果蔬品質(zhì)劣變傳感檢測與監(jiān)測技術(shù)研究進(jìn)展

郭志明 王郡藝 宋燁 鄒小波 蔡健榮

摘要：果蔬在采后貯藏和運(yùn)輸過程中極易發(fā)生品質(zhì)劣變，食用價(jià)值降低且造成巨大的經(jīng)濟(jì)損失。為保障果蔬品質(zhì)，減少產(chǎn)后劣變導(dǎo)致的資源浪費(fèi)，本文綜述了果蔬品質(zhì)劣變傳感檢測與監(jiān)測技術(shù)最新研究現(xiàn)狀，分析了各類檢測技術(shù)的原理、特點(diǎn)及優(yōu)缺點(diǎn)。其中，機(jī)器視覺可檢測果蔬外部品質(zhì)和表面缺陷，電子鼻可監(jiān)測果蔬的劣變氣味，近紅外光譜可檢測果蔬內(nèi)部品質(zhì)和隱性缺陷，高光譜成像能實(shí)現(xiàn)可視化檢測果蔬內(nèi)外品質(zhì)、監(jiān)測劣變過程，拉曼光譜可檢測果蔬腐敗菌及其代謝產(chǎn)物，多技術(shù)聯(lián)用和多信息融合能綜合評價(jià)果蔬劣變。以各種傳感器為感知節(jié)點(diǎn)構(gòu)建物聯(lián)網(wǎng)監(jiān)測系統(tǒng)，進(jìn)而實(shí)現(xiàn)果蔬品質(zhì)劣變信息的智能化實(shí)時(shí)監(jiān)測，為解決果蔬加工過程中品質(zhì)劣變控制技術(shù)難題提供參考，對降低果蔬產(chǎn)后的經(jīng)濟(jì)損失，推進(jìn)果蔬產(chǎn)業(yè)可持續(xù)發(fā)展具有重要意義。

關(guān)鍵詞：智能感知;無損檢測;品質(zhì)劣變;物聯(lián)網(wǎng);機(jī)器視覺;高光譜;近紅外;拉曼光譜;電子鼻

中圖分類號： TP241.3文獻(xiàn)標(biāo)志碼： A文章編號：202106-SA011

引用格式：郭志明， 王郡藝， 宋燁， 鄒小波， 蔡健榮. 果蔬品質(zhì)劣變傳感檢測與監(jiān)測技術(shù)研究進(jìn)展[J].智慧農(nóng)業(yè)（中英文）， 2021， 3（4）：14-28.

GUO Zhiming， WANG Junyi， SONG Ye， ZOU Xiaobo， CAI Jianrong. Research progress of sensing detection and monitoring technology for fruit and vegetable quality control[J]. Smart Agriculture， 2021， 3（4）：14-28.（in Chinese with English abstract）

1? 引言

聯(lián)合國糧食及農(nóng)業(yè)組織將2021年設(shè)為“國際果蔬年”，旨在突出水果和蔬菜在人類營養(yǎng)、食品安全、可持續(xù)生產(chǎn)以及減少浪費(fèi)中的重要作用;呼吁通過技術(shù)創(chuàng)新推動健康、可持續(xù)的果蔬生產(chǎn)，減少損失和浪費(fèi)[1]。中國蔬菜水果總面積及總產(chǎn)量一直穩(wěn)居世界第一，是繼糧食之后的第二、三大農(nóng)業(yè)種植產(chǎn)業(yè)[2]，是國內(nèi)外市場前景廣闊且具有較強(qiáng)國際競爭力的優(yōu)勢農(nóng)業(yè)產(chǎn)業(yè)，也是許多地區(qū)經(jīng)濟(jì)發(fā)展的亮點(diǎn)和農(nóng)民致富的支柱產(chǎn)業(yè)之一。2011—2020年中國蔬菜和水果產(chǎn)量如圖1所示，均保持穩(wěn)步增長態(tài)勢。果蔬產(chǎn)業(yè)是農(nóng)業(yè)的重要組成部分，其發(fā)展可促進(jìn)農(nóng)業(yè)結(jié)構(gòu)調(diào)整、優(yōu)化居民飲食結(jié)構(gòu)、增加農(nóng)民收入。提供豐富、新鮮、營養(yǎng)健康的果蔬產(chǎn)品是滿足人民對美好生活向往的物質(zhì)基礎(chǔ)。

表面缺陷、機(jī)械損傷、微生物侵染、病害等是導(dǎo)致采后果蔬品質(zhì)劣變的主要因素[3]。表面缺陷是指果蔬生長過程中由于大風(fēng)、冰雹等外界原因?qū)е卤砻娌羵蚩呐龆钟袭a(chǎn)生的疤痕等，極大影響果蔬經(jīng)濟(jì)價(jià)值。在采收和運(yùn)輸環(huán)節(jié)，果蔬易受到物理損傷，微生物借此通道進(jìn)入果蔬內(nèi)部，造成果蔬的腐敗和病害。中國80%～90%的果蔬收獲后直接進(jìn)入超市和菜市場，因此對果蔬貨架期品質(zhì)控制具有較高要求[4]。歐美日本等發(fā)達(dá)國家，95%以上農(nóng)產(chǎn)品進(jìn)入冷鏈物流，據(jù)不完全統(tǒng)計(jì)，僅在運(yùn)輸環(huán)節(jié)，中國果蔬每年損失約700億元[5，6]。

隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，消費(fèi)者對果蔬質(zhì)量和安全性要求越來越高。2021年 3月發(fā)布的《中華人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個(gè)五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》中明確指出，“要強(qiáng)化全過程農(nóng)產(chǎn)品質(zhì)量安全監(jiān)管，加強(qiáng)農(nóng)產(chǎn)品倉儲保鮮和冷鏈物流設(shè)施建設(shè);深入實(shí)施食品安全戰(zhàn)略，加強(qiáng)食品全鏈條質(zhì)量安全監(jiān)管”。當(dāng)今中國果蔬產(chǎn)業(yè)已經(jīng)跨過了“擴(kuò)大生產(chǎn)規(guī)模的產(chǎn)業(yè)階段”，進(jìn)入了提高品質(zhì)、控制成本、轉(zhuǎn)變模式的品牌培育、品牌銷售、推行品牌戰(zhàn)略的發(fā)展階段。果蔬產(chǎn)業(yè)的發(fā)展迫切需要采后商品化處理技術(shù)，特別是品質(zhì)劣變監(jiān)測技術(shù)。中國是果蔬最大生產(chǎn)國和消費(fèi)國，巨大的產(chǎn)品檢測需求、國內(nèi)產(chǎn)業(yè)需求和食品安全的嚴(yán)峻挑戰(zhàn)都迫切需要研究適用于果蔬劣變的監(jiān)測技術(shù)，從而保障果蔬產(chǎn)業(yè)的健康發(fā)展。

2? 技術(shù)研究現(xiàn)狀及發(fā)展分析

果蔬屬于生鮮類食品，其采收銷售過程中仍然進(jìn)行著新陳代謝，如果貯藏不當(dāng)，就會發(fā)生劣變，其一般表現(xiàn)為果蔬表面顏色改變、氣味發(fā)生變化、硬度下降、失水萎蔫等，通過人眼可以判斷品質(zhì)發(fā)生嚴(yán)重劣變的果蔬，但是人眼易受生理?xiàng)l件和主觀因素的影響，檢測范圍有限，檢測結(jié)果可靠性差。

在果蔬品質(zhì)劣變研究領(lǐng)域，研究人員利用光、聲、電等特性，形成了如機(jī)器視覺、電子鼻、近紅外光譜、高光譜成像檢測等一系列新興的傳感檢測技術(shù)，如圖2所示。通過傳感器獲取相關(guān)信號和圖譜并進(jìn)行判別分析，具有快速、易操作、對樣品無破壞性等優(yōu)點(diǎn)。將多種技術(shù)聯(lián)合使用，多維度獲取果蔬品質(zhì)信息，可以提升品質(zhì)劣變檢測、監(jiān)測的穩(wěn)定性和準(zhǔn)確率。

2.1 感官仿生檢測技術(shù)

感官仿生技術(shù)是利用信息傳感技術(shù)模仿人或動物的視覺、聽覺、味覺和嗅覺等感覺，獲取被檢測對象的特征信息，并用計(jì)算機(jī)模擬人腦對所獲取的信息進(jìn)行處理，檢測效率高，檢測結(jié)果準(zhǔn)確[7]。目前在果蔬品質(zhì)劣變檢測領(lǐng)域主要有機(jī)器視覺技術(shù)和電子鼻技術(shù)[8]。

2.1.1?? 機(jī)器視覺檢測技術(shù)

機(jī)器視覺技術(shù)使用圖像獲取設(shè)備模擬人類視覺獲取檢測對象的特征信息，輸送至計(jì)算機(jī)進(jìn)行圖像處理、對目標(biāo)區(qū)域進(jìn)行分析和識別，從而實(shí)現(xiàn)對被檢測對象的綜合評價(jià)[9]，具有非接觸性、識別速度快、判別精度高等優(yōu)點(diǎn)，在果蔬檢測領(lǐng)域多用于品質(zhì)分級和缺陷檢測[10]。

在蔬菜品質(zhì)檢測方面，da Costa等[11]使用機(jī)器視覺技術(shù)對西紅柿外部圖像進(jìn)行獲取，并通過深度神經(jīng)網(wǎng)絡(luò)二元分類器對圖像進(jìn)行分類，判別準(zhǔn)確率達(dá)94.6%。Su等[12]使用深度相機(jī)采集了馬鈴薯的深度圖像用于檢測馬鈴薯畸形，判別準(zhǔn)確率可達(dá)90%。Xie等[13]使用機(jī)器視覺提取胡蘿卜表面缺陷，如綠肩、彎曲、表面開裂等關(guān)鍵參數(shù)，分別建立識別算法，缺陷總識別率達(dá)90.9%。謝為俊等[14]提出了集胡蘿卜表面缺陷識別和開裂區(qū)域分割的融合網(wǎng)絡(luò)，結(jié)合支持向量機(jī)（Support Vector Machine ，SVM）和集成算法提高識別模型的準(zhǔn)確率，能準(zhǔn)確識別胡蘿卜的表面缺陷類別并提取胡蘿卜開裂區(qū)域。

在水果缺陷檢測方面，高輝等[15]采用亮度自動校正技術(shù)結(jié)合加權(quán)矢量機(jī)，通過多重判斷實(shí)現(xiàn)基于機(jī)器視覺的蘋果缺陷檢測，總體判別正確率可達(dá)99.1%。張明等[16]提出了基于區(qū)域亮度自適應(yīng)校正的表面缺陷檢測算法，以紐荷爾臍橙為對象，對潰瘍病果、介殼蟲果、風(fēng)傷果等8種表面缺陷果進(jìn)行判別，整體缺陷識別率達(dá)95.8%。Bhargava和Bansal[17]建立了蘋果分級系統(tǒng)，通過圖像分割和提取，分別使用最近鄰法（K-Nearest Neighbor ，KNN）、稀疏表示分類器（Sparse Representation based Classification ，SRC）和SVM 三種分類器，其中 SVM 分類器性能最優(yōu)，可實(shí)現(xiàn)缺陷蘋果的剔除。Fan等[18]利用計(jì)算機(jī)視覺結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural? Networks ，CNN）建立了蘋果缺陷檢測模型，獨(dú)立驗(yàn)證集的缺陷識別率為92%。劉浩等[19]設(shè)計(jì)了基于機(jī)器視覺的馬鈴薯缺陷檢測系統(tǒng)，采用RGB彩色模型對馬鈴薯圖像R 、G 、B 分量進(jìn)行分析，將有無缺陷部位進(jìn)行分割，對蟲眼、龜裂、綠皮和腐爛等缺陷有較高的判別正確率。

目前機(jī)器視覺技術(shù)已經(jīng)廣泛應(yīng)用于果蔬外部品質(zhì)檢測，但果蔬不同于機(jī)械加工的標(biāo)準(zhǔn)品，其在生長過程中會受光照、海拔、葉面遮擋等因素的影響，嚴(yán)重干擾被檢測對象的圖像獲取工作，極易造成誤判。隨著人工智能和深度學(xué)習(xí)的發(fā)展，新的識別算法可以提高機(jī)器視覺檢測的適用性和穩(wěn)定性。

2.1.2? 電子鼻檢測技術(shù)

電子鼻是通過模擬人或動物的鼻子，對被檢測對象的揮發(fā)性成分進(jìn)行獲取、分析、識別的新型仿生儀器[20]。果蔬中的風(fēng)味物質(zhì)是由不同揮發(fā)性成分如醇類、醛類、酮類等組成的混合物，可以客觀反映果蔬品質(zhì)特征，通過對其響應(yīng)譜進(jìn)行分析可以實(shí)現(xiàn)對果蔬新鮮度、腐爛度、損傷和病害判別。

利用電子鼻對果蔬腐爛監(jiān)測進(jìn)行了廣泛研究。黃星奕等[21]利用電子鼻技術(shù)對果蔬真菌腐爛進(jìn)行了研究，建立了 KNN 判別模型，訓(xùn)練集與預(yù)測集識別率分別為90%和85%，可以實(shí)現(xiàn)果蔬劣變程度區(qū)分。Cincina等[22]將不同微生物接種于罐裝去皮的番茄中，發(fā)現(xiàn)電子鼻能夠檢測腐敗劣變的番茄。丁慶行等[23]基于電子鼻技術(shù)構(gòu)建了倉儲環(huán)境的水果腐爛無損檢測系統(tǒng)，實(shí)現(xiàn)了4種核果類水果的輕微和嚴(yán)重腐敗兩種等級判別。朱丹實(shí)等[24]以華富蘋果為對象，利用電子鼻分析蘋果在1個(gè)月的貯藏期內(nèi)風(fēng)味物質(zhì)變化，利用主成分分析（Principal? Components? Analysis，PCA）和線性判別分析（Linear? DiscriminantAnalysis，LDA）對不同貯藏時(shí)間的蘋果進(jìn)行區(qū)分。張建超等[25]利用電子鼻技術(shù)對蘋果霉心病特征揮發(fā)性香氣進(jìn)行表征，利用Fisher 、KNN等判別方法建立霉心蘋果判別模型，預(yù)測集最優(yōu)判別率達(dá)88.46%。楊晨昱等[26]利用近紅外光譜技術(shù)和電子鼻技術(shù)分別結(jié)合Fisher判別、KNN等方法建立判別模型，電子鼻集合多層神經(jīng)網(wǎng)絡(luò)（Multi-layer Neural Network ，MLP）模型對霉心蘋果判別效果最好，驗(yàn)證集正確判別率達(dá)86.2%。Guo等[27]利用電子鼻采集儲藏過程的蘋果信息，通過不同分析方法建立不同程度的腐敗蘋果分類模型，同時(shí)使用波長提取算法建立偏最小二乘（Partial Least-square Method ，PLS）模型預(yù)測斑塊區(qū)域，結(jié)果表明 PCA降維后的偏最小二乘判別（Partial? Least-squares? Discrimination Analysis ，PLS-DA）模型具有最佳分類表現(xiàn)，競爭性自適應(yīng)重加權(quán)采樣偏最小二乘（Competitive Adaptive? Reweighted Algorithm-Partial ?Least Square ，CARS-PLS）模型對變質(zhì)面積檢測性能最好。趙策等[28]采用 PEN3電子鼻將皇冠梨按三個(gè)腐敗等級對黑核梨樣本進(jìn)行采樣，利用PCA 等不同分類方法相結(jié)合建立判別模型，最佳準(zhǔn)確率可達(dá)95.6%。

在果蔬品質(zhì)檢測方面，馬蒙蒙等[29]以不同品種的富士蘋果為研究對象，利用電子鼻對其貨架期間的香氣成分進(jìn)行獲取并建立線性判別模型。Hao 和Yu[30]使用金屬氧化物半導(dǎo)體電子鼻對梨氣味數(shù)據(jù)進(jìn)行收集，PCA 降維后分別使用 BP 神經(jīng)網(wǎng)路（Back Propagation Neural Network， BPNN）和極限學(xué)習(xí)機(jī)（Extreme Learning Machine ，ELM）對梨的棕色芯進(jìn)行檢測，其精度為0.9683。Yang 等[31]使用電子鼻采集黃桃揮發(fā)性物質(zhì)，實(shí)現(xiàn)24 h內(nèi)黃桃損傷水平及損后時(shí)間精準(zhǔn)預(yù)測，識別損傷果的正確率為93.33%。Nouri 等[32]對 60個(gè)石榴樣本分別使用LDA 、BPNN 和 SVM 等方法進(jìn)行比較判別，其中LDA僅使用兩個(gè)MOS傳感器就以100%準(zhǔn)確度檢測出患真菌病的石榴。Jia等[33]使用PEN3電子鼻采集接種/未接種青霉菌蘋果和混合蘋果，分別使用 LDA、 BPNN 、SVM 和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial? Basis Function Neural Network ，RBFNN）等四種模式識別算法建立了新鮮/發(fā)霉蘋果的預(yù)測模型。

國內(nèi)現(xiàn)階段的電子鼻系統(tǒng)裝置所用氣敏傳感器多為國外進(jìn)口，成本較高，目前多用于科研院所及高校[34]。在傳感器方面，需提高傳感器電極膜材料的性能，提升其靈敏度和耐用性[35]。此外，建立判別模型多使用PCA 、LDA 、PLS等經(jīng)典方法，可對已有算法進(jìn)行優(yōu)化改進(jìn)提高判別準(zhǔn)確率，同時(shí)探索新的模式識別算法。

2.2 光譜和成像檢測技術(shù)

由于果蔬的劣變組織和正常組織特性不同，在不同波長光線照射下會有不同的吸收、反射和透射特性，即果蔬的光譜反射率或吸收率在某一段或者幾段特定波長內(nèi)出現(xiàn)峰值，根據(jù)特征峰值與果蔬的品質(zhì)劣變指標(biāo)建立關(guān)系，進(jìn)而判別果蔬劣變[36]。果蔬內(nèi)部品質(zhì)光電檢測技術(shù)在生產(chǎn)過程中具有快速、高效、精確的檢測和監(jiān)控優(yōu)勢。隨著光機(jī)電技術(shù)和制造工藝的發(fā)展，光譜儀向小型化、專用化、低成本、便攜化方向升級，為果蔬品質(zhì)的實(shí)時(shí)原位檢測和評價(jià)提供了技術(shù)支撐。近紅外光譜檢測技術(shù)、高光譜成像檢測技術(shù)和拉曼光譜檢測技術(shù)是常見的果蔬品質(zhì)劣變光譜檢測技術(shù)。特別是近紅外光譜檢測技術(shù)，中國正處在從實(shí)驗(yàn)室研究向生產(chǎn)應(yīng)用的關(guān)鍵轉(zhuǎn)型期。實(shí)驗(yàn)室研究級近紅外光譜儀檢測精度高、穩(wěn)定性好，但體積大、攜帶不便，價(jià)格昂貴，限制了其在農(nóng)產(chǎn)品各流通環(huán)節(jié)的應(yīng)用和推廣。

2.2.1?? 近紅外光譜檢測技術(shù)

近紅外光主要是含氫基團(tuán)X-H振動的倍頻與和頻吸收，分子振動從基態(tài)到高能級躍遷產(chǎn)生光譜，其中包含有機(jī)化合物的組成和分子結(jié)構(gòu)信息[37]。近紅外光譜檢測技術(shù)是目前最常用的果蔬內(nèi)部品質(zhì)無損檢測技術(shù)[38]。

前期采用近紅外光譜檢測技術(shù)對水果品質(zhì)檢測開展了廣泛研究，王梓萌等[39]以斗南蘋果為對象采集其4000～12，500 cm-1 波長內(nèi)的漫反射光譜，利用PCA降維后分別使用馬氏距離和Fisher判別建立蘋果霉心病檢測模型，馬氏距離判別模型效果較好，其判別正確率達(dá)97.14%。Xing等[40]利用400～1700 nm 的可見和近紅外反射光譜對“金美味”蘋果表面的損傷進(jìn)行了鑒別，其中545和 1200 nm 附近的波段可反映損傷組織隨時(shí)間的變化情況，通過判別分析，總體分類正確率大于90%。孟慶龍等[41]利用高光譜圖像采集技術(shù)獲取正常蘋果和表面有缺陷蘋果的高光譜圖像，通過多元散射校正（Multiplicative Scatter? Correction ，MSC）預(yù)處理和 PCA 降維，建立 PLS-DA 模型，訓(xùn)練集和預(yù)測集的識別率達(dá)?????? 100%。劉燕德等[42]比較黃桃樣品損傷前后的近紅外漫透射光譜，建立支持向量機(jī)-偏最小二乘（Support?? Vector?? Machine-Partial?? Least-square? Method ，SVM-PLS）模型，實(shí)現(xiàn)黃桃表面缺陷的在線檢測，表面缺陷果的判別正確率為100%。 Tian 等[43]設(shè)計(jì)了在線近紅外測量系統(tǒng)，從三個(gè)方向?qū)μO果光譜進(jìn)行采集，使用SVM 開發(fā)補(bǔ)償模型，用于檢測蘋果霉心病，全體SVM 模型在三個(gè)方向的識別精度都是100%。Perez-Marin 等[44]研究了近紅外光譜技術(shù)作為一種無損分析技術(shù)的可行性，并將其應(yīng)用于建立冷藏柑桔的質(zhì)量標(biāo)準(zhǔn)和采后貨架期，建立了平均分和相應(yīng)的控制限作為預(yù)警系統(tǒng)。Jlab等[45]將可見-近紅外波段進(jìn)行分段主體組件分析，提取7個(gè)波長圖像作為構(gòu)建多光譜PC 圖像，對水果衰變區(qū)域進(jìn)行分割，以檢測橙子的早期衰變。Guo 等[46]采集水心病蘋果的近紅外光譜，比較不同變量選擇算法優(yōu)選特征波長以簡化模型，CARS-PLS的蘋果水心度定量檢測模型的相關(guān)系數(shù)達(dá)0.9808。

針對蔬菜品質(zhì)劣變檢測，韓亞芬等[47]利用近紅外光譜透射技術(shù)分別采集健康和黑心病馬鈴薯光譜數(shù)據(jù)，利用 PCA選擇特征波長建立 PLS- DA模型，實(shí)現(xiàn)了對馬鈴薯內(nèi)部缺陷快速無損檢測。Nishino等[48]開發(fā)了一種雙光束系統(tǒng)，通過在兩個(gè)方向測量洋蔥的透射光譜?；谄钚《嘶貧w（Partial Least Squares Regression ，PLSR）模型預(yù)測的腐爛評分的二元分類表明，對于不同程度的洋蔥鱗莖腐爛都取得了較好的檢測結(jié)果。Imanian等[49]分別利用可見光、近紅外、短波紅外光譜儀分別獲取馬鈴薯光譜數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)元胞自動機(jī)挑選波長后利用LDA和KNN等組合方法結(jié)合多數(shù)投票規(guī)則對健康和缺陷馬鈴薯進(jìn)行區(qū)分，使用 LDA 獲得最優(yōu)性能，其準(zhǔn)確率達(dá)97.7%。Han 等[50]為馬鈴薯檢測構(gòu)建了可見/近紅外傳輸光譜平臺，分析健康和黑心馬鈴薯的光譜傳輸特征，PCA 降維后建立PLS-DA 判別模型，結(jié)果表明黑心馬鈴薯光譜曲線相對平穩(wěn)無明顯吸收峰，模型總精度達(dá)96.73%。

國外關(guān)于近紅外光譜技術(shù)的研究起步較早，迅速從實(shí)驗(yàn)室研究走向產(chǎn)品化應(yīng)用，但依舊存在一些問題，如實(shí)時(shí)測試方案和測試部位的合理設(shè)計(jì)，光譜信號的有效提取，穩(wěn)定有效的去噪、處理、預(yù)測和補(bǔ)償模型的建立，檢測精度和速度的保證，水果尺寸差異、位姿差異、溫度變化的影響等。盡管商業(yè)化儀器已經(jīng)相繼推出并應(yīng)用，但其準(zhǔn)確性和精度仍有待科學(xué)驗(yàn)證[51]。相對于國外的進(jìn)展，中國對水果內(nèi)部品質(zhì)在線檢測的研究起步較晚，目前仍處于試驗(yàn)研發(fā)階段，技術(shù)不成熟，缺乏自主知識產(chǎn)權(quán)的裝備投放市場，雖然針對上述問題提出了各種解決方案和補(bǔ)償算法，并申請了一系列專利，但在實(shí)用化過程中仍然存在很多關(guān)鍵問題需要進(jìn)一步解決。

2.2.2? 高光譜成像檢測技術(shù)

多光譜技術(shù)能同時(shí)獲得多個(gè)光學(xué)頻譜波段信息，高光譜成像技術(shù)是集圖像信息和光譜信息于一體的無損檢測技術(shù)，可以獲得更復(fù)雜的指紋特征，其圖像信息可以反映機(jī)器視覺難以檢測的早期腐爛等外部損傷特征，光譜信息可以反映被測樣本的內(nèi)部組分信息，能從多個(gè)維度反映果蔬的內(nèi)外部品質(zhì)信息[52]。

以蘋果為對象，黃文倩等[53]為確定蘋果早期輕微損傷檢測的有效波長，對損傷發(fā)生僅為半小時(shí)的蘋果進(jìn)行損傷檢測研究，利用有效波長和全局閾值理論開發(fā)了多光譜輕微損傷提取算法，整體檢測精度可達(dá)98%。沈宇等[54]分別采集完好和輕微損傷后不同時(shí)間的高光譜圖像，進(jìn)行特征波長提取后建立基于遺傳算法優(yōu)化的BPNN和SVM 判別模型。結(jié)果表明，811 nm波段的 SVM模型為最佳判別模型，識別率達(dá)90.63%。Ba‐ranowski等[55]綜合運(yùn)用高光譜成像和熱成像技術(shù)檢測蘋果損傷。分析了蘋果組織損傷后兩周的可見光、近紅外和短波紅外光譜特征。采用 SVM 、線性Logistic回歸、神經(jīng)網(wǎng)絡(luò)和決策樹等有監(jiān)督分類方法，對5個(gè)蘋果品種的損傷后時(shí)間判別進(jìn)行了比較。對二階導(dǎo)數(shù)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行分類，其預(yù)測精度達(dá)到90%以上。Park 等[56]使用 PLSR 、PCA 和 LDA對健康、無癥狀和有癥狀的蘋果葉進(jìn)行分類以實(shí)現(xiàn)蘋果真菌疾病的檢測，LDA預(yù)測模型準(zhǔn)確度達(dá)88%。

在其他果蔬品質(zhì)檢測方面，董建偉等[57]提出了基于多光譜成像的庫爾勒香梨表面缺陷檢測和缺陷面積計(jì)算方法，并研究了疤痕、病害、果銹等6種表面缺陷情況，通過統(tǒng)計(jì)像素個(gè)數(shù)代替面積實(shí)現(xiàn)缺陷面積計(jì)算，判別準(zhǔn)確率達(dá)92%以上。Pan等[58]將交鏈格孢霉接種至庫爾勒梨，并從感染和對照樣品中獲取高光譜圖像，進(jìn)行光譜角映射以從健全組織中分割感染區(qū)域，并監(jiān)測疾病的發(fā)病過程。建立了 SVM 判別模型，總體準(zhǔn)確率達(dá)97.5%。吳姝等[59]利用高光譜成像系統(tǒng)采集冬棗在不同損傷時(shí)期的高光譜圖像，對其表面微觀損傷至內(nèi)部隱性損傷的漸變光譜進(jìn)行研究，選取了12個(gè)波長建立PLS-DA模型，檢測精度達(dá)86.7%。武錦龍等[60]使用高光譜技術(shù)獲取輕微損傷油桃原始圖像，使用圖像分割算法將油桃與背景分離后使用分塊算法對圖像分塊并添加標(biāo)簽，建立 CNN 判別模型，識別率達(dá)88.2%。 Huang 等[61]利用高光譜成像對藍(lán)莓圖像進(jìn)行獲取，通過光譜相關(guān)性分析以選擇有效光譜范圍并建立PLS-DA判別模型，實(shí)現(xiàn)藍(lán)莓早期疾病的快速檢測。Pham和Liou[62]開發(fā)了一種用于研究圓形水果的旋轉(zhuǎn)高光譜成像系統(tǒng)用于表面缺陷檢測，以棗為實(shí)驗(yàn)對象，利用高光譜數(shù)據(jù)對銹斑、裂紋等6 種棗皮進(jìn)行分類，使用 SVM 和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network ，ANN）模型區(qū)分，分類準(zhǔn)確率分別達(dá)97.3%和7.4%。趙明富等[63]利用高光譜相機(jī)分別獲取發(fā)芽、腐爛、黑心等馬鈴薯高光譜圖像，利用 PCA降維并通過圖像處理方法提取特征圖像，利用改進(jìn)的貝葉斯分類器進(jìn)行識別，預(yù)測集識別率達(dá)95%以上。

高光譜成像技術(shù)將光譜和圖像集為一體，實(shí)現(xiàn)被測物質(zhì)的可視化，既可以實(shí)現(xiàn)輕微損傷和小面積缺陷的檢測，也可同時(shí)檢測果蔬內(nèi)部品質(zhì)及成分分布情況，在果蔬內(nèi)外品質(zhì)檢測方面優(yōu)勢顯著。但目前高光譜成像設(shè)備價(jià)格昂貴且體積巨大，并不適合大規(guī)模推廣應(yīng)用[37]。此外，高光譜圖像采集的數(shù)據(jù)量較大，數(shù)據(jù)處理時(shí)間長，對于系統(tǒng)硬件有較高的要求。在優(yōu)化特征波長提取算法的基礎(chǔ)上開發(fā)低成本、專用型多光譜成像系統(tǒng)，在果蔬品質(zhì)劣變過程的動態(tài)監(jiān)測方面具有廣闊的應(yīng)用潛力。

2.2.3? 拉曼光譜檢測技術(shù)

拉曼光譜是一種基于拉曼散射的新興激光技術(shù)，通過分子振動、轉(zhuǎn)動獲得結(jié)構(gòu)等相關(guān)信息[64]，對拉曼峰位置、強(qiáng)度、線型和譜線數(shù)目等的分析即可實(shí)現(xiàn)對樣品的定量定性分析[65，66]。拉曼光譜可以與近紅外光譜互補(bǔ)，對近紅外光譜捕捉不到的信息進(jìn)行檢測[67]。陳思雨等[68]使用拉曼光譜儀采集蘋果光譜，用自適應(yīng)迭代重加權(quán)懲罰最小二乘算法進(jìn)行基線校正建立SVM 分類判別模型，可以實(shí)現(xiàn)蘋果早期輕微損傷的快速識別。劉燕德、代芬和 Sanchez等使用拉曼光譜對柑橘黃龍病檢測進(jìn)行了研究，其中劉燕德等[69]獲取了柑橘葉片拉曼光譜并通過聚合酶鏈?zhǔn)椒磻?yīng)（Polymerase Chain Reaction ，PCR）鑒別分為輕度、中度、重度、營養(yǎng)素缺乏和正常5類，使用2次多項(xiàng)式擬合的PLS-DA 模型預(yù)測效果最好，預(yù)測相關(guān)系數(shù)達(dá)0.98。代芬等[70]分析比較了黃龍病柑橘樣本和健康樣本的自熒光和拉曼光譜差異，結(jié)合PLS-DA判別模型和ROC曲線分析，拉曼光譜的判斷效果最優(yōu)，鑒別準(zhǔn)確率達(dá)98.17%。Sanchez等[71]使用手持式拉曼光譜儀與化學(xué)計(jì)量學(xué)方法相結(jié)合檢測和識別柑橘黃龍病，并可以準(zhǔn)確區(qū)分健康樹、無癥狀樹、枯萎病樹和潰瘍病樹。Lin等[72]確定了具有不同癥狀水平的香蕉枯萎病菌和香蕉枯萎病菌感染的香蕉假莖的拉曼指紋，以區(qū)分感染香蕉和健康香蕉。Guo 等[73]選取易造成蘋果腐敗的5種腐敗真菌并開發(fā)了基于金納米棒基底方法的表面增強(qiáng)拉曼光譜來收集和檢查主要蘋果腐敗真菌孢子的拉曼指紋，建立的 PCA-LDA模型判別準(zhǔn)確率達(dá)到了98.31%。

近年來，隨著拉曼光譜研究的不斷深入，拉曼光譜已成為農(nóng)產(chǎn)品質(zhì)量安全檢測領(lǐng)域發(fā)展最快的技術(shù)之一。已有研究表明拉曼光譜在果蔬疾病診斷、致腐菌識別和果蔬真菌毒素污染檢測方面是可行的。但由于缺乏高效的拉曼光譜增強(qiáng)基底和精確的拉曼圖譜庫及檢測方案，拉曼光譜增強(qiáng)基底的制備方法和拉曼標(biāo)準(zhǔn)譜圖數(shù)據(jù)庫的建立亟待完善[74]。隨著儀器設(shè)備的不斷開發(fā)，標(biāo)準(zhǔn)的建立較為滯后，未來需要加快行業(yè)相關(guān)標(biāo)準(zhǔn)的制定。

2.3 多技術(shù)聯(lián)用和多信息融合檢測果蔬劣變研究現(xiàn)狀

果蔬劣變無損檢測/監(jiān)測方法各有優(yōu)劣，機(jī)器視覺技術(shù)通過對果蔬的檢測可以很好地識別劣變果蔬，但是對于外部特征不明顯的缺陷，如內(nèi)部損傷的檢測則并不適用，且機(jī)器視覺技術(shù)的圖像分析主要依賴于算法的改進(jìn)，在復(fù)雜的多樣性環(huán)境中抗干擾性差，從而影響其運(yùn)算速度和準(zhǔn)確性[75，76];電子鼻技術(shù)通過對果蔬的揮發(fā)性氣體成分進(jìn)行檢測，具有響應(yīng)時(shí)間短、重復(fù)性好、操作簡單等特點(diǎn)，可利用采集到的氣味指紋圖譜對未知樣品進(jìn)行識別[77]，但是果蔬揮發(fā)性氣體成分的產(chǎn)生易受環(huán)境條件影響，產(chǎn)生的氣體成分種類多、不穩(wěn)定，需要解析出特征性氣體響應(yīng)信號，針對特定氣體建立判別模型[78];光譜技術(shù)可以深入果蔬組織內(nèi)部，檢測果蔬的糖度、硬度、葉綠素含量等品質(zhì)指標(biāo)，定量分析和評估果蔬的劣變程度，但是目前果蔬劣變檢測研究多是針對單一品質(zhì)的研究，而對多指標(biāo)同步檢測及綜合品質(zhì)分級的研究相對較少，且由于果蔬是非均勻組織，光在組織中的傳播受多種因素的影響，目前對光在組織中的傳播特性，光與果蔬組織的相互作用機(jī)理缺乏足夠的認(rèn)識，建立的果蔬劣變檢測模型易受外界環(huán)境影響，穩(wěn)定性差[79];而多技術(shù)聯(lián)用和多信息融合技術(shù)能夠?qū)⒍鄠€(gè)檢測指標(biāo)結(jié)合在一起，同時(shí)獲取樣品來自多傳感器或多源的信息和數(shù)據(jù)[80]，在一定的準(zhǔn)則下加以自動分析和綜合，不僅能對樣品內(nèi)部品質(zhì)進(jìn)行檢測，還能檢測其外部品質(zhì)，綜合評價(jià)果蔬的品質(zhì)劣變情況，具有較大的應(yīng)用潛力。

袁瑞瑞等[81]利用近紅外高光譜成像技術(shù)對定量損傷分級的靈武長棗進(jìn)行光譜采集，提取感興趣區(qū)域并計(jì)算平均光譜值，優(yōu)選預(yù)處理和特征波長提取算法建立PLS-DA判別模型，可以實(shí)現(xiàn)靈武長棗損傷等級的快速判別。Yuan等[82]采用可見近紅外高光譜成像系統(tǒng)采集機(jī)械損傷后5個(gè)時(shí)間點(diǎn)的光譜數(shù)據(jù)，優(yōu)選預(yù)處理和特征變量選擇方法，建立PLS-DA判別模型，經(jīng)過導(dǎo)數(shù)處理的CARS-PLS-DA 模型效果最優(yōu)，檢出準(zhǔn)確率為100%。部分學(xué)者對菠菜腐爛前新鮮度進(jìn)行檢測。Huang 等[83]基于機(jī)器視覺和電子鼻的多傳感器數(shù)據(jù)融合方法智能檢測了菠菜腐爛前新鮮度等級。其中基于機(jī)器視覺的BPNN 和 KNN模型的分類準(zhǔn)確率為85.42%，基于電子鼻的BPNN模型的分類精度分別為81.25%和 75.00%，而基于多傳感器數(shù)據(jù)融合的BPNN模型大大提高了菠菜新鮮度的檢測精度，分類準(zhǔn)確率達(dá)93.75%。徐海霞[84]將基于機(jī)器視覺和電子鼻技術(shù)的融合方法應(yīng)用于菠菜新鮮度的檢測，提出將不同檢測技術(shù)獲得的特征值進(jìn)行融合的方法，建立BPNN模型用于菠菜新鮮度的等級判別，訓(xùn)練集和預(yù)測集判別率分別為97.92%和 93.75%。陳乾輝和吳德剛[85]提出了基于圖像融合的蘋果缺陷檢測算法，該算法利用可見光和紅外圖像的高、低頻小波系數(shù)采用不同的融合方法，以獲得更加突出的特征圖像。該方法在劃碰傷、果梗/花萼、完好果的蘋果果實(shí)檢測方面平均識別率可達(dá)96%，且在劃碰傷方面識別率可達(dá)92%。Liu等[86]將高光譜成像和電子鼻相結(jié)合，使用 PCA 降維后提取草莓特色信息，開發(fā)定量模型以預(yù)測草莓腐爛過程中微生物含量和質(zhì)量屬性，基于特色信息融合的模型比單個(gè)數(shù)據(jù)集（HIS 或E-nose）構(gòu)建模型具有更好的預(yù)測性能。預(yù)測集相關(guān)系數(shù)可達(dá)0.925。

相比于單一傳感檢測技術(shù)，多技術(shù)聯(lián)用和多信息融合檢測可獲得更全面的信息，檢測結(jié)果更客觀精準(zhǔn)。通過光譜、圖像、電子鼻等獲取的傳感信息，可模擬人的眼睛和鼻子等感覺器官，多維度融合評價(jià)果蔬劣變程度，克服單一傳感信息解析的局限性，提高檢測模型的魯棒性和并行處理能力，可為果蔬品質(zhì)劣變高精度檢測和監(jiān)測提供新途徑。

2.4 果蔬品質(zhì)劣變監(jiān)測技術(shù)產(chǎn)業(yè)驅(qū)動發(fā)展分析

由于果蔬獨(dú)特的生理性質(zhì)，極易在由生產(chǎn)區(qū)向消費(fèi)區(qū)轉(zhuǎn)移過程中發(fā)生品質(zhì)劣變，已有果蔬品質(zhì)劣變檢測方法已無法滿足品質(zhì)監(jiān)測控制的要求。近年來隨著物聯(lián)網(wǎng)、云數(shù)據(jù)的興起，將電子鼻、光譜儀等傳感設(shè)備按照約定協(xié)議與網(wǎng)絡(luò)相連接，實(shí)現(xiàn)水果品質(zhì)劣變的遠(yuǎn)程檢測和監(jiān)測預(yù)警[87]，結(jié)合云服務(wù)器、云數(shù)據(jù)庫等服務(wù)，建立遠(yuǎn)程模型共享服務(wù)平臺，為模型的升級與維護(hù)提供遠(yuǎn)程服務(wù)。多技術(shù)聯(lián)用結(jié)合物聯(lián)網(wǎng)技術(shù)使獲取的信息在數(shù)量和維度上實(shí)現(xiàn)突破，可以提高果蔬品質(zhì)劣變檢測的準(zhǔn)確性[88，89]。

將電子鼻及溫濕度傳感器結(jié)合無線傳感網(wǎng)絡(luò)技術(shù)建立果蔬冷庫監(jiān)控系統(tǒng)，實(shí)現(xiàn)果蔬冷庫的多維環(huán)境參數(shù)實(shí)時(shí)監(jiān)控及精準(zhǔn)調(diào)節(jié)，以實(shí)現(xiàn)減少果蔬腐敗的目的[90]。以信息技術(shù)為基礎(chǔ)，建立果蔬冷鏈物流實(shí)時(shí)監(jiān)控系統(tǒng)，使用溫濕度傳感器監(jiān)控物流溫濕度狀況，保證果蔬物流運(yùn)輸?shù)姆€(wěn)定性[91]。

在果蔬種植階段，使用便攜式近紅外無損檢測設(shè)備長期監(jiān)測樹上果蔬內(nèi)部品質(zhì)屬性的變化規(guī)律，反饋于監(jiān)測系統(tǒng)，指導(dǎo)當(dāng)?shù)毓叻N植，提高果蔬群體的優(yōu)質(zhì)率;在果蔬入庫階段，將機(jī)器視覺、高光譜成像技術(shù)、近紅外光譜檢測技術(shù)等綜合應(yīng)用，對果蔬內(nèi)外部品質(zhì)進(jìn)行多維檢測，將腐爛、病害等異常果在入庫前剔除，防止造成更大規(guī)模的果蔬品質(zhì)劣變，并且對果蔬做初步分級，提高其附加值;在果蔬倉儲和運(yùn)輸階段，使用電子鼻技術(shù)對倉儲庫和運(yùn)輸貨車中果蔬實(shí)時(shí)監(jiān)測，通過全球定位系統(tǒng)（Global Positioning System，GPS）對倉儲庫和運(yùn)輸車進(jìn)行定位，若監(jiān)控信息出現(xiàn)異常，及時(shí)回傳監(jiān)測系統(tǒng)并通知管理人員進(jìn)行處理。通過多技術(shù)聯(lián)用和多信息融合實(shí)現(xiàn)果蔬品質(zhì)劣變的監(jiān)測與評價(jià)。

3? 果蔬品質(zhì)劣變智能監(jiān)測技術(shù)瓶頸問題與發(fā)展趨勢

3.1 研究技術(shù)瓶頸分析

果蔬品質(zhì)劣變檢測技術(shù)各有優(yōu)缺點(diǎn)，在進(jìn)行多技術(shù)聯(lián)用和多信息融合檢測果蔬劣變研究的同時(shí)，要注重各項(xiàng)技術(shù)在實(shí)際應(yīng)用中的機(jī)理研究、數(shù)據(jù)融合和算法優(yōu)化以確保檢測的準(zhǔn)確度。另外，果蔬受品種、生長環(huán)境、果園管理模式、產(chǎn)地等的影響，其個(gè)體間差異較大，因此要選取具有代表性的樣本進(jìn)行模型建立，并對模型傳遞和更新做進(jìn)一步的研究，以滿足實(shí)際推廣應(yīng)用的要求。網(wǎng)絡(luò)技術(shù)、傳感器、云計(jì)算、5G 通信等技術(shù)日新月異，應(yīng)用于農(nóng)業(yè)生產(chǎn)管理及經(jīng)營領(lǐng)域?qū)⑹潜厝悔厔荩瑢⑻岣咿r(nóng)產(chǎn)品的附加值，推動了智慧農(nóng)業(yè)建設(shè)的發(fā)展。但是，受傳感技術(shù)、通訊技術(shù)等的限制，果蔬品質(zhì)檢測技術(shù)在推廣應(yīng)用方面尚存在以下問題。

（1）傳感器價(jià)格昂貴。電子鼻、光譜儀等作為物聯(lián)網(wǎng)必不可少的傳感器，目前多用于科研。部分傳感器需從國外進(jìn)口，價(jià)格昂貴且售后服務(wù)不便。為降低傳感器成本，應(yīng)加大關(guān)鍵部件的研發(fā)力度，通過創(chuàng)制果蔬專用型傳感器件，如光譜儀優(yōu)選特征窄波段光電傳感器、電子鼻篩選特征氣體傳感器，在此基礎(chǔ)上進(jìn)行集成創(chuàng)新，研制小型化、低成本的傳感器產(chǎn)品。

（2）果蔬倉儲庫布局標(biāo)準(zhǔn)化程度有待提高。中國的果蔬倉儲庫規(guī)模和布局存在差異，對于果蔬品質(zhì)劣變監(jiān)測系統(tǒng)的改造存在困難。倉儲庫標(biāo)準(zhǔn)化是實(shí)現(xiàn)果蔬品質(zhì)劣變監(jiān)測的重要前提，通過制修訂生鮮農(nóng)產(chǎn)品冷鏈流通規(guī)范標(biāo)準(zhǔn)，驅(qū)動從果蔬出入庫分級系統(tǒng)布置、傳感器監(jiān)測節(jié)點(diǎn)設(shè)置、數(shù)據(jù)傳輸系統(tǒng)搭建等方面建立標(biāo)準(zhǔn)化體系，可節(jié)約資源與成本。

（3）倉儲庫網(wǎng)絡(luò)通信亟待升級。果蔬倉儲庫一般建于郊區(qū)，其物聯(lián)網(wǎng)無線通信易受植被等環(huán)境影響。此外，倉儲庫內(nèi) GPS等信號易被屏蔽，因此需要研究低功耗、低成本的農(nóng)業(yè)物聯(lián)網(wǎng)自組網(wǎng)通信協(xié)議。另一方面，隨著果蔬冷鏈流通產(chǎn)業(yè)的規(guī)模化、集約化發(fā)展，果蔬龍頭企業(yè)信息化和智能化發(fā)展的內(nèi)在驅(qū)動，軟硬件條件（包括網(wǎng)絡(luò)通訊）升級改造勢在必行。

3.2 研究發(fā)展趨勢

果蔬品質(zhì)劣變物聯(lián)網(wǎng)監(jiān)測是智慧農(nóng)業(yè)的重要組成部分。隨著科技不斷進(jìn)步，小型化、低成本、低功耗的傳感器不斷研發(fā)，與大數(shù)據(jù)、云計(jì)算深度融合，科學(xué)高效的數(shù)據(jù)整理與分析為農(nóng)業(yè)管理人員提供有力支撐，指導(dǎo)果蔬園藝種植規(guī)范，從整體上提高果蔬群體的優(yōu)質(zhì)率，并對采后加工與運(yùn)輸過程中的果蔬品質(zhì)劣變實(shí)現(xiàn)監(jiān)測，突破農(nóng)業(yè)生產(chǎn)自身限制，推動農(nóng)業(yè)信息化和智能化發(fā)展。

果蔬貯運(yùn)信息的多源耦合性和品質(zhì)參數(shù)的多樣性及供應(yīng)鏈信息的不對稱性，阻礙了果蔬品質(zhì)監(jiān)測感知技術(shù)的發(fā)展應(yīng)用。未來可圍繞果蔬貯運(yùn)信息感知、品質(zhì)信息耦合和動態(tài)數(shù)據(jù)反饋三個(gè)核心感知環(huán)節(jié)，研究果蔬品質(zhì)劣變監(jiān)測傳感節(jié)點(diǎn)的組網(wǎng)方法，研究信息采集方法和數(shù)據(jù)的生成、傳輸與管理方法，以數(shù)據(jù)溯源為底層架構(gòu)實(shí)現(xiàn)果蔬傳感信息的高效、可靠反饋，以智能手機(jī)或遠(yuǎn)程服務(wù)器為互通互聯(lián)監(jiān)測平臺，研發(fā)果蔬品質(zhì)劣變的智能化實(shí)時(shí)監(jiān)測的物聯(lián)感知與數(shù)據(jù)處理設(shè)備，實(shí)現(xiàn)果蔬品質(zhì)劣變信息的智能化實(shí)時(shí)監(jiān)測。隨著向果蔬規(guī)?；?、集約化生產(chǎn)模式的轉(zhuǎn)變，農(nóng)業(yè)龍頭企業(yè)對果蔬產(chǎn)后減損增效的技術(shù)需求迫切，果蔬品質(zhì)劣變傳感監(jiān)測技術(shù)將具有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1]聯(lián)合國糧農(nóng)組織啟動聯(lián)合國.2021國際果蔬年[EB/OL][2021-06-30]. https：//www. fao. org/fruits-vegetables-2021/zh/.

[2]鄒攀， 白雪， 陳秋生， 等. 無損檢測技術(shù)在果蔬品質(zhì)評價(jià)中應(yīng)用的研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué)， 2021， 49（2）：1-4.

ZOU P， BAI X， CHEN Q， et al， Research progress onthe application of non-destructive testing technology infruits and vegetables quality evaluation[J]. Journal ofAnhui Agricultural Sciences， 2021， 49（2）：1-4.

[3]劉妍， 周新奇， 俞曉峰， 等. 無損檢測技術(shù)在果蔬品質(zhì)檢測中的應(yīng)用研究進(jìn)展[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2020， 46（1）：27-37.

LIU Y， ZHOU X， YU X， et al. Research progress ofnondestructive testing techniques for fruit and vegetable quality[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 2020， 46（1）：27-37.

[4]苑進(jìn). 選擇性收獲機(jī)器人技術(shù)研究進(jìn)展與分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（9）：1-17.

YUAN J. Research progress analysis of robotics selective? harvesting? technologies[J]. Transactions? of? theCSAM， 2020， 51（9）：1-17.

[5]韓志輝. 基于產(chǎn)業(yè)價(jià)值角度的蔬菜品牌提升之道[J].蔬菜， 2017（11）：1-6.

HAN Z. The way to improve vegetable brand based onthe perspective of industrial value[J]. Vegetables， 2017（11）：1-6.

[6]張雯麗.“一帶一路”戰(zhàn)略下我國農(nóng)業(yè)對外合作選擇[J].農(nóng)村工作通訊， 2017（5）：52.

ZHANG W. Agricultural? foreign? cooperation? optionsof country under the "One Belt One Road" strategy[J].Rural Work Newsletter， 2017（5）：52.

[7]王順， 黃星奕， 呂日琴， 等. 水果品質(zhì)無損檢測方法研究進(jìn)展[J].食品與發(fā)酵工業(yè)， 2018， 44（11）：319-324.

WANG S， HUANG X， LYU R， et al. Research progress of nondestructive detection methods in fruit quality[J]. Food and Fermentation Industries， 2018， 44（11）：319-324.

[8]穆渴心， 蔡俊， 劉棗， 等. 現(xiàn)代無損檢測技術(shù)在農(nóng)產(chǎn)品真菌與真菌毒素侵染中的應(yīng)用[J].中國糧油學(xué)報(bào)，2021， 36（8）：123-128.

MU K， CAI J， LIU Z， et al. Modern non-destructive detection of fungal and mycotoxin infection in agricultural products[J]. Journal of the Chinese Cereals and OilsAssociation， 2021， 36（8）：123-128.

[9]盧軍黨， 劉東琴， 田智輝. 機(jī)器視覺技術(shù)在核桃分級檢測中的應(yīng)用[J].農(nóng)產(chǎn)品加工， 2020（20）：106-107.

LU J， LIU D， TIAN Z. Application of machine vision technology in walnut grading detection[J]. Agricultural Products Processing， 2020（20）：106-107.

[10] 陳濤. 計(jì)算機(jī)視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測中的應(yīng)用[J].安徽農(nóng)學(xué)通報(bào)， 2019， 25（20）：110-113.

CHEN T. The application of computer vision technology? for? food? quality? inspection? of agricultural products[J]. Anhui Agricultural Science Bulletin， 2019， 25（20）：110-113.

[11] DA COSTA A Z， FIGUEROA H E H， FRACAROLLIJ A. Computer vision based detection of external defects on tomatoes using deep learning[J]. Biosystems Engineering， 2020， 190：131-144.

[12] SU Q， NAOSHI K， LI M， et al. Potato quality gradingbased? on? machine? vision? and 3D? shape? analysis[J]. Computers and Electronics in Agriculture， 2018， 152：261-268.

[13] XIE W， WANG F， YANG D. Research? on? carrot? surface? defect? detection? methods? based? on? machine? vision[J]. IFAC-PapersOnLine， 2019， 52（30）：24-29.

[14] 謝為俊， 魏碩， 王鳳賀， 等. 基于機(jī)器視覺的胡蘿卜表面缺陷識別方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（S1）：450-456.

XIE W， WEI S， WANG F， et al. Machine vision based defect? method? of carrot? external? defects[J]. Transactions of the CSAM， 2020， 51（S1）：450-456.

[15] 高輝， 馬國峰， 劉偉杰. 基于機(jī)器視覺的蘋果缺陷快速檢測方法研究[J].食品與機(jī)械 ， 2020， 36（10）：125-129.

GAO H， MA G， LIU W. Research on a rapid detection of apple defects based on mechanical vision[J]. Food & Machinery， 2020， 36（10）：125-129.

[16] 張明， 王騰， 李鵬， 等. 基于區(qū)域亮度自適應(yīng)校正算法的臍橙表面缺陷檢測[J].中國農(nóng)業(yè)科學(xué)， 2020， 53（12）：2360-2370.

ZHANG M， WANG T， LI P， et al. Surface defect detection of navel orange based on region adaptive brightness correction algorithm[J]. Scientia Agricultura Sinica， 2020， 53（12）：2360-2370.

[17] BHARGAVA A，? BANSAL A. Quality? evaluation? ofMono & bi-Colored apples with computer vision and multispectral imaging[J]. Multimedia Tools and Applications， 2020， 79（11）：7857-7874.

[18] FAN S， LI J， ZHANG Y， et al. On line detection of defective apples using computer vision system combined with deep learning methods[J]. Journal of Food Engineering， 2020， 286： ID 110102.

[19] 劉浩， 賀福強(qiáng)， 李榮隆， 等. 基于機(jī)器視覺的馬鈴薯自動分級與缺陷檢測系統(tǒng)設(shè)計(jì)[J].農(nóng)機(jī)化研究， 2022，44（1）：73-78.

LIU H， HE F， LI R， et al. Design of potato automaticclassification and defect detection system based on machine vision[J]. Journal of Agricultural MechanizationResearch， 2022， 44（1）：73-78

[20] 王俊， 崔紹慶， 陳新偉， 等. 電子鼻傳感技術(shù)與應(yīng)用研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（11）：160-167.

WANG J， CUI S， CHEN X， et al. Advanced technology and new application in electronic nose[J]. Transactions of the CSAM， 2013， 44（11）：160-167.

[21] 黃星奕， 孫兆燕， 田瀟瑜， 等. 基于電子鼻技術(shù)的馬鈴薯真菌性腐爛病早期檢測[J].食品工業(yè)科技， 2018，39（24）：97-101.

HUANG X， SUN Z， TIAN X， et al. Early detection ofpotato rot disease caused by fungal based on electronicnose technology[J]. Science and Technology of FoodIndustry， 2018， 39（24）：97-101.

[22] CONCINA I， FALASCONI M， GOBBI E， et al. Earlydetection of microbial contamination in processed tomatoes by electronic nose[J]. Food Control， 2009， 20（10）：873-880.

[23] 丁慶行， 趙東杰， 劉軍， 等. 一種倉儲環(huán)境水果腐爛監(jiān)測的電子鼻系統(tǒng)[J].電子器件， 2019， 42（3）：781-787.

DING Q， ZHAO D， LIU J， et al. An electronic nosesystem for monitoring stored fruits decay[J]. ElectronicDevices， 2019， 42（3）：781-787.

[24] 朱丹實(shí)， 任曉俊， 魏立威， 等. 華富蘋果常溫貯藏過程中感官品質(zhì)及揮發(fā)性風(fēng)味物質(zhì)變化[J].食品工業(yè)科技， 2019， 40（20）：278-284.

ZHU D， REN X， WEI L，? et? al. Changes? of sensoryquality? and? volatile? compounds? of Huafu? apple? preserved at room temperature[J]. Science and Technology of Food Industry， 2019， 40（20）：278-284.

[25] 張建超， 張鵬， 薛友林， 等. 基于電子鼻表征霉心病蘋果特征氣味及無損檢測模型建立[J/OL].食品與發(fā)酵工業(yè) ： 1-10. [2021-06-28]. https：//doi. org/10.13995/j.cnki.11-1802/ts.026717.

ZHANG J， ZHANG P， XUE Y， et al. Characterizationof the characteristic odor and establishment of nondestructive? detection model of core rot apple based? onelectronic nose[J/OL]. Food and fermentation industry：1-10.[2021-06-28]. https：//doi. org/10.13995/j. cnki.11-1802/ts.026717.

[26] 楊晨昱， 袁鴻飛， 馬惠玲， 等. 基于 FT-NIR和電子鼻技術(shù)的蘋果霉心病無損檢測[J/OL].食品與發(fā)酵工業(yè)：? 1-8.? [2021-06-28].? https：//doi. org/10.13995/j.cnki.11-1802/ts.025671.

YANG C， YUAN H， MA H， et al. Non-destructive detection of apple moldy core based on FT-NIR and electronic nose technology[J/OL]. Food and Fermentation Industry：1-8.[2021-06-28]. https：//doi. org/10.13995/j. cnki.11-1802/ts.025671.

[27] GUO Z，? GUO? C，? CHEN? Q，? et? al. Classification? forPenicillium expansum spoilage and defect in apples by electronic nose combined with chemometrics[J]. Sensors， 2020， 20（7）： ID 2130.

[28] 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.

ZHAO C， MA S， ZHANG L， et al. Research on classification of rotten grades of Huangguan pears on electronic nose technology[J]. Food Industry Science and Technology， 2020， 41（3）：246-250.

[29] 馬蒙蒙， 程晨霞， 楊紹蘭， 等. 富士系不同品種蘋果貨架期間品質(zhì)特性分析[J].青島農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2020， 37（2）：84-90.

MA M， CHENG C， YANG S， et al. Analysis of the fruit shelf life quality of different 'Fuji' apple cultivars[J]. Journal? of Qingdao? Agricultural? University （Natural Science Edition）， 2020， 37（2）：84-90.

[30] HAO W， YU G. A machine learning method for the detection? of? brown? core? in? the? Chinese? pear? variety Huangguan using a MOS-based e-nose[J]. Sensors， 20（16）： ID 4499.

[31] YANG X， CHEN J， JIA L， et al. Rapid and non-de‐structive detection of compression damage of yellow peach using? an? electronic nose? and? chemometrics[J]. Sensors， 2020， 20（7）： ID 1866.

[32] NOURI B， MOHTASEBI? S， RAFIEE? S. Quality detection of pomegranate fruit infected with fungal disease[J]. International Journal of Food Properties， 2020， 23（1）：9-21.

[33] JIA W， LIANG G， TIANH， et al. Electronic nose-basedtechnique for rapid detection and recognition of moldy apples[J]. Sensors， 2019， 19（7）： ID 1526.

[34] 錢麗麗， 于果， 遲曉星， 等. 農(nóng)產(chǎn)品產(chǎn)地溯源技術(shù)研究進(jìn)展[J].食品工業(yè)， 2018， 39（1）：246-249.

QIAN L， YU G， CHI X， et al. Research progress of origin traceability of agricultural products[J]. Food Industry， 2018， 39（1）：246-249.

[35] 劉洋， 賈文珅， 馬潔， 等. 電子鼻技術(shù)在肉與肉制品檢測中的研究進(jìn)展和應(yīng)用展望[J/OL].智慧農(nóng)業(yè)（中英文）： 1-13. [2021-06-28]. http：//kns. cnki. net/kcms/detail/10.1681.S.20210617.1102.002.html.

LIU Y， JIA W， MA J， et al. Research progress and application? prospect? of? electronic? nose? technology? inmeat and meat products detection[J/OL]. Smart Agriculture： 1-13. [2021-06-28]. http：//kns. cnki. net/kcms/detail/10.1681.S.20210617.1102.002.html.

[36] 劉燕德， 程夢杰， 郝勇. 光譜診斷技術(shù)及其在農(nóng)產(chǎn)品質(zhì)量檢測中的應(yīng)用[J].華東交通大學(xué)學(xué)報(bào)， 2018， 35（4）：1-7.

LIU Y， CHENG M， HAO Y. Application of spectral diagnoses? technology  in? determination? of? agriculturalproducts quality[J]. Journal of East China Jiaotong University， 2018， 35（4）：1-7.

[37] 胡逸磊， 姜洪喆， 周宏平， 等. 水果成熟度近紅外光譜及高光譜成像無損檢測研究進(jìn)展[J].食品工業(yè)科技，2021， 42（20）：377-383.

HU Y， JIANG H， ZHOU H， et al. Application of nearinfrared spectroscopy and hyperspectral imaging technology to detect fruit maturity： A review[J]. Food Industry Science and Technology， 2021， 42（20）：377-383.

[38] 馬佳佳， 王克強(qiáng). 水果品質(zhì)光學(xué)無損檢測技術(shù)研究進(jìn)展[J].食品工業(yè)科技， 2021， 42（23）：427-437.

MA J， WANG K. Research progress in optical nondestructive testing technology? for? fruit? quality[J]. FoodIndustry? Science? and? Technology，? 2021，? 42（23）：427-437.

[39] 王梓萌， 劉景艷， 姚騰飛， 等. 基于近紅外光譜技術(shù)的蘋果霉心病檢測方法[J].科學(xué)技術(shù)與工程， 2019， 19（10）：150-154.

WANG Z， LIU J， YAO T， et al. Detection method ofmoldy core in apple fruit based on near infrared spectroscopy[J].? Science? Technology? and? Engineering，2019， 19（10）：150-154.

[40] XING J， BRAVO C， MOSHOU D， et al. Bruise detection on 'Golden Delicious' apples by vis/NIR spectroscopy[J]. Computers? and? Electronics? in? Agriculture， 2006， 52（1-2）：11-20.

[41] 孟慶龍， 張艷， 尚靜. 基于高光譜成像技術(shù)無損檢測蘋果表面缺陷[J].食品工業(yè)， 2019， 40（3）：131-134.

MENG Q， ZHANG Y， SHANG J. Nondestructive detection of defect on apples using hyperspectral imagingtechnology[J]. Food Industry， 2019， 40（3）：131-134.

[42] 劉燕德， 吳明明， 孫旭東， 等. 黃桃表面缺陷和可溶性固形物光譜同時(shí)在線檢測[J].農(nóng)業(yè)工程學(xué)報(bào)， 2016，32（6）：289-295.

LIU Y， WU M， SUN X， et al. Simultaneous detectionof surface? deficiency? and? soluble? solids? content? forAmygdalus? persica? by? online? visible-near? infraredtransmittance? spectroscopy[J].? Transactions? of? theCSAE， 2016， 32（6）：289-295.

[43] TIAN S， ZHANG M， LI B， et al. Measurement orientation? compensation? and? comparison? of? transmission spectroscopy for online detection ofmoldy apple core[J]. Infrared Physics & Technology， 2020， 111： ID 103510.

[44] PéREZ-MARíND，? CALERO? L，? FEARN? T，? et? al. Asystem using in situ NIRS sensors for the detection of product failing to meet quality standards and the prediction of optimal postharvest shelf-life in the case of oranges kept in cold storage[J]. Postharvest Biology & Technology， 2019， 147：48-53.

[45] JLAB C， RZ A， JL A， et al. Detection of early decayedoranges? based? on? multispectral? principal? component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method[J]. Postharvest Biology and Technology， 158： ID 110986.

[46] GUO Z， WANG M， AGYEKUM A， et al. Quantitativedetection of apple watercore and soluble solids content by near infrared transmittance spectroscopy[J]. Journal of Food Engineering， 2020， 279： ID 109955.

[47] 韓亞芬， 呂程序， 苑嚴(yán)偉， 等. PLS-DA 優(yōu)化模型的馬鈴薯黑心病可見近紅外透射光譜檢測[J].光譜學(xué)與光譜分析， 2021， 41（4）：1213-1219.

HAN? Y，? LYU? C， YUAN? Y，? et? al. PLS-discriminant analysis? on potato blackheart? disease based? on VIS- NIR? transmission? spectroscopy[J]. Spectroscopy? and Spectral Analysis， 2021， 41（4）：1213-1219.

[48] NISHINO M， KUROKI S， DEGUCHI Y， et al. Dualbeam spectral measurement improves accuracy of nondestructive? identification? of? internal? rot? in? onion bulbs[J]. Postharvest? Biology? and? Technology， 2019， 156： ID 110935.

[49] IMANIAN? K，? POURDARBANI? R，? SABZI? S，? et? al.Identification of internal defects in potato using spectroscopy and computational intelligence based on majority voting techniques[J]. Foods， 2021， 10（5）： ID 982.

[50] HAN Y， LU C， YUAN Y， et al. PLS-discriminant analysis? on? potato? blackheart? disease? based? on? VIS-NIR transmission spectroscopy[J]. Spectroscopy and Spectral Analysis， 2021， 41（4）：1213-1219.

[51] 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(jìn)展[J].食品安全質(zhì)量檢測學(xué)報(bào) ， 2019， 10（24）：8280-8288.

GUO Z， GUO C， WANG M， et al. Research advances in nondestructive detection of fruit and vegetable quality and safety by near infrared spectroscopy[J]. Journal of Food Safety Quality Inspection， 2019， 10（24）：8280-8288.

[52] 何馥嫻， 蒙慶華， 唐柳， 等. 高光譜成像技術(shù)在水果品質(zhì)檢測中的研究進(jìn)展[J].果樹學(xué)報(bào) ， 2021， 38（9）：1590-1599.

HE F， MENG Q， TANG L， et al. Research progress ofhyperspectral? imaging? in? fruit? quality? detection[J].Journal of Fruit Science， 2021， 38（9）：1590-1599.

[53] 黃文倩， 陳立平， 李江波， 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農(nóng)業(yè)工程學(xué)報(bào) ，2013， 29（1）：272-277.

HUANG? W，? CHEN? L，? LI? J，? et? al. Effective? wavelengths determination for detection of slight bruises onapples based on hyperspectral imaging[J]. Transactionsof the CSAE， 2013， 29（1）：272-277.

[54] 沈宇， 房勝， 王風(fēng)云， 等. 基于高光譜成像技術(shù)識別蘋果輕微損傷的有效波段研究[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2020， 22（3）：64-71.

SHEN Y， FANG? S， WANG F， et al. Effective wavelengths study on the identification of slight bruises ofapples based? on hyperspectral? imaging[J]. Journal? ofAgricultural? Science? and? Technology， 2020， 22（3）：64-71.

[55] BARANOWSKI P， MAZUREK W， WOZNIAK J，? etal. Detection? of early bruises? in? apples using hyperspectral data and thermal imaging[J]. Journal of FoodEngineering， 2012， 110（3）：345-355.

[56] PARK S H， HONG Y， SHUAIBU M， et al. Detectionof? applemarssonina? blotch? with? PLSR，? PCA，? andLDA using outdoor hyperspectral imaging[J]. Spectroscopy and Spectral Analysis， 2020， 40（4）：319-324.

[57] 董建偉， 劉媛媛， 陳斐， 等. 基于多光譜圖像的庫爾勒香梨表面缺陷檢測[J].農(nóng)機(jī)化研究 ， 2021， 43（9）：35-40.

DONG J， LIU Y， CHEN F， et al. Surface defect detection? ofKorla pear based? on? multi-spectral? image[J].Journal of Agricultural Mechanization Research， 2021，43（9）：35-40.

[58] PAN T， CHYNGYZ E， SUN D， et al. Pathogenetic process monitoring and early detection of pear black spotdisease caused by Alternaria alternata using hyperspectral imaging[J]. Postharvest Biology? and Technology，2019， 154：96-104.

[59] 吳姝， 王琨， 王超. 基于光譜特性分析的冬棗漸變損傷研究[J].安徽農(nóng)業(yè)科學(xué)， 2020， 48（24）：191-194.

WU? S， WANG K， WANG C. Study on the development? of bruises? on winter jujube based? on? spectrumcharacteristics analysis[J]. Journal of Anhui Agricultural Sciences， 2020， 48（24）：191-194.

[60] 武錦龍， 苗榮慧， 黃鋒華， 等. 高光譜圖像與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的油桃輕微損傷檢測[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 39（2）：79-85.

WU J， MIAO R， HUANG F， et al. Utilization of hyper- spectral? image? coupled withconvolutional neural networkon nectarine slight bruises detection[J]. Journal of Shanxi Agricultural University （Natural? Science? Edition）， 2019， 39（2）：79-85.

[61] HUANG Y， WANG D， LIU Y， et al. Measurement ofearly disease blueberries based on Vis/NIR hyperspectral imaging system[J]. Sensors， 2020， 20（20）： ID 5783.

[62] PHAM Q T ， LIOU N S . Hyperspectral imaging system with rotation platform for investigation of jujube skin? defects[J]. Applied? Sciences-basel， 2020， 10（8）：ID 2851.

[63] 趙明富， 劉自迪， 鄒雪， 等. 基于高光譜成像技術(shù)對馬鈴薯外部缺陷的識別[J].激光雜志 ， 2016， 37（3）：20-24.

ZHAO M， LIU Z， ZOU X， et al. Detection of defects on? potatoes? by? hyperspectral? imaging? technology[J]. Laser Journal， 2016， 37（3）：20-24.

[64] 王金燦. 果蔬農(nóng)藥殘留快檢的方法與應(yīng)用[J].食品安全導(dǎo)刊， 2018（36）：69-70.

WANG J. Methods and application of quick inspection of pesticide residues in fruits and vegetables[J]. Food Safety Guide， 2018（36）：69-70.

[65] 王春和. 拉曼光譜技術(shù)在農(nóng)產(chǎn)品質(zhì)量安全檢測中的應(yīng)用[J].農(nóng)業(yè)開發(fā)與裝備， 2019（3）：79.

WANG C. The application of Raman spectroscopy in the quality and safety inspection of agricultural products[J].? Agricultural? Development? and? Equipment， 2019（3）：79.

[66] 韓宇， 朱莉婭， 陳文， 等. 基于表面增強(qiáng)拉曼散射檢測果蔬中農(nóng)藥殘留的方法研究[J].食品工業(yè)科技 ， 2017， 38（19）：337-341.

HAN Y， ZHU L， CHEN W， et al. Study on the methods of detection of pesticides residue in fruits and vegetables based? on? surface? enhanced Raman? scattering[J]. Food Industry Science and Technology， 2017， 38（19）：337-341.

[67] 傅霞萍， 應(yīng)義斌. 基于NIR和Raman光譜的果蔬質(zhì)量檢測研究進(jìn)展與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（8）：148-164.

FU X， YING Y. Application of NIR and Raman spectroscopy for quality and safety inspection of fruit and vegetables： A review[J]. Transactions? of the? CSAM， 2013， 44（8）：148-164.

[68] 陳思雨， 張舒慧， 張紓， 等. 基于共聚焦拉曼光譜技術(shù)的蘋果輕微損傷早期判別分析[J].光譜學(xué)與光譜分析， 2018， 38（2）：430-435.

CHEN? S， ZHANG? S， ZHANG? S， et al. Detection ofearly tiny bruises in apples using confocal raman spectroscopy[J]. Spectroscopy and Spectral Analysis， 2018，38（2）：430-435.

[69] 劉燕德， 肖懷春， 孫旭東， 等. 基于共焦顯微拉曼的柑橘黃龍病無損檢測研究[J].光譜學(xué)與光譜分析 ，2018， 38（1）：111-116.

LIU Y， XIAO H， SUN X， et al. Researching of non-de‐structive detection for citrus greening based on confocal Micro-Raman[J]. Spectroscopy and Spectral Analysis， 2018， 38（1）：111-116.

[70] 代芬， 邱澤源， 邱倩， 等. 基于拉曼光譜和自熒光光譜的柑橘黃龍病快速檢測方法[J].智慧農(nóng)業(yè)， 2019， 1（3）：77-86.

DAI F， QIU Z， QIU Q， et al. Rapid detection of citrusHuanglongbing? using? Raman? spectroscopy? and? autofluorescence spectroscopy[J]. Smart Agriculture， 2019，1（3）：77-86.

[71] SANCHEZ L， PANT S， IREY M， et al. Detection andidentification of canker and blight on orange trees using a hand-held Raman spectrometer[J]. Journal of Raman Spectroscopy， 2019， 50（12）：1875-1880.

[72] LIN Y， LIN H， LIN Y. Construction of Raman spectroscopic fingerprints for the detection of Fusarium wiltof banana in Taiwan[J]. PLoS ONE， 2020， 15（3）： IDe0230330.

[73] GUO Z， WANG M， BARIMAH A O， et al. Label-freesurface? enhanced? Raman? scattering? spectroscopy? fordiscrimination and detection of dominant apple spoilage fungus[J]. International Journal of Food Microbiology， 2020， 338： ID 108990.

[74] 劉燕德， 靳曇曇. 拉曼光譜技術(shù)在農(nóng)產(chǎn)品質(zhì)量安全檢測中的應(yīng)用[J].光譜學(xué)與光譜分析 ， 2015， 35（9）：2567-2572.

LIU Y， JIN T. Application of Raman spectroscopy technique to agricultural products quality and safety determination[J]. Spectroscopy and Spectral Analysis， 2015，35（9）：2567-2572.

[75] 徐賽， 陸華忠， 丘廣俊， 等. 水果品質(zhì)無損檢測研究進(jìn)展及應(yīng)用現(xiàn)狀 [J].廣東農(nóng)業(yè)科學(xué) ， 2020， 47（12）：229-236.

XU S， LU H， QIU G， et al. Research progress and application status of fruit quality nondestructive detectiontechnology[J].?? Guangdong?? Agricultural?? Sciences，2020， 47（12）：229-236.

[76] SOODS， SINGHH. Computervisionandmachinelearning based? approaches? for? food? security： A review[J].Multimedia Tools and Applications， 2021（3）：1-27.

[77] 竇文卿， 柴春祥， 魯曉翔. 無損檢測技術(shù)在水果品質(zhì)評價(jià)中應(yīng)用的研究進(jìn)展[J].食品工業(yè)科技， 2020， 41（24）：354-359.

DOU W， CHAI C， LU X. Research progress of non-destructive? detection? technique? in? fruit? quality? evaluation[J]. Science? and? Technology? of? Food? Industry， 2020， 41（24）：354-359.

[78] 馮建英， 李鑫， 原變魚， 等. 智能感官技術(shù)在水果檢測中的應(yīng)用進(jìn)展及趨勢[J].南方農(nóng)業(yè)學(xué)報(bào)， 2020， 51（3）：636-644.

FENG J， LI X， YUAN B， et al. Progress and trend of fruit? detection? by? intelligent? sensory? technology[J]. Southern Journal of Agricultural Sciences， 2020， 51（3）：636-644.

[79] CHEN H， QIAO H， FENG Q， et al. Rapid detection ofpomelo fruit quality using near-infrared hyperspectral imaging combined with chemometric methods[J]. Frontiers in Bioengineering and Biotechnology， 2021， 8： ID616943.

[80] 任二芳， 牛德寶， 溫立香， 等. 電子鼻和電子舌在水果檢測中的應(yīng)用進(jìn)展 [J].食品工業(yè) ， 2019， 40（10）：261-264.

REN E， NIU D， WEN L， et al. Application research progress? of electronic? nose? and? electronic? tongue? in fruits? detection[J].? Food? Industry，? 2019，? 40（10）：261-264.

[81] 袁瑞瑞， 劉貴珊， 何建國， 等. 可見近紅外高光譜成像對靈武長棗定量損傷等級判別[J].光譜學(xué)與光譜分析， 2021， 41（4）：1182-1187.

YUAN? R， LIU? G， HE? J，? et? al. Quantitative? damage identification of Lingwu long jujube based on visible near-infrared? hyperspectral? imaging[J]. Spectroscopy and Spectral Analysis， 2021， 41（4）：1182-1187.

[82] YUAN R， LIU G， HE J， et al. Classification of Lingwulong jujube internal bruise over time based on visible near-infrared? hyperspectral? imaging? combined? with partial least squares-discriminant analysis[J]. Computers  and? Electronics? in? Agriculture， 2021，? 182： ID106043.

[83] HUANG X， YU S， XU H， et al. Rapid and nondestruc‐tive detection of freshness quality of postharvest spinaches based on machine vision and electronic nose[J]. Journal of Food Safety， 2019， 39（6）： ID e12708.

[84] 徐海霞. 基于機(jī)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(xué)， 2016.

XU H. Research on non-destructive testing of spinachfreshness based on machine vision and electronic nosetechnology[D]. Zhenjiang： Jiangsu University， 2016.

[85] 陳乾輝， 吳德剛. 基于可見光—紅外光圖像融合的蘋果缺陷檢測算法[J].食品與機(jī)械 ， 2018， 34（9）：135-138.

CHEN Q， WU D. Algorithm on apple defect detectionbased? on? visible? light-infrared? light? image? fusion[J].Food & Machinery， 2018， 34（9）：135-138.

[86] LIU Q， SUN K， ZHAO N， et al. Information fusion ofhyperspectral imaging and electronic nose for evaluation of fungal contamination in strawberries during decay[J]. Postharvest? Biology? and? Technology， 2019，153：152-160.

[87] 郭守斌， 魏域斌， 魏玉杰. 對我國智慧農(nóng)業(yè)發(fā)展的思考與建議[J].農(nóng)業(yè)科技與信息， 2021（9）：72-75.

GUO S， WEI Y， WEI Y. Thoughts and suggestions onthe development of smart agriculture in China[J]. Agricultural Science and Information， 2021（9）：72-75.

[88] 史亮， 張復(fù)宏， 劉文軍. 物聯(lián)網(wǎng)+區(qū)塊鏈助力食品質(zhì)量安全保障[J].農(nóng)業(yè)與技術(shù)， 2019， 39（10）：34-36.

SHI? L，? ZHANG? F，? LIU? W. The? Internet? of Thingsblockchain helps ensure food quality and safety[J]. Agriculture & Technology， 2019， 39（10）：34-36.

[89] 笪海波. 智能監(jiān)控物聯(lián)網(wǎng)管理在果蔬種植中的應(yīng)用[J].現(xiàn)代農(nóng)業(yè)科技， 2018（20）：99-101.

LA H. Application of intelligent monitoring internet ofthings management in fruit and vegetable planting[J].Modern? Agricultural? Science? and? Technology， 2018（20）：99-101.

[90] 郭凌， 劉剛. 基于無線傳感器網(wǎng)絡(luò)的果蔬冷庫監(jiān)控系統(tǒng)設(shè)計(jì)[J].物流工程與管理， 2018， 40（2）：104-105.

GUO L， LIU G. Design of fruit and vegetable preservation monitoring system based on wireless sensor network[J].? Logistics? Engineering? and? Management，2018， 40（2）：104-105

[91] 王眾， 梁早清， 鄭業(yè)魯， 等. 語義網(wǎng)技術(shù)與區(qū)塊鏈技術(shù)的交集在農(nóng)產(chǎn)品質(zhì)量安全追溯領(lǐng)域的應(yīng)用[J].農(nóng)業(yè)圖書情報(bào)， 2019， 31（1）：60-68.

WANG Z， LIANG Z， ZHENG Y， et al. Applying the integrated? technologies? of? the? semantic? web? and? theblockchain to the agro-products tracing system[J]. Ag‐ricultural Library and Information， 2019， 31（1）：60-68.

Research Progress of Sensing Detection and Monitoring Technology for Fruit and Vegetable Quality Control

GUO Zhiming1，2*， WANG Junyi1， SONG Ye3， ZOU Xiaobo1，2， CAI Jianrong1

（1. School of Food and Biological Engineering， Jiangsu University， Zhenjiang 212013， China;2. International JointResearch Laboratory of Intelligent Agriculture and Agri-products Processing （Jiangsu University）， Jiangsu Education Department， Zhenjiang 212013， China;3. Jinan Fruit Research Institute， All China Federation of Supply &Marketing Cooperatives， Jinan 250220， China）