水果是人类饮食的重要组成部分,它提供了人体必要的维生素、矿物质以及其他有益健康的化合物,能够有效促进人体新陈代谢,帮助人们改善身体状况、延缓衰老[1-2]。在采后运输这一环节中,由于细胞的呼吸作用致使水果内部有机物过多地被消耗,从而影响水果的品质和食用口感,而水果的成熟度检测对这一过程的变化起着至关重要的作用[3]。在果实成熟过程中的内部特性变化会影响果实的食用品质以及采后的货架期与销售策略。成熟的果实具有宜人的风味与香气,然而,不熟或过熟的水果不仅风味不佳,还会使其零售价值降低,造成严重的经济损失与资源浪费[4]。因此,建立水果成熟度评价方法,有助于确定水果最佳采收期,降低后续不必要的损耗。
传统的水果成熟度检测方法主要是依据果农经验判断或借助分析仪器来进行复杂的理化实验[5]。然而经验判断方法受主观因素影响较大,且效率低、误判率高;理化实验方法通常需要对果实组织进行破坏,且操作繁琐、效率较低,难以实现大批量检测[6-8]。鉴于传统检测方法的不足,无损检测技术应市场需要迅速发展。无损检测技术是利用水果的物理化学特性,在对果实不造成破坏的情况下对其内外部品质、气味、质地等品质参数进行测定,并依据这些品质参数与果实成熟度之间的关系进行成熟度评价,具有操作简单、检测效率高等优点,弥补了人工检测与有损检测方法的不足[9-10]。近年来,诸多文献报道了关于水果品质、病害、食品安全等方面的无损检测研究现状[11-13]。但鲜有文章针对成熟度这单一因素进行系统性分析。因此,本文重点综述了近几年国内外研究者在水果成熟度检测领域中应用较多的无损检测方法,主要有电学特性分析法、声学特性分析法、电子鼻、机器视觉、近红外光谱、高光谱成像技术等方法,并对这些无损检测技术在水果成熟度检测领域中存在的问题和发展前景进行分析与展望。
1 水果成熟度划分
根据水果果品用途、市场需要及贮存运输等情况,可将水果成熟度分为可采成熟度、食用成熟度和生理成熟度3种。可采成熟度即果实的大小和重量已达到可采收标准,基本完成了生长发育和各种营养物质的积累,果面开始呈现出果实的固有色泽,但此时果肉较硬、风味不佳,内部营养物质尚未完全转化还不宜鲜食,应适于长期贮藏、远距离运输或加工蜜饯等;食用成熟度指果肉已达到充分成熟阶段,果实表现出特有的色泽、风味与质地,其营养价值达到最高点,为食用的最佳时期,此时采收的水果适于鲜食、当地销售或短途运输,也可用于酿酒、制汁或短期贮存;生理成熟度即为果实生长的最后阶段,此时水果果实已完全成熟,其种子也趋于成熟,但浆果肉质松软、口感风味变差、果实内含物水解作用增强、营养价值降低,已不宜食用和贮藏,一般水果都不应在此阶段采收,只有以食用种子或用于种果树为目的的山杏、板栗、核桃等果实才在生理成熟度采收[14-16]。
2 水果成熟度无损检测技术应用现状
2.1 基于电学特性的成熟度检测
水果在生长发育的过程中,其内部的生理、生化变化都伴随着物质和能量的转换,使得果实组织中各类化学物质的带电荷量和带电粒子的空间分布发生变化,并在外电场的作用下呈现不同的电学特性[17]。因此,水果糖度、水分含量、成熟度等品质因素均会对介电常数、阻抗、损耗因子等电学参数产生影响[18-19]。如图1所示,其测量系统主要由电学特性检测仪器、平行极板、计算机等部分组成,通过获取评价水果成熟度的介电特性即可实现对水果成熟度的鉴别。
图1 果实电学参数测量系统
Fig.1 System of fruit electrical properties measurement
WOLF等[20]研究发现苹果在成熟过程中,其介电损耗因数以及介电常数会产生较为明显的变化。陈志远等[21]利用平行板电极全面地分析了8个电参数与番茄成熟度之间的相关性,结果发现复阻抗(complex impedance,Z)和相对介电常数(relative permittivity,ε′r)与成熟度呈现规律性变化,Z随成熟度的增加而减小,而ε′r则呈现与Z相反的变化趋势。CASTRO-GIR
LDEZ等[22]探究了在频率500 MHz～20 GHz石榴成熟度与其介电谱谱线之间的关系,结果表明,在1.2～2.4 GHz,成熟度与其具有显著的相关性。SOLTANI等[23]利用带有平行板电容采样的正弦波频率发生器,对不同成熟度的香蕉果实进行了电容差异的研究,结果发现ε′r与香蕉果实的品质参数具有相关性,且随着成熟度的增加,香蕉果实的ε′r亦随之降低。YAHAYA等[24]通过比较不同介电特性与含水量之间的关系来预测芒果的成熟度,结果发现,果实中的水分含量随着成熟时间的增加而降低,未成熟芒果的介电常数值为19～24,而成熟芒果的介电常数值为16～21。张莉等[25]利用LCR阻抗分析仪和平行板铜电极测定了4个成熟期“火柿”的电学特性,结果发现阻抗、电容、电感以及电导等电学参数均能够较好地反映火柿的成熟度。
水果成熟过程中的电学特性变化与其生理特性变化之间的相关性较高,电学特性可反映果实内含物成分变化,因此,利用某些电学参数值(如阻抗、电容、电感等)对水果的成熟度进行无损检测是切实可行的,为水果采后品质分级提供理论基础。表1总结了电学特性在水果成熟度检测中的应用。
表1 电学特性在水果成熟度检测中的应用
Table 1 Application of dielectric properties in fruit maturity detection
检测对象测量技术频率范围/Hz相关电参数参考文献番茄平行极板电容器技术126～5 M阻抗、相对介电常数[21]石榴同轴探头技术500 M～20 G介质损耗因数[22]香蕉平行极板电容器技术10 k～10 M相对介电常数[23]芒果同轴探头技术0.2 G～5 G介电常数、介质损耗因数[24]火柿平行极板电容器技术100～3.98 M阻抗、电容、电感[25]
2.2 基于声学特性的成熟度检测
水果的声学特性是指果实在声波作用下的反射特性、散射特性、透射特性、吸收特性、衰减系数、传播速度及其本身的声阻抗与固有频率等,它们反映了声波与水果相互作用的基本规律[26]。如图2所示,声学系统检测设备主要由声波传感器、动态信号分析仪、信号放大器、计算机等部分组成,其检测原理是利用不同物质间产生不同的振动频率和固有频率,研究其成熟度与振动频率之间的关系,进而对产品品质进行评估[27-28]。
图2 声学检测系统示意图[29]
Fig.2 Diagram of acoustic detection system
KHOSHNAM等[30]利用声波脉冲响应方法对5种不同成熟度的甜瓜进行分析,结果发现共振频率与甜瓜成熟度之间存在较好的相关性,其共振频率随成熟度的增加而降低。张帅等[31]利用声振法,通过敲击香瓜发出的声频,建立其声学特性与香瓜硬度、含糖量的相关性模型,并提出了香瓜的成熟度指数,结果表明香瓜的声学特征值与其硬度系数之间存在较好的相关性,可以用来检测香瓜的成熟度。TANIWAKI等[32]利用非破坏性的声振技术,对梨果实的质地以及成熟度进行检测,结果表明在较大的频率范围内,梨的质地指数会随着成熟度的提高有显著下降的趋势,因此可以利用声振技术预测质地指数从而对梨的成熟度进行预测。CHOE等[33]研制了一种利用压电陶瓷测量声速的装置来检测西瓜成熟度,利用该装置来测量西瓜不同部位处的声速和西瓜中部的含糖量,结果表明,声速与西瓜成熟度(含糖量)的相关系数为0.975,因此,可以利用测定声速与西瓜含糖量之间的相关性来判断其成熟度。
水果声学特性与其成熟度存在一定的相关性,利用水果本身的声学特性对其进行成熟度无损检测是一种行之有效的方法,这一检测方法也为声学技术在农业检测领域的应用与推广提供了新的方向。
2.3 基于电子鼻技术的成熟度检测
香气是判别水果成熟与否的重要属性,不同成熟度的果实,其芳香、气味也有所不同[34]。电子鼻作为一门新兴技术,融合了模式识别、传感器技术、人工智能等学科,能通过模拟生物嗅觉功能来实现对检测对象的分析评价[35]。电子鼻主要是通过模拟电子仪器感知水果成熟时所散发出的特定物质(如某些酚类、酯类、乙烯等),从而对水果成熟度进行无损检测[36]。其系统原理图如图3所示。
图3 电子鼻系统原理图[37]
Fig.3 Electronic nose system schematic diagram
DU等[38]以猕猴桃为研究对象,利用带有10个MOS气体传感器的电子鼻系统对不同成熟度的猕猴桃进行数据采样,并基于线性判别分析(linear discriminant analysis,LDA)方法分析不同成熟度的猕猴桃,结果表明其判别模型的识别准确率高达100%,说明电子鼻可以通过挥发性气味来鉴别猕猴桃的成熟度。MANUEL等[39]利用16个气体传感器开发出一种用于树番茄成熟度无损检测的电子鼻系统,结果表明该系统对3个不同成熟度阶段的树番茄的分类准确率达到99.886%。徐赛等[40]采用PEN3电子鼻系统对6个不同成熟度荔枝的仿生嗅觉数据进行采集,并结合主成分分析(principal component analysis,PCA)、LDA等方法建立荔枝成熟度的识别模型,其准确率均为100%。张鑫等[41]采用带有18根MOS传感器阵列的FOX4000电子鼻系统采集了3个不同成熟度阶段桃果实的仿生嗅觉数据,并结合PCA和判别因子分析法建立了桃果实成熟度的判别模型,结果表明电子鼻可以较好地区分桃果实的成熟度。PATHANGE等[42]利用淀粉指数、穿刺强度等成熟度指标将嘎啦苹果分为未熟、成熟、过熟3个阶段,并采用带有32个高分子复合传感器阵列的Cyranose320电子鼻系统采集了3个不同成熟度苹果的仿生嗅觉数据,结合PCA建立苹果成熟度的判别模型,其准确率为83%。
综合上述研究表明,电子鼻通过检测水果散发出的气味能够较为准确地区分其成熟度。电子鼻系统分析测定速度快,能够及时反馈被测物体的相关信息,这些信息对于水果贮藏环境温度、湿度和气体成分的调节起到了重要作用,有助于对果实采收期的判定。表2总结了电子鼻在水果成熟度检测中的应用。
表2 电子鼻在水果成熟度检测中的应用
Table 2 Application of electronic nose in fruit maturity detection
检测对象电子鼻系统算法类型准确率/%参考文献猕猴桃PEN3LDA100[38]番茄-PNN99.886[39]荔枝PEN3BPNN100[40]桃子FOX4000PCA-[41]苹果Cyranose320PCA83[42]
2.4 基于机器视觉技术的成熟度检测
在水果成熟过程中,其表皮颜色和纹理等外观信息将会不断发生变化,机器视觉检测技术是利用图像采集装置和计算机技术演化人类的视觉功能,从果实图像中提取特征信息(如果实成熟度的表型性状),并对图像特征进行处理和分析,以达到机器判定水果成熟度的目的,其系统结构如图4所示。水果成熟度的质量评估是农业经营中的关注点,也是机器视觉领域中的研究热点[43]。
图4 机器视觉系统结构
Fig.4 Mechanical vision system structure
WAN等[44]提出一种将颜色特征值与反向传播神经网络(back propagation neural network,BPNN)分类技术相结合的方法,对绿色、橙色和红色3种成熟度等级的番茄进行分类,该方法分类平均准确率为99.31%。LU等[45]设计了一款基于机器视觉的冬枣分级机器人,并采用YOLOv3算法和人工提取特征相结合的方法,对冬枣成熟度进行分类,结果表明,该方法分类速度为每个冬枣1.39 s,分类准确率为97.28%。MAZEN等[46]提出了一种自动识别香蕉成熟度的机器视觉系统,并基于人工神经网络(artificial neural network,ANN)算法,利用颜色、褐斑生长和Tamura纹理特征等图像特征对不同成熟度的香蕉果实进行分类,并将该方法所得的结果与支持向量机、朴素贝叶斯、K邻近算法、决策树和判别分析分类器等其他监督分类算法进行比对,结果发现,该系统的整体识别率最高,为97.75%。KHOJASTEHNAZHAND等[47]利用图像处理技术采集了3种不同成熟度的杏果实图像,通过对其进行裁剪、滤波和分割,从而提取杏的相对R、G、B通道、灰度、L*、a*和b*等成像特征,结果表明,基于颜色特征的二次判别分析(quadratic discriminant analysis,QDA)分类器对其成熟度的分类准确率为92.3%。许德芳等[48]利用机器视觉技术采集了3种不同成熟度的甜瓜图像,采用色彩空间与灰度共生矩阵相结合的方法提取颜色和纹理特征变量,并建立主成分分析(principal component analysis,PCA)-偏最小二乘支持向量机(least square support vector machine,LS-SVM)判别模型对甜瓜成熟度进行识别,其综合识别准确率高达100%,结果表明,基于果皮颜色与纹理特征信息可实现甜瓜成熟度的判别。
研究表明,水果成熟度与其表面颜色特征、纹理特征密切相关。机器视觉技术可以代替人眼感官开发出一个相对简单、自动化的系统来对果实进行不同成熟度的检测,其中颜色纹理分析方法对细微颜色变化敏感,能够捕捉深层次的纹理和颜色特征,弥补传统人工检测的不足,为成熟果实的自动化、智能化摘取提供一定的依据。表3总结了机器视觉在水果成熟度检测中的应用。
表3 机器视觉在水果成熟度检测中的应用
Table 3 Application of machine vision in fruit maturity detection
检测对象方法准确率/%参考文献番茄BPNN99.31[44]冬枣YOLOv397.28[45]香蕉ANN97.75[46]杏QDA92.3[47]甜瓜PCA-LS-SVM100[48]
2.5 基于近红外光谱技术的成熟度检测
根据美国材料与试验协会(American Society of Testing Materials,ASTM)提供的数据,近红外(near infrared,NIR)光是介于可见光和中红外光之间的电磁波,其光谱范围为780～2 526 nm(12 820～3 959 cm-1)[49]。由于近红外光谱与有机分子中含氢官能团(C—H、O—H、N—H、S—H)振动的合频以及各级倍频的吸收一致,因此当近红外光照射到水果样品时,其基本成分(如可溶性有机酸、水分等)的结构、组成差异会使光谱在特定波长上发生偏移,是反映水果内部品质的一种无损检测方法[50]。
SHARPE等[51]利用近红外光谱技术对苹果、桃等10种水果的漫反射光谱进行采集,结果发现不同成熟度的果实光谱存在较大差别,较早地提出了应用光谱技术进行果实成熟度检测的可能性。FERRARA等[52]利用740～1 070 nm波段便携式近红外光谱仪采集了4种鲜食葡萄品种的光谱数据,并对葡萄果实可滴定酸度、可溶性固形物含量等成熟度指标参数进行检测,利用偏最小二乘回归(partial least squares regression,PLSR)方法建立葡萄可溶性固形物含量的光谱预测模型,其决定系数均高于0.95。尚静等[53]采用光纤式可见/近红外光谱仪获取了不同成熟度猕猴桃的反射光谱,并结合多元线性回归和误差反向传播构建猕猴桃可溶性固形物和硬度等成熟度品质参数的预测模型,同时基于偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)构建了猕猴桃成熟度检测模型,结果发现该模型对猕猴桃成熟度的识别率高达100%。周靖宇等[54]采集了3种不同成熟阶段无花果的光谱数据,根据多种品质指标的K-均值聚类,并结合PLS-DA建立判别模型,结果表明,该判别模型预测集的分类准确率为99.59%。果实在生长发育过程中将会伴随着多种理化成分的变化,采用多种理化指标进行综合评价,可实现水果成熟度的精准分类,赵娟等[55]利用200～1 100 nm波段的可见/近红外光谱仪采集了3种成熟度富士苹果的光谱信息,基于极限学习机和支持向量回归(support vector regression,SVR),并结合成熟度评价指标(simplified internal quality index,SIQI)和综合评价指标建立成熟度分类模型,对比4种分类结果发现,基于SIQI+SVR的分类模型效果最佳,准确率为85.71%。SOMTON等[56]根据开花时间和干物质含量划分榴莲的成熟水平,采用果肉干物质含量作为成熟度评价指标,并基于近红外光谱技术获取的果皮和果茎的吸光度对干物质含量的变化建立PLSR分类模型,结果表明,该模型的分类准确率为94.4%。
利用近红外光谱技术提取水果的光谱特征,建立水果成熟度的分类判别模型和成熟度指标的预测模型,有助于确定果实的最佳采收期,对推进水果机械化采收具有重要意义。
2.6 基于高光谱成像技术的成熟度检测
高光谱成像(hyperspectral imaging,HSI)技术是一种集光谱与图像于一体的技术,可以在连续波长范围内产生一系列的高分辨率图像,在高光谱图像的每一个像素点上都保存相应位置的光谱信息,因此高光谱图像在反映果实外部特征的同时,还可以对果实内部品质属性进行分析[57-58]。如图5所示,高光谱成像系统主要由图像传感器(CCD相机)、光谱仪、光源、计算机及控制装置等组件组成,在检测过程中利用光谱仪接收到的传播光获取检测对象的光谱信息和相机捕获的图像信息,最终得到检测对象的高光谱图像[59]。
图5 高光谱成像系统
Fig.5 Hyperspectral imaging system
刘金秀等[60]利用近红外高光谱成像系统采集了4种成熟度小白杏样本的高光谱数据,基于不同成熟度小白杏的高光谱信息,通过比对全波段和特征波段、不同的预处理方法、不同样本集划分方法、不同建模方法的判别效果,来建立小白杏的成熟度最优判别模型,结果表明,对小白杏成熟度定性判别模型存在多种最优组合,其识别准确率均较高。RAJ等[61]利用高光谱成像系统采集了3个成熟度等级的草莓在350～2 500 nm波段的光谱数据,并基于全光谱范围建立支持向量机(support vector machine,SVM)成熟度分类模型,其分类准确率高于98%。MUNERA等[62]利用450～1 040 nm波段范围的高光谱成像系统采集了油桃成熟过程中的高光谱图像,并基于偏最小二乘回归法建立油桃成熟指数(ripening index,RPI)与内部质量指数(internal quality index,IQI)的预测模型,结果表明,该方法所建立的RPI与IQI预测模型的决定系数均大于0.87,并通过该模型计算出油桃光谱图像中每个像素点的RPI与IQI值,结合伪彩色图像处理方法实现了油桃内部品质参数的可视化。曹晓峰等[63]利用高光谱成像系统采集了3种成熟度冬枣在380～1 023 nm波段的光谱图像,同时引入7个与生理成分变化相关的光谱指数(spectral indices,Sis),结合PLS-DA方法建立冬枣成熟度判别模型,判别精度为98.18%,通过对Sis-PLS-DA模型判别向量进行预测,并将结果用不同的颜色进行直观显示,实现了冬枣成熟度的可视化分级。
综上研究表明,高光谱成像技术将传统成像技术与光谱技术有机融合,其图谱合一的特点使得在进行水果内部品质检测的同时可以获得其表面特征信息,并通过计算果实成熟度指标在每个像素点上的参数值,采用伪彩色图像处理,可实现水果成熟度的可视化预测。表4总结了近红外光谱及高光谱成像在水果成熟度检测中的应用。
表4 近红外光谱及高光谱成像在水果成熟度检测中的应用
Table 4 Application of near infrared spectroscopy and hyperspectral imaging in fruit maturity detection
光谱检测对象波段范围/nm模型模型性能评价参考文献近红外光谱葡萄740～1 070 PLSR决定系数大于0.95[52]猕猴桃200～1 000 PLS-DA识别率为100%[53]无花果900～1 700 PLS-DA准确率为99.59%[54]苹果200～1 100 SVR准确率为85.71%[55]榴莲1 100～2 500 PLSR准确率为94.4%[56]高光谱成像小白杏900～1 700 PLS准确率为100%[60]草莓350～2 500 SVM准确率高于98%[61]油桃450～1 040 PLSR决定系数大于0.87[62]冬枣380～1 023 PLS-DA判别精度为98.18%[63]
2.7 水果成熟度无损检测技术小结
综述以上水果成熟度无损检测技术发展现状,将各种检测技术的优缺点及适用范围总结列表如下(表5)。
表5 无损检测技术性能比较
Table 5 Performance comparison of nondestructive detection technologies
无损检测技术适用范围优点缺点电学特性损伤、成熟度、新鲜度等品质特征识别装置简单便携、信号处理容易、灵敏度高易受外界环境影响、检测机理模糊、检测精度偏低声学特性质地、内部缺陷、成熟度等品质检测成本低、适应性强、易实现自动化检测精度低、检测指标单一电子鼻不同成熟阶段存在气味变化的成熟度检测响应时间短、灵敏度高、操作简单缺乏通用性、对环境敏感性较高、灵敏度不足机器视觉颜色、纹理等外部特征变化明显的成熟度检测清晰度高、检测速度快结构复杂、相关算法不成熟近红外光谱硬度、酸糖比、成熟度等品质检测操作简单、实时在线分析速度快建模复杂、仪器缺乏针对性高光谱成像成熟度、颜色、表皮损伤等内外品质检测数据精度高、图谱合一数据量大、检测速度慢、不宜实现在线或实时的检测
综上分析,单一的检测技术均存在不同程度的局限性,难以实现高精度、高效率检测需求,近年来,诸多研究者发现多检测技术联合使用,可获取更加全面的分析结果,王俊平等[64]提出将机器视觉与电子鼻相结合的方法对番茄成熟度进行检测,根据机器视觉筛选出的颜色特征与电子鼻筛选出的气味特征建立LS-SVM检测模型,该多源融合模型识别准确率为98.3%。孙静涛[65]利用近红外光谱信息及机器视觉图像信息融合的方法对哈密瓜成熟度进行判别分析,结果发现,基于极限学习机建立的融合模型效果最佳,其预测集判别准确率为98%。邹小波等[66]利用声学技术、近红外光谱技术结合化学计量学方法对不同成熟度的西瓜进行了定性判别,结果表明,基于音频和近红外光谱融合技术所建立的线性判别模型对西瓜成熟度的识别效果最佳,其预测集识别准确率为91.67%。
多技术融合充分利用了多种传感信息资源,具有容错性好、互补性强以及系统精度高等优势,在水果成熟度检测方面,其识别准确率优于单一检测方法,为今后水果成熟度检测与识别提供了一种新的解决思路。
3 问题与展望
水果成熟度变化,其口感、色泽、组织结构状态等随之也会发生变化,而如何无损、高效地检测其成分变化是当前研究的热点。近年来,国内外学者对水果成熟度无损检测的研究虽已取得了一定的成果,但无损检测技术仍存在以下方面的问题:
(1)电学特性检测机理模糊,尚不能明确验证水果品质变化与电学参数之间的影响关系,目前,基于电学特性对水果成熟度检测仅局限于苹果、香蕉、葡萄等少数几种水果,并不能确定电学特性与其成熟度的相关性关系是否适用于其他类型的水果,同时,各研究人员在试验时选用的检测设备和电学参数均存在不同差异。今后应加强对其检测机理的研究,以明确水果采后生理变化对其电学参数的影响关系;同时还应分类果实品种并建立同类果品的电学参数判别标准,以提高分析技术的标准化。
(2)基于声学特性检测水果成熟度时,果实的果皮厚度、果皮硬度、内部结构和品质是影响检测准确度的重要因素,应加强多种声学特性对果实成熟度相关品质的综合性影响研究,提高声学检测精度,还应发展便捷式、非接触式的声学特性系统以便于实现商业化应用。
(3)由于电子鼻训练集缺乏通用性,对于不同品种的水果需要构建对应的训练集,导致前期工作量较重,同时其传感器还存在易受实验环境的相对湿度和温度的影响,基线易漂移,灵敏度不足等问题,在未来还需开发新型传感器和化学计量学模型,并对已有模式识别算法程序优化改进,以提高检测精度。此外,为实现水果及其他产品的户外检测,还应探索研制出便携式分析仪器,为在线检测提供方便。
(4)机器视觉检测精度易受拍摄背景和阴影等环境因素影响,同时,由于水果样本各有差异,前期需要采集大量的样本用于成熟度识别模型以增强机器视觉的检测准确度,因此在图像处理和分析上将会花费大量的时间,后续要提高软件图片处理能力和对相关识别算法进行优化,同时开发集成图像采集、图像处理、模型训练和模型移植于一体,且具有通用性和专业性的分级设备。
(5)近红外光谱仪器具有通用性,缺乏针对性,在水果成熟度检测领域中常需结合额外的分析模型来判别分类准确性,因此迫切需要研发出具有针对性的相关方面分析仪器以满足市场需求;此外,近红外光谱检测结果具有不稳定性,受外界条件(测试环境温度、湿度、光照)、样品性状(质地、色泽、生长条件)及仪器性能(电源稳定性、波长准确度)等因素影响,使得样品光谱信息的细微差别难以进行定量或定性分析,因此光谱采集的过程应形成标准化和规范化,为了减少系统误差带来的影响,适当建立温度或颜色等相应的补偿模型,以提高检测结果。
(6)高光谱设备以大型、贵重居多,同时抗干扰能力差,对工作环境要求极为严格,在很多应用领域和场所都有所限制,随着5G技术和万物互联技术的快速发展,应顺应时代趋势大力发展便捷式、小型化、智能化的光谱仪器;此外,高光谱数据维度过深,数据处理难度增加,还需探索出更加稳定高效的数据处理和模型建立算法。
综合来看,各种检测方法功能各不相同,但单一的检测技术不能对水果成熟度进行综合分析,在一定程度上降低了果实成熟度的评价准确性,因此,有必要将多种技术融合并结合适宜的统计学方法,从而更加全面地获取水果成熟度相关特征信息,提高预测的准确性。
[1] 李广, 吴限鑫, 王建忠, 等.水果功能性营养成分及其检测技术研究进展[J].农产品质量与安全, 2019(5):75-80.
LI G, WU X X, WANG J Z, et al.Research progress on functional nutritional components of fruits and their detection techniques[J].Quality and Safety of Agro-Products, 2019(5):75-80.
[2] CHOWDHURY N N, ISLAM M N, JAFRIN R, et al.Natural plant products as effective alternatives to synthetic chemicals for postharvest fruit storage management[J].Critical Reviews in Food Science and Nutrition, 2022:1-19.
[3] 黎丽莎, 刘燕德, 胡军, 等.近红外无损检测技术在水果成熟度判别中的应用研究[J].华东交通大学学报, 2021, 38(6):95-105.
LI L S, LIU Y D, HU J, et al.Application of near infrared nondestructive testing technology in fruit maturity discrimination[J].Journal of East China Jiaotong University, 2021, 38(6):95-105.
[4] WORASAWATE D, SAKUNASINHA P, CHIANGGA S.Automatic classification of the ripeness stage of mango fruit using a machine learning approach[J].AgriEngineering, 2022, 4(1):32-47.
[5] 王丽娟, 刘志刚, 喜冠南, 等.一种自动传输式水果成熟度检测装置设计及使用方法[J].农业与技术, 2022, 42(7):48-51.
WANG L J, LIU Z G, XI G N, et al.Design and application method of automatic transmission fruit maturity detection device[J].Agriculture &Technology, 2022, 42(7):48-51.
[6] ANON.Food quality;studies by x.zhu and co-authors describe new findings in food quality (effects of harvest maturity on chilling injury and storage quality of apricots)[J].Food Weekly News,2018.
[7] ASLANTAS R, ANGIN I, GOKALP BOYDAS M, et al.Fruit characteristics and detachment parameters of sour cherry (Prunus cerasus L.cv.‘Kütahya’) as affected by various maturity stages[J].Erwerbs-Obstbau, 2016, 58(2):127-134.
[8] BYEON S E, LEE J.Fruit maturity differentially affects fruit quality and responses of targeted metabolites in cold-stored figs (Ficus carica L.)[J].Journal of the Science of Food and Agriculture, 2021, 101(2):673-683.
[9] SORTINO G, ALLEGRA A, FARINA V, et al.Non-destructive determination of ‘Big Bang’ nectarine quality and harvest maturity[J].Acta Horticulturae, 2021(1314):471-478.
[10] 陈贝文, 陈淦.水果分类识别与成熟度检测技术综述[J].计算机时代, 2022(7):62-65.
CHEN B W, CHEN G.Review of fruit classification recognition and maturity detection technology[J].Computer Era, 2022(7):62-65.
[11] 武琳霞, 李玲, 习佳林, 等.桃品质的无损检测技术研究进展[J].食品科学, 2022, 43(15):367-377.
WU L X, LI L, XI J L, et al.Progress in nondestructive detection techniques for peach quality[J].Food Science, 2022, 43(15):367-377.
[12] ADEDEJI A A, EKRAMIRAD N, RADY A, et al.Non-destructive technologies for detecting insect infestation in fruits and vegetables under postharvest conditions:A critical review[J].Foods, 2020, 9(7):927.
[13] PU Y Y, FENG Y Z, SUN D W.Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables:A review[J].Comprehensive Reviews in Food Science and Food Safety, 2015, 14(2):176-188.
[14] 占敏宣, 魏清江, 林雄, 等.PCA再分析采收成熟度对桃溪蜜柚贮藏品质变化模式的影响[J].食品与发酵工业, 2021, 47(9):183-190.
ZHAN M X, WEI Q J, LIN X, et al.Comprehensively analyze the effect of harvest ripening degree maturity on storage quality of Taoxi pomelo based on PCA[J].Food and Fermentation Industries, 2021, 47(9):183-190.
[15] 秦启福. 基于高光谱成像技术和卷积神经网络的沙果成熟度检测[J].当代农机, 2019(4):72-75.
QIN Q F.Maturity detection of Amomum villosum based on hyperspectral imaging technology and convolutional neural network[J].Contemporary Farm Machinery, 2019(4):72-75.
[16] SINGH S, SINGH N P, MAHAJAN B V C, et al.Response of strawberry fruits to low temperature and ambient storage conditions[J].Indian Journal of Horticulture, 2021, 78(1):111-117.
[17] 刘橙, 刘广同, 何金成, 等.基于介电特性的水果成熟度无损检测研究进展[J].农业工程, 2021, 11(12):49-53.
LIU C, LIU G T, HE J C, et al.Research progress of nondestructive testing of fruit maturity based on dielectric properties[J].Agricultural Engineering, 2021, 11(12):49-53.
[18] 刘妍, 周新奇, 俞晓峰, 等.无损检测技术在果蔬品质检测中的应用研究进展[J].浙江大学学报(农业与生命科学版), 2020, 46(1):27-37.
LIU Y, ZHOU X Q, YU X F, et al.Research progress of nondestructive testing techniques for fruit and vegetable quality[J].Journal of Zhejiang University (Agriculture &Life Sciences), 2020, 46(1):27-37.
[19] 周世平, 张海红, 李海峰, 等.基于果品介电特性的无损检测技术研究综述[J].食品研究与开发, 2015, 36(1):131-134;144.
ZHOU S P, ZHANG H H, LI H F, et al.Review of fruit nondestructive testing technology research based on the dielectric characteristics[J].Food Research and Development, 2015, 36(1):131-134;144.
[20] WOLF D F, ZACHARIAH G L.Dielectric properties for evaluating apple maturity[J].Transactions of the ASAE, 1973, 16(5):895-898.
[21] 陈志远, 张继澍, 刘亚龙, 等.番茄成熟度与其电学参数关系的研究[J].西北植物学报, 2008, 28(4):826-830.
CHEN Z Y, ZHANG J S, LIU Y L, et al.Relationships between tomato maturity and dielectric parameters[J].Acta Botanica Boreali-Occidentalia Sinica, 2008, 28(4):826-830.
[22] CASTRO-GIR
LDEZ M, FITO P J, ORTOL M D, et al.Study of pomegranate ripening by dielectric spectroscopy[J].Postharvest Biology and Technology, 2013, 86:346-353.
[23] SOLTANI, ALIMARDANI, OMID.Prediction of banana quality during ripening stage using capacitance sensing system[J].Australian Journal of Crop Science, 2010, 4(6):443-447.
[24] YAHAYA N Z, AYOB N S, RAMLI R M, et al.Microwave dielectric properties for detection of ‘harumanis’ mangoes ripeness[J].Journal of Physics:Conference Series, 2018, 1083:012020.
[25] 张莉, 韩爱华, 黄云钰, 等.柿果实成熟期间电学参数变化[J].甘肃农业大学学报, 2019, 54(2):199-204.
ZHANG L, HAN A H, HUANG Y Y, et al.Electrical parameter variation during maturation of persimmon fruit[J].Journal of Gansu Agricultural University, 2019, 54(2):199-204.
[26] 吕飞玲, 应义斌.声学检测技术在农产品品质无损检测中的应用[J].农机化研究, 2003,25(1):145-146;151.
LYU F L, YING Y B.Application of acoustic detection technology in nondestructive testing of agricultural products quality[J].Journal of Agricultural Mechanization Research, 2003,25(1):145-146;151.
[27] PAMUNGKAS W A, BINTORO N.Evaluation of watermelon ripeness using self-developed ripening detector[J].IOP Conference Series:Earth and Environmental Science, 2021, 653(1):012020.
[28] 窦文卿, 柴春祥, 鲁晓翔.无损检测技术在水果品质评价中应用的研究进展[J].食品工业科技, 2020, 41(24):354-359.
DOU W Q, CHAI C X, LU X X.Research progress of non-destructive detection technique in fruit quality evaluation[J].Science and Technology of Food Industry, 2020, 41(24):354-359.
[29] 危艳君, 饶秀勤, 漆兵, 等.基于西瓜声学特性测定其成熟度[J].农产品加工·学刊, 2012(1):8-10.
WEI Y J, RAO X Q, QI B, et al.The detection of watermelon maturity with the acoustic properties of watermelon[J].Academic Periodical of Farm Products Processing, 2012(1):8-10.
[30] KHOSHNAM F, NAMJOO M, GOLBAKHSHI H.Acoustic testing for melon fruit ripeness evaluation during diff erent stages of ripening[J].Agriculturae Conspectus Scientificus,2015,80(4):197-204.
[31] 张帅, 史磊, 张本华.基于声学特性的香瓜成熟度检测方法[J].农机化研究, 2011, 33(10):126-129.
ZHANG S, SHI L, ZHANG B H.The research of muskmelon maturity detection method based on acoustic characteristics[J].Journal of Agricultural Mechanization Research, 2011, 33(10):126-129.
[32] TANIWAKI M, HANADA T, TOHRO M, et al.Non-destructive determination of the optimum eating ripeness of pears and their texture measurements using acoustical vibration techniques[J].Postharvest Biology and Technology, 2009, 51(3):305-310.
[33] CHOE U, KANG H, HAM J, et al.Maturity assessment of watermelon by acoustic method[J].Scientia Horticulturae, 2022, 293:110735.
[34] 刘志刚, 王丽娟, 喜冠南, 等.水果成熟度检测技术的现状与发展[J].农业与技术, 2020, 40(8):17-21.
LIU Z G, WANG L J, XI G N, et al.Present situation and development of fruit maturity detection technology[J].Agriculture &Technology, 2020, 40(8):17-21.
[35] 任二芳, 牛德宝, 温立香, 等.电子鼻和电子舌在水果检测中的应用进展[J].食品工业, 2019, 40(10):261-264.
REN E F, NIU D B, WEN L X, et al.Application research progress of electronic nose and electronic tongue in fruits detection[J].The Food Industry, 2019, 40(10):261-264.
[36] SANAEIFAR A, ZAKIDIZAJI H, JAFARI A, et al.Early detection of contamination and defect in foodstuffs by electronic nose:A review[J].TrAC Trends in Analytical Chemistry, 2017, 97:257-271.
[37] 李娴, 曹玉栋, 李哲敏.苹果品质的气体表达及感知技术现状[J].中国农业信息, 2019, 31(4):74-83.
LI X, CAO Y D, LI Z M.Gas expressions of apple quality and their sensing technologies[J].China Agricultural Information, 2019, 31(4):74-83.
[38] DU D D, WANG J, WANG B, et al.Ripeness prediction of postharvest kiwifruit using a MOS E-nose combined with chemometrics[J].Sensors, 2019, 19(2):419.
[39] MANUEL D A C, EDUARDO G G O, MARIELA H O.Nariz electrónica Para determinar el índice de madurez del tomate de árbol (Cyphomandra betacea sendt)[J].Ingeniería, Investigación y Tecnología, 2014, 15(3):351-362.
[40] 徐赛, 陆华忠, 周志艳, 等.基于理化指标和电子鼻的果园荔枝成熟度识别方法[J].农业机械学报, 2015,46(12):226-232.
XU S, LU H Z, ZHOU Z Y, et al.Identification of litchi’s maturing stage in orchard based on physicochemical indexes and electronic nose[J].Transactions of the Chinese Society for Agricultural Machinery, 2015,46(12):226-232.
[41] 张鑫, 齐玉洁, 杨夏, 等.利用电子鼻技术评价桃果实成熟度的研究[J].华南农业大学学报, 2012, 33(1):23-27.
ZHANG X, QI Y J, YANG X, et al.Evaluation of maturity of peach by electronic nose[J].Journal of South China Agricultural University, 2012, 33(1):23-27.
[42] PATHANGE L P, MALLIKARJUNAN P, MARINI R P, et al.Non-destructive evaluation of apple maturity using an electronic nose system[J].Journal of Food Engineering, 2006, 77(4):1018-1023.
[43] SEPTIARINI A, SUNYOTO A, HAMDANI H, et al.Machine vision for the maturity classification of oil palm fresh fruit bunches based on color and texture features[J].Scientia Horticulturae, 2021, 286:110245.
[44] WAN P, TOUDESHKI A, TAN H Q, et al.A methodology for fresh tomato maturity detection using computer vision[J].Computers and Electronics in Agriculture, 2018, 146:43-50.
[45] LU Z H, ZHAO M F, LUO J, et al.Design of a winter-jujube grading robot based on machine vision[J].Computers and Electronics in Agriculture, 2021, 186:106170.
[46] MAZEN F M A, NASHAT A A.Ripeness classification of bananas using an artificial neural network[J].Arabian Journal for Science and Engineering, 2019, 44(8):6901-6910.
[47] KHOJASTEHNAZHAND M, MOHAMMADI V, MINAEI S.Maturity detection and volume estimation of apricot using image processing technique[J].Scientia Horticulturae, 2019, 251:247-251.
[48] 许德芳, 赵华民, 许建东, 等.基于机器视觉的甜瓜成熟度判别研究[J].农产品加工, 2020(14):19-22;25.
XU D F, ZHAO H M, XU J D, et al.Research on maturity discrimination of melon based on machine vision[J].Farm Products Processing,2020(14):19-22;25.
[49] 张欣欣, 李跑, 余梅, 等.柑橘近红外光谱无损检测技术研究进展[J].食品科学, 2022, 43(1):260-268.
ZHANG X X, LI P, YU M, et al.Research progress on nondestructive testing technology of citrus by near infrared spectroscopy[J].Food Science, 2022, 43(1):260-268.
[50] BLANCO M, VILLARROYA I.NIR spectroscopy:A rapid-response analytical tool[J].TrAC Trends in Analytical Chemistry, 2002, 21(4):240-250.
[51] SHARPE P J H, BARBER H N.Near infrared reflectance of colored fruits[J].Applied Optics, 1972, 11(12):2902.
[52] FERRARA G, MARCOTULI V, DIDONNA A, et al.Ripeness prediction in table grape cultivars by using a portable NIR device[J].Horticulturae, 2022, 8(7):613.
[53] 尚静, 孟庆龙, 黄人帅, 等.光纤光谱技术对猕猴桃品质及成熟度的无损检测[J].光学精密工程, 2021, 29(5):1190-1198.
SHANG J, MENG Q L, HUANG R S, et al.Nondestructive detection for kiwifruit quality and maturity by optical fiber spectroscopy technology[J].Optics and Precision Engineering, 2021, 29(5):1190-1198.
[54] 周靖宇, 孙锐, 余多, 等.基于近红外技术和偏最小二乘判别法对无花果成熟度的快速判别[J].食品与机械, 2020, 36(11):107-111.
ZHOU J Y, SUN R, YU D, et al.Identification of fig maturity based on near-infrared spectroscopy and partial least square-discriminant analysis[J].Food &Machinery, 2020, 36(11):107-111.
[55] 赵娟, 全朋坤, 马敏娟, 等.富士苹果采收成熟度光谱无损预测模型对比分析[J].农业机械学报, 2018, 49(12):347-354.
ZHAO J, QUAN P K, MA M J, et al.Comparative analysis of harvest maturity model for fuji apple based on visible/near spectral nondestructive detection[J].Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12):347-354.
[56] SOMTON W, PATHAVEERAT S, TERDWONGWORAKUL A.Application of near infrared spectroscopy for indirect evaluation of ‘monthong’ durian maturity[J].International Journal of Food Properties, 2015, 18(6):1155-1168.
[57] 何馥娴, 蒙庆华, 唐柳, 等.高光谱成像技术在水果品质检测中的研究进展[J].果树学报, 2021, 38(9):1590-1599.
HE F X, MENG Q H, TANG L, et al.Research progress in hyperspectral imaging technology for fruit quality detection[J].Journal of Fruit Science, 2021, 38(9):1590-1599.
[58] 李江波, 饶秀勤, 应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展[J].光谱学与光谱分析, 2011, 31(8):2021-2026.
LI J B, RAO X Q, YING Y B.Advance on application of hyperspectral imaging to nondestructive detection of agricultural products external quality[J].Spectroscopy and Spectral Analysis, 2011, 31(8):2021-2026.
[59] 张飞, 罗华平, 高峰, 等.高光谱成像技术在水果品质无损检测中的研究现状[J].新疆农机化, 2021(6):18-21.
ZHANG F, LUO H P, GAO F, et al.Research status of hyperspectral imaging technology in nondestructive testing of fruit quality[J].Xinjiang Agricultural Mechanization, 2021(6):18-21.
[60] 刘金秀, 贺小伟, 罗华平, 等.基于高光谱成像技术的小白杏成熟度判别模型[J].食品研究与开发, 2022, 43(15):158-165.
LIU J X, HE X W, LUO H P, et al.Discrimination model of maturity of small white apricot based on hyperspectral imaging technology[J].Food Research and Development, 2022, 43(15):158-165.
[61] RAJ R, COSGUN A, KULI
D N.Strawberry water content estimation and ripeness classification using hyperspectral sensing[J].Agronomy, 2022, 12(2):425.
[62] MUNERA S, AMIGO J M, BLASCO J, et al.Ripeness monitoring of two cultivars of nectarine using VIS-NIR hyperspectral reflectance imaging[J].Journal of Food Engineering, 2017, 214:29-39.
[63] 曹晓峰, 任惠如, 李幸芝, 等.高光谱技术结合特征波长/光谱指数对冬枣成熟度可视化判别[J].光谱学与光谱分析, 2018, 38(7):2175-2182.
CAO X F, REN H R, LI X Z, et al.Discrimination of winter jujube’s maturity using hyperspectral technique combined with characteristic wavelength and spectral indices[J].Spectroscopy and Spectral Analysis, 2018, 38(7):2175-2182.
[64] 王俊平, 徐刚.机器视觉和电子鼻融合的番茄成熟度检测方法[J].食品与机械, 2022, 38(2):148-152.
WANG J P, XU G.Research on tomato maturity detection method based on machine vision and electronic nose fusion[J].Food &Machinery, 2022, 38(2):148-152.
[65] 孙静涛. 基于光谱和图像信息融合的哈密瓜成熟度无损检测研究[D].石河子:石河子大学, 2017.
SUN J T.Research on nondestructive detection of Hami melon maturity based on spectral and image information fusion[D].Shihezi:Shihezi University, 2017.
[66] 邹小波, 张俊俊, 黄晓玮, 等.基于音频和近红外光谱融合技术的西瓜成熟度判别[J].农业工程学报, 2019, 35(9):301-307.
ZOU X B, ZHANG J J, HUANG X W, et al.Distinguishing watermelon maturity based on acoustic characteristics and near infrared spectroscopy fusion technology[J].Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(9):301-307.