曹玉棟 祁偉彥 李嫻 李哲敏

摘? ?要：中國(guó)蘋果總產(chǎn)量高，但出口量占比低，高端蘋果市場(chǎng)多被進(jìn)口蘋果所占領(lǐng)，主要原因是缺乏果品品質(zhì)分級(jí)精選技術(shù)與裝備，采摘后處理自動(dòng)化程度低，大部分果品未經(jīng)加工或簡(jiǎn)單粗加工后進(jìn)入消費(fèi)市場(chǎng)，果品品質(zhì)不穩(wěn)定，大大降低了市場(chǎng)競(jìng)爭(zhēng)力。本文分別對(duì)蘋果品質(zhì)無(wú)損檢測(cè)和分級(jí)技術(shù)的現(xiàn)狀進(jìn)行了研究進(jìn)展分析，并對(duì)其發(fā)展進(jìn)行了展望。蘋果無(wú)損檢測(cè)技術(shù)主要包括光譜、電特性、CT、色譜、電子鼻和計(jì)算機(jī)視覺(jué)技術(shù)，針對(duì)各種技術(shù)的功能特點(diǎn)和優(yōu)缺點(diǎn)，提出了發(fā)展基于新型傳感器技術(shù)的蘋果氣味檢測(cè)方法;蘋果品質(zhì)分級(jí)則主要采用基于機(jī)器視覺(jué)的多特征分級(jí)方法，蘋果品質(zhì)無(wú)損檢測(cè)技術(shù)與分級(jí)技術(shù)的有機(jī)結(jié)合是蘋果品質(zhì)分級(jí)技術(shù)的發(fā)展方向，同時(shí)這對(duì)于提高蘋果產(chǎn)業(yè)競(jìng)爭(zhēng)力具有促進(jìn)作用。整體而言，中國(guó)蘋果品質(zhì)無(wú)損檢測(cè)和分級(jí)技術(shù)發(fā)展需求緊迫，檢測(cè)新技術(shù)如采用納米科學(xué)、生物技術(shù)和人工智能方法的傳感器技術(shù)及產(chǎn)品在蘋果無(wú)損、品質(zhì)分級(jí)檢測(cè)方面具有巨大潛力，多技術(shù)的融合如集成電、光、氣和計(jì)算機(jī)視覺(jué)等實(shí)時(shí)、高效、高精度的蘋果品質(zhì)分級(jí)系統(tǒng)可能是提高蘋果分級(jí)品質(zhì)和提升蘋果產(chǎn)業(yè)競(jìng)爭(zhēng)力的重要發(fā)展方向。

關(guān)鍵詞：蘋果品質(zhì);無(wú)損檢測(cè);品質(zhì)分級(jí);傳感器技術(shù)

中圖分類號(hào)：S-1? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ? ?文章編號(hào)：201906-SA011

曹玉棟， 祁偉彥， 李? ?嫻， 李哲敏. 蘋果無(wú)損檢測(cè)和品質(zhì)分級(jí)技術(shù)研究進(jìn)展及展望[J]. 智慧農(nóng)業(yè)， 2019，1（3）： 29-45.

Cao Y， Qi W， Li X， Li Z. Research progress and prospect on non-destructive detection and quality grading technology of apple[J]. Smart Agriculture， 2019， 1（3）： 29-45. （in Chinese with English abstract）

1? 引言

改革開放40年來(lái)，中國(guó)蘋果產(chǎn)業(yè)發(fā)展迅猛，栽培面積和區(qū)域逐步穩(wěn)定和集中，產(chǎn)量穩(wěn)步增長(zhǎng)，栽培面積和產(chǎn)量早已位居世界首位[1]。近10年來(lái)，中國(guó)蘋果產(chǎn)量直線上升，效益逐年提高[2]。但在出口領(lǐng)域，蘋果的出口比例僅占生產(chǎn)總量的1.5%左右。國(guó)內(nèi)的蘋果以本國(guó)消費(fèi)為主，在國(guó)際蘋果市場(chǎng)上缺乏競(jìng)爭(zhēng)力，只有部分出口到一些不發(fā)達(dá)的國(guó)家和地區(qū)。造成這種現(xiàn)象的原因除了蘋果的種植品種不合理、農(nóng)藥殘留較高外，還在于中國(guó)的蘋果的品質(zhì)檢測(cè)和品質(zhì)分級(jí)技術(shù)較為落后，導(dǎo)致果品品質(zhì)參差不齊，總體質(zhì)量不高[3]。因此，蘋果品質(zhì)無(wú)損檢測(cè)及精選分級(jí)對(duì)于提升中國(guó)蘋果競(jìng)爭(zhēng)力具有重要意義。

蘋果品質(zhì)包括內(nèi)部和外部品質(zhì)。蘋果果實(shí)大小、形狀、色澤、表面缺陷和損傷是外部品質(zhì)的主要檢測(cè)指標(biāo)。蘋果內(nèi)部品質(zhì)檢測(cè)指標(biāo)包括果實(shí)的酸度、含糖量、維生素、水分、纖維素、可溶性固形物、品質(zhì)內(nèi)部缺陷等。在眾多評(píng)價(jià)蘋果品質(zhì)的相關(guān)概念里，感官質(zhì)量被認(rèn)為是對(duì)消費(fèi)者最終接受度最重要的影響之一[4]。蘋果品質(zhì)無(wú)損檢測(cè)是當(dāng)前品質(zhì)檢測(cè)技術(shù)研究的重點(diǎn)[5]，同時(shí)蘋果品質(zhì)檢測(cè)技術(shù)也是蘋果的品質(zhì)鑒定和分級(jí)的重要技術(shù)支撐。本文主要對(duì)當(dāng)前蘋果無(wú)損檢測(cè)技術(shù)的研究和發(fā)展現(xiàn)狀進(jìn)行歸納整理，同時(shí)針對(duì)果品分級(jí)的發(fā)展動(dòng)態(tài)進(jìn)行評(píng)述，并基于蘋果產(chǎn)業(yè)發(fā)展態(tài)勢(shì)和需求，對(duì)蘋果品質(zhì)無(wú)損檢測(cè)和蘋果分級(jí)技術(shù)的發(fā)展方向進(jìn)行了展望。

2? 蘋果無(wú)損檢測(cè)技術(shù)

果品無(wú)損檢測(cè)是在不損壞果品的前提下，利用水果的光學(xué)、物理和生物等特性實(shí)現(xiàn)對(duì)內(nèi)部品質(zhì)及表面缺陷（缺陷的類型、尺寸、形狀、數(shù)量、位置、性質(zhì)分布和其變化等）的評(píng)價(jià)[5]。蘋果無(wú)損檢測(cè)技術(shù)有光譜、電特性、CT、氣相色譜—質(zhì)譜技術(shù)和電子鼻技術(shù)等。蘋果的無(wú)損檢測(cè)技術(shù)是蘋果品質(zhì)分級(jí)的重要依據(jù)，各種無(wú)損檢測(cè)技術(shù)具有各自檢測(cè)特點(diǎn)，正確認(rèn)識(shí)和總結(jié)不同無(wú)損檢測(cè)技術(shù)的優(yōu)缺點(diǎn)，對(duì)果品品質(zhì)判定和果品精選分級(jí)具有重要意義。

2.1? 光譜檢測(cè)技術(shù)

光譜技術(shù)是果品內(nèi)部質(zhì)量檢測(cè)中應(yīng)用最廣泛的技術(shù)，利用果品對(duì)光的吸收、散射、反射和投射等特性得到的光譜信息，從而對(duì)果品內(nèi)部品質(zhì)（硬度、脆度、酸甜度）、內(nèi)部病變（水心病、褐腐病、霉心病、果實(shí)褐變）以及外部損傷等情況進(jìn)行無(wú)損檢測(cè)，具有檢測(cè)速度快、操作簡(jiǎn)便、精確度較高、非破壞性的特點(diǎn)。光譜分析法主要有近紅外光譜、拉曼光譜和高光譜成像檢測(cè)技術(shù)等[6]。

2.1.1? 近紅外光譜技術(shù)

近紅外光譜（Near-infrared Spectroscopy，NIRS）是介于可見(jiàn)光譜區(qū)和中紅外光譜區(qū)之間的電磁波，波長(zhǎng)范圍為780～2526nm[6]。NIRS技術(shù)結(jié)合人工智能算法，可以實(shí)現(xiàn)蘋果的內(nèi)部品質(zhì)和蘋果病害的有效檢測(cè)。

在檢測(cè)蘋果的內(nèi)部品質(zhì)方面，孫炳新等[7]采用NIRS技術(shù)在643.26～985.11nm的波長(zhǎng)范圍內(nèi)建立了紅富士蘋果脆度和有效酸度的預(yù)測(cè)模型，模型相關(guān)系數(shù)分別達(dá)到0.941和0.925。Jha等[8]在900～1700nm近紅外波長(zhǎng)范圍檢測(cè)蘋果內(nèi)部品質(zhì)，分別采用最小二乘法（Least Squares，LS）和多元線性回歸（Multiple Linear Regression，MLR）建立蘋果含糖量、酸度、酸甜比的模型，其中MLR模型得到的預(yù)測(cè)結(jié)果較好，其多重相關(guān)系數(shù)分別為0.887、0.890、0.893，實(shí)現(xiàn)對(duì)蘋果的含糖量和酸甜比等指標(biāo)的無(wú)損檢測(cè)。王轉(zhuǎn)衛(wèi)

等[9]利用NIRS技術(shù)測(cè)量了發(fā)育后期3個(gè)月內(nèi)“富士”蘋果在833～2500nm波長(zhǎng)范圍內(nèi)的光譜特性，結(jié)合化學(xué)計(jì)量學(xué)方法建立了預(yù)測(cè)可溶性固形物含量（Soluble Solid Content，SSC）、硬度、pH值和含水率的最小二乘支持向量機(jī)和極限學(xué)習(xí)機(jī)模型，并分析了主成分分析（Principal Component Analysis，PCA）、連續(xù)投影算法和無(wú)信息變量消除法等3種降維方法對(duì)模型預(yù)測(cè)性能的影響，從而獲得了對(duì)蘋果不同檢測(cè)對(duì)象的最佳模型方法。Zude等[10]利用聲學(xué)脈沖共振頻率傳感器和小型VIS /NIR光譜儀檢測(cè)對(duì)800個(gè)Idared和Golden Delicious蘋果在貨架期的果肉硬度和SSC特征進(jìn)行檢測(cè)，對(duì)兩種蘋果品種的預(yù)測(cè)分級(jí)準(zhǔn)確性分別為93%和99%。宮元娟[11]應(yīng)用USB2000+可見(jiàn)/近紅外光線光譜儀對(duì)寒富蘋果內(nèi)部品質(zhì)信息在線檢測(cè)進(jìn)行可行性研究，應(yīng)用偏最小二乘法（Partial Least Squares，PLS）對(duì)寒富蘋果的SSC、總酸度及硬度做出相應(yīng)的預(yù)測(cè)模型，有效地檢

測(cè)了寒富蘋果的SSC、總酸度及硬度。因此，通過(guò)NIRS技術(shù)并結(jié)合有效的算法，可以實(shí)現(xiàn)對(duì)蘋果的果肉硬度、酸甜比、SSC等內(nèi)部指標(biāo)的無(wú)損檢測(cè)。

NIRS技術(shù)還可以實(shí)現(xiàn)對(duì)蘋果病害的檢測(cè)。果品內(nèi)部缺陷如褐腐病、水心病的內(nèi)部理化特性與正常蘋果差異較大，引起病果的光譜能量吸收和散射與正常果不同[12]，李順?lè)宓萚13]利用NIRS技術(shù)結(jié)合PCA和Fisher判別函數(shù)對(duì)蘋果霉心病進(jìn)行檢測(cè)，其正確判別率達(dá)到89.9%。McGlone等[14]運(yùn)用兩種在線紅外光譜檢測(cè)模型對(duì)Braeburn蘋果的內(nèi)部組織褐變進(jìn)行檢測(cè)，結(jié)果表明，大孔徑光譜儀可以有效檢測(cè)果品內(nèi)部的褐變程度。這表明了NIRS在蘋果的內(nèi)部品質(zhì)缺陷無(wú)損檢測(cè)方面的潛力。

綜合來(lái)看，NIRS技術(shù)具有適應(yīng)性強(qiáng)、操作簡(jiǎn)單無(wú)污染、非破壞性分析、在線快速分析、成本低和易實(shí)現(xiàn)自動(dòng)化等優(yōu)點(diǎn)，被普遍用于水果內(nèi)部品質(zhì)的無(wú)損檢測(cè)。但該技術(shù)的實(shí)現(xiàn)及準(zhǔn)確性需要建立具體模型，并需要大量有代表性的特征值和大量已知的樣品數(shù)據(jù)進(jìn)行有效訓(xùn)練，所以模型的建立較為復(fù)雜、計(jì)算模式建立繁瑣、定量分析精度不高，檢測(cè)精度需進(jìn)一步探討。

2.1.2? 拉曼光譜技術(shù)

拉曼光譜是通過(guò)分子的振動(dòng)或轉(zhuǎn)動(dòng)獲得其結(jié)構(gòu)、對(duì)稱性、電子環(huán)境等分子信息，拉曼光譜又稱為“指紋譜”。通過(guò)分析其拉曼峰位、峰強(qiáng)、線型、線寬及譜線數(shù)目達(dá)到從分子水平對(duì)樣品進(jìn)行定性、定量和結(jié)構(gòu)的分析[15]。拉曼光譜技術(shù)主要應(yīng)用于對(duì)蘋果外部品質(zhì)進(jìn)行檢測(cè)。

拉曼光譜技術(shù)可以實(shí)現(xiàn)蘋果外觀損傷的高準(zhǔn)確率檢測(cè)。如陳思雨等[16]采用拉曼光譜結(jié)合化學(xué)計(jì)量方法對(duì)蘋果早期輕微損傷進(jìn)行鑒定：采用Savitzky-Golay卷積對(duì)原始拉曼光譜進(jìn)行平滑去噪處理，結(jié)合有效算法進(jìn)行校正，并用非線性的支持向量機(jī)（Support Vector Machine， SVM）回歸算法建立分類判別模型。在采用Kemard-Stone（KS）法劃分訓(xùn)練集和驗(yàn)證集后，蘋果外部損傷的分類準(zhǔn)確率可達(dá)到97.8%。高曉陽(yáng)等[17，18]研發(fā)了基于拉曼光譜的蘋果實(shí)時(shí)無(wú)損自動(dòng)檢測(cè)分級(jí)系統(tǒng)樣機(jī)，通過(guò)設(shè)計(jì)的LabVIEW虛擬儀器控制系統(tǒng)實(shí)時(shí)完成蘋果分級(jí)，實(shí)驗(yàn)結(jié)果表明該分級(jí)檢測(cè)系統(tǒng)對(duì)無(wú)擦傷、輕擦傷和重擦傷蘋果組的分級(jí)平均準(zhǔn)確率分別為100%、99%和97%。

拉曼光譜技術(shù)也可以用于檢測(cè)蘋果表面的農(nóng)藥殘留量。Fan等[19]應(yīng)用表面增強(qiáng)拉曼光譜（Surface Enhanced Raman Spectroscopy，SERS）與化學(xué)計(jì)量學(xué)方法相結(jié)合，實(shí)現(xiàn)了對(duì)蘋果中痕量卡巴胺農(nóng)藥殘留量的定量分析。Dhakald等[20]開發(fā)具有785nm激光激發(fā)源的拉曼光譜系統(tǒng)，檢測(cè)到有機(jī)磷（毒死蜱）農(nóng)藥殘留量在蘋果表面的最小限度為6.69mg/kg 。

拉曼光譜檢測(cè)技術(shù)準(zhǔn)確性高，無(wú)損快速且高效。拉曼光譜檢測(cè)多適用于蘋果的外部損傷和農(nóng)藥殘留檢測(cè)，但在建立拉曼光譜模型時(shí)，需要進(jìn)行大量數(shù)據(jù)檢測(cè)及數(shù)據(jù)分析過(guò)程，前期工作比較復(fù)雜，無(wú)法實(shí)時(shí)快速獲取蘋果外部品質(zhì)信息。

2.1.3? 高光譜成像技術(shù)

高光譜圖像技術(shù)（Hyperspectral Image，HI）是一種集成傳統(tǒng)光譜技術(shù)和二維成像技術(shù)于一體的無(wú)接觸式檢測(cè)技術(shù)，通過(guò)對(duì)獲取待測(cè)物的光譜信息和圖像信息進(jìn)行分析提取，實(shí)現(xiàn)對(duì)待測(cè)物的快速無(wú)損檢測(cè)，目前可實(shí)現(xiàn)對(duì)蘋果病害和一些蘋果內(nèi)外部品質(zhì)特征的檢測(cè)[6]。

HI技術(shù)可以有效檢測(cè)炭疽病、苦痘病、黑腐病、褐斑病、風(fēng)傷、水心病等蘋果常見(jiàn)病害。劉思伽等[21]利用HI，通過(guò)改進(jìn)流形距離篩選700nm、904nm有效特征波段，利用特征波段的光譜相對(duì)反射率建立BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型，對(duì)具有炭疽病、苦痘病、黑腐病和褐斑病的病害富寒蘋果進(jìn)行無(wú)損檢測(cè)，病害果的檢測(cè)率達(dá)96.25%。王思玲等[22]通過(guò)采集90～170 nm的近紅外波段高光譜蘋果圖像，基于SVM檢驗(yàn)的特征選擇下對(duì)水心病果的正確識(shí)別率達(dá)到72.0%。Rady等[23]實(shí)現(xiàn)了可見(jiàn)光/高光譜成像（400nm）在漫反射模式下對(duì)蘋果蠹蛾（Cydia Pomonella，CP）侵染的檢測(cè)和分類的有效性，顯示出VIS / NIR高光譜成像作為CP侵染蘋果的無(wú)損檢測(cè)的潛力。除檢測(cè)蘋果內(nèi)部病害外，HI技術(shù)還可以對(duì)蘋果外部損傷進(jìn)行無(wú)損檢測(cè)。ElMasry等[24]研究了HI（400～1000nm）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）技術(shù)對(duì)紅蘋果凍害的檢測(cè)，通過(guò)建立高光譜成像系統(tǒng)對(duì)蘋果圖像進(jìn)行采集和預(yù)處理，提取蘋果光譜特性，同時(shí)開發(fā)前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）模型實(shí)現(xiàn)對(duì)蘋果的分類，成功檢測(cè)由于冷害造成的蘋果硬度變化。孫梅等[25]利用HI技術(shù)和PCA方法分析了蘋果的壓傷和風(fēng)傷，研究發(fā)現(xiàn)714 nm波長(zhǎng)的高光譜圖像更容易分辨風(fēng)傷。

HI技術(shù)還可以獲取蘋果的硬度、糖度信息，并可以通過(guò)檢測(cè)色澤、表面損傷等信息對(duì)蘋果進(jìn)行分級(jí)。彭彥昆等[26]將高光譜圖像的光譜信息和空間信息結(jié)合，采用洛倫茲函數(shù)對(duì)蘋果高光譜的空間散射曲線進(jìn)行擬合和參數(shù)提取，利用PLS和逐步多元線性回歸模型對(duì)不同擬合參數(shù)建立蘋果硬度預(yù)測(cè)模型，相關(guān)系數(shù)達(dá)到0.89。郭俊先等[27]采用HI技術(shù)對(duì)新疆冰糖心紅富士蘋果的糖度進(jìn)行預(yù)測(cè)分析，通過(guò)提取蘋果高光譜圖像中感興趣區(qū)域的平均光譜，經(jīng)過(guò)白板校正、一階微分光譜預(yù)處理和10個(gè)波長(zhǎng)的光譜合并，基于多元線性回歸方法建立了蘋果糖度的預(yù)測(cè)模型。ElMasry等[28]研究了高光譜成像系統(tǒng)對(duì)于McIntosh蘋果損傷檢測(cè)的潛力，開發(fā)基于400～1000nm之間的光譜區(qū)域的高光譜成像系統(tǒng)，采用PLS和逐步法鑒別分析，該系統(tǒng)可成功區(qū)分有損傷的蘋果和健全的蘋果。Keresztes等[29]使用基于線掃描的高光譜紅外（SWIR）及高光譜成像（Hyperspectral Image，HSI）技術(shù)的蘋果損傷檢測(cè)系統(tǒng)檢測(cè)Jonagold、Kanzi和Joly Red蘋果品種，蘋果品種區(qū)分度準(zhǔn)確度高達(dá)96%;同時(shí)利用空間信息對(duì)二值圖像進(jìn)行處理，對(duì)蘋果損傷檢測(cè)的準(zhǔn)確率達(dá)到94.4%。除了硬度、糖度信息，HI也可以用來(lái)檢測(cè)蘋果的SSC、含水量（Moisture Content，MC）等內(nèi)部品質(zhì)特征。Dong等[30]使用高光譜反射成像技術(shù)（近紅外區(qū)域?yàn)?00～1700nm）評(píng)估在13周儲(chǔ)存期間的富士蘋果的SSC、MC和pH值，結(jié)果證明了使用近紅外高光譜反射成像技術(shù)可同時(shí)預(yù)測(cè)蘋果的SSC、MC和pH。

總體而言，HI技術(shù)結(jié)合了傳統(tǒng)光譜檢測(cè)和二維成像的優(yōu)點(diǎn)，能夠快速準(zhǔn)確地對(duì)果品的品質(zhì)病害以及一些內(nèi)外部品質(zhì)進(jìn)行檢測(cè)，檢測(cè)精度較高。相比于NIRS和拉曼光譜技術(shù)，HI技術(shù)具有更豐富的無(wú)損檢測(cè)功能，對(duì)蘋果內(nèi)部病害、內(nèi)部特征和外觀品質(zhì)都具有良好的檢測(cè)效果。但是目前基于HI大多選取較多特征波段或結(jié)合圖像信息處理方法進(jìn)行檢測(cè)， 建模繁瑣、檢測(cè)信息量大、檢測(cè)速度慢，不適用于水果在線檢測(cè)。

2.2? 介電特性檢測(cè)技術(shù)

不同物體具有不同成分、狀態(tài)和結(jié)構(gòu)等，對(duì)應(yīng)不同的介電特性參數(shù)（電容、電阻、電感及衍生的一些電學(xué)特性）。通過(guò)介電特性參數(shù)差異，可以分析出不同物體的結(jié)構(gòu)及內(nèi)部信息。蘋果內(nèi)部品質(zhì)（硬度、糖度、酸度、可溶性固形物等）及內(nèi)部病變的檢測(cè)，也可通過(guò)介電特性檢測(cè)技術(shù)得到。

介電特性檢測(cè)技術(shù)可以實(shí)現(xiàn)對(duì)蘋果病變（水心病、霉心病和毒蛾蟲害）的無(wú)損辨別。如王若琳等[31]通過(guò)采集秦冠蘋果的11個(gè)電學(xué)指標(biāo)在100～3.98MHz間13個(gè)頻率點(diǎn)的特征值，發(fā)現(xiàn)水心病引起果品的介電損耗系數(shù)、復(fù)阻抗相角、串聯(lián)等效電容和并聯(lián)等效電容及相對(duì)介電常數(shù)、損耗因子6個(gè)參數(shù)在100～10000Hz低頻區(qū)的觀測(cè)值高于健康蘋果，證明了電學(xué)方法能夠?qū)λ牟」徒】堤O果進(jìn)行有效識(shí)別。李芳等[32]運(yùn)用LCR測(cè)試儀在100～3.98MHz頻率、1V電壓、（20±1）℃恒溫條件下測(cè)定和比較富士蘋果霉心病果和好果的7個(gè)阻抗參數(shù)變化規(guī)律及3個(gè)理化品質(zhì)指標(biāo)，采用稀疏主元分析篩選出27個(gè)非零加載系數(shù)的阻抗參數(shù)，選取SVM作為分類器，經(jīng)過(guò)10輪交叉驗(yàn)證的分類實(shí)驗(yàn)對(duì)霉心病果和好果的正確識(shí)別率達(dá)到94%。同步理化品質(zhì)測(cè)定表明，霉心病果的密度和可溶性固形物含量較于好果呈下降狀態(tài)。Ikediala等[33]使用開放式同軸線探針技術(shù)，在5～55℃、30～3000MHz條件測(cè)量四個(gè)蘋果栽培品種和第三齡CP的介電特性，蘋果的介電常數(shù)隨頻率下降而隨溫度升高而略有下降，介電損耗因子隨著射頻范圍內(nèi)的溫度線性增加，表明使用介電特征檢測(cè)技術(shù)可以很好的識(shí)別蘋果CP病害。

蘋果品質(zhì)變化與介電特性及力學(xué)特性具有一定的相關(guān)性。李海峰等[34]研究發(fā)現(xiàn)蘋果的復(fù)阻抗（Z）與水分含量、糖度的決定系數(shù)分別達(dá)到0.9111和0.9593，蘋果果皮強(qiáng)度與水分含量、糖度的決定系數(shù)分別達(dá)到0.9016和0.9273，均有顯著相關(guān)性。安慧珍等[35]研究了經(jīng)1-MCP或乙烯利處理的富士和秦冠蘋果在貯藏期間，在0.1～3980kHz范圍內(nèi)10個(gè)電學(xué)參數(shù)的變化，隨著頻率等增加和貯藏時(shí)間的延長(zhǎng)，Z值逐漸減小，富士蘋果的Z值與可滴定酸含量的相關(guān)性達(dá)到極顯著水平，因此，可利用電學(xué)參數(shù)和Z值來(lái)預(yù)測(cè)蘋果色度的變化。蔡騁等[36，37]以紅富士蘋果為試材，在室溫下貯存得到四種失重率和果心褐變的果實(shí)，分別定義為五級(jí)新鮮度，采用LCR 阻抗儀測(cè)定各等級(jí)共424個(gè)果實(shí)的14個(gè)生物阻抗參數(shù)在9個(gè)頻率點(diǎn)下的126個(gè)特征值。結(jié)果表明50次重復(fù)試驗(yàn)的分級(jí)正確率平均值為87.90%?？追睒s和郭文川[38]對(duì)發(fā)育后期蘋果的介電特性與理化特性的關(guān)系進(jìn)行研究，采用同軸探頭技術(shù)測(cè)量發(fā)育后期3個(gè)月內(nèi)富士蘋果在20～4500MHz間的相對(duì)介電常數(shù)ε’和介質(zhì)損耗因子ε”，同時(shí)測(cè)量蘋果果實(shí)的生理特性（乙烯釋放量和呼吸強(qiáng)度）和內(nèi)部品質(zhì)（SSC、硬度、pH值和MC），并分析獲得與介電參數(shù)之間的關(guān)聯(lián)性：隨著果實(shí)逐漸發(fā)育成熟，ε’和ε”逐漸減小;ε’和ε”與SSC、硬度和pH值在特定的頻率范圍內(nèi)存在較好的線性相關(guān)性。Castro-Giráldez等[39]對(duì)成熟期蘋果進(jìn)行介電測(cè)量后發(fā)現(xiàn)，介電參數(shù)與蘋果生理化合物（糖含量，蘋果酸）具有線性關(guān)系。此外，介電特性檢測(cè)還可以用來(lái)區(qū)分不同種類的蘋果，如Shang等[40]從10～1800MHz獲得了三個(gè)品種160個(gè)蘋果的介電特性，使用PCA和SPA對(duì)蘋果進(jìn)行品種分類，分類準(zhǔn)確度分別為99.5%和99.0%。

介電特性檢測(cè)適應(yīng)性較強(qiáng)，對(duì)果品的檢測(cè)具有靈敏度高、無(wú)污染、操作方便、相關(guān)設(shè)備簡(jiǎn)單、使用成本低廉和自動(dòng)化程度高等優(yōu)點(diǎn)。但是介電特性檢測(cè)的前期檢測(cè)準(zhǔn)備的過(guò)程十分繁瑣，模型建立較為復(fù)雜，所需的對(duì)比數(shù)據(jù)較多。并且果品在采摘后的生理變化復(fù)雜，在介電特性的測(cè)量上也將十分復(fù)雜，導(dǎo)致檢測(cè)靈敏度高但精度偏低，這也是未來(lái)亟待改進(jìn)的地方。

2.3? CT檢測(cè)技術(shù)

電子計(jì)算機(jī)斷層掃描（Computed Tomography，CT），是利用精確準(zhǔn)直的X線束、γ射線、超聲波等，與靈敏度極高的探測(cè)器一同圍繞果品進(jìn)行掃描，具有掃描時(shí)間快、圖像清晰等特點(diǎn)[6]。在農(nóng)業(yè)上，基于X-ray的CT技術(shù)也取得了較大發(fā)展。

黃滔滔等[41]通過(guò)對(duì)蘋果CT斷層掃描圖進(jìn)行灰度分割，在分離出有效果肉區(qū)的基礎(chǔ)上，建立了基于果肉區(qū)CT均值的蘋果整體內(nèi)部品質(zhì)的無(wú)損檢測(cè)模型，發(fā)現(xiàn)蘋果的糖度、可滴定酸度、含水質(zhì)量分?jǐn)?shù)均與果肉區(qū)CT均值有較好的線性相關(guān)性，其R2值分別為0.8464、0.8233、0.9075，平均預(yù)測(cè)誤差分別小于5.0%、7.4%、3.8%。張京平等[42]通過(guò)獲取富士蘋果內(nèi)部的CT信息，采用神經(jīng)網(wǎng)絡(luò)算法對(duì)富士蘋果的含水率、含糖量和含酸量的平均預(yù)測(cè)誤差分別為1.75%、5.81 %和0.72%。此后，張京平等[43]還研究了貯藏期內(nèi)富士蘋果內(nèi)部主要成分與其剖面CT值之間線性關(guān)系的變化情況，發(fā)現(xiàn)蘋果內(nèi)部pH值及糖度隨著貯藏期的增長(zhǎng)而增大，而含水率及可滴定酸含量隨著貯藏期的增長(zhǎng)而降低，同時(shí)蘋果內(nèi)部各成分與CT值的線性相關(guān)模型隨著貯藏時(shí)間的變化也發(fā)生了相應(yīng)變化，將貯藏時(shí)間參數(shù)引入蘋果內(nèi)主要成分含量后該預(yù)測(cè)模型的平均誤差率小于10%，說(shuō)明利用合理的預(yù)測(cè)模型結(jié)合CT技術(shù)進(jìn)行蘋果內(nèi)部特征無(wú)損檢測(cè)是一種可行的方法。

CT檢測(cè)技術(shù)也可以用來(lái)檢測(cè)蘋果的病害，如Herremans等[44]運(yùn)用高分辨率微CT圖像顯示水心病蘋果的微觀結(jié)構(gòu)變化，發(fā)現(xiàn)受影響的蘋果組織的細(xì)胞間隙充滿水，基于對(duì)圖像進(jìn)行閾值處理的自動(dòng)圖像處理令X射線CT的水心病檢測(cè)精度為89%。

CT技術(shù)應(yīng)用于蘋果無(wú)損檢測(cè)，具有掃描時(shí)間迅速、成像清晰等特點(diǎn)，同時(shí)具有快速作業(yè)的潛質(zhì)。CT技術(shù)在蘋果內(nèi)部和外部品質(zhì)檢測(cè)的潛力還有待深入挖掘。但是CT掃描設(shè)備機(jī)器體量大、技術(shù)復(fù)雜、購(gòu)買昂貴、需要專人進(jìn)行保養(yǎng)維護(hù)，限制了該技術(shù)的廣泛應(yīng)用。

2.4? 氣相色譜—質(zhì)譜技術(shù)

氣相色譜—質(zhì)譜（Gas Chromatography-Mass Spectrometry，GC-MS）技術(shù)被廣泛應(yīng)用于測(cè)定蘋果氣味組成。GC-MS是基于每個(gè)化合物有規(guī)律地形成一系列碎片離子與分子離子組合，在磁場(chǎng)（或電場(chǎng)）作用下，按這些離子的質(zhì)荷比進(jìn)行掃描記錄，運(yùn)用計(jì)算機(jī)處理資料，依據(jù)每種化合物的色譜保留時(shí)間，以及質(zhì)譜的分子離子與關(guān)鍵碎片離子組成的斷裂型式，結(jié)合標(biāo)樣或標(biāo)準(zhǔn)譜圖，對(duì)化合物逐一進(jìn)行定性鑒定與定量分析[45]。GC-MS是目前蘋果香味和氣味成分分析檢測(cè)的最主要的技術(shù)手段，一般配合固相微萃?。⊿olid-Phase Microextraction，SPME）裝置提取果品揮發(fā)性有機(jī)化合物后分析使用。

張博等[46]用SPME提取紅王將蘋果揮發(fā)性成分，采用GC-MS法從中分離并確認(rèn)出17種化學(xué)成分，2-甲基-丁酸己酯、丁酸己酯、α-法呢烯、乙酸己酯、2-甲基-1-丁醇乙酸酯、己酸己酯、2-甲基-丁酸丁酯、乙酸丁酯、丁酸丁酯，共占總檢出量的85.9%。

蘋果的香味和揮發(fā)性化合物風(fēng)味可以從一定程度上反映蘋果的內(nèi)部品質(zhì)。利用GC-MS技術(shù)，可以通過(guò)全面檢測(cè)蘋果氣味成分的變化進(jìn)而分析蘋果儲(chǔ)藏期品質(zhì)變化情況，也可以利用不同氣味結(jié)構(gòu)成分區(qū)分不同蘋果品種[47-51]。GC-MS技術(shù)還可以用來(lái)檢測(cè)蘋果的農(nóng)藥殘留情況[52-54]。

GC-MS技術(shù)可以實(shí)現(xiàn)蘋果氣味成分的定性與定量分析。但是，蘋果表皮對(duì)其揮發(fā)性物質(zhì)釋放具有一定的阻礙作用，使用GC-MS技術(shù)大多需要將蘋果進(jìn)行切片和粉碎處理后獲得豐富和大濃度的香氣物質(zhì)，無(wú)損檢測(cè)情況下該技術(shù)的準(zhǔn)確度和精度受到限制。此外，GC-MS技術(shù)的檢測(cè)步驟復(fù)雜，實(shí)驗(yàn)產(chǎn)生數(shù)據(jù)較多，需要大量分析處理，無(wú)法直接獲取蘋果香味物質(zhì)信息，對(duì)于無(wú)損檢測(cè)快速、高效的要求方面有一定局限性。

2.5? 電子鼻子技術(shù)

基于氣體傳感器技術(shù)的電子鼻主要用于蘋果氣味特征的識(shí)別。電子鼻也稱智能仿生嗅覺(jué)系統(tǒng)，是通過(guò)模擬生物嗅覺(jué)功能來(lái)實(shí)現(xiàn)對(duì)檢測(cè)對(duì)象的評(píng)價(jià)。它由氣敏傳感器陣列、信號(hào)處理和模式識(shí)別3部分組成，通過(guò)獲取氣味指紋信息對(duì)氣體或揮發(fā)性成分做定性或定量的檢測(cè)[55]。電子鼻可以快速、實(shí)時(shí)監(jiān)測(cè)蘋果特征氣體及其濃度，并應(yīng)用于蘋果的成熟度和新鮮度鑒別。

在檢測(cè)蘋果貯藏期品質(zhì)變化方面，張鵬等[56]利用PEN3型便攜式電子鼻（Airsense 公司，德國(guó)）對(duì)不同貨架期富士蘋果揮發(fā)性成分進(jìn)行檢測(cè)，結(jié)果表明采用線性判別分析法的電子鼻系統(tǒng)可以對(duì)不同常溫貨架期和貯后貨架期的富士蘋果進(jìn)行準(zhǔn)確判別。李瑩等[57]利用PEN3型電子鼻檢測(cè)低溫儲(chǔ)藏情況下富士蘋果的香氣變化情況，并一一對(duì)應(yīng)測(cè)定蘋果的硬度、可溶性固形物含量和可滴定酸含量，利用載荷分析優(yōu)化電子鼻傳感器陣列，研究發(fā)現(xiàn)線性判別分析能夠較好地區(qū)分蘋果的貯藏品質(zhì)，蘋果香氣在貯藏60～90d時(shí)變化較大;多層感知器神經(jīng)網(wǎng)絡(luò)模型對(duì)蘋果貯藏時(shí)間預(yù)測(cè)準(zhǔn)確率均>92.00%;PLS對(duì)冷藏蘋果硬度和可滴定酸含量的預(yù)測(cè)效果較優(yōu);利用BP神經(jīng)網(wǎng)絡(luò)所建立預(yù)測(cè)模型的決定系數(shù)均>0.93。劉志洋等[58]采用電子鼻技術(shù)，利用PLS建立蘋果貯藏期有機(jī)酸、SSC的數(shù)學(xué)模型，并對(duì)回歸方法進(jìn)行統(tǒng)計(jì)分析，以找到快速測(cè)定蘋果貯藏期、貯藏期間總酸和SSC的方法。結(jié)果表明電子鼻各單元貢獻(xiàn)率總計(jì)達(dá)到了90.62%，區(qū)分效果良好。樊麗等[59]使用PEN3電子鼻和GC-MS技術(shù)研究在20 ℃貯藏期間嘎拉蘋果芳香品質(zhì)的變化，通過(guò)線性判別分析實(shí)現(xiàn)不同貯藏期蘋果的有效區(qū)分。Saevels

等[60]利用Libra型電子鼻（Elba Island，意大利）結(jié)合GC-MS技術(shù)對(duì)Jonagold蘋果的硬度和貨架期的新鮮度進(jìn)行檢測(cè)，檢測(cè)的硬度和貨架期保質(zhì)期的可靠度分別為0.95和0.98 。

電子鼻也可以用于蘋果新鮮度、成熟度和腐爛程度檢測(cè)。Valeria等[61]利用物理化學(xué)分析和EOS835電子鼻（Sacmi，意大利）對(duì)鮮切蘋果片保質(zhì)期進(jìn)行研究，測(cè)量4℃冷藏條件下在空氣和N2中的鮮切蘋果片的揮發(fā)性物質(zhì)的變化，并與感官評(píng)價(jià)結(jié)果進(jìn)行比較，研究表明通過(guò)多變量分析和PCA，電子鼻能夠區(qū)分不同儲(chǔ)存條件下四個(gè)采樣時(shí)間的樣品揮發(fā)性物質(zhì)之間的差異。潘胤

飛[62]研制了一套適合蘋果氣味檢測(cè)的電子鼻系統(tǒng)（圖1），對(duì)超市所購(gòu)得的好壞蘋果各50個(gè)進(jìn)行了檢測(cè)，從每個(gè)傳感器曲線中提取了5個(gè)特征參數(shù)，將其作為PCA的輸入向量，檢測(cè)結(jié)果表明該系統(tǒng)可以一定程度上區(qū)分好壞蘋果，但有部分重疊，該方法和系統(tǒng)還適用于其他的水果。

惠國(guó)華等[63]采用便攜式電子鼻系統(tǒng)試驗(yàn)研究了蘋果、梨、桃子、李子、葡萄5種水果的腐敗過(guò)程，采用非線性隨機(jī)共振技術(shù)提取水果霉變程度特征信息，結(jié)果表明電子鼻系統(tǒng)可以快速表征水果的腐敗過(guò)程，這為水果腐敗機(jī)理研究提供了一種新表征技術(shù)手段。Pathange等[64]使用Cyranose 320型電子鼻（Model 320， Cyrano Sciences Inc.，加拿大）通過(guò)對(duì)淀粉指數(shù)和穿刺強(qiáng)度等成熟指數(shù)的測(cè)定來(lái)判斷嘎拉蘋果的成熟度，依成熟度對(duì)蘋果分類的準(zhǔn)確率為83%。

電子鼻也可以用來(lái)檢測(cè)果品的損傷和病害。如Ren等[65]使用PEN3型電子鼻對(duì)富士蘋果從不同高度掉落受到的損害程度進(jìn)行檢測(cè)，采用的多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)蘋果的分離率達(dá)到100%，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型與受損蘋果的分類值具有極好的相關(guān)性（R2>0.98）。Li等[66]使用Cyranose 320型電子鼻（Sensigent，美國(guó)）結(jié)合協(xié)方差矩陣自適應(yīng)進(jìn)化策略，使用PCA進(jìn)行特征提取，將貝葉斯網(wǎng)絡(luò)設(shè)為分類器，實(shí)現(xiàn)對(duì)蘋果的損傷識(shí)別和分類。Jia等[67]使用PEN3型電子鼻檢測(cè)接種了擴(kuò)展青霉和黑曲霉的Golden Delicious蘋果，通過(guò)不同模式識(shí)別方法分析從特征傳感器獲得的數(shù)據(jù)，建立風(fēng)味信息和新鮮、發(fā)霉蘋果的有效預(yù)測(cè)模型，這也是電子鼻在區(qū)分接種不同霉菌的蘋果的成功案例。

電子鼻能夠?qū)匪尫诺臍馕墩w信息進(jìn)行快速檢測(cè)，對(duì)果品不同時(shí)期的質(zhì)量進(jìn)行一個(gè)較為準(zhǔn)確的判定，如貨架期品質(zhì)、新鮮度、腐爛度、損傷、病害等情況，是無(wú)損檢測(cè)技術(shù)中對(duì)于蘋果香味品質(zhì)檢測(cè)方面的有益補(bǔ)充。該檢測(cè)方法多使用商用的電子鼻產(chǎn)品，結(jié)合有效的模式識(shí)別算法實(shí)現(xiàn)對(duì)蘋果品質(zhì)的無(wú)損檢測(cè)。

對(duì)于電子鼻技術(shù)，傳感器的選擇起著決定性作用。但合適的傳感器和模式識(shí)別技術(shù)的選擇往往較為困難，電子鼻系統(tǒng)中的傳感器單元對(duì)蘋果香味成分不具有針對(duì)性，因此需要大量樣本數(shù)據(jù)訓(xùn)練并借助模式識(shí)別算法來(lái)提高檢測(cè)的準(zhǔn)確率。這也為針對(duì)具體檢測(cè)對(duì)象的高性能氣體傳感器的研制和開發(fā)提出了需求，隨著傳感器技術(shù)和納米技術(shù)的快速發(fā)展，高靈敏度、柔性的蘋果香味傳感器發(fā)展前景廣闊。

2.6? 計(jì)算機(jī)視覺(jué)技術(shù)

計(jì)算機(jī)視覺(jué)技術(shù)是用電子攝影機(jī)和電腦對(duì)對(duì)象進(jìn)行識(shí)別、跟蹤和測(cè)量等機(jī)器視覺(jué)，結(jié)合圖形處理技術(shù)，使電腦處理成為更適合人眼觀察或傳送給儀器檢測(cè)的圖像。20世紀(jì)70年代，計(jì)算機(jī)視覺(jué)技術(shù)在遙感和生物醫(yī)學(xué)圖像處理上獲得了成功應(yīng)用。在此基礎(chǔ)上逐步推廣到航空航天、工業(yè)檢測(cè)、農(nóng)業(yè)生產(chǎn)等多個(gè)領(lǐng)域。計(jì)算機(jī)視覺(jué)用于水果的品質(zhì)檢測(cè)具有高效、無(wú)損、分級(jí)指標(biāo)多、檢測(cè)結(jié)果客觀準(zhǔn)確等優(yōu)點(diǎn)，近年來(lái)獲得廣泛地研究和應(yīng)用[68]。

計(jì)算機(jī)視覺(jué)技術(shù)多用于對(duì)蘋果的形狀、顏色、大小進(jìn)行的無(wú)損檢測(cè)，再結(jié)合各種模型算法，還可以對(duì)蘋果進(jìn)行有效分級(jí)。但由于計(jì)算機(jī)視覺(jué)技術(shù)多用于對(duì)蘋果的外部品質(zhì)檢測(cè)，不足以滿足消費(fèi)升級(jí)和產(chǎn)業(yè)轉(zhuǎn)型的需求，未來(lái)應(yīng)結(jié)合其他的無(wú)損檢測(cè)技術(shù)，多技術(shù)融合實(shí)現(xiàn)對(duì)蘋果的有效分級(jí)。

2.7? 蘋果無(wú)損檢測(cè)技術(shù)小結(jié)

基于以上蘋果無(wú)損檢測(cè)技術(shù)發(fā)展現(xiàn)狀，將各種的技術(shù)特點(diǎn)總結(jié)列表如下（表1）。

光譜檢測(cè)技術(shù)可以檢測(cè)蘋果的外部和內(nèi)部品質(zhì)，定性分析的準(zhǔn)確性較高，但需要復(fù)雜建模過(guò)程、檢測(cè)速度慢、定量分析的精度不高;介電特性檢測(cè)技術(shù)主要實(shí)現(xiàn)蘋果內(nèi)部品質(zhì)的檢測(cè)，檢測(cè)靈敏度高、成本低，但同樣存在建模復(fù)雜、需要大量檢測(cè)樣本的問(wèn)題;CT檢測(cè)技術(shù)適用于蘋果內(nèi)部品質(zhì)檢測(cè)，檢測(cè)速度快，但設(shè)備昂貴、維護(hù)成本高;GC-MS技術(shù)主要用于對(duì)蘋果的揮發(fā)性物質(zhì)進(jìn)行檢測(cè)，無(wú)損檢測(cè)獲取信息有限，需要人工操作，對(duì)檢測(cè)的準(zhǔn)確性和良好的重復(fù)性具有一定影響;電子鼻同GC-MS技術(shù)一樣，用于對(duì)蘋果的香味成分進(jìn)行檢測(cè)，相比于GC-MS技術(shù)，電子鼻具有實(shí)時(shí)、快速的優(yōu)勢(shì)。此外，部分電子鼻產(chǎn)品還可便攜使用，但現(xiàn)有電子鼻技術(shù)中核心部件氣體傳感器對(duì)于蘋果香味物質(zhì)不具有針對(duì)性，因此對(duì)檢測(cè)的準(zhǔn)確性和精度受到一定影響。計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)蘋果的某些外部品質(zhì)特征快速而高效，但是其局限性也很明顯——只能檢測(cè)某些特定的外部品質(zhì)特征。綜合來(lái)看，各種檢測(cè)技術(shù)功能不同，但單一的檢測(cè)技術(shù)已經(jīng)無(wú)法滿足對(duì)蘋果品質(zhì)的全面檢測(cè)，因此，多技術(shù)融合是蘋果品質(zhì)無(wú)損技術(shù)發(fā)展的必然趨勢(shì)。此外，隨著傳感器技術(shù)的快速發(fā)展和納米科學(xué)的蓬勃發(fā)展，結(jié)合蘋果香味特征檢測(cè)需求，低成本、高性能的氣體傳感器及其智能檢測(cè)系統(tǒng)是對(duì)電子鼻技術(shù)和當(dāng)前無(wú)損檢測(cè)技術(shù)的有益補(bǔ)充，也是智慧果業(yè)發(fā)展的重要內(nèi)容。

3? 蘋果現(xiàn)有分級(jí)技術(shù)

蘋果分級(jí)是采摘后根據(jù)蘋果果品的內(nèi)外部品質(zhì)進(jìn)行歸類的過(guò)程，分級(jí)效果直接影響蘋果的存儲(chǔ)與銷售，對(duì)蘋果市場(chǎng)的繁榮發(fā)展具有重要意義?，F(xiàn)有蘋果的分級(jí)技術(shù)包括單特征分級(jí)和多特征分級(jí)。國(guó)內(nèi)蘋果分級(jí)現(xiàn)狀是單特征和多特征分級(jí)并存，但以單特征分級(jí)為主，且多特征分級(jí)技術(shù)的特征指標(biāo)仍然局限于外部品質(zhì)。

3.1? 單特征分級(jí)技術(shù)

單特征分級(jí)指對(duì)果品根據(jù)單一特征（如顏色、大小、形狀等特征）進(jìn)行分級(jí)。目前市場(chǎng)上采用的蘋果分級(jí)技術(shù)大多為單特征分級(jí)技術(shù)。

蘋果單特征分級(jí)主要通過(guò)機(jī)器視覺(jué)方法實(shí)現(xiàn)。安愛(ài)琴等[69]采用機(jī)器視覺(jué)的蘋果大小自動(dòng)分級(jí)方法，利用CCD攝像機(jī)獲取蘋果的樣本圖像，應(yīng)用MATLAB軟件編程實(shí)現(xiàn)了對(duì)樣本圖像的背景去除、二值化、圖像平滑、特征量提取和圖像標(biāo)定等處理，參照蘋果分級(jí)的國(guó)家標(biāo)準(zhǔn)完成了蘋果自動(dòng)分級(jí)，分級(jí)精度高、速度快。Mizushima等[70]構(gòu)建了一個(gè)低成本的基于機(jī)器視覺(jué)的蘋果分級(jí)系統(tǒng)，開發(fā)了用于估計(jì)蘋果形狀、大小的圖像處理算法，根據(jù)最小外接圓直徑對(duì)Red Delicious、Enpi、Golden Delicious和Jonagold四個(gè)品種蘋果進(jìn)行分級(jí)，誤差為4.30%，處理速度達(dá)到4～6個(gè)/s。陳卓等[71]搭建了一個(gè)利用機(jī)器視覺(jué)對(duì)蘋果進(jìn)行分級(jí)的系統(tǒng)，包含了一個(gè)圖像采集系統(tǒng)，基于MATLAB的編程與處理系統(tǒng)，對(duì)市場(chǎng)中在售的紅富士蘋果進(jìn)行了效果檢測(cè)，與人工游標(biāo)卡尺檢測(cè)結(jié)果進(jìn)行比較，果徑測(cè)量平均誤差率為1.31%，分級(jí)準(zhǔn)確率為90%。袁金麗等[72]基于在線群智能的粒子群優(yōu)化算法和神經(jīng)計(jì)算技術(shù)，提出了一種新穎、快速的智能分級(jí)方法，對(duì)蘋果顏色分級(jí)的正確率高達(dá)98%以上。王建等[73]通過(guò)數(shù)碼相機(jī)獲取了不同蘋果等級(jí)的彩色圖像，對(duì)圖像中蘋果的著色面積計(jì)算并進(jìn)行分級(jí)，準(zhǔn)確率為89.80%。Hayrettin和Hilmi[74]通過(guò)使用實(shí)時(shí)機(jī)器視覺(jué)系統(tǒng)，檢測(cè)了在RGB、HSV、CIE、XYZ四種不同的色彩空間下，根據(jù)表皮顏色將蘋果分為四個(gè)等級(jí)的效果，并依據(jù)蘋果的大小和顏色兩個(gè)指標(biāo)將Golden Delicious、Starking、Jonagold三個(gè)蘋果品種的595個(gè)樣品分為4個(gè)等級(jí)，分級(jí)準(zhǔn)確率達(dá)到99%。陳艷軍等[75]針對(duì)紅富士蘋果，采用了一種利用RGB顏色模型R-B通道進(jìn)行閾值分割和均值濾波后，通過(guò)行掃描提取出輪廓的方法，對(duì)40個(gè)蘋果進(jìn)行6 次在線分級(jí)試驗(yàn)表明，模型一分級(jí)正確率為93.3%，模型二分級(jí)正確率為87.1%，雙通道分級(jí)效率最高可達(dá)12個(gè)/s。

單特征分級(jí)還包括果品果型分級(jí)。蔡健榮

等[76]采用主動(dòng)形狀模型的方法對(duì)蘋果形態(tài)進(jìn)行分級(jí)，通過(guò)選取36個(gè)最佳蘋果輪廓特征點(diǎn)數(shù)，進(jìn)行自動(dòng)標(biāo)定、校準(zhǔn)后，運(yùn)用PCA法獲取不同形狀的蘋果模型，進(jìn)行灰度匹配、提取特征參數(shù)，對(duì)蘋果果型的判別準(zhǔn)確度高達(dá)95%，且直觀性強(qiáng)、魯棒性好、具有較好的靈活性。林開顏等[77]提出一種基于傅里葉變換的水果分級(jí)方法，根據(jù)給定的分類閾值對(duì)水果形狀進(jìn)行分類，并通過(guò)對(duì)不同水果形狀的試驗(yàn)證明了有效性。

單特征分級(jí)技術(shù)還可與機(jī)械技術(shù)結(jié)合應(yīng)用。葛紀(jì)帥等[78]人研制了基于智能稱重的水果分級(jí)生產(chǎn)線，通過(guò)自動(dòng)上料機(jī)械實(shí)現(xiàn)水果的自動(dòng)上料，即水果能自動(dòng)輸送、疏離、逐個(gè)地進(jìn)入水果托盤中，隨后根據(jù)設(shè)計(jì)以稱重傳感器為核心的稱重模塊對(duì)水果質(zhì)量信息進(jìn)行多次采樣，得到水果的精確質(zhì)量。質(zhì)量信息傳送至控制裝置，控制裝置根據(jù)國(guó)家標(biāo)準(zhǔn)判定每個(gè)水果的等級(jí)，發(fā)出指令傳送給分級(jí)執(zhí)行裝置，完成水果的分級(jí)。

基于單特征值的蘋果分級(jí)方法，采用機(jī)器視覺(jué)方法和模型算法實(shí)現(xiàn)，操作上較簡(jiǎn)單，速度較快，易滿足蘋果分級(jí)快速的要求。采用與機(jī)械技術(shù)結(jié)合的方法，能夠低成本、便利的對(duì)蘋果根據(jù)單特征進(jìn)行分級(jí)。但單特征蘋果分級(jí)方法多局限于蘋果的外觀、尺寸和重量，無(wú)法全面反映蘋果的品質(zhì)信息，無(wú)法滿足我國(guó)蘋果產(chǎn)業(yè)快速發(fā)展下高品質(zhì)蘋果的分級(jí)需求。

3.2? 多特征分級(jí)技術(shù)

蘋果的多特征分級(jí)技術(shù)通過(guò)融合多種檢測(cè)技術(shù)，實(shí)現(xiàn)對(duì)果品多種特征的綜合性評(píng)價(jià)分級(jí)。多特征分級(jí)技術(shù)主要采用計(jì)算機(jī)視覺(jué)技術(shù)并結(jié)合多特征模型對(duì)蘋果進(jìn)行分級(jí)（如圖2）。

李先鋒等[80]通過(guò)圖像處理提取大小、形狀、顏色和缺陷4類外觀品質(zhì)特征，用D-S 證據(jù)理論的方法進(jìn)行決策級(jí)融合處理，實(shí)現(xiàn)蘋果的多特征綜合分級(jí)，對(duì)80個(gè)測(cè)試樣本的分級(jí)正確率達(dá)92.5%，相比于單特征分級(jí)，此方法正確識(shí)別率高、穩(wěn)定性好、效果顯著。梁明和孟大偉[80]提出了一種基于證據(jù)理論的特征融合蘋果分級(jí)方法，采用了徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)對(duì)大小、形狀、顏色外部特征進(jìn)行初步分級(jí)，獲得蘋果多特征融合分級(jí)結(jié)果，該方法自動(dòng)分級(jí)正確率和穩(wěn)定性更好。Moallem等[81]提出了一種基于計(jì)算機(jī)視覺(jué)的Golden Delicious蘋果分級(jí)算法，特征提取后采用多層感知器MLP和K-最近鄰（KNN），蘋果分級(jí)識(shí)別率分別為92.5%和89.2%。黃葉星和吳榮騰等[82]設(shè)計(jì)了基于計(jì)算機(jī)視覺(jué)的蘋果自動(dòng)分級(jí)系統(tǒng)，通過(guò)對(duì)蘋果圖像進(jìn)行平滑去噪、背景分割、邊界提取等預(yù)處理，根據(jù)HSV模型對(duì)蘋果圖像進(jìn)行顏色識(shí)別;通過(guò)重新調(diào)整圖像大小、填充空洞、計(jì)算二值像素點(diǎn)等方法獲取蘋果的大小;對(duì)蘋果圖像的果梗和缺陷作進(jìn)一步的檢測(cè)與區(qū)別，該方法在蘋果圖像缺陷識(shí)別率與分級(jí)準(zhǔn)確率上都具有較好性能。Papageorgiou等[83]開發(fā)了一個(gè)模糊推理系統(tǒng)和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，根據(jù)果實(shí)質(zhì)量、果肉硬度、SSC和顏色特性對(duì)蘋果質(zhì)量進(jìn)行分類，模型對(duì)評(píng)估果園2005～2007年數(shù)據(jù)的評(píng)估準(zhǔn)確性分別為83.54%、92.73%和96.36%。閆正虎和楊曉京[84]設(shè)計(jì)了基于顏色和氣味多傳感器融合的催熟水果檢測(cè)系統(tǒng)，以昭通金帥蘋果為試驗(yàn)對(duì)象，分為未成熟、催熟及正常成熟三組，分別利用模糊理論和徑向基神經(jīng)網(wǎng)絡(luò)兩種方法對(duì)相關(guān)信息進(jìn)行了模式識(shí)別，正確識(shí)別率分別為92.63%和93.3%，均可以識(shí)別出催熟的金帥蘋果。

機(jī)器視覺(jué)與無(wú)損檢測(cè)技術(shù)結(jié)合可以更好實(shí)現(xiàn)蘋果品質(zhì)分級(jí)。郭俊先等[27]采用近紅外光譜檢測(cè)和機(jī)器視覺(jué)相結(jié)合的方法對(duì)蘋果進(jìn)行分級(jí)，選擇721nm波長(zhǎng)的圖像，通過(guò)對(duì)圖像進(jìn)行灰度變換、閾值分割，提取蘋果分割后區(qū)域的面積、充實(shí)度、周長(zhǎng)、平均灰度等特征，采用二次判別分析分級(jí)蘋果，驗(yàn)證集蘋果分級(jí)準(zhǔn)確率達(dá)到89.5%。

多特征分級(jí)特征多、分級(jí)準(zhǔn)確度高，相比于單特征分級(jí)技術(shù)更能適應(yīng)蘋果品質(zhì)提高的需求。計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合蘋果品質(zhì)無(wú)損檢測(cè)技術(shù)，可以更全面實(shí)現(xiàn)對(duì)蘋果品質(zhì)的有效分級(jí)，但當(dāng)前仍處于起步階段。此外，現(xiàn)有多特征分級(jí)技術(shù)，大多聚焦于大小、形狀、顏色等蘋果的外部特征，對(duì)代表果品品質(zhì)的內(nèi)部特性檢測(cè)技術(shù)的融合發(fā)展仍然受限，多技術(shù)的融合是蘋果品質(zhì)高效分級(jí)需求的必然發(fā)展方向。

4? ?總結(jié)與展望

蘋果品質(zhì)評(píng)價(jià)的特征多，但目前仍缺乏完善的、系統(tǒng)的蘋果品質(zhì)評(píng)價(jià)方法及標(biāo)準(zhǔn)。長(zhǎng)期以來(lái)，我國(guó)的蘋果品質(zhì)檢測(cè)和分級(jí)依據(jù)多為果實(shí)大小、顏色、缺陷等外在品質(zhì)，對(duì)于內(nèi)在品質(zhì)重視不足，多種檢測(cè)技術(shù)的融合性和應(yīng)用亟待發(fā)展。經(jīng)濟(jì)的發(fā)展和生活水平的提高，促使消費(fèi)者對(duì)蘋果內(nèi)在品質(zhì)如口感、風(fēng)味、香氣等方面提出來(lái)更高的要求。發(fā)展準(zhǔn)確、快速、方便、無(wú)損的檢測(cè)方法是目前品質(zhì)評(píng)價(jià)技術(shù)發(fā)展的方向。此外，隨著我國(guó)蘋果產(chǎn)業(yè)的發(fā)展，要提高蘋果產(chǎn)業(yè)的競(jìng)爭(zhēng)力，必須重視果品高品質(zhì)培育，同時(shí)利用有效的品質(zhì)檢測(cè)技術(shù)和手段對(duì)蘋果生長(zhǎng)過(guò)程進(jìn)行科學(xué)管理及合理監(jiān)測(cè)預(yù)警，對(duì)采摘后蘋果進(jìn)行精準(zhǔn)品質(zhì)檢測(cè)與高效分級(jí)精選，以及借助科學(xué)檢測(cè)手段提高儲(chǔ)藏期蘋果品質(zhì)保持能力。

就檢測(cè)技術(shù)手段而言，隨著近紅外光譜掃描等圖像采集技術(shù)和計(jì)算機(jī)成像等技術(shù)的發(fā)展，光譜、介電和圖像檢測(cè)技術(shù)在蘋果固形物、糖含量、酸含量和果實(shí)硬度等品質(zhì)方面的應(yīng)用得到了較為廣泛的應(yīng)用。但蘋果的香味特征檢測(cè)技術(shù)發(fā)展較為遲緩，相信隨著生物技術(shù)的發(fā)展和集成化技術(shù)的提高以及新型納米材料的應(yīng)用，香味傳感器技術(shù)將在蘋果的香味無(wú)損檢測(cè)方面發(fā)揮巨大潛力，新型多功能、集成化智能傳感器的研發(fā)和應(yīng)用可能是未來(lái)蘋果香味無(wú)損檢測(cè)的重要甄別手段及發(fā)展方向。隨著仿生材料、微電子技術(shù)、傳感器技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，電子鼻將向著集成化、小型化、實(shí)用化和智能化的方向發(fā)展，相信電子鼻在檢測(cè)果蔬品質(zhì)方面的應(yīng)用前景也將更加廣闊。

對(duì)于蘋果品質(zhì)分級(jí)，單一的計(jì)算機(jī)視覺(jué)技術(shù)不足以滿足現(xiàn)有蘋果產(chǎn)業(yè)高品質(zhì)發(fā)展的需求，先進(jìn)無(wú)損檢測(cè)技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)的集成系統(tǒng)，將打破現(xiàn)有的分級(jí)特征單一模式。對(duì)蘋果實(shí)施綜合考慮內(nèi)、外部多特征的分級(jí)，對(duì)影響蘋果品質(zhì)的特征進(jìn)行全方面的分別，是未來(lái)無(wú)損檢測(cè)和品質(zhì)分級(jí)的重要發(fā)展方向。依賴蘋果多特征的品質(zhì)分級(jí)技術(shù)，蘋果品質(zhì)分級(jí)體系及評(píng)價(jià)體系的標(biāo)準(zhǔn)的建立實(shí)施，對(duì)于蘋果產(chǎn)業(yè)轉(zhuǎn)型升級(jí)、綠色高質(zhì)發(fā)展同樣具有重要的意義。

參考文獻(xiàn)

[1]? ?王璇， 劉軍弟， 邵礫群， 等. 我國(guó)蘋果產(chǎn)業(yè)年度發(fā)展?fàn)顩r及其趨勢(shì)與建議[J]. 中國(guó)果樹， 2018（3）： 101-104， 108.

[2]? ?李志霞， 聶繼云， 李靜， 等. 我國(guó)蘋果產(chǎn)業(yè)發(fā)展分析與建議[J]. 中國(guó)果樹， 2014（5）： 81-84.

[3]? ?宋哲， 王宏， 里程輝， 等. 我國(guó)蘋果產(chǎn)業(yè)存在的主要問(wèn)題、發(fā)展趨勢(shì)及解決辦法[J]. 江蘇農(nóng)業(yè)科學(xué)， 2016， 44（9）： 4-8.

[4]? ?王靜， 張磊， 楊洋， 等. 蘋果品質(zhì)評(píng)價(jià)指標(biāo)研究進(jìn)展[J]. 寧夏農(nóng)林科技， 2017， 58（02）： 3-5.

Wang J， Zhang L， et al. Research progress of apple quality evaluation index[J]. Ningxia Journal of Agri. and Fores. Sci.&Tech.， 2017， 58（02）： 3-5.

[5]? ?莫潤(rùn)陽(yáng). 無(wú)損檢測(cè)技術(shù)在水果品質(zhì)評(píng)價(jià)中的應(yīng)用[J].物理， 2004， 33（11）： 848-851.

Mo R. Nondestructive quality testing of fruit[J]. Physics， 2004， 33（11）： 848-851.

[6]? ?李志霞， 聶繼云. 無(wú)損檢測(cè)技術(shù)及其在果品質(zhì)量安全檢測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2013， 15（4）： 31-35.

Li Z， Nie J. Nondestructive testing technologies and its application in fruit quality and safety determination[J]. Journal of Agricultural Science and Technology， 2013， 15（4）： 31-35.

[7]? ?孫炳新， 匡立學(xué)， 徐方旭， 等. 蘋果有效酸度的近紅外無(wú)損檢測(cè)研究[J]. 食品工業(yè)科技， 2013， 34（15）： 298-301.

Sun B， Kuang L， Xu F， et al. Nondestructive measurement of pH in apples using near infrared spectroscopy[J]. Science and Technology of Food Industry， 2013， 34（15）： 298-301.

[8]? ?Jha S N， Garg R. Non-destructive prediction of quality of intact apple using near infrared spectroscopy[J]. Journal of Food Science & Technology， 2010， 47（2）： 207-213.

[9]? ?王轉(zhuǎn)衛(wèi)， 遲茜， 郭文川， 等. 基于近紅外光譜技術(shù)的發(fā)育后期蘋果內(nèi)部品質(zhì)檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（5）： 348-354.

Wang Z， Chi Q， Guo W， et al. Internal quality detection of apples during late developmental period based on near-infrared spectral technology[J]. Transactions of the CSAM， 2018， 49（5）： 348-354.

[10]? Zude M， Herold B， Roger J M， et al. Non-destructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life[J]. Journal of Food Engineering， 2006， 77（2）： 254-260.

[11]? 宮元娟， 周鐵， 屈亞堃. 寒富蘋果品質(zhì)無(wú)損檢測(cè)光譜信息在線分析[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2014， 45（6）： 708-713.

Gong Y， Zhou T， Qu Y. Online Analysis on Hanfu apple quality spectral information based on NDT[J]. Journal of Shenyang Agricultural University， 2014， 45（6）： 708-713.

[12]? 孫炳新， 匡立學(xué)， 徐方旭， 等. 蘋果脆度的近紅外無(wú)損檢測(cè)[J]. 食品與發(fā)酵工業(yè)， 2013， 39（5）： 185-189.

Sun B， Kuang L， Xu F， et al. Study on nondestructive detecting of apple crunchiness by near infrared spectroscopy[J]. Food and Fermentation Industries， 2013， 39（5）： 185-189.

[13]? 李順?lè)澹?張麗華， 劉興華， 等. 基于主成分分析的蘋果霉心病近紅外漫反射光譜判別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2011， 42（10）： 158-161.

Li S， Zhang L， Xu F， et al. Discriminant analysis of apple moldy core using near infrared diffuse reflectance spectroscopy based on principal component analysis[J]. Transactions of the CSAM， 2011， 42（10）： 158-161.

[14]? Mcglone V A， Martinsen P J， Clark C J， et al. On-line detection of Brownheart in Braeburn apples using near infrared transmission measurements[J]. Postharvest Biology & Technology， 2005， 37（2）：142-151.

[15]? 沈宇， 王風(fēng)云， 鄭紀(jì)業(yè)， 等. 光譜分析技術(shù)在水果品質(zhì)與安全檢測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)信息， 2018， 30（3）： 105-112.

Shen Y， Wang F， Zheng J， et al. Application of spectral analysis technology for quality and safety inspection of fruits in China[J]. China Agricultural Informatics， 2018， 30（3）： 105-112.

[16]? 陳思雨， 張舒慧， 張紓， 等. 基于共聚焦拉曼光譜技術(shù)的蘋果輕微損傷早期判別分析[J]. 光譜學(xué)與光譜分析， 2018， （2）： 430-435.

Chen S， Zhang S， Zhang S， et al. Detection of early tiny bruises in apples using confocal Raman spectroscopy[J]. Spectroscopy and Spectral Analysis， 2018， （2）： 430-435.

[17]? 高曉陽(yáng)， Paul H， Joseph I. 蘋果擦傷拉曼光譜無(wú)損檢測(cè)虛擬系統(tǒng)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2005， 21（3）： 130-133.

Gao X， Paul H， Joseph I. Non-destructive apple bruise detection with Raman spectroscopy and its virtual instrumentation[J]. Transactions of the CSAE， 2005， 21（3）： 130-133.

[18]? 高曉陽(yáng)， Paul H， Joseph I. 基于 LabVIEW的蘋果擦傷分級(jí)系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2006， 37 （4）： 152-154.

[19]? Fan Y， Lai K， Rasco B A， et al. Determination of carbaryl pesticide in Fuji apples using surface-enhanced Raman spectroscopy coupled with multivariate analysis[J]. LWT - Food Science and Technology， 2015， 60（1）： 352-357.

[20]? Dhakal S， Li Y， Peng Y， et al. Prototype instrument development for non-destructive detection of pesticide residue in apple surface using Raman technology[J]. Journal of Food Engineering， 2014， 123： 94-103.

[21]? 劉思伽， 田有文， 馮迪，等. 基于高光譜成像的蘋果病害無(wú)損檢測(cè)方法[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2016， 47（5）： 634-640.

Liu S， Tian Y， Feng D， et al. Nondestructive detection method of hyperspectral imaging for apple disease[J]. Journal of Shenyang Agricultural University， 2016， 47（5）： 634-640.

[22]? 王思玲， 蔡騁， 馬惠玲， 等. 基于高光譜成像的蘋果水心病無(wú)損檢測(cè)[J]. 北方園藝， 2015（8）： 124-130.

Wang S， Cai C， Ma H， et al. Nondestructive detection of apple watercore based on hyperspectral imaging[J]. Northern Horticulture， 2015（8）： 124-130.

[23]? Rady A， Ekramirad N， Adedeji A A， et al. Hyperspectral imaging for detection of codling moth infestation in GoldRush apples[J]. Postharvest Biology & Technology， 2017， 129：37-44.

[24]? Elmasry G， Wang N， Vigneault C. Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology， 2009， 52（1）： 1-8.

[25]? 孫梅， 陳興海， 張恒， 等. 高光譜成像技術(shù)的蘋果品質(zhì)無(wú)損檢測(cè)[J]. 紅外與激光工程， 2014， 43（4）： 1272-1277.

Sun M， Chen X， Zhang H， et al. Nondestructive inspect of apple quality with hyperspectral imaging[J]. Infrared and Laser Engineering， 2014， 43（4）： 1272-1277.

[26]? 彭彥昆， 李永玉， 趙娟， 等. 基于高光譜技術(shù)蘋果硬度快速無(wú)損檢測(cè)方法的建立[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2012， 3（6）： 667-671.

Peng Y， Li Y， Zhao J， et al. Establishment of rapid and non-destructive detection method of apple firmness using hyperspectral images[J]. Journal of Food Safety and Quality， 2012， 3（6）： 667-671.

[27]? 郭俊先， 饒秀勤， 程國(guó)首， 等. 基于高光譜成像技術(shù)的新疆冰糖心紅富士蘋果分級(jí)和糖度預(yù)測(cè)研究[J]. 新疆農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2012， 35（1）： 78-86.

Guo J， Rao X， Cheng G， et al. Prediction of the sugar degree and grading of Xinjiang Fuji apple by hyper-spectral imaging techniques[J]. Journal of Xinjiang Agricultural University， 2012， 35（1）： 78-86.

[28]? ElMasry G， Wang N， Vigneault C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. Swiss Society of Food Science and Technology， 2008， 41： 337-345.

[29]? Keresztes J C， Diels E， Goodarzi M， et al. Glare based apple sorting and iterative algorithm for bruise region detection using shortwave infrared hyperspectral imaging[J]. Postharvest Biology & Technology， 2017， 130： 103-115.

[30]? Dong J， Guo W. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods， 2015， 8（10）： 2635-2646.

[31]? 王若琳， 王棟， 任小林， 等. 基于電學(xué)特征的蘋果水心病無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（5）： 129-136.

Wang R， Wang D， Ren X， et al. Nondestructive detection of apple watercore disease based on electric features[J]. Transactions of the CSAE， 2018， 34（5）： 129-136.

[32]? 李芳， 蔡騁， 馬惠玲， 等. 基于生物阻抗特性分析的蘋果霉心病無(wú)損檢測(cè)[J]. 食品科學(xué)， 2013， 34（18）： 197-202.

Li F， Cai C， Ma H， et al. Nondestructive detection of apple mouldy core based on bioimpedance properties[J]. Food Science， 2013， 34（18）： 197-202.

[33]? Ikediala J N， Tang J， Drake S R， et al. Dielectric properties of apple cultivars and codling moth larvae[J]. American Society of Agricultural Engineers， 2000， 43（5）： 1175-1184.

[34]? 李海峰， 張燕， 賀曉光， 等. 蘋果黃元帥貯藏過(guò)程中品質(zhì)變化與介電特性及力學(xué)特性的相關(guān)性[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2015（4）： 910-914.

Li H， Zhang Y， He X， et al. Relationship between apple quality and dielectric property and mechanical

property during storage[J]. Jiangsu Journal of Agricultural Sciences， 2015（4）： 910-914.

[35]? 安慧珍， 馬惠玲， 任小林， 等. 蘋果果實(shí)貯藏期間電學(xué)參數(shù)與品質(zhì)指標(biāo)的關(guān)系[J]. 食品科學(xué)， 2013， 34（2）： 298-302.

An H， Ma H， Ren X， et al. Relationship between electrical parameters and quality indexes of apple fruits during storage[J]. Food Science， 2013， 34（2）： 298-302.

[36]? 蔡騁， 李永超， 馬惠玲， 等. 基于介電特征選擇的蘋果內(nèi)部品質(zhì)無(wú)損分級(jí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（21）： 279-287.

Cai C， Li Y， Ma H， et al. Nondestructive classification of internal quality of apple based on dielectric feature selection[J]. Transactions of the CSAE， 2013， 29（21）： 279-287.

[37]? 蔡騁， 李曉龍， 馬惠玲， 等. 基于生物阻抗特性的蘋果新鮮度無(wú)損測(cè)定[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（2）： 147-152.

Cai C， Li X， Ma H， et al. Non-destructive detection of freshness grade for apple fruit based on bio-impedance properties[J]. Transactions of the CSAM， 2013， 44（2）： 147-152.

[38]? 孔繁榮， 郭文川. 發(fā)育后期蘋果的介電特性與理化特性的關(guān)系[J]. 食品科學(xué)， 2016， 37（9）： 13-17.

Kong F， Guo W. Relationship between dielectric properties and physicochemical properties of apples during late developmental period[J]. Food Science， 2016， 37（9）： 13-17.

[39]? Castro-Giráldez M， Fito P J， Chenoll C， et al. Development of a dielectric spectroscopy technique for the determination of apple （Granny Smith） maturity[J]. Innovative Food Science and Emerging Technologies， 2010， 11（4）： 749-754.

[40]? Shang L， Guo W， Nelson S O. Apple variety identification based on dielectric spectra and chemometric methods[J]. Food Analytical Methods， 2015， 8（4）： 1042-1052.

[41]? 黃滔滔， 孫騰， 張京平. 基于CT圖像的蘋果內(nèi)部品質(zhì)無(wú)損檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2013， 39（1）： 92-97.

Huang T， Sun T， Zhang J. Non-destructive detection of internal quality of apple based on CT image[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 2013， 39（1）： 92-97.

[42]? 張京平， 張華， 王會(huì). 富士蘋果主要成分的CT無(wú)損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2008， 39（7）： 99-102.

Zhang J， Zhang H， Wang H. Non-destructive test of Fuji apple's major components by CT[J]. Transactions of the CSAM， 2008， 39（7）： 99-102.

[43]? 張京平， 劉孔絢. 基于CT技術(shù)的蘋果貯藏期內(nèi)主要成分無(wú)損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（7）： 119-122.

Zhang J， Liu K. Nondestructive test of major internal components for Fushi apple during storage based on CT technology[J]. Transactions of the CSAM， 2010， 41（7）： 119-122.

[44]? Herremans E， Melado-Herreros A， Defraeye T， et al. Comparison of X-ray CT and MRI of watercore disorder of different apple cultivars[J]. Postharvest Biology and Technology， 2014， 87（1）： 42-50.

[45]? 辛平， 成娟， 卜金忠， 等. 氣質(zhì)聯(lián)用法（GC-MS）測(cè)定水果中農(nóng)藥殘留含量研究[J]. 河北林業(yè)科技， 2015， 4（1）： 31-34.

[46]? 張博， 辛廣， 李鐵純. 固相微萃取氣質(zhì)聯(lián)用分析紅王將蘋果香氣成分[J]. 食品科學(xué)， 2008， 29（10）： 520-521.

Zhang B， Xin G， Li T. Analysis of aromatic constituents of Hongwangjiang apple by using solid phase microextraction and GC-MS[J]. Food Science， 2008， 29（10）： 520-521.

[47]? 馮濤， 陳學(xué)森， 張艷敏， 等. 4個(gè)蘋果屬野生種果實(shí)香氣成分HS-GC-MS分析[J]. 中國(guó)農(nóng)學(xué)通報(bào)， 2010， 26（9）： 250-254.

Feng T， Chen X， Zhang Y， et al. HS-GC-MS analysis of volatile components in four malus wild species fruits[J].Chinese Agricultural Science Bulletin， 2010， 26（9）： 250-254.

[48]? 樊麗， 向春燕， 周軻， 等. 利用GC-MS 和電子鼻研究1-MCP 對(duì)‘嘎拉’蘋果常溫貯藏期間芳香物質(zhì)的影響[J]. 果樹學(xué)報(bào)， 2014， 31（5）： 931-938.

Fan L， Xiang C， Zhou K， et al. Influence of 1-MCP on the aromatic substance emitted by ‘Gala’ apple during storage by using GC-MS and electronic nose technology[J]. Journal of Fruit Science， 2014， 31（5）： 931-938.

[49]? 李淑玲， 馮建榮， 李亞蘭， 等. 引入石河子地區(qū)的蘋果品種果實(shí)香氣成分的GC-MS檢測(cè)[J]. 新疆農(nóng)業(yè)科學(xué)， 2013， 50（6）： 1046-1051.

Li S， Feng J， Li Y， et al. Research on fruit aroma of apple cultivars introduced in Shihezi area[J]. Xinjiang Agricultural Sciences， 2013， 50（6）： 1046-1051.

[50]? 段亮亮， 郭玉蓉， 池霞蔚， 等. 澳洲青蘋果實(shí)不同部位香氣成分差異分析[J]. 食品科學(xué)， 2010， 31（18）： 262-267.

Duan L， Guo Y， Chi X， et al. Analysis of aromatic components in different tissue parts of granny smith apple[J]. Food Science， 2010， 31（18）： 262-267.

[51]? Young J C， Chu C L G， Lu X， et al. Ester variability in apple varieties as determined by solid-phase microextraction and gas chromatography-mass spectrometry[J]. Journal of Agricultural and Food Chemistry， 2004， 52（26）： 8086-8093.

[52]? Cunha S C， Fernandes J O， Oliveira M B P P. Fast analysis of multiple pesticide residues in apple juice using dispersive liquid-liquid microextraction and multidimensional gas chromatography-mass spectrometry[J]. Journal of Chromatography A， 2009， 1216（51）： 8835-8844.

[53]? 李建科， 吳麗華， 孔祥虹. 基質(zhì)固相分散-氣相色譜法測(cè)定蘋果中的多種農(nóng)藥殘留[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2008， 41（6）： 1767-1777.

Li J， Wu L， Kong X. Matrix solid-phase dispersion and gas chromatography determination of multi-residue pesticides in apples[J]. Scientia Agricultura Sinica， 2008， 41（6）： 1767-1777.

[54]? Lacassie E， Dreyfuss M F， Daguet J L， M. et al. Multiresidue determination of pesticides in apples and pears by gas chromatography-mass spectrometry[J]. Journal of Chromatography A， 1998， 805： 319-326.

[55]? 吳文娟. 檢測(cè)農(nóng)產(chǎn)品揮發(fā)性氣體的電子鼻研究[D].上海： 上海師范大學(xué)， 2011.

[56]? 張鵬， 李江闊， 陳紹慧. 基于電子鼻判別富士蘋果貨架期的研究[J]. 食品工業(yè)科技， 2015， 36（5）： 272-276.

Zhang P， Li J， Chen S. Discrimination of Fuji apples shelf life by electronic nose[J]. Science and Technology of Food Industry， 2015， 36（5）： 272-276.

[57]? 李瑩， 任亞梅， 張爽， 等. 基于電子鼻的蘋果低溫貯藏時(shí)間及品質(zhì)預(yù)測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2015， 43（5）： 183-191.

Li Y， Ren Y， Zhang S， et al. Prediction of low-temperature storage time and quality of apples based on electronic nose[J]. Journal of Northwest A & F University （Natural Science Edition）， 2015， 43（5）： 183-191.

[58]? 劉志洋， 劉巖. 電子感官結(jié)合化學(xué)計(jì)量學(xué)對(duì)蘋果貯藏期鑒別的研究[J]. 北方園藝， 2017（22）： 137-141.

Liu Y， Liu Y. Determination of apple storage period by using electronic senses and chemometric[J]. Northern Horticulture， 2017（22）： 137-141.

[59]? 樊麗， 任小林， 向春燕， 等. 基于電子鼻和GC-MS評(píng)價(jià)嘎拉蘋果采后芳香品質(zhì)[J]. 食品科學(xué)， 2014， 35（22）： 164-168.

Fan L， Ren X， Xiang C， et al. Aroma quality of Gala apple during storage evaluated by electronic nose and gas chromatography-mass spectrometry[J]. Food Science， 2014， 35（22）： 164-168.

[60]? Saevels S， Lammertyn J， Berna A Z， et al. An electronic nose and a mass spectrometry-based electronic nose for assessing apple quality during shelf life[J]. Postharvest Biology and Technology， 2004， 31（1）： 9-19.

[61]? Guarrasi V. Monitoring the shelf-life of minimally processed fresh-cut apple Slices by physical chemical analysis and electronic Nose[J]. Agrotechnol， 2014， 3（1）： 126-131.

[62]? 潘胤飛， 趙杰文， 鄒小波， 等. 電子鼻技術(shù)在蘋果質(zhì)量評(píng)定中的應(yīng)用[J]. 農(nóng)機(jī)化研究， 2004， 5（3）： 179-182.

Pan Y， Zhao W， Zou X， et al. Using electronic nose qualifying apples based on GA-RBF network[J]. Journal of Agricultural Mechanization Research， 2004， 5（3）： 179-182.

[63]? 惠國(guó)華， 厲鵬， 吳玉玲， 等. 基于電子鼻系統(tǒng)的水果腐敗過(guò)程表征方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（6）： 264-268.

Hui G， Li P， Wu Y， et al. Characterization method of fruit decay procedure using electronic nose system[J]. Transactions of the CSAE， 2012， 28（6）： 264-268.

[64]? 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.

[65]? Ren Y， Ramaswamy H S， Li Y， et al. Classification of impact injury of apples using electronic nose coupled with multivariate statistical analyses[J]. Journal of Food Process Engineering， 2018： e12698.

[66]? Li C， Heinemann P， Sherry R. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors & Actuators： B. Chemical， 2007， 125（1）： 301-310.

[67]? Jia W， Liang G， Tian H， et al. Electronic nose-based technique for rapid fetection and recognition of Moldy apples[J]. Sensors， 2019， 19（1526）： 1-11.

[68]? 任永新， 單忠德， 張靜， 等. 計(jì)算機(jī)視覺(jué)技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2012， 14（1）： 98-103.

Ren Y， Shan Z， Zhang J， et al. Research progress on computer vision technique in fruit quality inspection[J]. Journal of Agricultural Science and Technology， 2012， 14（1）： 98-103.

[69]? 安愛(ài)琴， 余澤通， 王宏強(qiáng). 基于機(jī)器視覺(jué)的蘋果大小自動(dòng)分級(jí)方法[J]. 農(nóng)機(jī)化研究， 2008， 4（1）： 163-166.

An A， Yu Z， Wang H. The method of automatic apple hierarchy based on machine vision[J]. Journal of Agricultural Mechanization Research， 2008， 4（1）： 163-166.

[70]? Mizushima A， Lu R. A low-cost color vision system for automatic estimation of apple fruit orientation and maximum equatorial diameter[J]. Transactions of the ASABE， 2013， 56（3）： 813-827.

[71]? 陳卓， 方紀(jì)昊， 王太良， 等. 基于機(jī)器視覺(jué)的蘋果分級(jí)方法研究[J]. 機(jī)電信息， 2018， 30： 156-157.

[72]? 袁金麗， 郭志濤， 岳大為， 等. 基于改進(jìn)的PSO進(jìn)化神經(jīng)計(jì)算進(jìn)行蘋果顏色快速分級(jí)[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2008， 31（6）： 109-113.

Yuan J， Guo Z， Yue D， et al. Apple color grading at high speed based on improved PSO evolutionary neural computation[J]. Journal of Agricultural University of Hebei， 2008， 31（6）： 109-113.

[73]? 王建， 黎紹發(fā). 基于蘋果著色面積的計(jì)算機(jī)視覺(jué)分級(jí)技術(shù)研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2008， 29（14）： 3813-3817.

Wang J， Li S. Study on computer vision grading based on apple coloration area[J]. Computer Engineering and Design， 2008， 29（14）： 3813-3817.

[74]? Hayrettin T， Hilmi K. A real-time apple grading system using multicolor space[J]. The Scientific World Journal， 2014， 2014： 1-10.

[75]? 陳艷軍， 張俊雄， 李偉， 等. 基于機(jī)器視覺(jué)的蘋果最大橫切面直徑分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（2）： 284-288.

Chen Y， Zhang J， Li W， et al. Grading method of apple by maximum cross-sectional diameter based on computer vision[J]. Transactions of the CSAE， 2012， 28（2）： 284-288.

[76]? 蔡健榮， 許月明. 基于主動(dòng)形狀模型的蘋果果形分級(jí)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2006， 22（6）： 123-126.

Cai R， Xu Y. Identification and classification of apple shape based on active shape models[J]. Transactions of the CSAE， 2006， 22（6）： 123-126.

[77]? 林開顏， 吳軍輝， 徐立鴻. 基于計(jì)算機(jī)視覺(jué)技術(shù)的水果形狀分級(jí)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2005， 36（6）： 71-74.

Lin K， Wu J， Xu L. Separation approach for shape grading of fruits using computer vision[J]. Transactions of the CSAM， 2005， 36（6）： 71-74.

[78]? 葛紀(jì)帥， 趙春江， 黃文倩， 等. 基于智能稱重的水果分級(jí)生產(chǎn)線設(shè)計(jì). 農(nóng)機(jī)化研究， 2012， 34 （1）： 126-130.

Ge J， Zhao C， Huang W， et al. Study on the production line for the fruit grading based on intelligent weighting[J]. Journal of Agricultural Mechanization Research， 2012， 34 （1）： 126-130.

[79]? 梁明， 孟大偉. 多特征圖像融合的蘋果分級(jí)方法應(yīng)用研究[J]. 計(jì)算機(jī)仿真， 2012， 29（7）： 256-259.

Liang M， Meng D. Application research of apple grading based on multi-feature fusion method[J]. Computer Simulation， 2012， 29（7）： 256-259.

[80]? 李先鋒， 朱偉興， 花小朋， 等. 基于D-S 證據(jù)理論的決策級(jí)多特征融合蘋果分級(jí)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2011， 42（6）： 188-192.

Li X， Zhu W， Hua X， et al. Multi-feature decision fusion method based on D-S evidence theory for apple grading[J]. Transactions of the CSAM， 2011， 42（6）： 188-192.

[81]? Moallem P， Serajoddin A， Pourghassem H. Computer vision-based apple grading for golden delicious apples based on surface features[J]. Information Processing in Agriculture， 2016： S2214317315300068.

[82]? 黃葉星， 吳榮騰. 基于計(jì)算機(jī)視覺(jué)的蘋果自動(dòng)分級(jí)技術(shù)[J]. 福建電腦， 2017， 5（1）： 24-25.

[83]? Papageorgiou E I， Aggelopoulou K， Gemtos T A， et al.

Development and evaluation of a fuzzy inference system and a neuro-fuzzy inference system for grading apple quality[J]. Applied Artificial Intellegence， 2018， 32（3）： 253-280.

[84]? 閆正虎， 楊曉京. 基于顏色和氣味多傳感器融合的催熟水果檢測(cè)系統(tǒng)研究[D]. 昆明： 昆明理工大學(xué)， 2013.

Research progress and prospect on non-destructive detection and quality grading technology of apple

Yudong Cao1， Weiyan Qi1， Xian Li1， Zhemin Li2*

（1. Agricultural Information Institute， Chinese Academy of Agricultural Sciences， Beijing 100081， China;

2. Graduate School of Chinese Academy of Agricultural Sciences， Beijing 100081， China）

Abstract： China has high total apple output， but the export volume is low. The high-end apple market is mostly occupied by imported apples. The main reason of this situation is the lack of technologies and equipments for fruit quality classification， and the degree of automation after picking stands low. The apples enter the consumer market without simple roughing processing， and the quality of the apple is unstable， which greatly reduces its market competitiveness. In this paper， the status quo of non-destructive detection and grading technology of apple quality was analyzed， then the development was forecasted. Apple non-destructive detection technology mainly includes spectrum， electrical characteristics， CT， chromatography， electronic nose and computer vision technology. According to the functional characteristics， advantages and disadvantages of various technologies， it is proposed to develop apple odor detection method based on new sensor technology; adopting multi-feature grading method based on machine vision， the combination of apple quality non-destructive testing technology and grading technology can promote the improvement of apple's industrial competitiveness. Overall， the needs of apple quality non-destructive detection and grading technology development in China are urgent. Detections with new technologies such as nanotechnology， biotechnology and artificial intelligence methods of sensor technology and products in apple non-destructive， quality grading detection and multi-technology have great potential. A real-time， efficient， high-precision grading systems in apple quality which integrates electricity， light， gas and computer vision may be an important development direction for improving apple's quality and enhancing the competitiveness of the apple industry.

Key words： apple quality; non-destructive detection; quality grading; sensor technology