我国是水果生产大国，自20世纪90年代开始产量居世界首位，其中苹果、梨、桃、葡萄等果品产量均位居世界第一[1]。水果产业已成为我国农业种植业中继粮食、蔬菜之后的第三大产业，是国家战略——发展现代农业的重要组成部分，也是主产区农村经济发展的支柱产业，以及农民增收致富的主要来源。

2016年我国水果产量达2.71亿t，但如此巨大的水果产量，出口总量却只有440万t[2]，基本用于国内消费。出现这种局面，主要是由于我国市场上水果优质率低。部分水果虽有资源优势，然而整体国际竞争力差，以致造成出口高端市场份额与发达国家相差很大，面临着“低价行销”的困境[3]。提高水果品质检测技术水平，快速精准鉴别水果品质，有助于增强我国水果的国际竞争力。

无损检测技术是尽可能在不破坏待测物原有状态的前提下，对待测物的品质进行检测的方法。因其快速、简便、高效的特点，尤其是非破坏性这个优势，越来越多地被应用于食品农产品品质的检测研究中。本文着重对在水果品质检测研究中应用较多的无损检测方法进行论述。主要有基于基本特性的声学特性分析法、电学特性分析法；基于计算机视觉、电子鼻等智能感官仿生技术的检测方法；以及基于光谱特性的近红外光谱、高光谱成像技术等方法。

1 水果品质无损检测方法应用现状

1.1 声学特性检测法

在声波的作用下，物体有着不同的反射、透射和吸收特性。声波的传播速度、频率和受到的阻力等均与物体的属性有着一定的联系[4]。通过这种联系可以帮助判断物体的品质。在购买西瓜之类的水果时，有经验的购买者通过拍打听声的方法来挑选成熟度高的西瓜，这就是利用水果声学特性进行水果品质无损检测的一个典型案例。

葛明[5]研究了声波在西瓜中的传播频率与其含糖量的关系。采用小波变换分析提取传播频率特性，进而获得频率特征与含糖量的关联,由含糖量反演西瓜成熟程度。结果表明了西瓜含糖量与声波频率为二阶函数关系，确定相关系数R2为0.905 7。含糖量在12%以上为已成熟西瓜，10%～12%为成熟度中等的西瓜，10%以下的为未熟西瓜。根据含糖量可判断西瓜的成熟程度，从而实现了对西瓜成熟度的无损检测。张帅等[6]通过测定香瓜受到敲击后所发出的声波对香瓜品质(硬度、质量和厚度等)进行检测。对声频信号数据处理，建立打击音波功率谱峰值与香瓜硬度、质量和厚度的关系，结果表明香瓜的声学特性与香瓜的质量和厚度无显著关系，与硬度有着较好的相关性。硬度与音波功率谱峰值的相关系数R2为0.937 7。对3种成熟度的香瓜的敲击声波频率测定，发现适熟香瓜基频为246～287 Hz，熟香瓜为242～265 Hz，过熟香瓜为234～244 Hz。

近年来，基于超声波技术的分析方法得到了极大的发展。MORRISON等[7]分析柑橘表面超声波反射情况，经过处理计算得到特征信息，建立与柑橘密度的关系，研究表明反射信息与密度有着很高的相关性，R2=0.858，较为准确地预测了储藏9 d的柑橘的硬度，提供了一种检测柑橘成熟度的无损检测方法。SRIVASTAVA等[8]开发了一种非接触式的超声波系统用于测量番茄硬度，实验测得超声信号衰减量与番茄硬度存在一种非线性关系，因番茄硬度与其成熟度呈正相关关系，因此得以建立超声信号与成熟度的相关关系。开发的系统能够识别成熟、未成熟和腐败的番茄，与商业阿尔法MOS系统检测结果匹配度高达90%。该方法可推广应用到其他类型水果的成熟度检测。

声学特性无损检测技术适应气体、液体、固体等多种介质环境，适应性强，适合在线检测，应用前景良好。但值得注意的是通过敲击水果发声操作难度大，若力度掌握不当，容易损伤水果。

1.2 电学特性检测法

电学特性法是利用水果自身在电场中电特性参数的变化来反应水果的品质，是对水果综合品质的评价。

孔繁荣等[9]探究了发育后期苹果的介电特性与其内部品质的关系，相对介电常数和介质损耗因子在特定的频率范围内与可溶性固形物、硬度和pH存在较好的线性关系，实验发现相对介电常数和介质损耗因子随着果实的成熟不断减小。相对介电常数与可溶性固形物相关系数大于0.93，与硬度相关系数大于0.79，与pH相关系数大于0.88。介质损耗因子与可溶性固形物相关系数大于0.89，与硬度相关系数大于0.73，与pH相关系数在0.98左右。研究表明介电参数值可以预测苹果内部品质。SOLTANI[10]研究了在香蕉成熟过程中介电常数的变化，开发了一种等效电容装置测量香蕉果实介电常数。在正弦波频率为100 kHz时，成熟度预测效果最好，成熟度预测相关系数R2为0.94。郭文川[11]利用果品的介电特性预测其内部品质，测量贮藏期间油桃的相对介电常数和介电耗损因子，糖度作为品质指标，建立了油桃糖度的偏最小二乘、支持向量机及极限学习机预测模型。实验结果表明极限学习机的预测效果最好，基于介电特性的油桃糖度无损检测方法是可行的。李子文等[12]测量了不同成熟度的灵武长枣的电学参数，筛选出了与长枣成熟度密切相关的参数：复阻抗、串联等效电容、电抗、串联等效电感和相对介电常数等。实验结果表明在不同电场激励下能够区分六到十成熟的灵武长枣。MARIA等[13]探究了柑橘果实组织的介电性能，研究发现柑橘基质水分与介电常数γ-松弛呈线性关系，R2为0.948。表明了在γ-松弛下介电常数是预测柑橘果实水分含量的有效工具。

研究表明，电学特性在果品成熟程度的无损检测中的应用是可行的。利用电特性对水果进行无损检测的研究为数不少，但仍未见大范围的实际应用。

1.3 智能感官仿生技术

智能感官仿生技术是利用现代信息技术和传感技术模仿人或动物的视觉、听觉、味觉和嗅觉等感觉行为，自动获取反映被检测对象品质特性的信息，并模拟人对信息的理解和判别对所获取的信息进行处理的技术[14]。在水果品质检测领域常见的主要有机器视觉技术、电子鼻技术和嗅觉可视化技术等。

1.3.1 机器视觉技术

赵杰文等[15]利用计算机视觉技术识别枣干制过程中出现的缺陷枣。在HSI颜色模型下提取H的均值和均方差作为颜色特征值，利用支持向量机识别缺陷枣。识别准确率高达96.2%。蒋益女等[16]构建了一个基于机器视觉的苹果质量自动识别系统。通过图像处理得到目标区域，提取特征信息，经过筛选后采用模糊最近邻函数分析建立判别模型，4种等级(拒绝、重伤、轻伤、正常)平均识别率为83%。SOFU等[17]构建了一套基于机器视觉技术的苹果品质自动分选系统，对结痂，有污渍和腐烂三类苹果进行在线检测。该系统分类速度为每秒15个苹果，分类准确率为73%～96%。CRDENAS等[18]利用机器视觉系统对苹果按照成熟阶段分类。使用CIELab颜色空间、色度C和色调角h将3个成熟度阶段(未成熟、成熟和腐败)与颜色变化进行比较，使用4个颜色参数(a*，b*，C和h*)成熟阶段区分可达100%准确率。叶晋涛等[19]基于图像特征对新疆哈密瓜分级，通过主成分分析提取8个特征(R均值、G均值、B均值、RG求和值、RG求差值、H均值、S均值和V均值)建立支持向量机判别模型。在图像信息主成分因子数为4时，模型训练集和预测集识别率分别为100%和97.22%。

1.3.2 电子鼻技术

徐赛等[20]提出了一种基于电子鼻技术的果园荔枝成熟阶段检测方法，用电子鼻采集样品数据，用载荷分析优化传感器阵列，线性判别分析提取特征信息，建立与果实可溶性固形物的预测模型，k最近邻函数分析和概率神经网络预测模型效果较好，训练集判别正确率均为100%，对测试集的识别率均为96.67%。证明采用电子鼻进行果园荔枝成熟度监测是可行性的。SANAEIFAR等[21]利用电子鼻技术预测香蕉品质指标(可溶性固形物、可滴定酸、pH值和硬度)，电子鼻响应值与品质指标建立偏最小二乘回归、多元线性回归和支持向量机回归模型。结果显示支持向量机回归模型对于硬度和可溶性固形物的预测效果最好，相关系数分别为0.885 2和0.960 8。

计算机技术的快速发展加快了机器视觉技术的不断进步，机器视觉技术具有快速、准确、无损，能完成多项品质指标检测，特别满足现代机械自动化流水线生产的要求。在水果外部颜色特征、形状大小和内部品质如成熟度、色素含量等的检测上有着广泛的应用前景。电子鼻技术在果品成熟度检测，货架期预测，品种分类及危害分析中都有应用。由于其传感器的特性及气体采集方式的限制，电子鼻在商业上应用规模较小。随着传感器技术的发展，电子鼻有着更广阔的未来，在水果检测中也将发挥重要的作用。

1.4 光谱特性分析法

由于水果的内部成分和外部特性不同，在不同波长光线照射下会有不同的吸收、反射或者透射特性，即水果的光谱反射率或吸收率在某一段或者几段特定波长内出现峰值[22]，根据特征峰值与水果的质量指标建立关系，进而对果品质量检测。可见光谱法和近红外光谱分析法是常见的光谱检测方法。

OLAREWAJU等[23]利用近红外光谱法分析检测鳄梨的成熟度，通过偏最小二乘回归模型预测鳄梨果肉含油率、干物质和水分含量。其中干物质和水分含量预测准确率高，相对误差分别为2.00和2.13。对比2013年和2014年两年份鳄梨的预测结果表明干物质和水分含量预测模型的鲁棒性好。研究结果显示反射模式下的近红外系统对鳄梨成熟指标参数(干物质和水分含量)快速无损检测是十分可靠的。RUNGPICHAYAPICHET等[24]通过对芒果颜色分析和近红外光谱分析检测β胡萝卜素，建立多元线性回归模型。表明2种方法都有较好的预测能力，但果肉颜色分析会破坏样品，而近红外光谱法不损坏完整的芒果样品，预测准确率高(相关系数R2>0.800)，近红外光谱对食品质量控制是可行的。郎雷[25]开发了小型水果糖度检测仪，建立糖度预测模型，以苹果作为检测对象进行实时糖度预测，预测精度达到94.3%。翟建龙[26]设计了基于Android平板的便携式水果品质检测装置。以脐橙为研究对象，采用近红外漫反射技术检测糖度、pH值和皮厚。建立脐橙糖度和pH值的偏最小二乘回归模型，其模型相关系数分别为0.825和0.745。利用化学计量学方法建立脐橙皮厚的偏最小二乘回归模型，模型相关系数为0.864。

在光学特性中，近红外光谱法应用最为广泛，发展最为迅速，出现在水果品质检测的方方面面，如水果的坚实度[27]、糖分含量[28]、酸度[29]、可溶性固形物含量[30]、VC含量[31]和农药残留[32]等。近红外光谱分析技术具有适应力强，对人体无害，操作简单等优点。但研究型的台式近红外光谱设备造价昂贵，移动性差，数据处理复杂，更多的便携式近红外光谱仪正在研究应用[33]，需要不断完善其硬件和软件系统。

1.5 高光谱成像技术

高光谱图像是一系列光波在不同波长处的光学图像，既包含光谱信息，又包含图像信息。能全面反映水果的物理结构、化学信息、外在特征和表面情况。在水果表面缺陷污染、成熟度和化学成分等方向应用广泛。

赵凡[34]利用高光谱图像技术检测猕猴桃品质，研究表明光谱提取面积越大，其模型的预测能力越好。建立了糖度、硬度和含水率的最小二乘支持向量机预测模型。其糖度预测模型相关系数0.886 3，均方根误差0.886 7；硬度预测模型相关系数0.940 3，均方根误差0.778 0；含水率预测模型相关系数0.805 5，均方根误差0.005 5。高光谱对于水果内部检测具有很好的优势。RAJKUMAR等[35]利用高光谱图像技术检测在20、25、30 ℃条件下香蕉的质量和成熟度。使用偏最小二乘法处理光谱数据，预测残差平方和确定最佳波长，建立与可溶性固形物、水分和硬度多元线性回归模型，相关系数分别为0.85、0.87和0.91。可溶性固形物和硬度变化与香蕉成熟时温度呈多项式关系，水分含量与不同成熟阶段呈线性关系。PAN等[36]采用高光谱图像系统检测冷库中冻伤桃子。通过人工神经网络模型筛选了8个特征波长，冻伤和正常桃子在果实品质参数有着极大的差异。特征波长作为神经网络模型输入，冻伤桃子分类正确率为95.8%。研究结果表明高光谱图像技术检测果品冻伤是可行的。

高光谱图像技术具有图像和光谱的2种特性，能够无损检测水果内外部品质。但因其数据庞大，存储、传输和处理都十分麻烦，不利于在线实时检测，研究新的数据建模方法有利于提高检测效率。高光谱图像技术还有较多问题值得深入研究，随着科技的进步以及信息时代的来临，此技术必将越来越成熟，应用也会越来越广泛。

1.6 其他无损检测技术

除了上述的几种无损检测技术外，在水果检测中涉及到的其他无损检测技术还有嗅觉可视化技术、X射线成像技术、激光技术、叶绿素荧光法、红外热成像技术和核磁共振技术等等。

(1)嗅觉可视化技术是利用可视化传感器与待测气体反应前后颜色的变化对待测气体进行分析的技术。嗅觉可视化技术报道较多的有在肉制品、水产品、酒、醋等发酵品品质中的检测研究。在水果品质检测中的应用目前仅见到1篇[37]，开发针对水果气味敏感的嗅觉可视化材料是嗅觉可视化技术的发展方向之一。

(2)X射线成像技术是利用X射线穿透能力对物体内部透射成像。由于X射线具有很强的穿透能力，X射线图像能更直观地反映产品结构缺陷、结构变化等内部品质，因此在农产品内部品质检测方面受到越来越多的重视。在水果品质检测中，需要低强度的X射线，称为软X射线。多用于水果内部虫害检测[38-39]。

(3)激光技术是利用由受激发射的光放大产生辐射产生的激光完成产品质量检测。具有无需样品前处理，灵敏度高，分析快速等优点，水果农药残留检测[40]、水果的硬度检测[41]、水果褐变检测[42]等上有所应用。

(4)叶绿素荧光法是根据水果叶绿素荧光强度的变化反映水果品质。叶绿素荧光能够灵敏地反映水果组织在胁迫条件下的生理代谢情况。因此，叶绿素荧光技术能检测水果贮藏过程中低温伤害损伤程度[43]。叶绿素荧光技术容易受到温度等外界条件影响，将其商业应用仍需要进一步的研究。

(5)红外热成像技术是将物体自身各部分红外热辐射的差异转换为可见图像的技术[44]。水果在生长、成熟过程中代谢强度不同会产生温差，在受到伤害时其部位也会出现温差，进而发射红外辐射，这些辐射带有物体特征信息。利用红外热成像技术可以非接触式地探测水果表面的红外辐射特性，可以实现水果缺陷[45]、成熟度[46]的无损检测。但红外热成像技术容易受到气候的影响，成像精度不高。在研究水果生理特性与病虫害检测等上有很强的研究潜能和价值，在水果检测上还处于研究阶段，在实际生产中有巨大的应用价值。

(6)核磁共振技术是一种能够提供有关组织中氢质子数量信息的无损检测技术，操作简便且灵敏度高[47-48]。核磁共振技术在水果内部品质、成熟度和内部缺陷等上有着一定的应用[49]。商业核磁共振仪价格昂贵是限制在水果领域应用的重要因素，随着核磁共振技术的发展及核磁共振仪的开发，核磁共振技术在未来的水果研究方向会有更广的应用前景。

2 展望

利用声学特性对果品品质进行的无损检测和分级技术具有适应性强、检测灵敏度高、对人体无害、成本低廉、可在各种环境中工作和易实现自动化等优点。已经完成的研究工作均是研究农产品声学特性中的某一特性与农产品某一品质指标的关系，而对多种声学特性对果品内部品质指标的综合影响的研究还未见有报道。对这方面进行深入研究将大大有利于检测精度的提高。此外，开发便携的，非接触式的水果品质检测声学特性系统也是未来发展趋势。

利用介电特性对农产品品质进行快速无损检测的研究可以追溯到20世纪60年代，但经历了这么长时间的发展，大多数研究仅仅证明了基于介电特性的水果品质无损检测系统在技术上和原理上都是可行的，仍然没有达到真正实用阶段，其分选精度和分选效率受到很大的限制。表明目前的研究还不够深入，今后的研究可以从两个方面入手：(1)加强对水果介电特性的机理研究，搞清楚水果采后生理变化对其介电特性的影响机理；(2)加强对检测装备的研发。市售的装备无法满足新思路的迅速实施和新技术的快速研发要求，建立一个性能更加良好的介电特性测量装置将有效推进电特性检测方法的实用化进程。

智能感官仿生技术发展迅速，在环境、食品、农业和制造业等上都有广泛的应用，随着人工智能的发展，未来的前景也十分巨大。机器视觉技术在水果品质检测的应用最为广泛，已经在自动化流水线生产上发挥作用，相关的处理算法正不断成熟，模型越来越完善。机器视觉系统也越来越贴近各种水果品质检测的实际需求。今后在水果产业初始端如产地初加工和储藏阶段加大机器视觉检测技术的应用程度，研制适合该阶段的机器视觉系统和算法，将有利于从源头上减少果品的损耗，保障后期的质量。传感器材料是电子鼻技术的最重要部分，对传感器材料的研究是关键，开发稳定，灵敏的电子鼻系统是其现代化生产应用的必经之路。

在利用光学特性对果品品质检测上，近红外光谱法是分析化学领域发展迅速的高新分析技术，具有快速、无损和可实现多组分同时测定的特点。未来的近红外光谱设备将朝着小型轻便化发展，操作平台更加趋近于手机、平板等移动端。

高光谱图像技术集图像信息与光谱信息于一身，光谱信息反映样品内部结构的差异，图像信息反映样品的形状、缺陷等外部品质特征，在水果品质检测方面具有独特的优势。高光谱图像系统采集的数据精度高，适合实验阶段。数据量过大，处理时间长，不适合在线检测。未来可根据具体的检测对象要求，寻找最佳的检测波长等参数，减少数据量，设计对应的光谱图像系统。在不降低精度的前提下，降低成本和节约时间。

随着科学技术的发展，无损检测方法越来越成熟，以数字化、图像化和信息化为代表的无损检测方法是未来检测方法发展的必然趋势。

参考文献

[1] 吴雯. 只为一颗好水果：保障水果安全我们都做了什么[EB/OL]. [2016-06-4]. https://www.zg3n.com.cn/article-15826-1.html

[2] 中国产业信息网. 2016年我国水果行业产量、消费量以及供需平衡表预测[EB/OL]. http://www.chyxx.com/industry/201609/448941.html.

[3] 周秋瑜. 中国主要热带水果国际竞争力研究[D]. 海口：海南大学, 2011.

[4] 姚文苇. 基于超声医学应用的声传播的研究[J]. 中国医学物理学杂志, 2014, 31(4):5 077-5 080.

[5] 葛明. 基于小波变换的西瓜成熟度声学检测方法[D]. 西安：陕西师范大学, 2014.

[6] 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.

[7] MORRISON D S, ABEYRATNE U R. Ultrasonic technique for non-destructive quality evaluation of oranges[J]. Journal of Food Engineering, 2014, 141(141):107-112.

[8] SRIVASTAVA S, VADDADI S, SADISTAP S. Non-Contact ultrasonic based stiffness evaluation system for tomatoes during shelf-life storage[J]. Nutrition & Food Sciences, 2014, 4(2).

[9] 孔繁荣,郭文川. 发育后期苹果的介电特性与理化特性的关系[J]. 食品科学, 2016, 37(9):13-17.

[10] SOLTANI M, ALIMARDANI R, OMID M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering, 2011, 105(4):625-631.

[11] 郭文川. 基于介电特性的油桃糖度无损检测方法[J]. 农业工程学报. 2013, 29(17):257-264.

[12] 李子文,张海红,马雪莲,等. 灵武长枣的成熟度与其电学特性关系研究[J]. 食品科技, 2015(10):286-290.

[13] TRAFFANO-SCHIFFO M V, CASTRO-GIRALDEZ M, COLOM R J, et al. New spectrophotometric system to segregate tissues in mandarin fruit[J]. Food & Bioprocess Technology, 2017(3):1-8.

[14] 岳静. 仿生传感智能感官检测技术在食品感官评价中的应用及研究进展[J]. 中国调味品, 2013, 38(12):54-57.

[15] 赵杰文,刘少鹏,邹小波,等. 基于支持向量机的缺陷红枣机器视觉识别[J]. 农业机械学报, 2008, 39(3):113-115.

[16] 蒋益女,徐从富. 基于机器视觉的苹果质量等级识别方法的研究[J]. 计算机应用与软件, 2010, 27(11):99-101.

[17] SOFU M M, ER O, KAYACAN M C,et al. Design of an automatic apple sorting system using machine vision[J]. Computers & Electronics in Agriculture, 2016, 127:395-405.

[18] CRDENAS-PÉREZ S, CHANONA-PÉREZ J, MÉNDEZ- MÉNDEZ J V, et al. Evaluation of the ripening stages of apple (Golden Delicious) by means of computer vision system[J]. Biosystems Engineering, 2017, 159:46-58.

[19] 叶晋涛,王运祥,杨杰,等. 哈密瓜颜色特征提取及成熟度分级的研究[J]. 石河子大学学报(自科版), 2016, 34(1):106-111.

[20] 徐赛,陆华忠,周志艳,等. 基于电子鼻的果园荔枝成熟阶段监测[J]. 农业工程学报, 2015(18):240-246.

[21] SANAEIFAR A, MOHTASEBI S S, GHASEMI-VARNAMKHASTI M, et al. Application of MOS based electronic nose for the prediction of banana quality properties[J]. Measurement, 2016, 82:105-114.

[22] 贺艳楠,魏永胜,郑颖. 水果成熟度无损检测技术研究进展[J]. 北方园艺,2010(3):208-212.

[23] OLAREWAJU O O, BERTLING I, MAGWAZA L S. Non-destructive evaluation of avocado fruit maturity using near infrared spectroscopy and PLS regression models[J]. Scientia Horticulturae, 2016, 199:229-236.

[24] RUNGPICHAYAPICHET P, MAHAYOTHEE B, KHUWIJITJARU P, et al. Non-destructive determination of β-carotene content in mango by near-infrared spectroscopy compared with colorimetric measurements[J]. Journal of Food Composition & Analysis, 2015, 38:32-41.

[25] 郎雷. 水果糖度可见/近红外光谱检测仪的研发[D]. 杭州：浙江大学, 2016.

[26] 翟建龙. 基于android系统的脐橙品质近红外光谱无损检测技术[D]. 南昌：华东交通大学, 2015.

[27] DONG Jin-lei, GUO Wen-chuan. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods, 2015, 8(10):1-12.

[28] 詹映,彭云发,彭海根,等. 近红外光谱在南疆红枣糖度无损检测中的应用[J]. 农机化研究, 2014(6):179-183.

[29] 孙通. 梨可溶性固形物和酸度的可见/近红外光谱静态和在线检测研究[D]. 杭州：浙江大学, 2011.

[30] RUNGPICHAYAPICHET P, MAHAYOTHEE B, NAGLE M, et al. Robust NIRS models for non-destructive prediction of postharvest fruit ripeness and quality in mango[J]. Postharvest Biology & Technology, 2016, 111:31-40.

[31] 罗枫,鲁晓翔,张鹏,等. 冷藏过程中樱桃VC含量的近红外检测[J]. 食品与发酵工业, 2015, 41(5):173-176.

[32] MUNAWAR A A, HÖRSTEN D V, WEGENER J K, et al. Rapid and non-destructive prediction of mango quality attributes using Fourier transform near infrared spectroscopy and chemometrics[J]. Engineering in Agriculture Environment & Food, 2015, 9(3):208-215.

[33] BLAKEY R J. Evaluation of avocado fruit maturity with a portable near-infrared spectrometer[J]. Postharvest Biology & Technology, 2016, 121(2016):101-105.

[34] 赵凡. 基于高光谱图像技术无损检测猕猴桃的内部品质[D]. 杨凌：西北农林科技大学, 2016.

[35] RAJKUMAR P, WANG N, EIMASRY G, et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering, 2012, 108(1):194-200.

[36] PAN Lei-qing, ZHANG Qiang, ZHANG Wei, et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network[J]. Food Chemistry, 2016, 192:134-41.

[37] 黄星奕,辛君伟,赵杰文,等. 可视化传感技术在桃子质量评价中的应用[J]. 江苏大学学报自然科学版, 2009, 30(5):433-436.

[38] KALNE A, KOTWALIWALE N, SINGH K, et al. Non-destructive inspection of mango fruit using digital radiography, computed tomography and magnetic resonance imaging[J]. Indian Society of Agricultural Engineers, 2013, 49(4):33-41.

[39] VELASCO L R I, MEDINA C. Soft x-ray imaging for non-destructive detection of the mango pulp weevil Sternochetus frigidus (Fabr.) infestation in fresh green 'Carabao' mango fruits[J]. Thesis-The University of Texas at Austin, 2004, 44(4):716-717.

[40] 周小芳,方炎,张鹏翔. 水果表面残留农药的拉曼光谱研究[C]//全国光散射学术会议, 2003.

[41] MCGLONE V A, JORDAN R B. Kiwifruit and apricot firmness measurement by the non-contact laser air-puff method[J]. Postharvest Biology & Technology, 2000, 19(1):47-54.

[42] ZUDE M. Detection of fruit tissue browning using laser-induced fluorescence spectroscopy[J]. Acta Horticulturae, 2003, 628(628):85-90.

[43] 向春燕,樊丽,亢键,等. 低温胁迫下嘎拉苹果果实叶绿素荧光参数与其他生理和品质指标的相关性[J]. 西北农业学报, 2014, 23(8):135-141.

[44] 周建民,周其显,刘燕德. 红外热成像技术在农业生产中的应用[J]. 农机化研究, 2010, 32(2):1-4.

[45] 周建民,刘娟娟,舒丽丽. 苹果表面缺陷红外热成像检测装置及处理方法[J]. 中国农机化学报, 2012(2):113-115.

[46] DANNO A, MIYAZATO M, ISHIGURO E. Quality evaluation of agricultural products by infrared imaging method. III. Maturity evaluation of fruits and vegetables.[J]. Memoirs of the Faculty of Agriculture Kagoshima University, 1980, 16:157-164.

[47] 陈路平,高杨文,杨培强,等. 低场核磁共振成像分析技术与应用[J]. 现代科学仪器, 2014(6):60-64.

[48] 王梦娇,杨菊梅,王松磊,等. 基于低场核磁共振技术冷鲜羊肉品质快速无损检测研究[J]. 宁夏工程技术, 2017, 16(1):10-14.

[49] 庞林江,王允祥,何志平,等. 核磁共振技术在水果品质检测中的应用[J]. 农机化研究, 2006(8):176-180.