以改善VIS/NIR檢測(cè)蘋(píng)果發(fā)霉的效果。具體方法為通過(guò)建立蘋(píng)果果肉中光的消光速率與蘋(píng)果直徑的對(duì)數(shù)線(xiàn)性模型，計(jì)算得到在果品內(nèi)透射光的消光系數(shù)，并根據(jù)這一系數(shù)修改獲取到的透射光譜。該學(xué)者基于校正后的光譜建立了誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BP-ANN)和 SVM 模型，模型在驗(yàn)證集中的準(zhǔn)確率達(dá)90.2%。以上研究促進(jìn)了水果品質(zhì)檢測(cè)的準(zhǔn)確性與穩(wěn)定性。

2.2 拉曼光譜檢測(cè)

2.2.1 概述 拉曼光譜技術(shù)是一門(mén)基于拉曼散射效應(yīng)而發(fā)展起來(lái)的光譜分析技術(shù)，通過(guò)分子的振動(dòng)或轉(zhuǎn)動(dòng)獲得待測(cè)物的結(jié)構(gòu)、對(duì)稱(chēng)性、電子環(huán)境等分子信息。目前拉曼光譜在水果檢測(cè)中的應(yīng)用大多與激光技術(shù)相結(jié)合，激光技術(shù)是利用由受激發(fā)射的光放大產(chǎn)生輻射產(chǎn)生的激光以完成質(zhì)量檢測(cè)。近年來(lái)隨著激光技術(shù)的不斷成熟，拉曼光譜技術(shù)已逐步應(yīng)用于工農(nóng)業(yè)生產(chǎn)與檢測(cè)的多個(gè)領(lǐng)域，主要實(shí)現(xiàn)對(duì)待測(cè)物外部品質(zhì)的檢測(cè)。與常規(guī)化學(xué)分析技術(shù)相比，拉曼光譜技術(shù)具有無(wú)損、快速、環(huán)保、靈敏度高、無(wú)需制備試樣、無(wú)需消耗化學(xué)試劑、所需樣品量少等特點(diǎn)，可直接通過(guò)分析待測(cè)物的拉曼峰位、峰強(qiáng)、線(xiàn)型、線(xiàn)寬及譜線(xiàn)數(shù)目達(dá)到從分子水平對(duì)樣品進(jìn)行定性、定量和結(jié)構(gòu)的分析[46?47]。在水果檢測(cè)中，拉曼光譜主要應(yīng)用于檢測(cè)水果外表面輕微損傷、新鮮度、成熟度及表面農(nóng)藥殘留等。

2.2.2 應(yīng)用方向

2.2.2.1 外表面擦傷檢測(cè) 采用拉曼光譜檢測(cè)技術(shù)可以有效檢測(cè)出果實(shí)表面早期的輕微損傷。高曉陽(yáng)等[48]應(yīng)用LabVIEW平臺(tái)設(shè)計(jì)了一部基于拉曼光譜的蘋(píng)果實(shí)時(shí)無(wú)損自動(dòng)檢測(cè)分類(lèi)虛擬儀器分級(jí)系統(tǒng)樣機(jī)，用于蘋(píng)果表面擦傷無(wú)損檢測(cè)。蘋(píng)果的光譜特性采用一臺(tái)Nicolet傅氏變換拉曼光譜儀進(jìn)行采集，光譜數(shù)據(jù)通過(guò)典型變量分析法（canonical variable analysis，CVA）和主成分分析法（PCA）進(jìn)行處理，再經(jīng)不等中趨勢(shì)分類(lèi)模擬算法檢驗(yàn)得到分類(lèi)模型。試驗(yàn)結(jié)果表明，系統(tǒng)利用拉曼光譜分析技術(shù)對(duì)蘋(píng)果擦傷的檢測(cè)具有一定的可行性，可對(duì)蘋(píng)果進(jìn)行準(zhǔn)確分級(jí)處理。高曉陽(yáng)等[49]在次年的研究中，對(duì)該無(wú)損檢測(cè)分級(jí)系統(tǒng)再做改進(jìn)，使系統(tǒng)可以準(zhǔn)確識(shí)別出無(wú)擦傷、輕擦傷及重擦傷三種類(lèi)別的蘋(píng)果，分級(jí)平均準(zhǔn)確率分別為100%、99%和97%，同時(shí)在系統(tǒng)運(yùn)行速度上有了一定提升，達(dá)到每分鐘可分級(jí)蘋(píng)果3~6個(gè)。但總體來(lái)說(shuō)檢測(cè)花費(fèi)時(shí)間仍然較長(zhǎng)，無(wú)法做到實(shí)時(shí)快速的無(wú)損檢測(cè)。陳思雨等[50]則以富士蘋(píng)果作為研究對(duì)象，應(yīng)用拉曼光譜技術(shù)，結(jié)合化學(xué)計(jì)量方法對(duì)早期輕微損傷進(jìn)行快速識(shí)別。光譜信息的預(yù)處理方法采用Savitzky-Golay卷積，在基線(xiàn)校正后使用非線(xiàn)性的SVM算法建立分類(lèi)判別模型，模型分類(lèi)準(zhǔn)確率可達(dá)97.8%。這些研究結(jié)果表明拉曼光譜技術(shù)是判別水果早期輕微損傷的一種有效手段。

2.2.2.2 成熟度檢測(cè) 也有學(xué)者將拉曼光譜檢測(cè)應(yīng)用于果實(shí)成熟度及新鮮度的檢測(cè)研究上。西班牙巴斯克大學(xué)Trebolazabala團(tuán)隊(duì)[51]分別采用便攜式拉曼光譜儀和共焦顯微拉曼光譜儀在不同激光波長(zhǎng)下對(duì)不同成熟度的番茄內(nèi)部主要識(shí)別成分進(jìn)行定性檢測(cè)。試驗(yàn)結(jié)果表明，未成熟番茄用于識(shí)別的主要成分為角質(zhì)和表皮蠟，成熟番茄用于識(shí)別的主要成分為胡蘿卜素、多酚和多糖。該研究證明拉曼光譜檢測(cè)技術(shù)在番茄內(nèi)部有機(jī)成分檢測(cè)上是充分可行的。Trebolazabala團(tuán)隊(duì)[52]在后續(xù)的研究中又采用便攜式拉曼光譜儀對(duì)番茄在不同成熟階段的內(nèi)部營(yíng)養(yǎng)物質(zhì)成分含量的變化進(jìn)行了跟蹤和分析，該研究經(jīng)過(guò)光譜信息分析，證明了在番茄逐漸成熟的過(guò)程中，類(lèi)胡蘿卜素含量增加，而葉綠素和表皮蠟含量減少。通過(guò)對(duì)比試驗(yàn)，結(jié)果表明采用便攜式拉曼光譜儀獲取的番茄內(nèi)部品質(zhì)信息與價(jià)格昂貴的共焦顯微拉曼光譜儀無(wú)異，充分可以對(duì)番茄的成熟度進(jìn)行分析檢測(cè)。Nekvapil等[53]使用便攜式拉曼光譜儀對(duì)柑橘新鮮度進(jìn)行了檢測(cè)，該試驗(yàn)以類(lèi)胡蘿卜素的拉曼光譜信息作為新鮮度檢測(cè)指標(biāo)，提出拉曼新鮮度系數(shù)，這一系數(shù)隨著柑橘放置時(shí)長(zhǎng)呈線(xiàn)性衰減。通過(guò)試驗(yàn)證明了拉曼光譜技術(shù)適用于柑橘的新鮮度檢測(cè)。

2.2.2.3 農(nóng)藥殘留檢測(cè) 拉曼光譜檢測(cè)技術(shù)還經(jīng)常被用于果實(shí)表面農(nóng)藥殘留量的檢測(cè)。Fan等[54]將拉曼光譜技術(shù)應(yīng)用于定量分析蘋(píng)果中痕量的甲萘威農(nóng)藥殘留量，實(shí)驗(yàn)方法具體為用主成分分析方法對(duì)樣本表面增強(qiáng)拉曼光譜數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)結(jié)合化學(xué)計(jì)量方法測(cè)定甲萘威的實(shí)際含量，使用PLSR和支持向量回歸（support vector regression，SVR）分別建立光譜數(shù)據(jù)與樣品甲萘威含量之間的相關(guān)模型。實(shí)驗(yàn)結(jié)果表明，兩個(gè)模型均取得較穩(wěn)定的預(yù)測(cè)效果，其中SVR模型表現(xiàn)最優(yōu)，相關(guān)系數(shù)高達(dá)0.986。這表明拉曼光譜檢測(cè)技術(shù)是一種快速可靠的水果表面農(nóng)藥殘留檢測(cè)和表征方法。

2.3 高光譜成像技術(shù)

2.3.1 概述 高光譜圖像是一系列光波在不同波長(zhǎng)處的光學(xué)圖像，高光譜成像技術(shù)是一種集圖像信息與光譜信息于一體的無(wú)接觸式檢測(cè)技術(shù)，其中光譜信息可以反映樣品內(nèi)部結(jié)構(gòu)的差異，圖像信息則反映樣品的形狀、缺陷等外部品質(zhì)特征，該技術(shù)能全面反映水果的內(nèi)外部品質(zhì)信息。高光譜成像技術(shù)在對(duì)目標(biāo)的空間特征成像的同時(shí)，對(duì)每個(gè)空間像元經(jīng)過(guò)色散形成數(shù)百個(gè)窄波段以進(jìn)行連續(xù)的光譜覆蓋，這樣形成的數(shù)據(jù)可以用“圖像立方體”或“三維數(shù)據(jù)塊”來(lái)進(jìn)行形象的描述。高光譜數(shù)據(jù)的二維圖像中每個(gè)像素都包含一條光譜，可以用于傳統(tǒng)機(jī)器視覺(jué)難以檢測(cè)的早期腐爛、碰傷等外部損傷的檢測(cè)，也可以用于內(nèi)部品質(zhì)如硬度、成熟度或各類(lèi)營(yíng)養(yǎng)成分含量的快速無(wú)損檢測(cè)。

2.3.2 應(yīng)用方向

2.3.2.1 內(nèi)部損傷檢測(cè) 對(duì)于水果內(nèi)部損傷的檢測(cè)，Pan等[55]設(shè)計(jì)了一套用于冷藏過(guò)程中凍傷桃子的高光譜成像技術(shù)檢測(cè)系統(tǒng)。為了在不降低檢測(cè)效果的同時(shí)提升檢測(cè)速率，該系統(tǒng)使用ANN模型篩選了八個(gè)具有典型光譜特征的特征波長(zhǎng)，結(jié)合計(jì)量判斷桃子是否被凍傷的理化質(zhì)量指標(biāo)，建立了果實(shí)質(zhì)量參數(shù)與果實(shí)在特征波長(zhǎng)下光譜響應(yīng)之間的相關(guān)模型。以最佳代表性波長(zhǎng)作為ANN模型的輸入，系統(tǒng)對(duì)凍傷桃子分類(lèi)準(zhǔn)確率達(dá)95.8%，研究結(jié)果表明使用高光譜圖像技術(shù)檢測(cè)果品凍傷是充分可行的。ElMasry等[56]將高光譜成像技術(shù)和ANN模型應(yīng)用于檢測(cè)蘋(píng)果的凍害，試驗(yàn)通過(guò)檢測(cè)硬度指標(biāo)來(lái)判斷蘋(píng)果是否凍傷。通過(guò)高光譜成像技術(shù)，系統(tǒng)獲取到蘋(píng)果光譜特性及圖像并進(jìn)行預(yù)處理，在使用全局閾值法確定最佳特征波長(zhǎng)后，開(kāi)發(fā)前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）模型以區(qū)分普通蘋(píng)果和凍傷蘋(píng)果，模型分類(lèi)精度達(dá)98.4%，可以穩(wěn)定檢測(cè)到由于凍害造成蘋(píng)果硬度變化，該研究表明高光譜成像技術(shù)適用于水果硬度的檢測(cè)。孫梅等[57]以蘋(píng)果為研究對(duì)象，采用高光譜成像技術(shù)檢測(cè)其風(fēng)傷情況，用PCA對(duì)比分析不同光譜區(qū)域?qū)ψR(shí)別結(jié)果的影響，結(jié)合權(quán)重系數(shù)，最終選取

714 nm作為蘋(píng)果風(fēng)傷研究的最佳特征波長(zhǎng)，建立的模型對(duì)蘋(píng)果風(fēng)傷檢測(cè)準(zhǔn)確率達(dá)98%。比利時(shí)學(xué)者Keresztes等[58]設(shè)計(jì)了基于短波紅外和高光譜成像技術(shù)的蘋(píng)果損傷檢測(cè)系統(tǒng)，系統(tǒng)采用偏最小二乘-判別分析（partial least squares - discriminant analysis，PLS-DA）模型，結(jié)合空間信息處理二進(jìn)制圖像后，對(duì)蘋(píng)果損傷檢測(cè)準(zhǔn)確率達(dá)到94.4%。上海交通大學(xué)Wang團(tuán)隊(duì)[59]研究了采用高光譜成像技術(shù)快速檢測(cè)藍(lán)莓內(nèi)部的機(jī)械損傷的系統(tǒng)，系統(tǒng)將深度學(xué)習(xí)技術(shù)引入基于高光譜透射成像的軟水果損傷檢測(cè)研究中，通過(guò)建立CNN模型，結(jié)合k倍交叉驗(yàn)證的模型評(píng)估方法，取得88%的分類(lèi)準(zhǔn)確率，識(shí)別效果明顯優(yōu)于其他幾種傳統(tǒng)的機(jī)器學(xué)習(xí)算法。以上研究結(jié)果表明，高光譜成像技術(shù)可通過(guò)檢測(cè)果實(shí)硬度變化從而對(duì)水果內(nèi)部損傷如凍傷、風(fēng)傷等進(jìn)行檢測(cè)，是一種快速可靠的水果內(nèi)部損傷檢測(cè)方法。

2.3.2.2 內(nèi)部成分檢測(cè) 對(duì)于內(nèi)部成分的檢測(cè)，高光譜成像技術(shù)也有一定應(yīng)用價(jià)值。Rajkumar等[60]通過(guò)使用高光譜成像技術(shù)采集可見(jiàn)光和近紅外400~1000 nm的波長(zhǎng)范圍內(nèi)香蕉樣本的光譜信息與圖像信息，結(jié)合化學(xué)計(jì)量方法確定果實(shí)水分、硬度及可溶性固形物的具體指標(biāo)參數(shù)，使用MLR算法分別建立了香蕉果實(shí)在三種不同溫度條件下內(nèi)部品質(zhì)與其光譜特性之間的回歸模型，該模型對(duì)香蕉果實(shí)水分、硬度及可溶性固形物的測(cè)定相關(guān)系數(shù)分別為0.91、0.85和0.87。中國(guó)農(nóng)業(yè)大學(xué)的彭彥昆團(tuán)隊(duì)[61]利用高光譜成像技術(shù)建立了一種蘋(píng)果內(nèi)部品質(zhì)無(wú)損檢測(cè)方法，該方法具體為在524~1016 nm的波段范圍內(nèi)，采用洛倫茲函數(shù)擬合評(píng)估高光譜的空間散射曲線(xiàn)并提取相關(guān)參數(shù)，使用PLS建立蘋(píng)果硬度與其光譜特性的預(yù)測(cè)模型。研究結(jié)果表明，模型相關(guān)系數(shù)達(dá)0.88，基本可以實(shí)現(xiàn)蘋(píng)果硬度的快速無(wú)損檢測(cè)。Dong等[62]采用高光譜成像技術(shù)在近紅外區(qū)域（900~1700 nm）檢測(cè)儲(chǔ)存13周的蘋(píng)果內(nèi)部品質(zhì)，包括可溶性固形物含量（soluble solid content，SSC）、硬度、水分（moisture content，MC）以及 pH。該模型選用連續(xù)投影算法（successive projections algorithm，SPA）和無(wú)信息變量消除算法（uninformative variable elimination，UVE）兩種典型的變量選擇方法從蘋(píng)果的全光譜中提取特征變量，結(jié)合化學(xué)計(jì)量手段，使用PLS，最小二乘支持向量機(jī)（least squares support vector machines，LSSVM）和反向傳播網(wǎng)絡(luò)（back propagation，BP）三種建模方法共建立多個(gè)關(guān)于蘋(píng)果SSC，硬度，MC和pH的預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，所有模型都可以準(zhǔn)確預(yù)測(cè)蘋(píng)果的SSC和MC，但都無(wú)法預(yù)測(cè)硬度，其中SPA-LSSVM和FS-BP模型可以粗略預(yù)測(cè)pH。試驗(yàn)結(jié)果證明近紅外高光譜反射成像技術(shù)在蘋(píng)果SSC、MC和pH的檢測(cè)上有一定可行性。以上研究結(jié)果表明，高光譜成像技術(shù)可以同時(shí)獲取樣本的光譜信息和圖像信息，可對(duì)水果外部品質(zhì)及內(nèi)部品質(zhì)作出綜合評(píng)價(jià)，應(yīng)用范圍較廣。

2.4 優(yōu)點(diǎn)及適用條件

光譜技術(shù)是果品內(nèi)部質(zhì)量檢測(cè)中應(yīng)用最廣泛的高新技術(shù)，利用物體不同光學(xué)特性所對(duì)應(yīng)的特征光譜研究物質(zhì)結(jié)構(gòu)或測(cè)定化學(xué)成分，可以實(shí)現(xiàn)對(duì)果品內(nèi)部品質(zhì)（硬度、脆度、酸甜度）以及內(nèi)部病變等情況的無(wú)損檢測(cè)。傳統(tǒng)的水果內(nèi)部品質(zhì)檢測(cè)方法是通過(guò)理化實(shí)驗(yàn)分析，雖然結(jié)果精確，但操作過(guò)程繁瑣、效率較低、檢測(cè)成本較高且會(huì)對(duì)果品造成損傷，相比之下用光譜技術(shù)檢測(cè)水果品質(zhì)具有操作簡(jiǎn)便、精確度較高、非破壞性的特點(diǎn)。由于水果的內(nèi)部結(jié)構(gòu)各不相同，在不同波長(zhǎng)的光線(xiàn)照射下會(huì)有不同的吸收、反射或者透射特性，具體表現(xiàn)在水果的光譜反射率或吸收率在某一段或幾段特定波長(zhǎng)內(nèi)出現(xiàn)峰值，可由此建立起該特征峰值與水果本身質(zhì)量指標(biāo)的數(shù)據(jù)模型，進(jìn)而實(shí)現(xiàn)果品質(zhì)量的檢測(cè)。在實(shí)際檢測(cè)應(yīng)用中，光譜檢測(cè)技術(shù)可以同時(shí)檢測(cè)果品的外部和內(nèi)部品質(zhì)，定性分析的準(zhǔn)確性較高，但需要較為復(fù)雜的建模過(guò)程，檢測(cè)速度慢、定量分析的精度還有待提高也是其明顯的缺陷。具體到每種技術(shù)上，近紅外光譜檢測(cè)技術(shù)是分析化學(xué)領(lǐng)域發(fā)展迅速的檢測(cè)技術(shù)之一，具有快速、無(wú)損和可實(shí)現(xiàn)多組分同時(shí)測(cè)定的特點(diǎn)。拉曼光譜分析技術(shù)多適用于水果的外部損傷和農(nóng)藥殘留檢測(cè)，但前期需要進(jìn)行大量數(shù)據(jù)檢測(cè)及數(shù)據(jù)分析過(guò)程，較難實(shí)現(xiàn)在線(xiàn)檢測(cè)。高光譜成像技術(shù)采集的數(shù)據(jù)精度高，適合實(shí)驗(yàn)階段。但與拉曼光譜分析技術(shù)有同樣的缺點(diǎn)：數(shù)據(jù)量過(guò)大，處理時(shí)間長(zhǎng)，不適合在線(xiàn)檢測(cè)。

3 結(jié)語(yǔ)與展望

除了以上詳細(xì)介紹的四種光學(xué)無(wú)損檢測(cè)技術(shù)外，還有很多無(wú)損檢測(cè)技術(shù)正在水果檢測(cè)中被廣泛應(yīng)用：基于氣體傳感器技術(shù)的電子鼻能夠通過(guò)獲取水果的氣味信息對(duì)氣體或揮發(fā)性成分做定性或定量的檢測(cè)，正被研究應(yīng)用于水果的成熟度和新鮮度檢測(cè)；利用水果介電特性的介電特性檢測(cè)技術(shù)對(duì)果品的檢測(cè)適應(yīng)性較強(qiáng)，可對(duì)水果新鮮度、機(jī)械損傷、糖度和硬度等進(jìn)行檢測(cè)識(shí)別；利用X射線(xiàn)對(duì)待測(cè)物內(nèi)部透射成像的X射線(xiàn)成像技術(shù)對(duì)水果的內(nèi)部結(jié)構(gòu)變化敏感，能直觀(guān)反映水果密度、含水率及內(nèi)部缺陷等品質(zhì)特征；通過(guò)計(jì)算組織中氫質(zhì)子數(shù)量信息的核磁共振技術(shù)在水果內(nèi)部品質(zhì)，特別是成熟度和內(nèi)部缺陷上也有一定應(yīng)用[63?65]。

各種無(wú)損檢測(cè)技術(shù)都有其各自的適用范圍與優(yōu)點(diǎn)，正確認(rèn)識(shí)不同無(wú)損檢測(cè)技術(shù)的特點(diǎn)與局限性對(duì)水果的檢測(cè)與生產(chǎn)具有重要意義。對(duì)于機(jī)器視覺(jué)而言，該技術(shù)對(duì)果實(shí)內(nèi)部品質(zhì)特征的檢測(cè)存在一定局限性，則可以在外部檢測(cè)中充分發(fā)揮其快捷客觀(guān)的優(yōu)勢(shì)，將其應(yīng)用于大批量或高質(zhì)量要求的生產(chǎn)實(shí)踐中，為水果產(chǎn)業(yè)解放生產(chǎn)力、加快分揀效率提供保障。而對(duì)于光譜檢測(cè)技術(shù)，未來(lái)可根據(jù)具體的檢測(cè)對(duì)象要求，尋找最佳的檢測(cè)波長(zhǎng)等參數(shù)，減少數(shù)據(jù)量，設(shè)計(jì)對(duì)應(yīng)的光譜圖像系統(tǒng)，在不降低精度的前提下，降低成本和節(jié)約時(shí)間。

綜合來(lái)看，各種檢測(cè)技術(shù)功能不同，但單一的檢測(cè)技術(shù)已經(jīng)無(wú)法滿(mǎn)足對(duì)水果品質(zhì)的全面檢測(cè)，采用多源信息融合的方式可以全方面多角度地獲取水果品質(zhì)相關(guān)特征信息，對(duì)無(wú)損檢測(cè)的精度及穩(wěn)定性會(huì)有很大提升?，F(xiàn)有的無(wú)損檢測(cè)多源信息融合大多聚焦于水果大小、形狀、顏色等外部特征，對(duì)水果內(nèi)部品質(zhì)檢測(cè)技術(shù)的融合應(yīng)用仍然較少，多源信息融合是水果品質(zhì)無(wú)損檢測(cè)技術(shù)發(fā)展的必然趨勢(shì)。但與此同時(shí)，多源信息融合必定會(huì)造成數(shù)據(jù)量過(guò)大，在數(shù)據(jù)的傳輸與處理上會(huì)花費(fèi)更多的時(shí)間，這需要研究人員再做深入的試驗(yàn)研究，大致可以從完善模型算法、優(yōu)化硬件結(jié)構(gòu)與數(shù)據(jù)降維這幾個(gè)方面進(jìn)行考慮。