柚子品質(zhì)無損檢測技術(shù)研究進展*

馬雪濤 ， 蔣亞鑫 ， 鄧定南 ， 李浩昌 ， 林厚健 ， 羅宏煉 ， 金揚印

（1.嘉應(yīng)學院物理與電子工程學院，廣東 梅州 514015；2.梅州市智能光電檢測應(yīng)用工程技術(shù)研究中心，廣東 梅州514015；3.梅州市農(nóng)業(yè)綜合服務(wù)中心，廣東 梅州 514021；4.梅州市鑫農(nóng)機械制造有限公司，廣東 梅州 514471）

0 引言

柚子為嶺南特色水果，主要分布在我國廣東、福建、江西等省份，富含豐富的蛋白質(zhì)、維生素C、有機酸、鈣、鎂等微量元素營養(yǎng)物質(zhì)，是一種受廣大消費者青睞的柑橘類水果。柚子品質(zhì)檢測分為外觀品質(zhì)檢測和內(nèi)在品質(zhì)檢測。外觀品質(zhì)包括柚子形狀、顏色、表皮缺陷等；內(nèi)在品質(zhì)包括柚子糖度、酸度、硬度、可溶性固形物含量等。無損檢測技術(shù)（Nondestructive Determination Technologies, NDT）利用聲、光、熱、電等手段采集待測物體的特征數(shù)據(jù)，通過數(shù)據(jù)傳輸和處理，實現(xiàn)非接觸、無損害的物體特性參數(shù)檢測，廣泛應(yīng)用于農(nóng)業(yè)、輕工業(yè)、材料等領(lǐng)域[1-3]。對柚子品質(zhì)開展無損檢測，有利于柚子采后科學品級分類，推動柚子產(chǎn)業(yè)發(fā)展，助力鄉(xiāng)村振興。

本文綜述了機器視覺檢測技術(shù)、近紅外光譜檢測技術(shù)、高光譜成像檢測技術(shù)、核磁共振成像檢測技術(shù)、深度學習技術(shù)等在柚子品質(zhì)無損檢測方面的應(yīng)用進展，并探討了拉曼光譜檢測技術(shù)、電子鼻檢測技術(shù)、介電特性檢測技術(shù)、聲特征檢測技術(shù)等應(yīng)用于柚子品質(zhì)無損檢測的可行性，以期為柚子品質(zhì)無損檢測方面的未來研究提供參考。

1 機器視覺檢測技術(shù)

機器視覺檢測技術(shù)利用各種先進傳感器獲取待測物體圖像信息，通過不同算法進行圖像數(shù)據(jù)處理，最終應(yīng)用于實際測量和控制。

1）在柚子形狀檢測方面，龔昌來等[4]采用數(shù)字圖像處理技術(shù)實現(xiàn)柚子尺寸檢測，柚子橫徑、縱徑平均相對誤差分別為2.43%、2.30%；楊冬濤、李燕等[5-6]提出基于輪廓方向特征的柚子果形檢測方法。

2）在柚子分級應(yīng)用方面，云雙[7]研究了基于雙目立體視覺的柚子空間位姿測量方法，實現(xiàn)了機械臂對柚子的自動抓??；郭輝[8]系統(tǒng)研究了蜜柚的結(jié)構(gòu)特征，建立了基于圖像質(zhì)心的柚子果形特征分析模型，并提出了基于著色率計算的柚子表面缺陷檢測方法；孫先成[9]系統(tǒng)研究了柚子的果形特征，建立了基于果形的柚子可食用率無損檢測模型；林洋洋[10]搭建了基于雙視角點云的琯溪蜜柚三維重建系統(tǒng)，通過三維模型計算蜜柚體積、密度、縱徑及橫徑等外部集合特征參數(shù)。

3）在柚子采摘應(yīng)用方面，謝航[11]提出一種基于色差法和K-mean 法的圖像分割技術(shù)，并結(jié)合深度學習算法Faster RCNN 和YOLOv3，實現(xiàn)了自然環(huán)境下樹上柚子果實的自動識別；戴寧[12]系統(tǒng)研究了色差法、K-mean 法、Cb 顏色分量法在柚果識別和分割中的可行性，通過計算柚子姿態(tài)和質(zhì)心位置、柚果果梗骨架提取，實現(xiàn)柚子采摘點位置的確定。

2 近紅外光譜檢測技術(shù)

近紅外（Near Infrared, NIR）光譜是一種電磁波，波長范圍為780 nm~2 526 nm。由于含氫基團信息（C-H、O-H、N-H、S-H）在近紅外光譜范圍可產(chǎn)生不同的特征峰，根據(jù)特征峰光譜分布的形狀、位置和強度信息，可間接計算待測物體的成分和含量。因此，近紅外光譜檢測技術(shù)被廣泛應(yīng)用于水果品質(zhì)檢測[13]。

1）在柚子品種鑒別方面，姚婉清等[14]通過傅里葉變換近紅外光譜儀獲取柚子表皮漫反射光譜信息，基于判別分析法建立光譜模型，實現(xiàn)了梅州白柚、紅柚、沙田柚三種品種的準確鑒別。

2）在柚子皮果膠含量測量方面，陳華舟等[15]結(jié)合分段多元散射校正算法和移動窗口偏最小二乘算法，對柚子傅里葉變換近紅外漫反射光譜數(shù)據(jù)進行處理，優(yōu)化光譜波段，提高了柚子皮果膠含量預(yù)測的準確性。

3）在柚子糖度檢測方面，李雄等[16]搭建了近紅外漫透射測量系統(tǒng)，提出了基于連續(xù)投影法和偏最小二乘法的柚子糖度預(yù)測模型，實現(xiàn)了對不同品種柚子糖度的檢測；孫瀟鵬等[17-18]系統(tǒng)分析了不同光源強度、光源距離、柚皮厚度下柚子漫透射光譜分布特點，驗證了在最優(yōu)光源強度和距離下，柚子糖度預(yù)測準確性最高，并開發(fā)了一套基于多源信息融合的柚子品質(zhì)無損檢測系統(tǒng)。田昊[19]系統(tǒng)分析了柚子的組織結(jié)構(gòu)特性和光傳輸特性，建立偏最小二乘法回歸預(yù)測模型，實現(xiàn)了柚子可溶性固形物含量的在線無損檢測，琯溪蜜柚模型、紅肉蜜柚模型的預(yù)測集均方根誤差分別為0.41%、0.57%；Xu 等[20]搭建了可見光-近紅外測量系統(tǒng)，采用Savitzky-Golay 法、乘法散點校正法進行數(shù)據(jù)處理，采用遺傳算法進行特征提取，采用偏最小二乘回歸進行建模，實現(xiàn)了柚子含水量和?；薀o損檢測。

3 高光譜成像檢測技術(shù)

高光譜成像（Hyperspectral Imaging, HSI）檢測技術(shù)結(jié)合了光譜和圖像的優(yōu)勢，可同時獲取待測物體的光譜信息和空間信息，反映物體的內(nèi)部和外部特征，已廣泛應(yīng)用于水果品質(zhì)檢測[21]。高光譜成像檢測系統(tǒng)一般包括光源、相機、成像光譜儀、計算機等，高光譜成像波段范圍一般為200 nm~2 560 nm。高光譜數(shù)據(jù)采集方式包括點掃描、線掃描、面掃描。

1）在柚子皮果膠含量檢測方面，陳華舟等[22]搭建了基于鹵素燈照明和近紅外光譜儀采集的高光譜成像系統(tǒng)，通過推掃式鏡像掃描裝置，采集了柚子在1 000 nm~2 500 nm 波段的近紅外光譜數(shù)據(jù)，建立了偏最小二乘法回歸預(yù)測模型，詳細分析了不同系統(tǒng)參數(shù)、數(shù)據(jù)預(yù)處理方法對預(yù)測模型準確度的影響，最終實現(xiàn)了對柚子皮果膠含量的定量預(yù)測。

2）在柚子糖度檢測方面，吳爽[23]利用核磁共振技術(shù)和高光譜技術(shù)，分別獲取了柚子的內(nèi)部圖像和漫透射高光譜數(shù)據(jù)，并結(jié)合深度學習算法建立了多種預(yù)測模型，實現(xiàn)了柚子的糖度、酸度、?；省⒑实葏?shù)的定量無損檢測。

3）在柚子表皮缺陷檢測方面，Ye 等[24]搭建了一個掃描波段為379 nm~1 023 nm 的推掃式高光譜成像系統(tǒng)，對原始數(shù)據(jù)通過隨機蛙跳（Random Frog）算法和主成分分析法確定5 個最佳波長，利用Na?ve-Bayes分類器實現(xiàn)了柚子黑斑病的準確識別。

4 X射線檢測技術(shù)

X 射線是一種具有高穿透率的電磁波，波長范圍為0.001 nm~10 nm。X 射線成像檢測技術(shù)利用射線照射待測物體，其內(nèi)部缺陷引起射線強度的變化，對X 射線強度圖像進行數(shù)字圖像處理，實現(xiàn)對待測物體特性的無損檢測，被廣泛應(yīng)用于水果品質(zhì)檢測[25]。

1）在柚子粒化率檢測方面，耿一曼[26]系統(tǒng)分析了不同大小、形狀、品種柚子的X 射線圖像特點，結(jié)合灰度變換、銳化等圖像處理技術(shù)對柚子X 射線圖像進行處理，通過判斷柚瓣是否開裂、存在白色斑點以及柚皮中是否存在絲狀物，實現(xiàn)對柚子粒化率的定量檢測。

2）在柚子可食率檢測方面，張雨辰[27]對柚子的X 射線圖像進行預(yù)處理，建立了基于柚子密度、橫向果肉占比、縱向果肉占比的可食率預(yù)測模型，實驗結(jié)果表明，紅肉蜜柚模型和琯溪蜜柚模型的預(yù)測集均方根誤差分別為1.99%、1.43%。

5 深度學習檢測技術(shù)

深度學習是機器學習的一個重要分支，其本質(zhì)是利用特定模型進行大數(shù)據(jù)訓練，實現(xiàn)“隱藏”特征的自動提取，已被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域[28-29]。

1）在機器視覺技術(shù)應(yīng)用方面，黃杰賢等[30]搭建了BP 神經(jīng)網(wǎng)絡(luò)模型，以柚子形狀、大小、表面缺陷信息為輸入進行訓練，實現(xiàn)對柚子的分類，準確率達90%。肖德琴等[31]提出了一種改進的特征融合單鏡頭檢測器神經(jīng)網(wǎng)絡(luò)，采用4 000 幅柚子圖像進行訓練，分析了不同圖像類型在不同檢測模型下的預(yù)測準確率。結(jié)果表明：所提模型的柚子采摘目標預(yù)測準確率高達93.7%，降低了小目標柚子采摘檢測的誤檢率和漏檢率。曾鏡源等[32]提出一種基于實例分割的柚子姿態(tài)識別和定位技術(shù)，搭建了基于Mask R-CNN算法和YOLOv3 算法的柚子目標識別和分割預(yù)測模型。結(jié)果表明：YOLOv3 模型的識別速度高于Mask R-CNN 模型，但其檢出目標數(shù)量和定位精度不如Mask R-CNN模型。

2）在近紅外光譜技術(shù)應(yīng)用方面，卷積神經(jīng)網(wǎng)絡(luò)已應(yīng)用于近紅外光譜數(shù)據(jù)建模分析中，可減少光譜數(shù)據(jù)的預(yù)處理工作量，并提高預(yù)測模型的準確性[33]。吳爽等[34]搭建了基于近紅外光譜數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型和含有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)（Res-CNN）模型，實現(xiàn)了西瓜可溶性固形物含量定量檢測，不同模型的預(yù)測集均方根誤差分別為0.778 1°Brix、0.710 4°Brix。柚子作為同樣的厚皮類水果[35]，也可采用基于深度學習的近紅外光譜技術(shù)實現(xiàn)柚子糖度的定量無損檢測。

3）在高光譜成像技術(shù)方面，Jie 等[36]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理柚子漫透射高光譜數(shù)據(jù)，訓練精度達到88.02%，實現(xiàn)了對柚子粒化率的定量檢測[23]。王浩云等[37]提出一種基于3D-CNN 的高光譜成像模型，實現(xiàn)了蘋果糖度、硬度、含水量的多參數(shù)定量檢測，可為柚子的多品質(zhì)參數(shù)測量提供參考。

6 其他無損檢測技術(shù)

1）核磁共振（Nuclear Magnetic Resonance,NMR）成像檢測技術(shù)，是利用原子核磁特性同時獲取待測物體的物理和化學信息，通過探測分析物質(zhì)的分子結(jié)構(gòu)和性質(zhì)，獲取物質(zhì)內(nèi)部結(jié)構(gòu)信息的檢測技術(shù)，被廣泛應(yīng)用于食品質(zhì)量檢測領(lǐng)域[38]。根據(jù)所使用的射頻場頻率高低，可以分為高場核磁共振技術(shù)和低場核磁共振技術(shù)。王賢達等[39]利用1.5 T 高場核磁共振成像儀獲取琯溪蜜柚內(nèi)部果肉組織影像，實現(xiàn)了柚果汁胞?；臒o損檢測和識別。低場核磁共振技術(shù)的磁場強度低于0.5 T，可應(yīng)用于采后水果的水分分析、缺陷鑒別、營養(yǎng)成分分析等品質(zhì)參數(shù)的無損檢測[40]。

2）電感耦合等離子體發(fā)射光譜技術(shù)（ICP-AES）。ICP-AES 技術(shù)通過物質(zhì)在高頻電磁場中形成的高溫等離子體，實現(xiàn)不同元素的定量檢測。董維兵等[41]采用ICP-AES 技術(shù)，成功對新都柚和福建蜜柚中22種微量元素進行了測定。

3）電子鼻檢測技術(shù)。電子鼻檢測技術(shù)通過氣體傳感器獲取待測物體的氣味信息，生成對應(yīng)的特征圖譜，已廣泛應(yīng)用于乳制品、肉類、飲料、果蔬等食品的安全定量檢測[42]。顏靜[43]利用電子鼻檢測技術(shù)對四個不同地區(qū)的龍安柚揮發(fā)性成分進行測定，建立柚子產(chǎn)地來源判別模型，實現(xiàn)了柚子產(chǎn)地來源的定量無損檢測，其判別準確率為81.42%。陳遠濤等[44]通過電子鼻檢測技術(shù)獲取了水果、蔬菜、肉類的數(shù)據(jù)，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的食品新鮮度預(yù)測模型，分類識別準確率達90%。這類技術(shù)為柚子新鮮度的判斷提供了技術(shù)應(yīng)用思路。

4）除了以上無損檢測技術(shù)，常用的無損檢測技術(shù)還包括拉曼光譜檢測技術(shù)、介電特性檢測技術(shù)、聲特征檢測技術(shù)等。拉曼光譜檢測技術(shù)[45]利用激發(fā)光譜和待測物體之間產(chǎn)生拉曼效應(yīng)，其對應(yīng)譜峰位置反映了待測物體的分子特征，已廣泛應(yīng)用于食品安全檢測，如農(nóng)藥殘留檢測、添加劑檢測、食品摻偽鑒別等。介電特性檢測技術(shù)[46]可以測量待測物體在電場下的介電參數(shù)，不同參數(shù)的變化反映了待測物體特性的變化，可應(yīng)用于水果糖度、成熟度、病變等參數(shù)的無損檢測。聲特征檢測技術(shù)是通過采集和分析待測物體的聲學信號結(jié)構(gòu)特征（如共振頻率、梅爾倒譜系數(shù)等），可實現(xiàn)果實糖度、硬度、機械損傷等物體特性的定量無損檢測。左杰文等[47]搭建了西瓜聲學檢測系統(tǒng)，結(jié)合機器學習算法實現(xiàn)了西瓜糖度檢測和分級。以上技術(shù)都可為柚子多品質(zhì)參數(shù)的無損檢測提供重要理論支撐和技術(shù)指導。

7 總結(jié)與展望

柚子是我國的高產(chǎn)水果之一，利用無損檢測技術(shù)對柚子品質(zhì)進行多維度測定和分析，有利于柚子品級的準確分類，促進柚子產(chǎn)業(yè)的快速發(fā)展，提高果農(nóng)收益，助力鄉(xiāng)村振興。柚子品質(zhì)無損檢測技術(shù)的相關(guān)研究，也為柚子智能化農(nóng)業(yè)裝備的研發(fā)提供了指引。本文主要綜述了機器視覺技術(shù)、近紅外光譜技術(shù)、高光譜技術(shù)、X 射線技術(shù)等在柚子品質(zhì)無損檢測中的應(yīng)用研究進展，并介紹了這些技術(shù)與深度學習技術(shù)的結(jié)合和應(yīng)用研究。另外，介紹了核磁共振成像檢測技術(shù)、電子鼻技術(shù)、介電特性技術(shù)、聲特征技術(shù)等的原理和應(yīng)用，可為柚子?；?、新鮮度、含水量、成熟度等特性的檢測提供技術(shù)理論支撐。

目前，柚子品質(zhì)無損檢測技術(shù)中，應(yīng)用最多的是機器視覺檢測技術(shù)和近紅外光譜檢測技術(shù)。機器視覺檢測技術(shù)主要用于檢測柚子的外形、空間位置，實現(xiàn)柚子采摘的目標識別和定位。近紅外光譜檢測技術(shù)主要用于檢測柚子的糖度，結(jié)合清洗裝置和重量分揀裝置，實現(xiàn)柚子的品級篩選和分類。將深度學習技術(shù)和近紅外光譜檢測技術(shù)結(jié)合，可有效提高柚子糖度檢測的精度。在應(yīng)用方面，如何設(shè)計便攜化、智能化的柚子多品質(zhì)參數(shù)無損檢測系統(tǒng)，是柚子品質(zhì)無損檢測研究中亟需解決的關(guān)鍵問題。