水果成熟度無損檢測技術(shù)研究進(jìn)展

孫夢夢,鞠皓,姜洪喆,袁偉東,周宏平

(南京林業(yè)大學(xué) 機(jī)械電子工程學(xué)院,江蘇 南京,210037)

水果是人類飲食的重要組成部分,它提供了人體必要的維生素、礦物質(zhì)以及其他有益健康的化合物,能夠有效促進(jìn)人體新陳代謝,幫助人們改善身體狀況、延緩衰老[1-2]。在采后運(yùn)輸這一環(huán)節(jié)中,由于細(xì)胞的呼吸作用致使水果內(nèi)部有機(jī)物過多地被消耗,從而影響水果的品質(zhì)和食用口感,而水果的成熟度檢測對這一過程的變化起著至關(guān)重要的作用[3]。在果實(shí)成熟過程中的內(nèi)部特性變化會影響果實(shí)的食用品質(zhì)以及采后的貨架期與銷售策略。成熟的果實(shí)具有宜人的風(fēng)味與香氣,然而,不熟或過熟的水果不僅風(fēng)味不佳,還會使其零售價(jià)值降低,造成嚴(yán)重的經(jīng)濟(jì)損失與資源浪費(fèi)[4]。因此,建立水果成熟度評價(jià)方法,有助于確定水果最佳采收期,降低后續(xù)不必要的損耗。

傳統(tǒng)的水果成熟度檢測方法主要是依據(jù)果農(nóng)經(jīng)驗(yàn)判斷或借助分析儀器來進(jìn)行復(fù)雜的理化實(shí)驗(yàn)[5]。然而經(jīng)驗(yàn)判斷方法受主觀因素影響較大,且效率低、誤判率高;理化實(shí)驗(yàn)方法通常需要對果實(shí)組織進(jìn)行破壞,且操作繁瑣、效率較低,難以實(shí)現(xiàn)大批量檢測[6-8]。鑒于傳統(tǒng)檢測方法的不足,無損檢測技術(shù)應(yīng)市場需要迅速發(fā)展。無損檢測技術(shù)是利用水果的物理化學(xué)特性,在對果實(shí)不造成破壞的情況下對其內(nèi)外部品質(zhì)、氣味、質(zhì)地等品質(zhì)參數(shù)進(jìn)行測定,并依據(jù)這些品質(zhì)參數(shù)與果實(shí)成熟度之間的關(guān)系進(jìn)行成熟度評價(jià),具有操作簡單、檢測效率高等優(yōu)點(diǎn),彌補(bǔ)了人工檢測與有損檢測方法的不足[9-10]。近年來,諸多文獻(xiàn)報(bào)道了關(guān)于水果品質(zhì)、病害、食品安全等方面的無損檢測研究現(xiàn)狀[11-13]。但鮮有文章針對成熟度這單一因素進(jìn)行系統(tǒng)性分析。因此,本文重點(diǎn)綜述了近幾年國內(nèi)外研究者在水果成熟度檢測領(lǐng)域中應(yīng)用較多的無損檢測方法,主要有電學(xué)特性分析法、聲學(xué)特性分析法、電子鼻、機(jī)器視覺、近紅外光譜、高光譜成像技術(shù)等方法,并對這些無損檢測技術(shù)在水果成熟度檢測領(lǐng)域中存在的問題和發(fā)展前景進(jìn)行分析與展望。

1 水果成熟度劃分

根據(jù)水果果品用途、市場需要及貯存運(yùn)輸?shù)惹闆r,可將水果成熟度分為可采成熟度、食用成熟度和生理成熟度3種?？刹沙墒於燃垂麑?shí)的大小和重量已達(dá)到可采收標(biāo)準(zhǔn),基本完成了生長發(fā)育和各種營養(yǎng)物質(zhì)的積累,果面開始呈現(xiàn)出果實(shí)的固有色澤,但此時(shí)果肉較硬、風(fēng)味不佳,內(nèi)部營養(yǎng)物質(zhì)尚未完全轉(zhuǎn)化還不宜鮮食,應(yīng)適于長期貯藏、遠(yuǎn)距離運(yùn)輸或加工蜜餞等;食用成熟度指果肉已達(dá)到充分成熟階段,果實(shí)表現(xiàn)出特有的色澤、風(fēng)味與質(zhì)地,其營養(yǎng)價(jià)值達(dá)到最高點(diǎn),為食用的最佳時(shí)期,此時(shí)采收的水果適于鮮食、當(dāng)?shù)劁N售或短途運(yùn)輸,也可用于釀酒、制汁或短期貯存;生理成熟度即為果實(shí)生長的最后階段,此時(shí)水果果實(shí)已完全成熟,其種子也趨于成熟,但漿果肉質(zhì)松軟、口感風(fēng)味變差、果實(shí)內(nèi)含物水解作用增強(qiáng)、營養(yǎng)價(jià)值降低,已不宜食用和貯藏,一般水果都不應(yīng)在此階段采收,只有以食用種子或用于種果樹為目的的山杏、板栗、核桃等果實(shí)才在生理成熟度采收[14-16]。

2 水果成熟度無損檢測技術(shù)應(yīng)用現(xiàn)狀

2.1 基于電學(xué)特性的成熟度檢測

水果在生長發(fā)育的過程中,其內(nèi)部的生理、生化變化都伴隨著物質(zhì)和能量的轉(zhuǎn)換,使得果實(shí)組織中各類化學(xué)物質(zhì)的帶電荷量和帶電粒子的空間分布發(fā)生變化,并在外電場的作用下呈現(xiàn)不同的電學(xué)特性[17]。因此,水果糖度、水分含量、成熟度等品質(zhì)因素均會對介電常數(shù)、阻抗、損耗因子等電學(xué)參數(shù)產(chǎn)生影響[18-19]。如圖1所示,其測量系統(tǒng)主要由電學(xué)特性檢測儀器、平行極板、計(jì)算機(jī)等部分組成,通過獲取評價(jià)水果成熟度的介電特性即可實(shí)現(xiàn)對水果成熟度的鑒別。

圖1 果實(shí)電學(xué)參數(shù)測量系統(tǒng)Fig.1 System of fruit electrical properties measurement

WOLF等[20]研究發(fā)現(xiàn)蘋果在成熟過程中,其介電損耗因數(shù)以及介電常數(shù)會產(chǎn)生較為明顯的變化。陳志遠(yuǎn)等[21]利用平行板電極全面地分析了8個(gè)電參數(shù)與番茄成熟度之間的相關(guān)性,結(jié)果發(fā)現(xiàn)復(fù)阻抗(complex impedance,Z)和相對介電常數(shù)(relative permittivity,ε′r)與成熟度呈現(xiàn)規(guī)律性變化,Z隨成熟度的增加而減小,而ε′r則呈現(xiàn)與Z相反的變化趨勢。CASTRO-GIRLDEZ等[22]探究了在頻率500 MHz～20 GHz石榴成熟度與其介電譜譜線之間的關(guān)系,結(jié)果表明,在1.2～2.4 GHz,成熟度與其具有顯著的相關(guān)性。SOLTANI等[23]利用帶有平行板電容采樣的正弦波頻率發(fā)生器,對不同成熟度的香蕉果實(shí)進(jìn)行了電容差異的研究,結(jié)果發(fā)現(xiàn)ε′r與香蕉果實(shí)的品質(zhì)參數(shù)具有相關(guān)性,且隨著成熟度的增加,香蕉果實(shí)的ε′r亦隨之降低。YAHAYA等[24]通過比較不同介電特性與含水量之間的關(guān)系來預(yù)測芒果的成熟度,結(jié)果發(fā)現(xiàn),果實(shí)中的水分含量隨著成熟時(shí)間的增加而降低,未成熟芒果的介電常數(shù)值為19～24,而成熟芒果的介電常數(shù)值為16～21。張莉等[25]利用LCR阻抗分析儀和平行板銅電極測定了4個(gè)成熟期“火柿”的電學(xué)特性,結(jié)果發(fā)現(xiàn)阻抗、電容、電感以及電導(dǎo)等電學(xué)參數(shù)均能夠較好地反映火柿的成熟度。

水果成熟過程中的電學(xué)特性變化與其生理特性變化之間的相關(guān)性較高,電學(xué)特性可反映果實(shí)內(nèi)含物成分變化,因此,利用某些電學(xué)參數(shù)值(如阻抗、電容、電感等)對水果的成熟度進(jìn)行無損檢測是切實(shí)可行的,為水果采后品質(zhì)分級提供理論基礎(chǔ)。表1總結(jié)了電學(xué)特性在水果成熟度檢測中的應(yīng)用。

表1 電學(xué)特性在水果成熟度檢測中的應(yīng)用Table 1 Application of dielectric properties in fruit maturity detection

2.2 基于聲學(xué)特性的成熟度檢測

水果的聲學(xué)特性是指果實(shí)在聲波作用下的反射特性、散射特性、透射特性、吸收特性、衰減系數(shù)、傳播速度及其本身的聲阻抗與固有頻率等,它們反映了聲波與水果相互作用的基本規(guī)律[26]。如圖2所示,聲學(xué)系統(tǒng)檢測設(shè)備主要由聲波傳感器、動態(tài)信號分析儀、信號放大器、計(jì)算機(jī)等部分組成,其檢測原理是利用不同物質(zhì)間產(chǎn)生不同的振動頻率和固有頻率,研究其成熟度與振動頻率之間的關(guān)系,進(jìn)而對產(chǎn)品品質(zhì)進(jìn)行評估[27-28]。

圖2 聲學(xué)檢測系統(tǒng)示意圖[29]Fig.2 Diagram of acoustic detection system

KHOSHNAM等[30]利用聲波脈沖響應(yīng)方法對5種不同成熟度的甜瓜進(jìn)行分析,結(jié)果發(fā)現(xiàn)共振頻率與甜瓜成熟度之間存在較好的相關(guān)性,其共振頻率隨成熟度的增加而降低。張帥等[31]利用聲振法,通過敲擊香瓜發(fā)出的聲頻,建立其聲學(xué)特性與香瓜硬度、含糖量的相關(guān)性模型,并提出了香瓜的成熟度指數(shù),結(jié)果表明香瓜的聲學(xué)特征值與其硬度系數(shù)之間存在較好的相關(guān)性,可以用來檢測香瓜的成熟度。TANIWAKI等[32]利用非破壞性的聲振技術(shù),對梨果實(shí)的質(zhì)地以及成熟度進(jìn)行檢測,結(jié)果表明在較大的頻率范圍內(nèi),梨的質(zhì)地指數(shù)會隨著成熟度的提高有顯著下降的趨勢,因此可以利用聲振技術(shù)預(yù)測質(zhì)地指數(shù)從而對梨的成熟度進(jìn)行預(yù)測。CHOE等[33]研制了一種利用壓電陶瓷測量聲速的裝置來檢測西瓜成熟度,利用該裝置來測量西瓜不同部位處的聲速和西瓜中部的含糖量,結(jié)果表明,聲速與西瓜成熟度(含糖量)的相關(guān)系數(shù)為0.975,因此,可以利用測定聲速與西瓜含糖量之間的相關(guān)性來判斷其成熟度。

水果聲學(xué)特性與其成熟度存在一定的相關(guān)性,利用水果本身的聲學(xué)特性對其進(jìn)行成熟度無損檢測是一種行之有效的方法,這一檢測方法也為聲學(xué)技術(shù)在農(nóng)業(yè)檢測領(lǐng)域的應(yīng)用與推廣提供了新的方向。

2.3 基于電子鼻技術(shù)的成熟度檢測

香氣是判別水果成熟與否的重要屬性,不同成熟度的果實(shí),其芳香、氣味也有所不同[34]。電子鼻作為一門新興技術(shù),融合了模式識別、傳感器技術(shù)、人工智能等學(xué)科,能通過模擬生物嗅覺功能來實(shí)現(xiàn)對檢測對象的分析評價(jià)[35]。電子鼻主要是通過模擬電子儀器感知水果成熟時(shí)所散發(fā)出的特定物質(zhì)(如某些酚類、酯類、乙烯等),從而對水果成熟度進(jìn)行無損檢測[36]。其系統(tǒng)原理圖如圖3所示。

DU等[38]以獼猴桃為研究對象,利用帶有10個(gè)MOS氣體傳感器的電子鼻系統(tǒng)對不同成熟度的獼猴桃進(jìn)行數(shù)據(jù)采樣,并基于線性判別分析(linear discriminant analysis,LDA)方法分析不同成熟度的獼猴桃,結(jié)果表明其判別模型的識別準(zhǔn)確率高達(dá)100%,說明電子鼻可以通過揮發(fā)性氣味來鑒別獼猴桃的成熟度。MANUEL等[39]利用16個(gè)氣體傳感器開發(fā)出一種用于樹番茄成熟度無損檢測的電子鼻系統(tǒng),結(jié)果表明該系統(tǒng)對3個(gè)不同成熟度階段的樹番茄的分類準(zhǔn)確率達(dá)到99.886%。徐賽等[40]采用PEN3電子鼻系統(tǒng)對6個(gè)不同成熟度荔枝的仿生嗅覺數(shù)據(jù)進(jìn)行采集,并結(jié)合主成分分析(principal component analysis,PCA)、LDA等方法建立荔枝成熟度的識別模型,其準(zhǔn)確率均為100%。張鑫等[41]采用帶有18根MOS傳感器陣列的FOX4000電子鼻系統(tǒng)采集了3個(gè)不同成熟度階段桃果實(shí)的仿生嗅覺數(shù)據(jù),并結(jié)合PCA和判別因子分析法建立了桃果實(shí)成熟度的判別模型,結(jié)果表明電子鼻可以較好地區(qū)分桃果實(shí)的成熟度。PATHANGE等[42]利用淀粉指數(shù)、穿刺強(qiáng)度等成熟度指標(biāo)將嘎啦蘋果分為未熟、成熟、過熟3個(gè)階段,并采用帶有32個(gè)高分子復(fù)合傳感器陣列的Cyranose320電子鼻系統(tǒng)采集了3個(gè)不同成熟度蘋果的仿生嗅覺數(shù)據(jù),結(jié)合PCA建立蘋果成熟度的判別模型,其準(zhǔn)確率為83%。

綜合上述研究表明,電子鼻通過檢測水果散發(fā)出的氣味能夠較為準(zhǔn)確地區(qū)分其成熟度。電子鼻系統(tǒng)分析測定速度快,能夠及時(shí)反饋被測物體的相關(guān)信息,這些信息對于水果貯藏環(huán)境溫度、濕度和氣體成分的調(diào)節(jié)起到了重要作用,有助于對果實(shí)采收期的判定。表2總結(jié)了電子鼻在水果成熟度檢測中的應(yīng)用。

表2 電子鼻在水果成熟度檢測中的應(yīng)用Table 2 Application of electronic nose in fruit maturity detection

2.4 基于機(jī)器視覺技術(shù)的成熟度檢測

在水果成熟過程中,其表皮顏色和紋理等外觀信息將會不斷發(fā)生變化,機(jī)器視覺檢測技術(shù)是利用圖像采集裝置和計(jì)算機(jī)技術(shù)演化人類的視覺功能,從果實(shí)圖像中提取特征信息(如果實(shí)成熟度的表型性狀),并對圖像特征進(jìn)行處理和分析,以達(dá)到機(jī)器判定水果成熟度的目的,其系統(tǒng)結(jié)構(gòu)如圖4所示。水果成熟度的質(zhì)量評估是農(nóng)業(yè)經(jīng)營中的關(guān)注點(diǎn),也是機(jī)器視覺領(lǐng)域中的研究熱點(diǎn)[43]。

圖4 機(jī)器視覺系統(tǒng)結(jié)構(gòu)Fig.4 Mechanical vision system structure

WAN等[44]提出一種將顏色特征值與反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)分類技術(shù)相結(jié)合的方法,對綠色、橙色和紅色3種成熟度等級的番茄進(jìn)行分類,該方法分類平均準(zhǔn)確率為99.31%。LU等[45]設(shè)計(jì)了一款基于機(jī)器視覺的冬棗分級機(jī)器人,并采用YOLOv3算法和人工提取特征相結(jié)合的方法,對冬棗成熟度進(jìn)行分類,結(jié)果表明,該方法分類速度為每個(gè)冬棗1.39 s,分類準(zhǔn)確率為97.28%。MAZEN等[46]提出了一種自動識別香蕉成熟度的機(jī)器視覺系統(tǒng),并基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)算法,利用顏色、褐斑生長和Tamura紋理特征等圖像特征對不同成熟度的香蕉果實(shí)進(jìn)行分類,并將該方法所得的結(jié)果與支持向量機(jī)、樸素貝葉斯、K鄰近算法、決策樹和判別分析分類器等其他監(jiān)督分類算法進(jìn)行比對,結(jié)果發(fā)現(xiàn),該系統(tǒng)的整體識別率最高,為97.75%。KHOJASTEHNAZHAND等[47]利用圖像處理技術(shù)采集了3種不同成熟度的杏果實(shí)圖像,通過對其進(jìn)行裁剪、濾波和分割,從而提取杏的相對R、G、B通道、灰度、L*、a*和b*等成像特征,結(jié)果表明,基于顏色特征的二次判別分析(quadratic discriminant analysis,QDA)分類器對其成熟度的分類準(zhǔn)確率為92.3%。許德芳等[48]利用機(jī)器視覺技術(shù)采集了3種不同成熟度的甜瓜圖像,采用色彩空間與灰度共生矩陣相結(jié)合的方法提取顏色和紋理特征變量,并建立主成分分析(principal component analysis,PCA)-偏最小二乘支持向量機(jī)(least square support vector machine,LS-SVM)判別模型對甜瓜成熟度進(jìn)行識別,其綜合識別準(zhǔn)確率高達(dá)100%,結(jié)果表明,基于果皮顏色與紋理特征信息可實(shí)現(xiàn)甜瓜成熟度的判別。

研究表明,水果成熟度與其表面顏色特征、紋理特征密切相關(guān)。機(jī)器視覺技術(shù)可以代替人眼感官開發(fā)出一個(gè)相對簡單、自動化的系統(tǒng)來對果實(shí)進(jìn)行不同成熟度的檢測,其中顏色紋理分析方法對細(xì)微顏色變化敏感,能夠捕捉深層次的紋理和顏色特征,彌補(bǔ)傳統(tǒng)人工檢測的不足,為成熟果實(shí)的自動化、智能化摘取提供一定的依據(jù)。表3總結(jié)了機(jī)器視覺在水果成熟度檢測中的應(yīng)用。

表3 機(jī)器視覺在水果成熟度檢測中的應(yīng)用Table 3 Application of machine vision in fruit maturity detection

2.5 基于近紅外光譜技術(shù)的成熟度檢測

根據(jù)美國材料與試驗(yàn)協(xié)會(American Society of Testing Materials,ASTM)提供的數(shù)據(jù),近紅外(near infrared,NIR)光是介于可見光和中紅外光之間的電磁波,其光譜范圍為780～2 526 nm(12 820～3 959 cm-1)[49]。由于近紅外光譜與有機(jī)分子中含氫官能團(tuán)(C—H、O—H、N—H、S—H)振動的合頻以及各級倍頻的吸收一致,因此當(dāng)近紅外光照射到水果樣品時(shí),其基本成分(如可溶性有機(jī)酸、水分等)的結(jié)構(gòu)、組成差異會使光譜在特定波長上發(fā)生偏移,是反映水果內(nèi)部品質(zhì)的一種無損檢測方法[50]。

SHARPE等[51]利用近紅外光譜技術(shù)對蘋果、桃等10種水果的漫反射光譜進(jìn)行采集,結(jié)果發(fā)現(xiàn)不同成熟度的果實(shí)光譜存在較大差別,較早地提出了應(yīng)用光譜技術(shù)進(jìn)行果實(shí)成熟度檢測的可能性。FERRARA等[52]利用740～1 070 nm波段便攜式近紅外光譜儀采集了4種鮮食葡萄品種的光譜數(shù)據(jù),并對葡萄果實(shí)可滴定酸度、可溶性固形物含量等成熟度指標(biāo)參數(shù)進(jìn)行檢測,利用偏最小二乘回歸(partial least squares regression,PLSR)方法建立葡萄可溶性固形物含量的光譜預(yù)測模型,其決定系數(shù)均高于0.95。尚靜等[53]采用光纖式可見/近紅外光譜儀獲取了不同成熟度獼猴桃的反射光譜,并結(jié)合多元線性回歸和誤差反向傳播構(gòu)建獼猴桃可溶性固形物和硬度等成熟度品質(zhì)參數(shù)的預(yù)測模型,同時(shí)基于偏最小二乘判別分析(partial least squares discriminant analysis,PLS-DA)構(gòu)建了獼猴桃成熟度檢測模型,結(jié)果發(fā)現(xiàn)該模型對獼猴桃成熟度的識別率高達(dá)100%。周靖宇等[54]采集了3種不同成熟階段無花果的光譜數(shù)據(jù),根據(jù)多種品質(zhì)指標(biāo)的K-均值聚類,并結(jié)合PLS-DA建立判別模型,結(jié)果表明,該判別模型預(yù)測集的分類準(zhǔn)確率為99.59%。果實(shí)在生長發(fā)育過程中將會伴隨著多種理化成分的變化,采用多種理化指標(biāo)進(jìn)行綜合評價(jià),可實(shí)現(xiàn)水果成熟度的精準(zhǔn)分類,趙娟等[55]利用200～1 100 nm波段的可見/近紅外光譜儀采集了3種成熟度富士蘋果的光譜信息,基于極限學(xué)習(xí)機(jī)和支持向量回歸(support vector regression,SVR),并結(jié)合成熟度評價(jià)指標(biāo)(simplified internal quality index,SIQI)和綜合評價(jià)指標(biāo)建立成熟度分類模型,對比4種分類結(jié)果發(fā)現(xiàn),基于SIQI+SVR的分類模型效果最佳,準(zhǔn)確率為85.71%。SOMTON等[56]根據(jù)開花時(shí)間和干物質(zhì)含量劃分榴蓮的成熟水平,采用果肉干物質(zhì)含量作為成熟度評價(jià)指標(biāo),并基于近紅外光譜技術(shù)獲取的果皮和果莖的吸光度對干物質(zhì)含量的變化建立PLSR分類模型,結(jié)果表明,該模型的分類準(zhǔn)確率為94.4%。

利用近紅外光譜技術(shù)提取水果的光譜特征,建立水果成熟度的分類判別模型和成熟度指標(biāo)的預(yù)測模型,有助于確定果實(shí)的最佳采收期,對推進(jìn)水果機(jī)械化采收具有重要意義。

2.6 基于高光譜成像技術(shù)的成熟度檢測

高光譜成像(hyperspectral imaging,HSI)技術(shù)是一種集光譜與圖像于一體的技術(shù),可以在連續(xù)波長范圍內(nèi)產(chǎn)生一系列的高分辨率圖像,在高光譜圖像的每一個(gè)像素點(diǎn)上都保存相應(yīng)位置的光譜信息,因此高光譜圖像在反映果實(shí)外部特征的同時(shí),還可以對果實(shí)內(nèi)部品質(zhì)屬性進(jìn)行分析[57-58]。如圖5所示,高光譜成像系統(tǒng)主要由圖像傳感器(CCD相機(jī))、光譜儀、光源、計(jì)算機(jī)及控制裝置等組件組成,在檢測過程中利用光譜儀接收到的傳播光獲取檢測對象的光譜信息和相機(jī)捕獲的圖像信息,最終得到檢測對象的高光譜圖像[59]。

圖5 高光譜成像系統(tǒng)Fig.5 Hyperspectral imaging system

劉金秀等[60]利用近紅外高光譜成像系統(tǒng)采集了4種成熟度小白杏樣本的高光譜數(shù)據(jù),基于不同成熟度小白杏的高光譜信息,通過比對全波段和特征波段、不同的預(yù)處理方法、不同樣本集劃分方法、不同建模方法的判別效果,來建立小白杏的成熟度最優(yōu)判別模型,結(jié)果表明,對小白杏成熟度定性判別模型存在多種最優(yōu)組合,其識別準(zhǔn)確率均較高。RAJ等[61]利用高光譜成像系統(tǒng)采集了3個(gè)成熟度等級的草莓在350～2 500 nm波段的光譜數(shù)據(jù),并基于全光譜范圍建立支持向量機(jī)(support vector machine,SVM)成熟度分類模型,其分類準(zhǔn)確率高于98%。MUNERA等[62]利用450～1 040 nm波段范圍的高光譜成像系統(tǒng)采集了油桃成熟過程中的高光譜圖像,并基于偏最小二乘回歸法建立油桃成熟指數(shù)(ripening index,RPI)與內(nèi)部質(zhì)量指數(shù)(internal quality index,IQI)的預(yù)測模型,結(jié)果表明,該方法所建立的RPI與IQI預(yù)測模型的決定系數(shù)均大于0.87,并通過該模型計(jì)算出油桃光譜圖像中每個(gè)像素點(diǎn)的RPI與IQI值,結(jié)合偽彩色圖像處理方法實(shí)現(xiàn)了油桃內(nèi)部品質(zhì)參數(shù)的可視化。曹曉峰等[63]利用高光譜成像系統(tǒng)采集了3種成熟度冬棗在380～1 023 nm波段的光譜圖像,同時(shí)引入7個(gè)與生理成分變化相關(guān)的光譜指數(shù)(spectral indices,Sis),結(jié)合PLS-DA方法建立冬棗成熟度判別模型,判別精度為98.18%,通過對Sis-PLS-DA模型判別向量進(jìn)行預(yù)測,并將結(jié)果用不同的顏色進(jìn)行直觀顯示,實(shí)現(xiàn)了冬棗成熟度的可視化分級。

綜上研究表明,高光譜成像技術(shù)將傳統(tǒng)成像技術(shù)與光譜技術(shù)有機(jī)融合,其圖譜合一的特點(diǎn)使得在進(jìn)行水果內(nèi)部品質(zhì)檢測的同時(shí)可以獲得其表面特征信息,并通過計(jì)算果實(shí)成熟度指標(biāo)在每個(gè)像素點(diǎn)上的參數(shù)值,采用偽彩色圖像處理,可實(shí)現(xiàn)水果成熟度的可視化預(yù)測。表4總結(jié)了近紅外光譜及高光譜成像在水果成熟度檢測中的應(yīng)用。

表4 近紅外光譜及高光譜成像在水果成熟度檢測中的應(yīng)用Table 4 Application of near infrared spectroscopy and hyperspectral imaging in fruit maturity detection

2.7 水果成熟度無損檢測技術(shù)小結(jié)

綜述以上水果成熟度無損檢測技術(shù)發(fā)展現(xiàn)狀,將各種檢測技術(shù)的優(yōu)缺點(diǎn)及適用范圍總結(jié)列表如下(表5)。

表5 無損檢測技術(shù)性能比較Table 5 Performance comparison of nondestructive detection technologies

綜上分析,單一的檢測技術(shù)均存在不同程度的局限性,難以實(shí)現(xiàn)高精度、高效率檢測需求,近年來,諸多研究者發(fā)現(xiàn)多檢測技術(shù)聯(lián)合使用,可獲取更加全面的分析結(jié)果,王俊平等[64]提出將機(jī)器視覺與電子鼻相結(jié)合的方法對番茄成熟度進(jìn)行檢測,根據(jù)機(jī)器視覺篩選出的顏色特征與電子鼻篩選出的氣味特征建立LS-SVM檢測模型,該多源融合模型識別準(zhǔn)確率為98.3%。孫靜濤[65]利用近紅外光譜信息及機(jī)器視覺圖像信息融合的方法對哈密瓜成熟度進(jìn)行判別分析,結(jié)果發(fā)現(xiàn),基于極限學(xué)習(xí)機(jī)建立的融合模型效果最佳,其預(yù)測集判別準(zhǔn)確率為98%。鄒小波等[66]利用聲學(xué)技術(shù)、近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對不同成熟度的西瓜進(jìn)行了定性判別,結(jié)果表明,基于音頻和近紅外光譜融合技術(shù)所建立的線性判別模型對西瓜成熟度的識別效果最佳,其預(yù)測集識別準(zhǔn)確率為91.67%。

多技術(shù)融合充分利用了多種傳感信息資源,具有容錯(cuò)性好、互補(bǔ)性強(qiáng)以及系統(tǒng)精度高等優(yōu)勢,在水果成熟度檢測方面,其識別準(zhǔn)確率優(yōu)于單一檢測方法,為今后水果成熟度檢測與識別提供了一種新的解決思路。

3 問題與展望

水果成熟度變化,其口感、色澤、組織結(jié)構(gòu)狀態(tài)等隨之也會發(fā)生變化,而如何無損、高效地檢測其成分變化是當(dāng)前研究的熱點(diǎn)。近年來,國內(nèi)外學(xué)者對水果成熟度無損檢測的研究雖已取得了一定的成果,但無損檢測技術(shù)仍存在以下方面的問題:

(1)電學(xué)特性檢測機(jī)理模糊,尚不能明確驗(yàn)證水果品質(zhì)變化與電學(xué)參數(shù)之間的影響關(guān)系,目前,基于電學(xué)特性對水果成熟度檢測僅局限于蘋果、香蕉、葡萄等少數(shù)幾種水果,并不能確定電學(xué)特性與其成熟度的相關(guān)性關(guān)系是否適用于其他類型的水果,同時(shí),各研究人員在試驗(yàn)時(shí)選用的檢測設(shè)備和電學(xué)參數(shù)均存在不同差異。今后應(yīng)加強(qiáng)對其檢測機(jī)理的研究,以明確水果采后生理變化對其電學(xué)參數(shù)的影響關(guān)系;同時(shí)還應(yīng)分類果實(shí)品種并建立同類果品的電學(xué)參數(shù)判別標(biāo)準(zhǔn),以提高分析技術(shù)的標(biāo)準(zhǔn)化。

(2)基于聲學(xué)特性檢測水果成熟度時(shí),果實(shí)的果皮厚度、果皮硬度、內(nèi)部結(jié)構(gòu)和品質(zhì)是影響檢測準(zhǔn)確度的重要因素,應(yīng)加強(qiáng)多種聲學(xué)特性對果實(shí)成熟度相關(guān)品質(zhì)的綜合性影響研究,提高聲學(xué)檢測精度,還應(yīng)發(fā)展便捷式、非接觸式的聲學(xué)特性系統(tǒng)以便于實(shí)現(xiàn)商業(yè)化應(yīng)用。

(3)由于電子鼻訓(xùn)練集缺乏通用性,對于不同品種的水果需要構(gòu)建對應(yīng)的訓(xùn)練集,導(dǎo)致前期工作量較重,同時(shí)其傳感器還存在易受實(shí)驗(yàn)環(huán)境的相對濕度和溫度的影響,基線易漂移,靈敏度不足等問題,在未來還需開發(fā)新型傳感器和化學(xué)計(jì)量學(xué)模型,并對已有模式識別算法程序優(yōu)化改進(jìn),以提高檢測精度。此外,為實(shí)現(xiàn)水果及其他產(chǎn)品的戶外檢測,還應(yīng)探索研制出便攜式分析儀器,為在線檢測提供方便。

(4)機(jī)器視覺檢測精度易受拍攝背景和陰影等環(huán)境因素影響,同時(shí),由于水果樣本各有差異,前期需要采集大量的樣本用于成熟度識別模型以增強(qiáng)機(jī)器視覺的檢測準(zhǔn)確度,因此在圖像處理和分析上將會花費(fèi)大量的時(shí)間,后續(xù)要提高軟件圖片處理能力和對相關(guān)識別算法進(jìn)行優(yōu)化,同時(shí)開發(fā)集成圖像采集、圖像處理、模型訓(xùn)練和模型移植于一體,且具有通用性和專業(yè)性的分級設(shè)備。

(5)近紅外光譜儀器具有通用性,缺乏針對性,在水果成熟度檢測領(lǐng)域中常需結(jié)合額外的分析模型來判別分類準(zhǔn)確性,因此迫切需要研發(fā)出具有針對性的相關(guān)方面分析儀器以滿足市場需求;此外,近紅外光譜檢測結(jié)果具有不穩(wěn)定性,受外界條件(測試環(huán)境溫度、濕度、光照)、樣品性狀(質(zhì)地、色澤、生長條件)及儀器性能(電源穩(wěn)定性、波長準(zhǔn)確度)等因素影響,使得樣品光譜信息的細(xì)微差別難以進(jìn)行定量或定性分析,因此光譜采集的過程應(yīng)形成標(biāo)準(zhǔn)化和規(guī)范化,為了減少系統(tǒng)誤差帶來的影響,適當(dāng)建立溫度或顏色等相應(yīng)的補(bǔ)償模型,以提高檢測結(jié)果。

(6)高光譜設(shè)備以大型、貴重居多,同時(shí)抗干擾能力差,對工作環(huán)境要求極為嚴(yán)格,在很多應(yīng)用領(lǐng)域和場所都有所限制,隨著5G技術(shù)和萬物互聯(lián)技術(shù)的快速發(fā)展,應(yīng)順應(yīng)時(shí)代趨勢大力發(fā)展便捷式、小型化、智能化的光譜儀器;此外,高光譜數(shù)據(jù)維度過深,數(shù)據(jù)處理難度增加,還需探索出更加穩(wěn)定高效的數(shù)據(jù)處理和模型建立算法。

綜合來看,各種檢測方法功能各不相同,但單一的檢測技術(shù)不能對水果成熟度進(jìn)行綜合分析,在一定程度上降低了果實(shí)成熟度的評價(jià)準(zhǔn)確性,因此,有必要將多種技術(shù)融合并結(jié)合適宜的統(tǒng)計(jì)學(xué)方法,從而更加全面地獲取水果成熟度相關(guān)特征信息,提高預(yù)測的準(zhǔn)確性。