馬佳佳，王克強

（1.仲愷農(nóng)業(yè)工程學(xué)院機電工程學(xué)院, 廣東廣州 510225；2.仲愷農(nóng)業(yè)工程學(xué)院自動化學(xué)院, 廣東廣州 510225）

我國是水果生產(chǎn)大國，水果產(chǎn)量與種植面積均位于世界前列[1?2]。近年來國內(nèi)水果產(chǎn)業(yè)已經(jīng)成為我國種植業(yè)中的第三大支柱產(chǎn)業(yè)，與此同時我國水果產(chǎn)量已達到全球生產(chǎn)總量的15%以上[3]。隨著經(jīng)濟的發(fā)展和社會整體消費水平的提升，消費者對果品品質(zhì)的要求逐漸提高，在產(chǎn)量巨大和需求標準提高的雙重影響下，如何通過方便快捷的水果無損檢測手段以實現(xiàn)準確的品質(zhì)分級是目前水果產(chǎn)業(yè)研究學(xué)者亟需思考的[4]。傳統(tǒng)檢測方法是通過人工結(jié)合機械進行，存在檢測效率低、準確度不高等問題，很難滿足生產(chǎn)需求。近年來，無損檢測方法因其快速、簡便、高效的優(yōu)點，被國內(nèi)外學(xué)者廣泛關(guān)注，也越來越多地被應(yīng)用于水果品質(zhì)的檢測研究中[5]。

無損檢測技術(shù)又稱為非破壞性檢測，是在不損壞樣本的前提下實現(xiàn)品質(zhì)檢測的一種方法。該方法在獲取樣品信息的同時保證了樣品的完整性，檢測速度較傳統(tǒng)的理化方法有很大提升，且能有效地判斷出從外觀無法獲得的樣品內(nèi)部品質(zhì)信息。目前常用的無損檢測技術(shù)大多利用待測物在光學(xué)、聲學(xué)、力學(xué)、電磁學(xué)等相關(guān)物理特性上的表征來實現(xiàn)檢測[6]，不同的無損檢測技術(shù)都有其各自的優(yōu)點與適用條件，正確認識和總結(jié)不同無損檢測技術(shù)的優(yōu)點與局限性對水果的檢測與生產(chǎn)具有重要意義。

水果品質(zhì)包括外部品質(zhì)和內(nèi)部品質(zhì)，外部品質(zhì)的主要檢測指標包括果實大小、形狀、色澤、表面缺陷和損傷等，利用機器視覺技術(shù)結(jié)合圖像處理算法對水果外觀品質(zhì)進行檢測是目前國際上正在研究的熱點課題[7]。內(nèi)部品質(zhì)檢測指標包括果實的酸度、甜度、水分、維生素含量、可溶性固形物含量等，可以通過光學(xué)、聲學(xué)、電磁學(xué)等相關(guān)方法進行檢測。但無論對于水果的外部品質(zhì)或是內(nèi)部品質(zhì)，光學(xué)無損檢測技術(shù)包括機器視覺、近紅外光譜檢測、拉曼光譜檢測和高光譜成像技術(shù)都可以取得一定檢測效果，且目前這些方法均已獲得廣泛應(yīng)用[8]。本文將分別介紹這四種光學(xué)無損檢測技術(shù)在水果無損檢測中的應(yīng)用，對其研究歷程和發(fā)展現(xiàn)狀進行歸納整理，同時展望未來發(fā)展方向，為水果品質(zhì)光學(xué)無損檢測研究工作提供基礎(chǔ)理論參考。

1 機器視覺

1.1 概述

早在上世紀70年代，國外學(xué)者就開始將機器視覺技術(shù)與圖像處理技術(shù)結(jié)合應(yīng)用于水果的外部品質(zhì)無損檢測研究中。機器視覺技術(shù)是通過攝像機來獲取物體圖像后，通過結(jié)合圖像處理技術(shù)實現(xiàn)對物體的識別和檢測。該技術(shù)模仿了人類感官中的視覺，屬于一種智能感官仿生技術(shù)。因具有高效、無損、分級指標多、檢測結(jié)果客觀準確等優(yōu)勢目前正被廣泛地研究和應(yīng)用。一般來說，機器視覺系統(tǒng)主要由光源、工業(yè)攝像機、圖像采集卡、圖像處理器和顯示器等組成圖像采集、處理和分析、信息輸出這三部分主要內(nèi)容[9]。設(shè)計合理的硬件設(shè)備采集樣本圖像后，選用合適的圖像處理算法可以提取得到樣本表面的各種特征信息，包括尺寸、形狀、顏色及表面缺陷等。

1.2 分部檢測

1.2.1 圖像采集 為提高水果無損檢測的穩(wěn)定性，首先必須獲取到可提取有效特征信息的水果樣本圖像。而對于大多數(shù)形態(tài)為類球形的水果來說，采用機器視覺技術(shù)對其進行無損檢測過程中需要優(yōu)先解決的一個重要問題是如何獲取果實樣本不同面的圖像，許多學(xué)者通過以下兩種基本思路開展研究。

1.2.1.1 旋轉(zhuǎn)待測果實 一種直接的思路是通過調(diào)整待測物的位置獲取得到多角度圖像。美國一家農(nóng)業(yè)科技公司[10]首先設(shè)計了一款蘋果分揀機械，采用帶有滾輪裝置的傳送帶使蘋果在運輸?shù)倪^程中進行翻轉(zhuǎn)，同時利用多區(qū)域掃描攝像機對全傳送帶上的大量蘋果進行圖像采集，再通過多視角圖像合成即可得到果實的幾乎所有側(cè)面信息。但由于大量蘋果的形狀與大小各不相同，旋轉(zhuǎn)的速度與方向不一致，通過多區(qū)域掃描攝像機可能造成信息的冗余。此外，蘋果旋轉(zhuǎn)軸線兩端的表面部分攝像機無法采集到，使得分級準確率達不到理想水平。日本新舄大學(xué)的科研團隊[11]開發(fā)了一套完整的圖像數(shù)據(jù)采集系統(tǒng)，系統(tǒng)由旋轉(zhuǎn)平臺、電荷耦合攝像機（charge coupled device，CCD）、圖像處理器和微型計算機組成。利用旋轉(zhuǎn)平臺使置于平臺上的蘋果發(fā)生旋轉(zhuǎn)，每旋轉(zhuǎn)18 °時置于側(cè)面的CCD攝像機采集到一幅圖像，直至蘋果旋轉(zhuǎn)一整周，可獲取到共20幅圖像。每幅圖像僅保留中間部分進行圖像合成，可得到一顆蘋果的全表面展開圖像。該方法可以很好獲取到水果的全表面信息，但需人為地將果實一個個放置在旋轉(zhuǎn)平臺上，若結(jié)合機械臂進行自動化拾取放置會取得不錯的效果。土耳其Süleyman Demirel大學(xué)的Sofu團隊[12]設(shè)計了一種以顏色、大小、重量作為指標的蘋果質(zhì)量檢測系統(tǒng)，通過滾筒刷和兩臺CCD攝像機能夠獲取蘋果四個面的圖像。缺陷在于雖然較小的蘋果可以很容易地旋轉(zhuǎn)，但較大的蘋果可能由于與滾筒形成滾輪結(jié)構(gòu)而不能旋轉(zhuǎn)，因此要獲取完整的蘋果四面圖像是非常困難的?？傮w來說，通過旋轉(zhuǎn)待測果實進行圖像采集穩(wěn)定性較差，特別是針對形狀不規(guī)則的水果。

1.2.1.2 鏡面反射 近年來有部分學(xué)者考慮利用鏡面反射優(yōu)化圖像采集設(shè)備，例如中國農(nóng)業(yè)大學(xué)的李慶中團隊[13]設(shè)計了一套蘋果顏色在線檢測系統(tǒng)，輸送帶設(shè)計為琴鍵式結(jié)構(gòu)，每個果框為倒梯形，果框兩側(cè)貼有與水平面成45 °的兩面平面鏡，使果實在運輸過程中，位于果實正上方的攝像機可以一次獲取到每個果實的三面彩色圖像，可基本保證顏色檢測的全面性要求。王干等[14]設(shè)計了一套臍橙采后田間分級系統(tǒng)，基于機器視覺能夠獲取臍橙的尺寸、表面缺陷數(shù)量及缺陷面積，對果品進行自動分級。為了獲取臍橙表面信息同時減少鏡面反射，選擇條形無頻閃發(fā)光二極管（light-emitting diode，LED）光源前光照明和漫反射光照，通過在暗箱頂部和兩側(cè)各設(shè)置相機，結(jié)合安裝有輥輪-齒輪裝置的傳送帶使臍橙在圖像采集區(qū)域不斷旋轉(zhuǎn)，利用可編程邏輯控制器（programmable logic controller，PLC）控制完成對同一個臍橙9副不同面圖像的采集。以上研究表明，通過鏡面反射獲取果實多面圖像可行性較高，在穩(wěn)定性上表現(xiàn)也相對較好。截至目前，雖然基于機器視覺的水果外觀品質(zhì)檢測有著精確、高效的優(yōu)點，但在圖像采集方面還存在一定不足，合理的檢測系統(tǒng)設(shè)計，既便于得到全面的表面信息，同時能提高檢測效率。

1.2.2 前景分割 球狀的水果在集中光源的照射下容易造成表面亮度不均勻，如何將果實前景從背景中分割出來是在獲取特征之前的一個重要課題。密歇根州立大學(xué)的Mizushima等[15]提出了一種基于線性支持向量機（support vector machine，SVM）和 Otsu閾值分割算法的自適應(yīng)顏色分割方法，使用線性SVM計算得到圖像在RGB空間中的最佳分離超平面，從而生成灰度圖像。通過在水果邊界區(qū)域附近找到的最小閾值估計得到最佳閾值，解決了由于光照不均難以準確完成前景分割的問題。上海交通大學(xué)與北京農(nóng)業(yè)智能裝備研究中心[16]合作設(shè)計了一套使用自動亮度校正的蘋果缺陷檢測系統(tǒng)，利用朗伯定律即果實對象中央部分與邊緣部分的吸光強度不同分別對兩部分進行亮度校正，結(jié)合相關(guān)向量機（relevance vector machine，RVM）分類器較好地解決了因亮度分布不均以及真實缺陷與莖、花萼之間存在相似性而難以檢測出準確缺陷區(qū)域的問題。伊朗庫爾德斯坦大學(xué)Baigvand團隊[17]針對無花果設(shè)計了一套基于機器視覺的分級系統(tǒng)，質(zhì)量分級指標選用顏色、尺寸和開裂尺寸，結(jié)合無花果加工專家對樣本進行的真實等級確定，將無花果質(zhì)量分為5個等級。該系統(tǒng)選用RGB空間中的B通道圖像，采用Otsu閾值分割算法，結(jié)合形態(tài)學(xué)圖像處理方法，分割出無花果目標區(qū)域，得到RGB圖像掩膜用于后續(xù)提取顏色特征。實驗結(jié)果表明，該系統(tǒng)對無花果進行分級的總精度高于95%，平均速度為90 kg/h，可以實現(xiàn)對無花果品質(zhì)的實時檢測。王干等[14]在臍橙采后田間分級系統(tǒng)中，為了完整分割出臍橙的目標區(qū)域，根據(jù)臍橙外觀顏色特點同樣采用了RGB顏色空間，通過R分量圖像減去B分量圖像，得到前后景差異明顯的灰度圖像，以此實現(xiàn)前景分割。前景分割與邊緣檢測效果息息相關(guān)，有時在果實不規(guī)則形狀或周邊環(huán)境的干擾下，邊緣檢測效果達不到預(yù)期，這就需要學(xué)者們對算法再做創(chuàng)新，進一步增強檢測系統(tǒng)的穩(wěn)定性與適應(yīng)性。

1.2.4 形狀檢測 果品的外觀形狀也是影響水果品質(zhì)的重要因素之一，成熟水果的外形各異，有時很難用具體的某一種形狀來進行說明。Momin等[23]研究了一種以芒果幾何形狀作為分級指標的芒果自動分級技術(shù)，提出了一種基于區(qū)域全局閾值顏色分割處理算法。算法采用HSI顏色空間，結(jié)合中值濾波和形態(tài)學(xué)分析得到芒果在圖像中表現(xiàn)出的投影面積、周長和圓度特征值。與灰度圖像相比，基于區(qū)域的全局閾值顏色分割方法可以獲得更多像素級別的信息，并搜索具有相似像素特征值的像素。在獲取特征部分，系統(tǒng)通過計算圖像中對象邊界內(nèi)的像素數(shù)及連接對象輪廓的邊界像素數(shù)，分別與圖像分辨率值相乘得到投影面積和周長。系統(tǒng)將芒果分為三個等級，試驗結(jié)果表明，選擇投影面積和費雷特直徑作為分級指標可以實現(xiàn)97%的識別準確率，選擇周長或圓度也可實現(xiàn)芒果分級要求，但準確性較差。該方法通過適當調(diào)整可以應(yīng)用于其他水果的形狀檢測。大連交通大學(xué)黃辰等[24]在研究基于圖像特征融合的蘋果在線分級方法時，采用凸度即目標像素個數(shù)與目標最小凸包像素個數(shù)的比值，結(jié)合傅里葉描述子補充輪廓信息進而描述蘋果形狀的規(guī)則程度，建立的分級模型分級準確率可達95%。石瑞瑤等[20]在蘋果品質(zhì)在線分級檢測系統(tǒng)的設(shè)計中，把蘋果橫徑與縱徑的比值作為果形評判指標，數(shù)值越接近1說明果品形狀越接近球形，從而量化蘋果果形特征，試驗結(jié)果表明系統(tǒng)分級準確率達95%，說明橫縱比可以用于提取果形特征。Peng等[25]針對蘋果、香蕉、柑橘、楊桃、梨和火龍果這六種水果對多類水果的識別進行了研究，利用形狀不變矩等方法對果品的顏色和形狀特征進行綜合提取。該設(shè)計首先采用Otsu閾值分割算法和Canny邊緣檢測算子完成果品的前景分割和邊緣特性提取。在形狀特征提取方法上，該設(shè)計采用計算圖像中目標面積與目標外接圓面積之比提取果品的二維特征，同時通過提取目標輪廓的形狀不變矩來描述果品的三維特征，最后采用SVM分類算法完成具體類別的識別。該系統(tǒng)對不同水果種類的識別率在80%~95%范圍內(nèi)，在水果識別分類的適應(yīng)性上有較好的表現(xiàn)。以上研究表明，利用機器視覺檢測果品形狀可以通過提取果品二維特征來進行，結(jié)合傅里葉描述子或形狀不變矩等傳統(tǒng)算法，都可以在特定對象上取得不錯的識別效果。

1.2.5 顏色檢測 顏色是衡量水果外部品質(zhì)的一個重要指標，高品質(zhì)的水果一般具有著色好且均勻的特征。此外，果實顏色也間接反映了水果的成熟度和內(nèi)部品質(zhì)，若要從水果的外觀判斷其成熟度，一般需要與顏色檢測結(jié)合起來，通過不同顏色空間的轉(zhuǎn)換可以快速獲取果實表面顏色信息。顏色空間是用一種數(shù)學(xué)方法形象化地表示顏色，目前在圖像處理中廣泛使用的顏色空間主要有RGB顏色空間、HSI顏色空間和Lab顏色空間等：RGB顏色空間采用物理三基色紅（Red）、綠（Green）、藍（Blue）表示，因其物理意義清晰，適合彩色顯像管工作，但這一系統(tǒng)并不適應(yīng)人的視覺特點；HSI顏色空間采用色調(diào)（Hue）、色飽和度（Saturation）和亮度（Intensity）來描述顏色，通常把色調(diào)和飽和度通稱為色度，用來表示顏色的類別與深淺程度。由于人的視覺對亮度的敏感程度遠強于對顏色濃淡的敏感程度，為了便于顏色處理和識別，機器視覺技術(shù)為模仿人的視覺系統(tǒng)經(jīng)常采用HSI顏色空間；Lab顏色空間是基于人眼對顏色的感覺，用亮度（Light）和色差來描述顏色分量，同樣可以用數(shù)字化方法描述人的視覺感官，而不受參考的設(shè)備模型干擾。

目前最常使用的顏色空間是最適應(yīng)人類視覺特點的HSI顏色空間。李慶中團隊[13]利用HSI顏色空間中的色度圖像對蘋果顏色進行檢測與分級，團隊通過觀察和比對樣本的色度直方圖，將果實表面色度分為7個頻度，并以此作為蘋果顏色分級的特征參數(shù)。但只從色度圖像來實現(xiàn)顏色檢測難以避免外部環(huán)境光線的干擾，不利于顏色檢測結(jié)果穩(wěn)定輸出。中國農(nóng)業(yè)大學(xué)馮斌等[26]選用HSI顏色空間分析研究了不同色度的水果，結(jié)合各色度點的累計特性和空間分布特性，以各色度在水果表面分布的分形維數(shù)作為特征對果實進行分級，同時建立了卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）識別模型。實驗結(jié)果表明，模型分級準確率達95%。同時，分形維數(shù)在各等級間有明顯的變化規(guī)律，可以作為著色分級特征對水果進行實時分類。江蘇大學(xué)的趙杰文團隊[27]同樣選擇HSI顏色空間進行紅棗的顏色識別，設(shè)計系統(tǒng)提取色度的均值和均方差作為紅棗的顏色特征值，以此區(qū)別正常色度的紅棗及個別整體或局部顏色偏暗的缺陷棗，使用SVM分類方法，識別準確率高達96.2%。浙江大學(xué)的饒秀勤等[28]研究了按臍橙表面顏色進行分級的方法，該研究通過HSI顏色空間，提出了基于H分量面積加權(quán)直方圖的臍橙表面顏色特征提取方法，結(jié)合主成分分析（principal component analysis，PCA）方法，對水果表面曲率變化引起的檢測誤差進行補償。試驗結(jié)果表明，分級誤差為1.75%，取得不錯的檢測效果。意大利學(xué)者Cavallo等[29]在葡萄無損檢測系統(tǒng)的研究中，通過提取場景中的HSI顏色特征信息，針對兩個白葡萄品種分別進行了驗證試驗，交叉驗證得到分類準確率分別達到92%和100%。該系統(tǒng)大幅簡化了硬件配置與處理過程中的人工干預(yù)程度，更利于應(yīng)用于實際自動化生產(chǎn)中。但從另一個角度上來看，直接在RGB顏色空間內(nèi)處理圖像可以進一步簡化算法，Arakeri等[30]通過檢測番茄的缺陷與成熟度設(shè)計了一款分級系統(tǒng)，系統(tǒng)使用RGB顏色空間，從番茄圖像中提取R、G、B值通過實驗選擇的閾值進行成熟度判斷，建立CNN預(yù)測模型，對成熟度的預(yù)測準確率達96.47%。黃辰等[24]在基于圖像特征融合的蘋果分級方法研究中選用RGB分量值，包括R分量均值與方差、G分量均值與方差、平均灰度等5個參數(shù)值來表征蘋果顏色分布特征，也取得不錯的識別效果。伊朗學(xué)者Azarmdel等[31]設(shè)計了一套桑葚成熟度分級專家系統(tǒng)，該系統(tǒng)從R，B，b*和Cr四個參數(shù)中提取桑葚的顏色和紋理特征，以此作為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）模型的輸入，結(jié)合SVM算法可以實現(xiàn)98.26%的分級準確率。以上研究表明，HSI顏色空間由于與人類視覺感官高度相似而被廣泛應(yīng)用于多項顏色檢測研究中，選用RGB顏色空間則由于其適用于機器工作在一定程度上可以簡化算法。因此，在對不同的檢測對象進行檢測試驗時，出于檢測目的的不同，可以考慮試用多種顏色空間對圖像進行處理，必定能尋找到適用于特定檢測對象的某種顏色空間。

1.2.6 外觀缺陷檢測 在水果外觀缺陷檢測方面，顏色的差異可以作為缺陷檢測的一個特征方向。其中最簡單的一個思路是通過灰度化圖像進行，果實表面不同種類的缺陷其灰度值與鄰近正常區(qū)域的灰度值有明顯差異，可根據(jù)這一思路實現(xiàn)缺陷識別。Miller和Delwiche[32]采用彩色攝像機和近紅外掃描攝像機獲得桃子圖像，提出了對桃子圖像進行缺陷區(qū)域分割的圖像分析算法，算法內(nèi)容具體為對桃子表面的灰度圖象進行陰影校正、邊緣檢測和圖像分割，用二維高斯方程進行圖像濾波完成邊緣檢測，然后用灰度和色度閾值及區(qū)域增長法求得損傷表面面積，最后通過分類器將分割的區(qū)域識別為特定的缺陷類型。試驗表明在近紅外區(qū)域獲得的水果圖像的缺陷檢測效果比彩色圖像的好，但會將果梗和花萼部分誤判為缺陷區(qū)域，正確率僅為69%，與人工測得的結(jié)果相關(guān)系數(shù)為0.56，檢測效果一般。Leemans等[33]提出了一種基于顏色信息的蘋果缺陷檢測方法，建立了基于果實表面色度變化的顏色模型。為了分割缺陷，該系統(tǒng)將蘋果圖像每個像素的色度值與模型進行比較，如果數(shù)值相匹配，則認為它屬于正常部分，否則被視為缺陷。然后，系統(tǒng)通過分別計算整個果面中每個像素的RGB三通道灰度值均值，包括各種缺陷的三通道灰度值均值，將其與正常部分的該值進行加權(quán)離差，對以上的評判結(jié)果再做檢驗。最后系統(tǒng)借助局部色澤信息再次修正評判結(jié)果。試驗結(jié)果表明該算法能夠分割出各種缺陷。印度學(xué)者Arlimatti[34]在他的研究中介紹了一種缺陷檢測方法，該方法將圖像劃分為多個窗口，以窗口為單位提取蘋果表面特征信息，從而實現(xiàn)整體的缺陷提取。這是一種簡單且高效的方法，同時可以通過最近鄰分類器（K-Nearest Neighbor，KNN）將缺陷部分與果實本身的莖端或花萼部分區(qū)分開來，分類準確率達到92%。結(jié)合光學(xué)特征可以提高系統(tǒng)缺陷檢測的穩(wěn)定性與準確率。劉禾等[35]利用光學(xué)反射特性，在近紅外波段拍攝到蘋果圖像，提出了蘋果正常區(qū)域與缺陷區(qū)域的閾值計算方法與圖像窗口的快速確定方法，這是一種實用的蘋果表面缺陷圖像檢測方法。浙江大學(xué)的Li等[36]提出了一種橘子常見表面缺陷的檢測方法，方法通過基于Butterworth濾波器的照明變換方法結(jié)合計算圖像中不同分量比率的莖端識別算法，可以有效檢測橘子表面缺陷區(qū)域，檢測準確率達到98.9%。該方法對表面只有一種顏色的水果缺陷識別效果很好，但對表面有多種顏色的水果識別效果較差。

通過與不同顏色空間相結(jié)合，可以使檢測系統(tǒng)更加便于應(yīng)用于實際。Arakeri等[30]在番茄分級系統(tǒng)中，采用RGB顏色空間，提取R、G、B通道的灰度平均值作為顏色統(tǒng)計特征，再使用圖像的灰度共生矩陣從每個顏色通道中提取四個紋理特征，將這些特征作為CNN預(yù)測模型的輸入，由此系統(tǒng)實現(xiàn)對番茄的缺陷識別。試驗結(jié)果表明，系統(tǒng)對番茄表面缺陷的識別準確率達100%。王干等[14]在臍橙采后田間分級系統(tǒng)中同樣采用缺陷區(qū)域與背景灰度值存在明顯差異的這一共性特征，進行臍橙的缺陷檢測。具體方法為對圖像進行均值濾波處理后再與原圖進行灰度值的比較，若差異明顯則將該點判定為缺陷區(qū)域。試驗結(jié)果表明，系統(tǒng)的缺陷數(shù)量識別率達99%，缺陷面積檢測誤差小于7%，可以實現(xiàn)實時的缺陷檢測。李順琴等[21]在橙子實時分級系統(tǒng)研究中通過分離出HIS顏色空間中的S分量圖判斷得到橙子表面因蟲害導(dǎo)致的白色條紋及因病害和損傷造成的黑色爛點這兩類缺陷，系統(tǒng)采用Otsu閾值分割算法得到橙子表面缺陷的二值化圖像并計算得到缺陷面積，以此作為RBF神經(jīng)網(wǎng)絡(luò)模型的特征參數(shù)，取得不錯的分級效果。印度學(xué)者Kumar等[37]研究了番茄表面缺陷的識別方法，該方法采用小波變換算法識別并分割對象缺陷區(qū)域，基于顏色與幾何特征，將缺陷準確識別為三種類型，分別為黑點、爛點和黑素病點，然后通過聯(lián)級兩個SVM分類器，實現(xiàn)98%的識別準確率。而對于獲取到的圖像可能存在的果實球面面積畸變問題，Tao[10]提出了一種球形變換法，該方法通過對曲面上的強度梯度進行補償?shù)玫角蛎孀儞Q，從而在不丟失物體缺陷的情況下生成平面物體圖像，再經(jīng)過簡單的閾值處理即可檢測到缺陷區(qū)域。近年來，國內(nèi)外學(xué)者在水果缺陷檢測的研究上取得了很大進展，基于灰度化圖像處理，結(jié)合一些新興的分類算法或濾波算法，可以取得相對較好的檢測效果，使之在實際生產(chǎn)應(yīng)用更加廣泛。

1.3 優(yōu)點及適用條件

計算機技術(shù)的快速發(fā)展加快了機器視覺技術(shù)的不斷進步，相關(guān)圖像處理算法正不斷被優(yōu)化，適用于實際生產(chǎn)的檢測模型也在不斷被完善。機器視覺技術(shù)具有快速、準確、無損，能完成多項品質(zhì)指標檢測，在水果外部品質(zhì)檢測上有著廣泛的應(yīng)用前景。但是其局限性也很明顯，該技術(shù)對于水果內(nèi)部品質(zhì)或輕微的外部損傷的檢測能力較差，單純通過對外部品質(zhì)的檢測無法精準把控果品內(nèi)部品質(zhì)的各項指標。

將1.2中獲得的promoter-DGAT2-pMD19-T中間載體和表達載體pCAMBIA1304-35s采用限制性內(nèi)切酶Kpn Ⅰ 和Nco Ⅰ 進行雙酶切，并用DGAT2 基因啟動子替換CaMV35S 啟動子，得到重組載體。將新構(gòu)建的promoter-DGAT2-pCAMBIA1304表達載體利用電轉(zhuǎn)法轉(zhuǎn)化到農(nóng)桿菌GV3101感受態(tài)細胞中。在含有50 mg/mL卡那霉素(Kanamycin)和利福平(Rifampin)的固體LB培養(yǎng)基中，28℃培養(yǎng)2 d，再置于LB 液體培養(yǎng)基中擴大培養(yǎng)，離心收集菌體，采用蘸花法侵染擬南芥花序。

2 光譜檢測技術(shù)

2.1 近紅外光譜檢測

2.1.1 概述 紅外線波段是人眼不可視波段，近紅外光譜檢測技術(shù)是利用波長為700~1100 nm的電磁波來分析樣品的結(jié)構(gòu)和組成等信息，從而實現(xiàn)樣品的無損檢測。該技術(shù)在水果品質(zhì)檢測中有許多優(yōu)良的性能，已知碳氫化合物（糖、酸、水、維生素等）在近紅外波段有不同的吸收峰，基于這一理論基礎(chǔ)可以建立許多相關(guān)模型服務(wù)于各項研究。近紅外光譜分析技術(shù)是近年來發(fā)展最快、應(yīng)用最廣的水果內(nèi)部品質(zhì)無損檢測方法，可以精確檢測水果內(nèi)部的糖度、酸度、可溶性固形物含量、維生素含量等，具有適應(yīng)力強，對人體無害，操作簡單等優(yōu)點。

2.1.2 應(yīng)用方向

2.1.2.1 內(nèi)部成分檢測 近紅外光譜檢測技術(shù)可應(yīng)用于水果糖度、酸度、pH及可溶性固形物含量等內(nèi)部品質(zhì)成分的檢測。印度學(xué)者Jha等[38]使用近紅外光譜分析技術(shù)研究了多個品種蘋果的甜度、酸度以及酸甜比模型，該模型選用900~1700 nm的波長范圍，采用了偏最小二乘回歸（partial least squares regression，PLS）和多元線性回歸（multiple linear regression，MLR）兩種統(tǒng)計學(xué)方法。試驗結(jié)果表明使用MLR建立的模型預(yù)測準確率較高，甜度、酸度以及酸甜比的預(yù)測模型多重相關(guān)系數(shù)分別為0.887、0.890和0.893，該模型基本可以實現(xiàn)不同品種蘋果內(nèi)部品質(zhì)指標的無損檢測。孫炳新等[39]將近紅外光譜分析技術(shù)應(yīng)用于檢測蘋果pH的研究中，學(xué)者選用波長范圍為643.26~985.11 nm的近紅外透射光譜儀對蘋果樣本進行光譜掃描，建立起紅富士蘋果有效酸度的預(yù)測模型。模型相關(guān)系數(shù)為0.925，性能較穩(wěn)定，可以對不同儲藏期的蘋果pH進行快速無損檢測。王轉(zhuǎn)衛(wèi)等[40]建立了發(fā)育后期蘋果內(nèi)部品質(zhì)和其近紅外光譜特性之間的關(guān)系模型。試驗方法具體為利用近紅外漫反射技術(shù)測量發(fā)育后期三個月內(nèi)富士蘋果在833~2500 nm波長范圍內(nèi)的光譜特性，并通過測量得蘋果樣本的可溶性固形物含量、硬度、pH以及含水量4種蘋果內(nèi)部理化指標，分析了單一波長下蘋果的吸光強度與其各項內(nèi)部品質(zhì)指標之間的相關(guān)關(guān)系。試驗結(jié)果表明，前后者之間的線性相關(guān)性均較弱，但通過極限學(xué)習(xí)機（extreme learning machine，ELM）算法結(jié)合PCA統(tǒng)計方法進行數(shù)據(jù)降維，試驗最終可建立預(yù)測該品種蘋果可溶性固形物含量和pH的最優(yōu)模型，預(yù)測結(jié)果較為穩(wěn)定。廣東省農(nóng)業(yè)科學(xué)院徐賽團隊[41]采用可見光和近紅外光譜技術(shù)（visible and near-infrared spectroscopy，VIS/NIR）對沙田柚中的水分和可溶性固形物進行快速無損檢測，試驗通過遺傳算法（genetic algorithm，GA）進行特征提取，結(jié)合PLSR建立模型。該模型對驗證集樣本的檢測準確率達100%，成功將光譜技術(shù)應(yīng)用于厚皮大果的品質(zhì)無損檢測上，試驗結(jié)果表明通過VIS/NIR檢測柚子的水分含量和可溶性固形物含量是充分可行的。以上研究結(jié)果表明，近紅外光譜檢測技術(shù)可用于水果內(nèi)部成分檢測，且在碳氫化合物如糖、酸、水等成分的檢測效果上有著顯著優(yōu)勢。

2.1.2.2 成熟度檢測 通過對水果內(nèi)部單個品質(zhì)指標的檢測也可以引申到檢測其成熟度。南非夸祖魯-納塔爾大學(xué)的Olarewaju團隊[42]使用近紅外光譜分析技術(shù)檢測鱷梨果實成熟度，試驗具體為建立偏最小二乘回歸模型對果實的含油量、含水量和可溶性固形物含量等與成熟度相關(guān)的指標進行預(yù)測，研究結(jié)果顯示在反射模式下的近紅外系統(tǒng)對果實含油量和可溶性固形物含量的檢測準確率較高，系統(tǒng)相對誤差分別為2.00和2.13，進一步表明這一方法對鱷梨成熟度指標參數(shù)的快速無損檢測是充分可行的。Chen等[43]通過使用VIS/NIR定量檢測沙田柚Lab顏色空間中的各參數(shù)，以此實現(xiàn)沙田柚成熟度的檢測。該方法將移動窗口偏最小二乘法（moving-window partial least square，MWPLS）和改進光程長度估計與校正法(modified optical path length estimation and correction，MOPLEC)相結(jié)合，達到優(yōu)選波段同時充分優(yōu)化其他建模參數(shù)的目的。試驗結(jié)果表明，在所選的最佳波段范圍內(nèi)，模型的相關(guān)系數(shù)分別達到0.913、0.997和0.940，均取得可觀的預(yù)測效果。以上研究結(jié)果表明，近紅外光譜檢測技術(shù)是一種可靠的水果成熟度檢測和表征方法。

2.1.2.3 霉變檢測 同時，近紅外光譜檢測也可應(yīng)用于果實的霉變檢測上。李順峰等[44]利用近紅外漫反射光譜技術(shù)判別蘋果是否存在霉心病，試驗方法具體為首先測量4000~12000 cm?1波數(shù)范圍內(nèi)的正常蘋果與霉心病蘋果的光譜特性，結(jié)合切開果實判斷其實際類別，通過PCA提取20個主特征，并將其輸入Fisher判別分類方法建立得到蘋果霉心病判別模型。該模型對訓(xùn)練集的正確判別率為89.9%，對測試集的正確判別率為87.8%。Tian等[45]提出了一種基于水果尺寸大小的光譜自動校正方法，以改善VIS/NIR檢測蘋果發(fā)霉的效果。具體方法為通過建立蘋果果肉中光的消光速率與蘋果直徑的對數(shù)線性模型，計算得到在果品內(nèi)透射光的消光系數(shù)，并根據(jù)這一系數(shù)修改獲取到的透射光譜。該學(xué)者基于校正后的光譜建立了誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BP-ANN)和 SVM 模型，模型在驗證集中的準確率達90.2%。以上研究促進了水果品質(zhì)檢測的準確性與穩(wěn)定性。

2.2 拉曼光譜檢測

2.2.1 概述 拉曼光譜技術(shù)是一門基于拉曼散射效應(yīng)而發(fā)展起來的光譜分析技術(shù)，通過分子的振動或轉(zhuǎn)動獲得待測物的結(jié)構(gòu)、對稱性、電子環(huán)境等分子信息。目前拉曼光譜在水果檢測中的應(yīng)用大多與激光技術(shù)相結(jié)合，激光技術(shù)是利用由受激發(fā)射的光放大產(chǎn)生輻射產(chǎn)生的激光以完成質(zhì)量檢測。近年來隨著激光技術(shù)的不斷成熟，拉曼光譜技術(shù)已逐步應(yīng)用于工農(nóng)業(yè)生產(chǎn)與檢測的多個領(lǐng)域，主要實現(xiàn)對待測物外部品質(zhì)的檢測。與常規(guī)化學(xué)分析技術(shù)相比，拉曼光譜技術(shù)具有無損、快速、環(huán)保、靈敏度高、無需制備試樣、無需消耗化學(xué)試劑、所需樣品量少等特點，可直接通過分析待測物的拉曼峰位、峰強、線型、線寬及譜線數(shù)目達到從分子水平對樣品進行定性、定量和結(jié)構(gòu)的分析[46?47]。在水果檢測中，拉曼光譜主要應(yīng)用于檢測水果外表面輕微損傷、新鮮度、成熟度及表面農(nóng)藥殘留等。

2.2.2 應(yīng)用方向

2.2.2.1 外表面擦傷檢測 采用拉曼光譜檢測技術(shù)可以有效檢測出果實表面早期的輕微損傷。高曉陽等[48]應(yīng)用LabVIEW平臺設(shè)計了一部基于拉曼光譜的蘋果實時無損自動檢測分類虛擬儀器分級系統(tǒng)樣機，用于蘋果表面擦傷無損檢測。蘋果的光譜特性采用一臺Nicolet傅氏變換拉曼光譜儀進行采集，光譜數(shù)據(jù)通過典型變量分析法（canonical variable analysis，CVA）和主成分分析法（PCA）進行處理，再經(jīng)不等中趨勢分類模擬算法檢驗得到分類模型。試驗結(jié)果表明，系統(tǒng)利用拉曼光譜分析技術(shù)對蘋果擦傷的檢測具有一定的可行性，可對蘋果進行準確分級處理。高曉陽等[49]在次年的研究中，對該無損檢測分級系統(tǒng)再做改進，使系統(tǒng)可以準確識別出無擦傷、輕擦傷及重擦傷三種類別的蘋果，分級平均準確率分別為100%、99%和97%，同時在系統(tǒng)運行速度上有了一定提升，達到每分鐘可分級蘋果3~6個。但總體來說檢測花費時間仍然較長，無法做到實時快速的無損檢測。陳思雨等[50]則以富士蘋果作為研究對象，應(yīng)用拉曼光譜技術(shù)，結(jié)合化學(xué)計量方法對早期輕微損傷進行快速識別。光譜信息的預(yù)處理方法采用Savitzky-Golay卷積，在基線校正后使用非線性的SVM算法建立分類判別模型，模型分類準確率可達97.8%。這些研究結(jié)果表明拉曼光譜技術(shù)是判別水果早期輕微損傷的一種有效手段。

2.2.2.2 成熟度檢測 也有學(xué)者將拉曼光譜檢測應(yīng)用于果實成熟度及新鮮度的檢測研究上。西班牙巴斯克大學(xué)Trebolazabala團隊[51]分別采用便攜式拉曼光譜儀和共焦顯微拉曼光譜儀在不同激光波長下對不同成熟度的番茄內(nèi)部主要識別成分進行定性檢測。試驗結(jié)果表明，未成熟番茄用于識別的主要成分為角質(zhì)和表皮蠟，成熟番茄用于識別的主要成分為胡蘿卜素、多酚和多糖。該研究證明拉曼光譜檢測技術(shù)在番茄內(nèi)部有機成分檢測上是充分可行的。Trebolazabala團隊[52]在后續(xù)的研究中又采用便攜式拉曼光譜儀對番茄在不同成熟階段的內(nèi)部營養(yǎng)物質(zhì)成分含量的變化進行了跟蹤和分析，該研究經(jīng)過光譜信息分析，證明了在番茄逐漸成熟的過程中，類胡蘿卜素含量增加，而葉綠素和表皮蠟含量減少。通過對比試驗，結(jié)果表明采用便攜式拉曼光譜儀獲取的番茄內(nèi)部品質(zhì)信息與價格昂貴的共焦顯微拉曼光譜儀無異，充分可以對番茄的成熟度進行分析檢測。Nekvapil等[53]使用便攜式拉曼光譜儀對柑橘新鮮度進行了檢測，該試驗以類胡蘿卜素的拉曼光譜信息作為新鮮度檢測指標，提出拉曼新鮮度系數(shù)，這一系數(shù)隨著柑橘放置時長呈線性衰減。通過試驗證明了拉曼光譜技術(shù)適用于柑橘的新鮮度檢測。

2.2.2.3 農(nóng)藥殘留檢測 拉曼光譜檢測技術(shù)還經(jīng)常被用于果實表面農(nóng)藥殘留量的檢測。Fan等[54]將拉曼光譜技術(shù)應(yīng)用于定量分析蘋果中痕量的甲萘威農(nóng)藥殘留量，實驗方法具體為用主成分分析方法對樣本表面增強拉曼光譜數(shù)據(jù)進行預(yù)處理，同時結(jié)合化學(xué)計量方法測定甲萘威的實際含量，使用PLSR和支持向量回歸（support vector regression，SVR）分別建立光譜數(shù)據(jù)與樣品甲萘威含量之間的相關(guān)模型。實驗結(jié)果表明，兩個模型均取得較穩(wěn)定的預(yù)測效果，其中SVR模型表現(xiàn)最優(yōu)，相關(guān)系數(shù)高達0.986。這表明拉曼光譜檢測技術(shù)是一種快速可靠的水果表面農(nóng)藥殘留檢測和表征方法。

2.3 高光譜成像技術(shù)

2.3.1 概述 高光譜圖像是一系列光波在不同波長處的光學(xué)圖像，高光譜成像技術(shù)是一種集圖像信息與光譜信息于一體的無接觸式檢測技術(shù)，其中光譜信息可以反映樣品內(nèi)部結(jié)構(gòu)的差異，圖像信息則反映樣品的形狀、缺陷等外部品質(zhì)特征，該技術(shù)能全面反映水果的內(nèi)外部品質(zhì)信息。高光譜成像技術(shù)在對目標的空間特征成像的同時，對每個空間像元經(jīng)過色散形成數(shù)百個窄波段以進行連續(xù)的光譜覆蓋，這樣形成的數(shù)據(jù)可以用“圖像立方體”或“三維數(shù)據(jù)塊”來進行形象的描述。高光譜數(shù)據(jù)的二維圖像中每個像素都包含一條光譜，可以用于傳統(tǒng)機器視覺難以檢測的早期腐爛、碰傷等外部損傷的檢測，也可以用于內(nèi)部品質(zhì)如硬度、成熟度或各類營養(yǎng)成分含量的快速無損檢測。

2.3.2 應(yīng)用方向

2.3.2.1 內(nèi)部損傷檢測 對于水果內(nèi)部損傷的檢測，Pan等[55]設(shè)計了一套用于冷藏過程中凍傷桃子的高光譜成像技術(shù)檢測系統(tǒng)。為了在不降低檢測效果的同時提升檢測速率，該系統(tǒng)使用ANN模型篩選了八個具有典型光譜特征的特征波長，結(jié)合計量判斷桃子是否被凍傷的理化質(zhì)量指標，建立了果實質(zhì)量參數(shù)與果實在特征波長下光譜響應(yīng)之間的相關(guān)模型。以最佳代表性波長作為ANN模型的輸入，系統(tǒng)對凍傷桃子分類準確率達95.8%，研究結(jié)果表明使用高光譜圖像技術(shù)檢測果品凍傷是充分可行的。ElMasry等[56]將高光譜成像技術(shù)和ANN模型應(yīng)用于檢測蘋果的凍害，試驗通過檢測硬度指標來判斷蘋果是否凍傷。通過高光譜成像技術(shù)，系統(tǒng)獲取到蘋果光譜特性及圖像并進行預(yù)處理，在使用全局閾值法確定最佳特征波長后，開發(fā)前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）模型以區(qū)分普通蘋果和凍傷蘋果，模型分類精度達98.4%，可以穩(wěn)定檢測到由于凍害造成蘋果硬度變化，該研究表明高光譜成像技術(shù)適用于水果硬度的檢測。孫梅等[57]以蘋果為研究對象，采用高光譜成像技術(shù)檢測其風(fēng)傷情況，用PCA對比分析不同光譜區(qū)域?qū)ψR別結(jié)果的影響，結(jié)合權(quán)重系數(shù)，最終選取

714 nm作為蘋果風(fēng)傷研究的最佳特征波長，建立的模型對蘋果風(fēng)傷檢測準確率達98%。比利時學(xué)者Keresztes等[58]設(shè)計了基于短波紅外和高光譜成像技術(shù)的蘋果損傷檢測系統(tǒng)，系統(tǒng)采用偏最小二乘-判別分析（partial least squares - discriminant analysis，PLS-DA）模型，結(jié)合空間信息處理二進制圖像后，對蘋果損傷檢測準確率達到94.4%。上海交通大學(xué)Wang團隊[59]研究了采用高光譜成像技術(shù)快速檢測藍莓內(nèi)部的機械損傷的系統(tǒng)，系統(tǒng)將深度學(xué)習(xí)技術(shù)引入基于高光譜透射成像的軟水果損傷檢測研究中，通過建立CNN模型，結(jié)合k倍交叉驗證的模型評估方法，取得88%的分類準確率，識別效果明顯優(yōu)于其他幾種傳統(tǒng)的機器學(xué)習(xí)算法。以上研究結(jié)果表明，高光譜成像技術(shù)可通過檢測果實硬度變化從而對水果內(nèi)部損傷如凍傷、風(fēng)傷等進行檢測，是一種快速可靠的水果內(nèi)部損傷檢測方法。

2.3.2.2 內(nèi)部成分檢測 對于內(nèi)部成分的檢測，高光譜成像技術(shù)也有一定應(yīng)用價值。Rajkumar等[60]通過使用高光譜成像技術(shù)采集可見光和近紅外400~1000 nm的波長范圍內(nèi)香蕉樣本的光譜信息與圖像信息，結(jié)合化學(xué)計量方法確定果實水分、硬度及可溶性固形物的具體指標參數(shù)，使用MLR算法分別建立了香蕉果實在三種不同溫度條件下內(nèi)部品質(zhì)與其光譜特性之間的回歸模型，該模型對香蕉果實水分、硬度及可溶性固形物的測定相關(guān)系數(shù)分別為0.91、0.85和0.87。中國農(nóng)業(yè)大學(xué)的彭彥昆團隊[61]利用高光譜成像技術(shù)建立了一種蘋果內(nèi)部品質(zhì)無損檢測方法，該方法具體為在524~1016 nm的波段范圍內(nèi)，采用洛倫茲函數(shù)擬合評估高光譜的空間散射曲線并提取相關(guān)參數(shù)，使用PLS建立蘋果硬度與其光譜特性的預(yù)測模型。研究結(jié)果表明，模型相關(guān)系數(shù)達0.88，基本可以實現(xiàn)蘋果硬度的快速無損檢測。Dong等[62]采用高光譜成像技術(shù)在近紅外區(qū)域（900~1700 nm）檢測儲存13周的蘋果內(nèi)部品質(zhì)，包括可溶性固形物含量（soluble solid content，SSC）、硬度、水分（moisture content，MC）以及 pH。該模型選用連續(xù)投影算法（successive projections algorithm，SPA）和無信息變量消除算法（uninformative variable elimination，UVE）兩種典型的變量選擇方法從蘋果的全光譜中提取特征變量，結(jié)合化學(xué)計量手段，使用PLS，最小二乘支持向量機（least squares support vector machines，LSSVM）和反向傳播網(wǎng)絡(luò)（back propagation，BP）三種建模方法共建立多個關(guān)于蘋果SSC，硬度，MC和pH的預(yù)測模型。試驗結(jié)果表明，所有模型都可以準確預(yù)測蘋果的SSC和MC，但都無法預(yù)測硬度，其中SPA-LSSVM和FS-BP模型可以粗略預(yù)測pH。試驗結(jié)果證明近紅外高光譜反射成像技術(shù)在蘋果SSC、MC和pH的檢測上有一定可行性。以上研究結(jié)果表明，高光譜成像技術(shù)可以同時獲取樣本的光譜信息和圖像信息，可對水果外部品質(zhì)及內(nèi)部品質(zhì)作出綜合評價，應(yīng)用范圍較廣。

2.4 優(yōu)點及適用條件

光譜技術(shù)是果品內(nèi)部質(zhì)量檢測中應(yīng)用最廣泛的高新技術(shù)，利用物體不同光學(xué)特性所對應(yīng)的特征光譜研究物質(zhì)結(jié)構(gòu)或測定化學(xué)成分，可以實現(xiàn)對果品內(nèi)部品質(zhì)（硬度、脆度、酸甜度）以及內(nèi)部病變等情況的無損檢測。傳統(tǒng)的水果內(nèi)部品質(zhì)檢測方法是通過理化實驗分析，雖然結(jié)果精確，但操作過程繁瑣、效率較低、檢測成本較高且會對果品造成損傷，相比之下用光譜技術(shù)檢測水果品質(zhì)具有操作簡便、精確度較高、非破壞性的特點。由于水果的內(nèi)部結(jié)構(gòu)各不相同，在不同波長的光線照射下會有不同的吸收、反射或者透射特性，具體表現(xiàn)在水果的光譜反射率或吸收率在某一段或幾段特定波長內(nèi)出現(xiàn)峰值，可由此建立起該特征峰值與水果本身質(zhì)量指標的數(shù)據(jù)模型，進而實現(xiàn)果品質(zhì)量的檢測。在實際檢測應(yīng)用中，光譜檢測技術(shù)可以同時檢測果品的外部和內(nèi)部品質(zhì)，定性分析的準確性較高，但需要較為復(fù)雜的建模過程，檢測速度慢、定量分析的精度還有待提高也是其明顯的缺陷。具體到每種技術(shù)上，近紅外光譜檢測技術(shù)是分析化學(xué)領(lǐng)域發(fā)展迅速的檢測技術(shù)之一，具有快速、無損和可實現(xiàn)多組分同時測定的特點。拉曼光譜分析技術(shù)多適用于水果的外部損傷和農(nóng)藥殘留檢測，但前期需要進行大量數(shù)據(jù)檢測及數(shù)據(jù)分析過程，較難實現(xiàn)在線檢測。高光譜成像技術(shù)采集的數(shù)據(jù)精度高，適合實驗階段。但與拉曼光譜分析技術(shù)有同樣的缺點：數(shù)據(jù)量過大，處理時間長，不適合在線檢測。

3 結(jié)語與展望

除了以上詳細介紹的四種光學(xué)無損檢測技術(shù)外，還有很多無損檢測技術(shù)正在水果檢測中被廣泛應(yīng)用：基于氣體傳感器技術(shù)的電子鼻能夠通過獲取水果的氣味信息對氣體或揮發(fā)性成分做定性或定量的檢測，正被研究應(yīng)用于水果的成熟度和新鮮度檢測；利用水果介電特性的介電特性檢測技術(shù)對果品的檢測適應(yīng)性較強，可對水果新鮮度、機械損傷、糖度和硬度等進行檢測識別；利用X射線對待測物內(nèi)部透射成像的X射線成像技術(shù)對水果的內(nèi)部結(jié)構(gòu)變化敏感，能直觀反映水果密度、含水率及內(nèi)部缺陷等品質(zhì)特征；通過計算組織中氫質(zhì)子數(shù)量信息的核磁共振技術(shù)在水果內(nèi)部品質(zhì)，特別是成熟度和內(nèi)部缺陷上也有一定應(yīng)用[63?65]。

各種無損檢測技術(shù)都有其各自的適用范圍與優(yōu)點，正確認識不同無損檢測技術(shù)的特點與局限性對水果的檢測與生產(chǎn)具有重要意義。對于機器視覺而言，該技術(shù)對果實內(nèi)部品質(zhì)特征的檢測存在一定局限性，則可以在外部檢測中充分發(fā)揮其快捷客觀的優(yōu)勢，將其應(yīng)用于大批量或高質(zhì)量要求的生產(chǎn)實踐中，為水果產(chǎn)業(yè)解放生產(chǎn)力、加快分揀效率提供保障。而對于光譜檢測技術(shù)，未來可根據(jù)具體的檢測對象要求，尋找最佳的檢測波長等參數(shù)，減少數(shù)據(jù)量，設(shè)計對應(yīng)的光譜圖像系統(tǒng)，在不降低精度的前提下，降低成本和節(jié)約時間。

綜合來看，各種檢測技術(shù)功能不同，但單一的檢測技術(shù)已經(jīng)無法滿足對水果品質(zhì)的全面檢測，采用多源信息融合的方式可以全方面多角度地獲取水果品質(zhì)相關(guān)特征信息，對無損檢測的精度及穩(wěn)定性會有很大提升?，F(xiàn)有的無損檢測多源信息融合大多聚焦于水果大小、形狀、顏色等外部特征，對水果內(nèi)部品質(zhì)檢測技術(shù)的融合應(yīng)用仍然較少，多源信息融合是水果品質(zhì)無損檢測技術(shù)發(fā)展的必然趨勢。但與此同時，多源信息融合必定會造成數(shù)據(jù)量過大，在數(shù)據(jù)的傳輸與處理上會花費更多的時間，這需要研究人員再做深入的試驗研究，大致可以從完善模型算法、優(yōu)化硬件結(jié)構(gòu)與數(shù)據(jù)降維這幾個方面進行考慮。