水果無(wú)損檢測(cè)技術(shù)的應(yīng)用現(xiàn)狀

陳 斐 劉媛媛 王統(tǒng)炤 粟 容 胡啟旺

(1.塔里木大學(xué)機(jī)械電氣化工程學(xué)院，新疆 阿拉爾 843300；2.新疆維吾爾自治區(qū)現(xiàn)代農(nóng)業(yè)工程重點(diǎn)實(shí)驗(yàn)室，新疆 阿拉爾 843300)

0引言

中國(guó)是世界主要的水果生產(chǎn)大國(guó)，于國(guó)內(nèi)外都有巨大的市場(chǎng)需求。從1990年開(kāi)始，水果產(chǎn)業(yè)以可觀的速度逐步發(fā)展成為我國(guó)農(nóng)村經(jīng)濟(jì)發(fā)展的主要支柱產(chǎn)業(yè)[1]。隨著我國(guó)經(jīng)濟(jì)持續(xù)向好，人們物質(zhì)水平提高，人們愈發(fā)看重水果的品質(zhì)。提高水果品質(zhì)評(píng)價(jià)能力不僅有利于我國(guó)水果產(chǎn)業(yè)的發(fā)展，還有利于增強(qiáng)我國(guó)在水果出口方面的競(jìng)爭(zhēng)力[2]。水果的品質(zhì)分內(nèi)外，對(duì)內(nèi)有硬度、糖度、酸度、可溶性固形物和內(nèi)部的缺陷等。對(duì)外有水果的表皮狀態(tài)(顏色、光澤、粗糙度等)，大小等。使用傳統(tǒng)水果品質(zhì)檢測(cè)方法，主觀性影響大，且在水果內(nèi)部品質(zhì)檢測(cè)時(shí)會(huì)對(duì)水果造成的不同程度的破壞，為了應(yīng)對(duì)以上問(wèn)題，無(wú)損檢測(cè)技術(shù)因其高效和無(wú)損的優(yōu)點(diǎn)開(kāi)始興起。

根據(jù)不同的檢測(cè)原理，當(dāng)前主要的水果無(wú)損檢測(cè)技術(shù)多基于智能感官仿生技術(shù)、水果特性和光譜技術(shù)。其中主流的檢測(cè)方法為以下幾種：機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)、近紅外光譜無(wú)損檢測(cè)技術(shù)、電學(xué)特性無(wú)損檢測(cè)技術(shù)以及聲學(xué)特性無(wú)損檢測(cè)技術(shù)。

1機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)

1.1概述

隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)應(yīng)用領(lǐng)域延伸出許多新分支。機(jī)器視覺(jué)技術(shù)便是其中之一，此技術(shù)主要應(yīng)用相機(jī)采集被測(cè)物圖像信息，將采集的圖像信息進(jìn)行處理，在數(shù)字圖像處理技術(shù)下，利用各種類型的算法與分析方法對(duì)被測(cè)水果的輪廓、大小、成熟度和外部品質(zhì)等特征值進(jìn)行采集[3]。在機(jī)器視覺(jué)技術(shù)中，攝像機(jī)、圖像采集卡、光源和上位機(jī)是硬件基礎(chǔ)，圖像處理軟件為軟件系統(tǒng)[4]。此技術(shù)普遍應(yīng)用于水果的品質(zhì)分級(jí)中，具有檢測(cè)效率高、準(zhǔn)確性好和可重復(fù)的特點(diǎn)。

1.2水果品質(zhì)檢測(cè)中應(yīng)用現(xiàn)狀

1.2.1 表面缺陷檢測(cè)

由于圖像處理技術(shù)的發(fā)展，使機(jī)器視覺(jué)識(shí)別和分析水果的表面缺陷成為可能。紀(jì)宇慧[5]發(fā)現(xiàn)灰度圖利于提取清晰的蘋(píng)果疤痕輪廓，結(jié)合canny算子和空洞填補(bǔ)法進(jìn)行圖像預(yù)處理，并運(yùn)用形態(tài)學(xué)的開(kāi)運(yùn)算解決果實(shí)邊緣不清的問(wèn)題。劉軍[6]優(yōu)選自適應(yīng)閾值法進(jìn)行圖像預(yù)處理，在對(duì)核桃的外部特征進(jìn)行交叉對(duì)比分析后，選擇其中的長(zhǎng)寬比、面積和分散度等九個(gè)特征組成九維最優(yōu)特征空間，以其為基礎(chǔ)建立多種核桃外部缺陷檢測(cè)模型。該模型對(duì)缺陷的總識(shí)別率為90.21%。David[7]研制的基于RGB圖像番茄分級(jí)機(jī)器視覺(jué)系統(tǒng)通過(guò)直方圖閾值法對(duì)缺陷與健康番茄的花萼和莖部瘢痕進(jìn)行檢測(cè)，平均準(zhǔn)確率均為0.9515。結(jié)合徑向基神經(jīng)網(wǎng)(Radial Basis Function，RBF)基于支持向量機(jī)(Support Vector Machine，SVM)建立RBF-SVM分類識(shí)別模型，該模型的準(zhǔn)確率達(dá)0.9709，且分級(jí)精度隨著分級(jí)類別數(shù)量的增加而降低。

1.2.1 水果分級(jí)檢測(cè)

機(jī)器視覺(jué)技術(shù)基于被測(cè)水果圖像，從圖像中獲取水果外部品質(zhì)信息。水果外部品質(zhì)信息包括水果輪廓大小、輪廓形狀、表面紋理和顏色等信息。研究學(xué)者通過(guò)上述信息來(lái)研究如何對(duì)相應(yīng)水果進(jìn)行檢測(cè)與分級(jí)。朱丹[8]結(jié)合PLC控制系統(tǒng)與圖像識(shí)別系統(tǒng)對(duì)蘋(píng)果進(jìn)行分級(jí)分揀實(shí)驗(yàn)。實(shí)驗(yàn)中歸一化處理圖像，用Niblack算法進(jìn)行二值化，并提取蘋(píng)果輪廓特征，結(jié)果發(fā)現(xiàn)基于蘋(píng)果周長(zhǎng)可以實(shí)現(xiàn)蘋(píng)果的等級(jí)分類。Kumar A[9]優(yōu)選小波特征，將其納入機(jī)器視覺(jué)對(duì)石榴果的分類與分級(jí)中，隨著訓(xùn)練樣本數(shù)增加，檢測(cè)準(zhǔn)確性提高。Peng H[10]設(shè)計(jì)基于支持向量機(jī)的多分類模型，利用異常懲罰因子對(duì)被測(cè)樣本進(jìn)行不完全分類并建立基于線性核函數(shù)的SVM多分類模型，該模型對(duì)蘋(píng)果、香蕉、柑橘、楊桃、梨、火龍果6種水果的識(shí)別準(zhǔn)確率分別為：95%、80%、97.5%、86.7%、92.5%、96.7%。

1.3存在問(wèn)題及發(fā)展趨勢(shì)

在目前研究中，大部分研究都致力于提高系統(tǒng)計(jì)算力以及特征的精確識(shí)別。究其根源，目前在最優(yōu)成本內(nèi)所選擇硬件的計(jì)算能力不足以支撐大量計(jì)算，而機(jī)器視覺(jué)直接面對(duì)的對(duì)象是圖像和視頻，其中數(shù)據(jù)量的龐雜、無(wú)用數(shù)據(jù)占比高和高特征空間維度造成機(jī)器必須進(jìn)行大量運(yùn)算。那么，對(duì)特征選取的算法優(yōu)化，更優(yōu)數(shù)據(jù)處理模型的探索，依然是未來(lái)機(jī)器視覺(jué)發(fā)展的趨勢(shì)。目前，研究的檢測(cè)樣本普遍單一，學(xué)者通常只選取一種水果樣本進(jìn)行研究，以此減少所需處理的數(shù)據(jù)量。多種類水果樣本的檢測(cè)，是未來(lái)機(jī)器視覺(jué)技術(shù)必然的發(fā)展方向。同時(shí)，因?yàn)闄C(jī)器視覺(jué)只能檢測(cè)水果表面的數(shù)據(jù)信息，少數(shù)研究者開(kāi)始探尋通過(guò)表面信息與水果內(nèi)部品質(zhì)建立聯(lián)系的方式，以此能兼顧對(duì)水果內(nèi)部品質(zhì)的實(shí)時(shí)檢測(cè)。

2近紅外光譜無(wú)損檢測(cè)技術(shù)

2.1概述

近紅外光是介于可見(jiàn)光與中紅外光之間的電磁波，其波長(zhǎng)范圍為780～2526 nm[11]。水果中含有大量的含氫基團(tuán)，對(duì)于不同的基團(tuán)，其吸收峰位置以及強(qiáng)度都會(huì)明顯區(qū)別于其他基團(tuán)。以伯-比爾吸收定律為基礎(chǔ)，結(jié)合不同光譜特征與被測(cè)樣本內(nèi)部結(jié)構(gòu)建立聯(lián)系，便可判定樣本內(nèi)部結(jié)構(gòu)的變化。紅外光譜技術(shù)多結(jié)合計(jì)算機(jī)科學(xué)、化學(xué)計(jì)量學(xué)以及光譜學(xué)等學(xué)科，常用多元統(tǒng)計(jì)、聚類分析和曲線擬合等化學(xué)計(jì)量學(xué)方法提取光譜所含信息。因紅外光在光纖中傳輸效果良好，可實(shí)現(xiàn)水果在線快速檢測(cè)，近些年其引起了國(guó)內(nèi)外許多學(xué)者的研究興趣。

2.2水果品質(zhì)檢測(cè)中應(yīng)用現(xiàn)狀

2.2.1 水果內(nèi)部品質(zhì)檢測(cè)

光作用于水果產(chǎn)生的反射、散射、透射和吸收等物理現(xiàn)象，為水果的光學(xué)特性。近紅外光具備高穿透特性，可利用此特性獲取水果內(nèi)部的化學(xué)信息。據(jù)以上原理，可獲得水果內(nèi)部的含糖量，酸度和可溶性固形物含量等信息，進(jìn)而對(duì)水果內(nèi)部品質(zhì)進(jìn)行分析。

程麗娟[12]采集靈武長(zhǎng)棗近紅外光譜圖像，用高效液相色譜法測(cè)量長(zhǎng)棗中的葡萄糖含量。結(jié)合光譜值和化學(xué)值分別建立偏最小二乘回歸(Partial Least Rquares Regression，PLSR)和多元線性回歸(Multiple Linear Regression，MLR)模型提取特征波長(zhǎng)，發(fā)現(xiàn)使用多項(xiàng)式平滑算法預(yù)處理方式，可降低噪音，去掉無(wú)用信息，其定標(biāo)相關(guān)系數(shù)為0.8265，預(yù)測(cè)相關(guān)系數(shù)為0.7910。其中結(jié)合PLSR、間隔隨機(jī)蛙跳算法和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling，CARS)的模型為最優(yōu)模型，定標(biāo)相關(guān)系數(shù)為0.8353，預(yù)測(cè)相關(guān)系數(shù)為0.8322，這說(shuō)明提取特征波長(zhǎng)可減少冗長(zhǎng)數(shù)據(jù)，降低維數(shù)，實(shí)現(xiàn)快速檢測(cè)。何嘉琳[13]采集長(zhǎng)棗的近紅外光譜圖像，分別用遺傳算法、連續(xù)投影算法和CARS算法提取特征波段，優(yōu)選標(biāo)準(zhǔn)正態(tài)變量變換法為最優(yōu)原始光譜預(yù)處理方法，所建偏最小二乘(Partial Least Rquares，PLS)模型交互驗(yàn)證相關(guān)系數(shù)和交互驗(yàn)證均方根誤差分別為0.8395和16.2482。牛曉穎[14]通過(guò)近紅外漫反射技術(shù)提取不同成熟度李果的光譜主成分，用馬氏距離判別法建立分類模型，該模型的校正集判別正確率為96.33%，預(yù)測(cè)集判別正確率為96.30%。發(fā)現(xiàn)對(duì)于不同成熟度的李果，其堅(jiān)實(shí)度、可滴定酸和可溶性固形物的聚類效應(yīng)明顯且不同，此可作為不同成熟度的李果分選的依據(jù)。

2.2.1 水果外部品質(zhì)檢測(cè)

Xuyang P[15]采集蘋(píng)果損傷的HSI顏色模型，用集成學(xué)習(xí)方法對(duì)特征波段進(jìn)行篩選，并使用線性判別分析法(linear discriminant analysis，LDA)將模型準(zhǔn)確率提高到92.86%。Zhao Z L[16]利用近紅外光譜技術(shù)對(duì)李子褐變和非褐變進(jìn)行檢測(cè)，并發(fā)現(xiàn)馬氏距離判別分析和反向傳播-人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的分類模型能夠有效地識(shí)別李子褐變情況，預(yù)測(cè)集精度達(dá)97.56%。孫世鵬[17]等為了去除損傷區(qū)域近紅外光譜中冗雜的信息，在研究中用連續(xù)投影算法、相關(guān)特征選擇算法和一致性算法處理冗余信息，提取特征波段，并基于k-鄰近、樸素貝葉斯、支持向量機(jī)3種分類方法建立分類器，其中一致性算法選擇的特征波段在SVM分類器下分類識(shí)別正確率達(dá)95.16%。

2.3存在問(wèn)題及發(fā)展趨勢(shì)

近紅外光譜技術(shù)因其非破壞性和便捷的特點(diǎn)，于水果品質(zhì)的無(wú)損檢測(cè)中發(fā)展迅速。國(guó)內(nèi)外學(xué)者相關(guān)研究中，一般只對(duì)水果內(nèi)部或外部品質(zhì)單指標(biāo)進(jìn)行研究，少有進(jìn)行多指標(biāo)混合研究的。不同的水果適用的光譜數(shù)據(jù)處理方式、特征波段選擇標(biāo)準(zhǔn)和模型建立都各不相同，檢測(cè)方法不通用。因?yàn)楝F(xiàn)階段已有模型預(yù)測(cè)精度不夠，建模的方法還需研究改進(jìn)，現(xiàn)在對(duì)于近紅外光譜技術(shù)的研究點(diǎn)，多在運(yùn)用合適的數(shù)據(jù)預(yù)處理方法排除冗雜的數(shù)據(jù)，降低數(shù)據(jù)量，建立較優(yōu)預(yù)測(cè)模型提高檢測(cè)時(shí)的效率和準(zhǔn)確度。此技術(shù)多用于水果的定性與定量分析，分析結(jié)果可作為水果內(nèi)部可溶性固形物、總糖和總酸的預(yù)測(cè)依據(jù)以及水果品種和水果產(chǎn)地的區(qū)分依據(jù)，目前大部分研究都處于理論階段，數(shù)據(jù)多來(lái)源于實(shí)驗(yàn)室靜態(tài)檢測(cè)，而對(duì)動(dòng)態(tài)檢測(cè)的研究較少。

3電學(xué)特性檢測(cè)技術(shù)

3.1概述

在外加電場(chǎng)下，水果產(chǎn)生的介電特性、導(dǎo)電及電磁等物理特性被稱作水果的電學(xué)特性[18]。水果的細(xì)胞中含有許多帶電粒子其導(dǎo)電性能好，而細(xì)胞膜因富含蛋白質(zhì)、果膠和纖維素等導(dǎo)致其導(dǎo)電性極差，因此可以將水果的細(xì)胞看做一個(gè)由導(dǎo)體和絕緣體構(gòu)成的復(fù)合體，其擁有導(dǎo)電和絕緣的雙重特性[19]。水果在成熟過(guò)程或受病蟲(chóng)害侵害時(shí)，水果的內(nèi)部理化特性會(huì)發(fā)生顯著變化，從而使細(xì)胞的結(jié)構(gòu)、化學(xué)成分和細(xì)胞膜通透性發(fā)生改變[20-21]。水果細(xì)胞的生化反應(yīng)從宏觀的角度上改變的了水果的電學(xué)特性[22-23]，因此對(duì)于不同的水果，由于成分和狀態(tài)的不同，其介電特性也不同?；谔囟ǖ碾妼W(xué)特性可對(duì)水果實(shí)現(xiàn)無(wú)損檢測(cè)，對(duì)水果的內(nèi)部結(jié)構(gòu)進(jìn)行分析[24]。

3.2水果品質(zhì)檢測(cè)中應(yīng)用現(xiàn)狀

李大偉[25]對(duì)紅棗的電學(xué)特性和含水率變化情況進(jìn)行測(cè)定，研究發(fā)現(xiàn)在1000 Hz內(nèi)可用復(fù)阻抗來(lái)建立與紅棗含水率的關(guān)系，即在含水率55.85%以下時(shí)復(fù)阻抗隨著含水率的降低而增大。孔繁榮[26]采用同軸探頭技術(shù)測(cè)量發(fā)育后期3個(gè)月內(nèi)的富士蘋(píng)果，獲得其在20～4500 MHz間的相對(duì)介電常數(shù)和介質(zhì)損耗因子，并與測(cè)得的生理特性和內(nèi)部品質(zhì)進(jìn)行比較，得知相對(duì)介電常數(shù)隨頻率增加而減小，介質(zhì)損耗因子在2000 MHz處存在極小值，可溶性固形物和pH值與相對(duì)介電常數(shù)和介質(zhì)損耗因子之間存在負(fù)的線性相關(guān)性，硬度和含水率與相對(duì)介電常數(shù)和介質(zhì)損耗因子間存在正的線性相關(guān)性。張莉[27]對(duì)柿果電學(xué)參數(shù)進(jìn)行檢測(cè)，發(fā)現(xiàn)頻率在251～398 kHz時(shí)可利用阻抗、電感和電容區(qū)分柿果成熟度，頻率為3.98 kHz和63.1 kHz時(shí)可利用電導(dǎo)判斷柿果的成熟度。Chowdhury A[28]用電阻抗譜作為香蕉成熟過(guò)程中電阻抗變化的一種無(wú)損評(píng)價(jià)方法，將香蕉電阻抗變化與成熟過(guò)程建立聯(lián)系。研究中將少量交流電注入香蕉，連接到Ag/AgCl電極陣列上，用阻抗儀測(cè)量表面電位，香蕉的阻抗隨著香蕉的成熟而增加。Massah J[29]用特制的測(cè)壓元件調(diào)節(jié)兩電極之間的夾持力，對(duì)收獲的蘋(píng)果進(jìn)行電阻檢測(cè)。頻率分別為120 Hz和1 kHz時(shí)，對(duì)蘋(píng)果的重量和電阻進(jìn)行測(cè)量，結(jié)果表明隨著貯藏時(shí)間的延長(zhǎng)，電阻增大。Takashi Watanabe[30]應(yīng)用細(xì)胞等效電路分析日本梨組織瘀傷，并對(duì)梨組織瘀傷區(qū)進(jìn)行等效電路阻抗值分析，發(fā)現(xiàn)損傷組織中原生質(zhì)的抗逆性略有提高，細(xì)胞膜的電容和蛻膜液的抗逆性明顯降低。

3.3存在問(wèn)題及發(fā)展趨勢(shì)

利用介電特性對(duì)水果進(jìn)行無(wú)損檢測(cè)，雖然因其快速簡(jiǎn)便和數(shù)據(jù)量小的特點(diǎn)，讓該無(wú)損檢測(cè)技術(shù)擁有廣闊的前景，但因?yàn)樗g的介電特性都各不相同，所以大部分研究只針對(duì)一種類型水果進(jìn)行研究，且研究結(jié)果僅表明基于電學(xué)特性的水果無(wú)損檢測(cè)技術(shù)在實(shí)踐上是可行的，研究結(jié)果總結(jié)的方法規(guī)律不具有普適性。因?yàn)樗碾妼W(xué)特性，目前研究多在于檢測(cè)水果的含水量，成熟度和損傷情況，理論上的研究較多，基于電學(xué)特性針對(duì)水果無(wú)損檢測(cè)的設(shè)備研發(fā)不足。未來(lái)的研究重點(diǎn)在將測(cè)試的頻率、電壓、溫度等影響因素標(biāo)準(zhǔn)化，減少這些因素對(duì)實(shí)驗(yàn)結(jié)果的干擾，使對(duì)水果電學(xué)特性的研究不僅只能在一個(gè)特性上。同時(shí)增強(qiáng)對(duì)基于電學(xué)特性無(wú)損檢測(cè)技術(shù)的檢測(cè)設(shè)備的研究，強(qiáng)化該技術(shù)的實(shí)用性。

4聲學(xué)特性檢測(cè)技術(shù)

4.1概述

聲波的產(chǎn)生、傳播、接收和在介質(zhì)中產(chǎn)生的影響是聲學(xué)主要的研究?jī)?nèi)容[31]。水果對(duì)聲波的反射、透射、散射吸收以及本身的聲阻抗和固有頻率等都屬于水果的聲學(xué)特性范疇[32]。現(xiàn)有的聲學(xué)特性檢測(cè)設(shè)備將聲敏傳感器采集的聲音信號(hào)轉(zhuǎn)變?yōu)殡娦盘?hào)，再通過(guò)模擬/數(shù)字轉(zhuǎn)換器處理成數(shù)字信號(hào)，之后對(duì)數(shù)字信號(hào)進(jìn)行分析，獲得時(shí)間與聲學(xué)特性之間關(guān)系的時(shí)域圖，通過(guò)傅里葉算法將時(shí)域圖轉(zhuǎn)變成易分析的頻譜圖。聲波是由物體振動(dòng)所產(chǎn)生的機(jī)械波，傳播聲波的空間被稱作聲場(chǎng)，水果內(nèi)部組織結(jié)構(gòu)的改變會(huì)對(duì)傳播聲波產(chǎn)生影響，從而導(dǎo)致其聲學(xué)特性發(fā)生改變，聲學(xué)特性能夠?qū)Σ煌乃M(jìn)行識(shí)別，對(duì)水果處于不同內(nèi)部狀態(tài)時(shí)進(jìn)行檢測(cè)[33]。

4.2水果品質(zhì)檢測(cè)中應(yīng)用現(xiàn)狀

白志杰[34]設(shè)計(jì)的聲學(xué)特性檢測(cè)和分析系統(tǒng)，使用-42dB的4015咪頭提高聲學(xué)檢測(cè)系統(tǒng)的穩(wěn)定性與可靠性，并建立分級(jí)模型對(duì)不同硬度水果進(jìn)行分級(jí)試驗(yàn)，發(fā)現(xiàn)采用二次判別分析法(quadratic discriminant analysis，QDA)建立的水果硬度分級(jí)模型效果最好，該模型可對(duì)金帥蘋(píng)果、豐水梨、煙臺(tái)紅富士蘋(píng)果和貢梨4種樣品進(jìn)行分級(jí)，準(zhǔn)確率可達(dá)到95%以上。Wen Zhang[35]優(yōu)化激光多普勒振動(dòng)儀(Laser Doppler Velocimetry，LDV)測(cè)定梨紋理時(shí)的試驗(yàn)參數(shù)。實(shí)驗(yàn)將梨置于以恒定的掃頻率和加速度幅值振動(dòng)的振動(dòng)臺(tái)中間，由掃頻正弦波信號(hào)對(duì)梨進(jìn)行激勵(lì)。結(jié)果無(wú)論線性掃頻方式或?qū)?shù)掃頻方式和加速度振幅下，同一測(cè)點(diǎn)的頻率響應(yīng)曲線均具有良好的重復(fù)性。對(duì)118個(gè)梨樣品進(jìn)行LDV法與破壞性穿刺試驗(yàn)的比較，結(jié)果表明梨的彈性指數(shù)與梨的硬度有很好的相關(guān)關(guān)系且LDV法在重復(fù)性和靈敏度方面優(yōu)于穿刺法。Lashgari M[36]提出一種對(duì)不同貯存時(shí)間的伊朗蘋(píng)果無(wú)損分類的方法，該研究用PCA來(lái)確定光譜中大多數(shù)差異的關(guān)鍵變量，利用LDA和QDA建立分類模型進(jìn)行標(biāo)定，LDA和QDA模型的分類準(zhǔn)確率分別約為80.56%和83.33%。Liu Wei[37]利用頻率為433MHz的表面聲波共振器對(duì)貯藏12天的獼猴桃果實(shí)品質(zhì)進(jìn)行了測(cè)定，并基于PCA和隨機(jī)共振(Stochastic resonance，SR)方法對(duì)獼猴桃樣品的響應(yīng)進(jìn)行了測(cè)量和分析，實(shí)驗(yàn)結(jié)果表明，PCA法能對(duì)不同貯藏時(shí)間的獼猴桃樣品進(jìn)行定性鑒別，SR和表面聲波共振器頻率分析方法都能成功地識(shí)別出回歸系數(shù)較高的樣本。

4.3存在問(wèn)題及發(fā)展趨勢(shì)

現(xiàn)有基于聲學(xué)特性的無(wú)損檢測(cè)技術(shù)多使用聲發(fā)射檢測(cè)和超聲檢測(cè)，聲發(fā)射檢測(cè)優(yōu)點(diǎn)在于檢測(cè)儀器輕便，可實(shí)現(xiàn)實(shí)時(shí)連續(xù)監(jiān)控檢測(cè)，但因延性材料產(chǎn)生的低幅值聲波，易受噪音影響。超聲檢測(cè)優(yōu)點(diǎn)在于對(duì)缺陷極其敏感，穿透力強(qiáng)，但容易受被測(cè)樣品表面光滑度影響，這個(gè)特性也為水果表面狀況檢測(cè)提供了新思想。目前該技術(shù)檢測(cè)設(shè)備大多通過(guò)敲擊水果發(fā)生，如果敲擊力度控制不當(dāng)，很容易損傷被測(cè)水果，同時(shí)因?yàn)樵摲N檢測(cè)方式，大部分研究的重點(diǎn)在于檢測(cè)水果硬度與相關(guān)品質(zhì)的關(guān)系。

5結(jié)語(yǔ)

水果無(wú)損檢測(cè)技術(shù)基于水果特性、智能感官仿生技術(shù)和光譜技術(shù)，研究的核心是圍繞水果品質(zhì)的變化，從水果外部物理特性和內(nèi)部成分以及結(jié)構(gòu)變化中獲得信息，建立相關(guān)檢測(cè)模型對(duì)水果品質(zhì)進(jìn)行檢測(cè)研究。如何快速、簡(jiǎn)捷地檢測(cè)水果品質(zhì)的這些變化是當(dāng)前研究的熱點(diǎn)，無(wú)損檢測(cè)技術(shù)具有高效、快速、準(zhǔn)確性好的優(yōu)點(diǎn)，適用于水果品質(zhì)評(píng)價(jià)。

本文綜述了機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)、近紅外光譜無(wú)損檢測(cè)技術(shù)、電學(xué)特性無(wú)損檢測(cè)技術(shù)和聲學(xué)特性無(wú)損檢測(cè)技術(shù)在水果品質(zhì)評(píng)價(jià)中的應(yīng)用，總結(jié)了這些技術(shù)在水果品質(zhì)評(píng)價(jià)中的應(yīng)用，并分析了它們的優(yōu)缺點(diǎn)。水果無(wú)損檢測(cè)技術(shù)在我國(guó)發(fā)展幾十年已取得充足的發(fā)展，但研究理論實(shí)踐化還有許多問(wèn)題需要面對(duì)。機(jī)器視覺(jué)雖然為水果外部損傷提供了很好的檢測(cè)模式，但建立一個(gè)具有普遍性、提高檢測(cè)的準(zhǔn)確性建立一個(gè)全面完整的數(shù)據(jù)庫(kù)是很有必要的。近紅外光譜法雖然在分析水果內(nèi)部品質(zhì)研究上已趨于成熟，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)，但檢測(cè)指標(biāo)普遍單一?；诼晫W(xué)特性和介電特性的無(wú)損檢測(cè)技術(shù)雖然在理論和技術(shù)上是可行的，但在實(shí)用上，其檢測(cè)精度和效率還有很大的限制。

隨著無(wú)損檢測(cè)技術(shù)的發(fā)展，將每種技術(shù)實(shí)用化是最終目的，實(shí)現(xiàn)多種手段綜合檢測(cè)、多種樣品同時(shí)在線檢測(cè)和多項(xiàng)指標(biāo)同時(shí)檢測(cè)是未來(lái)最期望達(dá)到的目標(biāo)。以無(wú)損檢測(cè)技術(shù)的數(shù)字化、圖像化和信息化是未來(lái)檢測(cè)技術(shù)發(fā)展的趨勢(shì)。無(wú)損檢測(cè)技術(shù)的發(fā)展能很好的促進(jìn)我國(guó)水果品質(zhì)的提升，提高我國(guó)水果在國(guó)際貿(mào)易中的競(jìng)爭(zhēng)力。