武琳霞，李 玲，習佳林，王 蒙,*

（1.北京市農(nóng)林科學院質(zhì)量標準與檢測技術研究所，北京 100097；2.北京市農(nóng)產(chǎn)品質(zhì)量安全中心，北京 100029）

桃（(L.) Batsch）是薔薇科、桃屬的核果類，原產(chǎn)于我國西北地區(qū)。我國是世界最大的桃生產(chǎn)國，2019年我國桃栽培總面積為84.1萬 hm，總產(chǎn)量達1 584萬 t，占世界總產(chǎn)量的61.6%。桃的品種豐富，按照果肉的顏色可以分為白肉桃、黃肉桃、紅肉桃3 種類型。另外根據(jù)外觀和感官特性，桃可以被分為油桃和毛桃、離核和黏核、溶質(zhì)型和非溶質(zhì)型等。桃為五果（桃、李、杏、棗、栗）之首，深受廣大消費者歡迎，其不僅果實香甜/美味多汁，而且營養(yǎng)豐富，包含多酚、可溶性糖、有機酸、維生素、礦物質(zhì)和膳食纖維等多種營養(yǎng)物質(zhì)。

由于桃通常在炎熱多雨的夏季采摘，容易發(fā)生變質(zhì)，3～5 d內(nèi)風味會發(fā)生迅速變化。因此為了延長貯藏期，通常會提前采摘或低溫運輸貯存，但這也會對桃的風味品質(zhì)產(chǎn)生影響。近幾十年來，在美國和歐洲桃的人均消費量有不斷下降的趨勢，且這一趨勢并沒有隨著改良品種的出現(xiàn)而發(fā)生變化。調(diào)查顯示這與桃子未成熟、過熟以及采后生理障礙等原因導致的品質(zhì)問題相關。因此桃的品質(zhì)（質(zhì)地、顏色、形狀、大小、含糖量和營養(yǎng)價值）決定了市場的接受程度。桃果實品質(zhì)包括外部品質(zhì)和內(nèi)部品質(zhì)，外部品質(zhì)主要包括大小、形狀、色澤、香氣、表面缺陷等，內(nèi)在品質(zhì)主要包括硬度、糖度、酸度以及裂核、冷害、蟲害等內(nèi)部缺陷。外部品質(zhì)主要采用人工檢測的方法，分級效率較低且漏檢率高，內(nèi)部品質(zhì)多采用傳統(tǒng)破壞式檢測手段，費時費力，而且無法全量、實時、在線檢測。因此研究高效、精確的農(nóng)產(chǎn)品品質(zhì)無損檢測技術，對推動農(nóng)業(yè)健康持續(xù)發(fā)展、提高農(nóng)產(chǎn)品交易價格和確保我國農(nóng)業(yè)大國的地位具有十分重要的現(xiàn)實意義。

農(nóng)產(chǎn)品品質(zhì)無損檢測是指在不破壞檢測對象的情況下，采用一定的檢測技術和分析方法對農(nóng)產(chǎn)品的內(nèi)在品質(zhì)和外在品質(zhì)進行測定，并按一定的標準對其做出評價的過程。根據(jù)檢測原理的不同，目前應用于桃品質(zhì)無損檢測方法主要有基于聲學特性的檢測技術、基于力學特性的檢測技術、基于介電特性的檢測技術、基于光學特性的檢測技術和基于電子鼻的檢測技術等。

1 基于聲學特性的桃品質(zhì)檢測技術

農(nóng)產(chǎn)品的聲學特性是指農(nóng)產(chǎn)品在聲波刺激下的反射特性、散射特性、透射特性、吸收特性、衰減系數(shù)、聲阻抗、固有頻率與聲波在農(nóng)產(chǎn)品中的傳播速度等，反映農(nóng)產(chǎn)品本身與聲波相互作用的基本規(guī)律。聲波檢測設備由聲波發(fā)生器、聲波傳感器、電荷放大器、動態(tài)信號分析儀、微型計算機、繪圖儀或打印機等組成。在農(nóng)產(chǎn)品品質(zhì)檢測中，聲學特性通常用于水果硬度、糖度、成熟度、空心、內(nèi)部損傷的檢測。根據(jù)理論計算可知，樣品的共振頻率與其尺寸、密度和泊松比相關。有研究表明，通過振動頻率分析方法測定三階共振頻率與二階共振頻率的比值，可以準確地預測未收獲桃發(fā)生裂核的時間，并將裂核果與正常果區(qū)分開來，便攜檢測裝置如圖1所示。利用電磁閥敲擊水果裝置對貯藏期桃子的硬度進行檢測，頻帶幅度參數(shù)與硬度之間的決定系數(shù)（）為0.91。通過檢測桃子4 個不同部位的聲學特性，利用檢測得到的150～200 Hz與0～500 Hz范圍內(nèi)聲波能量的比值，計算得到頻帶幅值150～200 Hz的數(shù)值，與4 個部位的硬度實際值進行相關性比較，結果表明同一部位2點或者4點均值所建立的模型準確率較高，對兩個品種的桃子均有很好的預測效果。為了分別研究壓電式傳感器和麥克風（非接觸式）對兩個品種桃子聲學特性采集信號的影響，多元回歸分析結果表明麥克風采集的聲音信號參數(shù)與硬度之間決定系數(shù)基本一致（為0.64和0.74）。而壓電式薄膜傳感器采集的聲音信號參數(shù)與硬度之間的相關系數(shù)分別為0.26和0.53，由此可知麥克風采集的效果較好。

圖1 桃果實的聲振動測量裝置[11]Fig. 1 A portable system for detecting peach fruit based on acoustic vibration[11]

基于聲學特性的檢測技術具有成本低、檢測設備簡單、價格低廉、易于操作、不易受到外界環(huán)境干擾、檢測效果好、可在各種環(huán)境中工作和易實現(xiàn)自動化等優(yōu)點。但其檢測精度較低，且目前的研究對象多為西瓜、蘋果等果皮較厚或質(zhì)地堅硬的果實，對桃、梨、番茄和甜瓜也具有相關研究，但研究較少。

2 基于力學特性的桃品質(zhì)檢測技術

力學方法是利用農(nóng)產(chǎn)品的力學特性（如振動頻率、振動吸收、硬度、彈性等特性）進行檢測的方法。利用聲波和振動可以檢測農(nóng)產(chǎn)品的品質(zhì)指標和待測物內(nèi)部的組織狀態(tài)。國外研究者探討了多種基于動力學原理的農(nóng)產(chǎn)品品質(zhì)檢測方法，如機械沖擊產(chǎn)生的聲頻信號檢測、機械沖擊相應的頻率分析和水果沖擊力檢測等。

通過鋼球沖擊水果引起相應的彈性變形，物理特性實驗室（Physical Properties Laboratory，LPF）開發(fā)的“LPF-橫向碰撞傳感器2.0”（圖2）被用于測定桃果實的硬度，結果表明鋼球壓縮的最大力與沖擊過程的最大加速度密切相關（＝0.75），而且研究表明通過將沖擊力檢測與振動頻率分析相結合的方法，對兩個不同硬度等級的桃正確分類率大于93%。還有研究利用桃沖擊金屬平面的沖擊力響應來進行硬度的無損檢測，通過分析果實硬度、落果高度和果實質(zhì)量對沖擊力參數(shù)（恢復系數(shù)、能量吸收率和沖擊時間系數(shù)）的影響，可以建立沖擊力參數(shù)與硬度的關系。研究發(fā)現(xiàn)，落果高度、落果部位（果頰）和落果質(zhì)量對果實的沖擊力參數(shù)影響不顯著，能量吸收率隨成熟度的增加而增加，力-時沖擊系數(shù)和恢復系數(shù)隨成熟度的增加而減??；分別采用多項式模型、S模型和指數(shù)模型，得到了3 個沖擊特性參數(shù)（力-時沖擊系數(shù)、恢復系數(shù)和能量吸收率）與桃硬度的關系，分別為0.932、0.910和0.941。

圖2 “LPF-橫向碰撞傳感器2.0”裝置示意圖[10]Fig. 2 Schematic diagram of “Physical Properties Laboratory(LPF)-Lateral Impact Sensor 2.0”[10]

力學特性檢測技術有利于判斷果品的適宜采收期，進而按照成熟度對果品進行分級貯藏，根據(jù)對果品內(nèi)部的檢測確定保鮮期和貯存期。有研究人員認為沖擊力方法更適合檢測質(zhì)地較軟水果的硬度，而聲學檢測更適合質(zhì)地較硬水果。該項技術盡管有著比較堅實的實踐基礎和應用基礎，但是由于果品品質(zhì)與物理參數(shù)之間的復雜關系，要達到實際應用還需很長的研究過程。

3 基于介電特性的桃品質(zhì)檢測技術

介電特性是指物質(zhì)在外加電場中表現(xiàn)出的電學性質(zhì)，是電介質(zhì)的固有性質(zhì)，是物質(zhì)內(nèi)部組織結構和組成成分的宏觀表現(xiàn)。果品是一種電介質(zhì)，因此，可將被測水果直接放入平板電極間測定其電特性參數(shù)（介電常數(shù)、電感、阻抗等）來反映水果品質(zhì)特性。將常見的水果如蘋果、桃、橘子、香蕉等作為研究對象，通過測量150 MHz下果肉和果皮的介電特性，可知含水率的變化導致介電性存在差異。為了探索利用果品的介電特性無損預測桃品質(zhì)的可能性，以糖度作為內(nèi)部品質(zhì)指標，通過矢量網(wǎng)絡分析儀測定貯藏10 d內(nèi)，300 個油桃在20～4 500 MHz頻率下的相對介電常數(shù)和介電損耗因子，連續(xù)投影算法結合極限學習機可以取得良好預測效果（預測相關系數(shù)為0.887，預測均方根誤差（root mean squared error of prediction，RMSEP）為0.782）。

微波成像是近幾年興起的技術，在食品領域應用還較少，是以微波作為信息載體的一種成像手段。其原理是用微波照射被測物體，然后通過物體外部散射場的測量值來重構物體的形狀或（復）介電常數(shù)分布。由于微波成像具有2 個顯著優(yōu)點：對被測物的水分含量非常敏感；微波能穿透介電材料，產(chǎn)生的電磁場特征能反映被測物體的內(nèi)部特征。因此，微波成像技術受到了越來越多的關注。盡管微波的分辨率不夠高，但其穿透深度高?；谖⒉ǖ牡吞掌澆ǘ危С窒蛄繖C對損傷桃樣本的分類精度可達到100%，其檢測系統(tǒng)如圖3所示。

圖3 毫米波成像檢測系統(tǒng)[18]Fig. 3 Measurement setup of millimeter wave imaging[18]

利用介電特性對農(nóng)產(chǎn)品品質(zhì)進行快速無損檢測的研究可以追溯到20世紀60年代，電學參數(shù)的測定快捷、靈敏、操作方便，對實現(xiàn)水果內(nèi)部品質(zhì)綜合指標的檢測與分級、加工及貯藏都有很重要的價值，特別是在果品的分選上具有廣闊的前景。但目前大多數(shù)研究僅僅證明了基于介電特性的水果品質(zhì)無損檢測系統(tǒng)在技術上和原理上都是可行的，仍然沒有達到真正實用階段，利用介電特性檢測果品品質(zhì)時，測試結果會受到測定頻率/電壓信號、果實水分含量、環(huán)境溫度、濕度等參數(shù)影響，其分選精度和分選效率受到很大的限制。

4 基于光學特性的桃品質(zhì)檢測技術

基于光學特性的檢測技術是指利用物體對光的吸收、反射、散射及透射特性通過特定設備從物體或其圖像中提取信息進行處理并加以解釋，最終確定果實內(nèi)部品質(zhì)的一種方法。近年來，隨著圖像處理技術的發(fā)展，基于光學特性的檢測技術的應用也越來越廣泛。根據(jù)所用光源的不同該類技術可分為可見光檢測技術、近紅外檢測技術、高光譜檢測技術等。該項技術可廣泛用于谷物、水果等多種產(chǎn)品的化學成分和物理特性分析。

4.1 可見光檢測技術

目前，在水果品質(zhì)檢測中可見光檢測技術應用最多的是基于可見光成像的計算機視覺技術，該技術通過相機獲取水果圖像，經(jīng)過數(shù)字處理后依據(jù)圖像的像素分布和亮度、顏色等信息，來進行尺寸、形狀、顏色及缺陷等的判別。

計算機視覺技術對不同品種及不同類別的水果均有很好的識別能力。機器視覺可以將蘋果、香蕉、柑橘、梨、楊桃和火龍果分類。運用高斯濾波、直方圖均衡化、Otsu分割算法、Canny邊緣檢測算子等方法處理圖像，基于支持向量機的多分類模型，同時使用研究出的異常懲罰因子對被測樣本進行不完全分類，之后建立基于線性核函數(shù)的支持向量機多分類模型，對6 種水果的分類準確率分別為95%、80%、97.5%、86.7%、92.5%、96.7%?；跈C器視覺也可實現(xiàn)水果的圖像自動分割與產(chǎn)量估計。以蘋果、石榴、橘子、桃子、荔枝等不同的水果為研究對象，利用顏色特征對在不同光照條件下獲取其圖像進行分割，基于形狀分析，采用邊緣檢測和圓形擬合相結合的方法對水果進行自動識別。對獲取的邊界點進行圓形擬合，分割出的圓形數(shù)量則可作為該圖像中的水果總數(shù)。為實現(xiàn)近色背景下綠色果實的準確識別，以未成熟桃子、番茄、柿子、柑橘為研究對象，分別采用傳統(tǒng)特征提取方法和基于卷積神經(jīng)網(wǎng)絡的深度學習方法，可以對自然場景下的綠色果實進行檢測。陽山水蜜桃糖度智能化無損實時檢測與分級裝置則能夠通過對數(shù)據(jù)進行分析、比較，來實現(xiàn)判斷陽山水蜜桃體積、質(zhì)量，然后發(fā)出指令由機械輸送系統(tǒng)送往相應的等級出口。通過高分辨率數(shù)碼相機從不同角度捕捉水果的圖像，根據(jù)圖像中果實的水平和垂直距離，以及結合計算機視覺系統(tǒng)，可以對水果的體積進行測量。

以桃和杏的撞傷問題為研究對象，用計算機視覺技術檢測果品損傷，檢測的成功率約為65%。用彩色攝像機和近紅外掃描攝像機獲得桃子圖像，并對桃子圖像進行缺陷區(qū)域分割的圖像分析，即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。實驗表明在近紅外區(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%，與人工測得的結果相關系數(shù)為0.56，檢測效果一般。

與人類視覺相比，機器視覺具有較寬的光譜響應范圍，還能夠長時間穩(wěn)定做測量、分析、識別等任務。在精確度、分析速率、適應性、客觀性、重復性、可靠性、效率等方面均具有一定的優(yōu)勢；計算機視覺技術可以根據(jù)水果顏色、紋理、缺陷等特征信息，高效快速地對水果品質(zhì)進行評價分級，可以大量節(jié)省人力物力；隨著相關算法和模型的不斷成熟與完善，機器視覺系統(tǒng)也越來越貼近各種水果品質(zhì)檢測的實際需求，有助于實現(xiàn)果園管理的自動化、智能化。但計算機視覺技術對于明顯的外部損傷檢測結果更好，對于水果內(nèi)部損傷或輕微的外部損傷的檢測能力較差。機器視覺也受到硬件設備性能、圖像分析算法準確度與效率以及網(wǎng)絡傳輸速率的限制使得系統(tǒng)實時性、穩(wěn)定性難以保證。同時，還面臨著應用對象復雜多樣，難以開發(fā)通用視覺系統(tǒng)使得每一類目標都需要單獨開發(fā)視覺系統(tǒng)，造成成本居高不下等問題。此外，農(nóng)業(yè)場景視覺系統(tǒng)在穩(wěn)定性、魯棒性、計算能力、理論創(chuàng)新等方面還存在較大的局限性，已成為阻礙機器視覺在農(nóng)業(yè)生產(chǎn)中應用的關鍵瓶頸。

4.2 近紅外檢測技術

近紅外檢測技術的理論基礎是當以近紅外光照射物體時，其中的有機物及部分無機物分子含有的某些官能團可以吸收特定的能量形成復雜的光譜，通過分析其吸收光譜可獲得物體的特征信息。根據(jù)所利用光源波長范圍的不同可以將吸收光譜分為短波近紅外光譜和長波近紅外光譜，根據(jù)光譜采集方式的不同可分為漫反射近紅外光譜、透射近紅外光譜、漫透射近紅外光譜。

成熟度是確定水果收獲時間的關鍵指標，而收獲時間將會影響水果的品質(zhì)和貨架期。因此大多數(shù)研究集中于最能反映水果成熟度品質(zhì)指標的檢測，如果實硬度、可溶性固形物含量、總酸含量、糖酸比和果膠含量。然而有研究指出，利用可見-近紅外漫反射光譜技術很難準確預測水果硬度，可能是由于水果硬度的變化受復雜化學成分的影響，例如果實軟化期間可溶性果膠含量增加、多聚半乳糖醛酸酶和纖維素酶活性的影響及其他化學物質(zhì)變化的影響。果肉顏色也能夠反映桃收獲時的成熟度和感官風味，加利福尼亞州建立了一種基于可見光和近紅外光譜的方法用于快速測定桃果肉顏色，模型具有良好的預測性能（相關系數(shù)＝0.92），顯示出較好的在線分選潛力。為了建立不均一油桃樣本的品質(zhì)預測模型，有研究評價和比較了改進的偏最小二乘（modified partial least squares，MPLS）回歸和局部回歸法預測油桃主要品質(zhì)參數(shù)的性能，包括大?。ㄙ|(zhì)量和直徑）、果肉硬度和可溶性固形物含量。結果表明，與MPLS回歸相比，局部回歸算法在預測可溶性固形物含量和直徑方面沒有優(yōu)勢，然而，在硬度評估方面局部回歸算法的應用取得了重大的改進，與MPLS回歸相比，預測標準誤差（standard error of prediction，SEP）降低了27%，提高了44.7%（從0.47增加到0.68），偏差減少了88.5%（從6.95 N減少到0.80 N）。基于二極管陣列的紅外檢測儀和基于微電子機械系統(tǒng)的近紅外儀器是兩種比較有發(fā)展?jié)摿Φ谋銛y式近紅外儀器。為了評估這兩種商用光譜儀的性能，1 600～2 400 nm的手持式微機電系統(tǒng)光譜儀（microelectro-mechanical system，MEMS）和400～1700 nm的二極管陣列可見-近紅外光譜儀被用于測定油桃在收獲前的成熟過程和收獲后的冷藏（0 ℃、相對濕度95%）過程的品質(zhì)變化。利用光譜和分析數(shù)據(jù)建立MPLS校正方程，定量測定可溶性固形物質(zhì)量分數(shù)、果肉硬度、果質(zhì)量和直徑（赤道直徑）。兩種近紅外光譜儀對可溶性固形物含量（＝0.89；SEP＝0.75%～0.81%）和硬度（＝0.84～0.86；SEP＝11.6～12.7 N）均具有良好的預測效果。二極管陣列儀對果質(zhì)量（＝0.98，SEP＝5.40 g）和直徑（＝0.75，SEP＝0.46 cm）的預測效果較好，而手持MEMS儀器的精確度較低。結果表明，無論是在樹上成熟還是采后貯藏過程中，單光譜測量都可以在幾秒鐘內(nèi)無損地測量油桃品質(zhì)參數(shù)的變化，為使用手持儀器協(xié)助種植者在田間確定采收時間提供途徑。

可見光和近紅外漫反射光譜也被用于油桃品種的鑒別，采集裝置如圖4所示，線性判別法和偏最小二乘判別法的分類正確率在97%以上。以‘北京八號’‘萊山蜜’與‘沙紅’3 個品種桃為研究對象，經(jīng)Kennard-Stone算法劃分樣品集，連續(xù)投影算法選取特征波數(shù)，F(xiàn)isher判別分析、誤差反向傳播網(wǎng)絡、最小二乘支持向量機與極限學習機模型均具有良好的品種判別性能，對預測集樣品的鑒別正確率均達到100%。

可見光/短波近紅外漫反射光譜（300～1 150 nm）還可用于預測桃采后機械損傷的內(nèi)部生理狀態(tài)。通過研究總可溶性固形物、多酚氧化酶、丙二醛水平和相對電解質(zhì)滲漏的變化。遺傳算法-偏最小二乘模型具有良好的擬合效果和較高的精度，其預測集最佳相關系數(shù)（）為0.71～0.92，RMSEP為0.17～20.34，相對偏差為1.90～2.94。對肉眼難以發(fā)現(xiàn)的輕微損傷，可以檢出并預測其病情，減少實際生產(chǎn)中的損失。

圖4 可見-近紅外采集裝置[44]Fig. 4 Photograph of VIS-NIR equipment[44]

近紅外光譜技術可以利用物質(zhì)對光的吸收、散射、反射和透射等特性來同時確定其多種成分（糖度、酸度、蛋白質(zhì)、水分等）的含量，且檢測速度快，無需復雜的樣品處理、無化學污染，非常適合農(nóng)產(chǎn)品內(nèi)部品質(zhì)的檢測；但是近紅外光譜技術只針對檢測對象的部分區(qū)域，獲取的光譜僅代表樣品表面的局部區(qū)域，缺少樣品的空間信息，這可能導致預測集與測量集之間信息差異較大，從而影響系統(tǒng)的穩(wěn)定性。

4.3 高光譜檢測技術

高光譜成像將傳統(tǒng)成像技術和光譜技術進行有機結合，具有超多波段、較高的光譜分辨率和圖譜合一的特點，用于農(nóng)產(chǎn)品檢測時可以同時獲得其表面特性及內(nèi)部品質(zhì)的信息，在農(nóng)產(chǎn)品綜合品質(zhì)檢測中具有廣闊的發(fā)展前景。

4.3.1 高光譜檢測技術在桃內(nèi)部品質(zhì)檢測中的應用

高光譜成像技術在桃內(nèi)部品質(zhì)檢測方面已經(jīng)取得了一定的研究進展。利用可見光和近紅外光譜范圍（400～1 000 nm）的高光譜成像技術（圖5A），基于全波長的局部區(qū)域模型和多區(qū)域組合模型對‘平谷’桃可溶性固形物含量的預測效果進行評價，并用偏最小二乘法進行建模。模型分析結果表明，多區(qū)域組合模型優(yōu)于局部區(qū)域模型。然后，采用蒙特卡羅交叉驗證法、連續(xù)投影法、競爭自適應加權采樣法和隨機蛙式4 種典型的波長選擇算法，分別選擇有效波長進行可溶性固形物含量的快速定量測定。結果表明，隨機蛙跳算法是局部區(qū)域模型和多區(qū)域組合模型進行可溶性固形物含量分析的最有效算法（預測精度為0.86）。然而，此研究只基于桃的光譜特征，缺乏對綜合特征的考量，限制了對果實品質(zhì)的準確評價。為此，基于堆棧自動編碼器-隨機森林的深度學習算法，將高光譜圖像融合信息技術應用于桃可溶性固形物含量的預測（圖5B）。結果表明，基于高光譜圖像融合信息深度特征的模型精度高于基于光譜特征或圖像特征的模型。另外，基于1237-650-310-130網(wǎng)絡結構的模型預測效果最好，為0.918 4，均方根誤差（root mean squared error，RMSE）為0.669 3。

基于全光譜和特征波長的反向傳播網(wǎng)絡模型對桃的硬度具有良好的預測性能，其預測相關系數(shù)為0.856，RMSEP為0.931。通過蒙特卡羅偏最小二乘法分析剔除異常值，利用光譜-理化值共生距離劃分樣本集，采用競爭性自適應加權取樣法和連續(xù)投影算法選取特征波長，并建立多元線性回歸模型。高光譜成像技術被用于肥城桃可溶性固形物含量和硬度可視化檢測與成熟期預測?；诟偁幮宰赃m應權重取樣法-多元線性回歸模型計算肥城桃每個像素點可溶性固形物含量和硬度，生成可視化分布圖，實現(xiàn)不同成熟度肥城桃可溶性固形物含量和硬度可視化檢測，有助于提高果品質(zhì)量，實現(xiàn)優(yōu)果優(yōu)價。利用順序前向選擇算法優(yōu)選特征波長，建立人工神經(jīng)網(wǎng)絡成熟期預測模型，可獲得98.3%總識別準確率。

圖5 高光譜檢測技術在桃內(nèi)部品質(zhì)檢測中的應用[47,48,51]Fig. 5 Hyperspectral imaging system[47,48,51]

高光譜透射率成像技術也可應用于不同果肉顏色（黃色果肉及白色果肉）的桃果實分類（圖5C）。采用偏最小二乘-判別分析對兩個品種的分類準確率分別為95.7%和94.6%。高光譜成像技術在信息量上具有獨特的優(yōu)勢，但同時其巨大的信息量中含有相當多的冗余信息，為數(shù)據(jù)處理增加了難度，不利于在線檢測的應用。而多光譜成像可提供具有3～20 個非連續(xù)波段的圖像。從成像原理上講，多光譜成像技術就是把入射的全波段或寬波段的光信號分成若干個窄波段的光束，然后把它們分別成像在相應的探測器上，從而獲得不同光譜波段的圖像。這樣就減少了冗余數(shù)據(jù)。通過多光譜成像技術能夠實現(xiàn)不同成熟度桃的分類。利用680 nm和800 nm兩個波段圖像的比值，非監(jiān)督分類方法正確率可達80%。

冷害是桃果實的一種生理障礙，會降低桃果實的食用品質(zhì)和加工品質(zhì)。利用高光譜反射成像技術（400～19 100 nm）對桃的不同冷害程度進行分類，結果表明，在全波長條件下，人工神經(jīng)網(wǎng)絡模型的預測效果優(yōu)于偏最小二乘-判別分析和支持向量機，分類準確率可達85.37%～99.29%。為了應用高光譜成像技術檢測‘秦光2號’油桃早期冷害，反射高光譜采集系統(tǒng)用于獲取初始發(fā)生冷害果及未冷害果在400～1 000 nm波段的高光譜圖像，繼而應用獨立主成分分析方法降維后優(yōu)選出特征波長，作為Fisher判別法的特征集，對油桃早期冷害判別正確率為98.9%。

為了識別蟲害果，閾值分割和主成分分析方法被用來對高光譜圖像進行處理，以獲得蟲害區(qū)域分割結果。然后選取2 個特征波長作為光譜特征，提取4 個紋理參數(shù)作為紋理特征，并將其優(yōu)化組合成4 組特征向量，利用反向傳播神經(jīng)網(wǎng)絡進行鮮桃蟲害檢測。結果表明，667 nm和746 nm波段的光譜反射值的光譜特征和270°方向的能量、對比度、熵、相關性的紋理特征的組合為鮮桃蟲害檢測的最優(yōu)特征向量，對果實識別正確率為100%。

4.3.2 高光譜檢測技術對桃外部品質(zhì)檢測的應用

碰傷是桃子最常見的損傷類型，是造成品質(zhì)損失的主要原因之一。然而，快速無損檢測桃子早期損傷具有一定的難度。利用主成分分析為每種成像模式選擇有效波長，基于形態(tài)學梯度重建和標記提取的改進分水嶺分割算法，對多光譜主成分圖像進行分析處理。該方法對碰傷桃子的分類準確率為96.5%，完好桃子的準確率為97.5%。該算法優(yōu)于最大類間方差法和全局閾值法等常用分割方法。

采用高光譜（420～1 000 nm）成像技術對‘中油9號’油桃的4 種外部缺陷果（裂紋果、銹病果、異形果和暗傷果）進行檢測判別。對光譜數(shù)據(jù)進行主成分分析得到前10 個主成分值，并對圖像數(shù)據(jù)采用灰度共生矩陣提取得到6 項圖像紋理指標（均值、對比度、相關性、能量、同質(zhì)性、熵值）。將主成分值和紋理值融合建立極限學習機模型對油桃外部缺陷進行檢測判別，結果表明該模型對缺陷樣本的判別正確率為91.67%，完好樣本的正確率為100%。

4.4 其他光譜檢測技術

除了最常用的基于可見光、近紅外和高光譜的檢測技術外，隨著科學技術的發(fā)展，涌現(xiàn)了一些新興的基于光學特性的桃品質(zhì)檢測技術，包括時間分辨反射光譜、熒光光譜以及結構化照明反射成像等。

時間分辨反射光譜是基于測量短激光脈沖（脈沖持續(xù)時間約為100 ps）在穿過非透明介質(zhì)（如果肉）時所經(jīng)歷的時間延遲和展寬。利用適當?shù)墓獯┩咐碚撃Ｐ头治龉庾訒r間分布，可以同時估計吸收系數(shù)和散射系數(shù)。吸收系數(shù)和散射系數(shù)分別對應被水果主要成分（水、葉綠素、類胡蘿卜素和糖）吸收的概率（光子傳播的單位距離）和由于膜、空氣、液泡或細胞器引起的折射率的微觀變化而改變方向的概率。利用時間分辨反射光譜法測定采后果肉在670 nm處的吸收系數(shù)，可以作為油桃的成熟度指標。在此基礎上通過動力學模型將與成熟過程中硬度聯(lián)系，可以預測單個水果的貨架期。油桃冷藏后通常會變軟，果肉褐變以及果核附近形成凝膠狀或玻璃狀的果肉。為了觀察時間分辨反射光譜能否鑒別這些內(nèi)部品質(zhì)劣變，在670 nm和780 nm處測定了油桃的和約化散射系數(shù)的光學參數(shù)。結果表明，時間分辨反射光譜法可以檢測油桃貯藏后的內(nèi)部木質(zhì)化和內(nèi)部褐變。

熒光光譜法是一種靈敏度高、檢測速度快的分析技術，儀器成本相對較低。水果中含有多種可以產(chǎn)生熒光的物質(zhì)，如色氨酸、酪氨酸、葉綠素以及核黃素等。有研究表明利用熒光光譜儀對4 個黃桃品種的吸光度差異指數(shù)（index of absorbance difference，）進行測定，對果皮顏色的預測準確率較高（相關系數(shù)大于0.85），而對果肉顏色、果肉硬度和可溶性固形物含量的預測只在部分品種中效果較好。熒光光譜儀對不同成熟度等級（未成熟、成熟和成熟）桃的分類得分為0.85。DA-Meter果實無損檢測儀是一款手持式水果無損檢測設備，利用發(fā)光二極管傳感頭檢測果實表面葉綠素含量，并以此來判定果實的成熟度。為了確定桃的最佳采收期，在收獲前一個月，連續(xù)監(jiān)測3 個桃品種果皮葉綠素的。結果表明與果實硬度呈顯著正相關（＝0.9），可以用來評估桃的成熟度。也有研究發(fā)現(xiàn)以7 個毛桃品種和5 個油桃品種為研究對象，綜合各品種的數(shù)據(jù)，葉綠素值與硬度呈顯著正相關，相關系數(shù)為0.11～0.65，然而不同品種的系數(shù)不同。而值與可溶性固形物含量之間沒有顯著關系。表明在收獲前的成熟度檢測中，DA-Meter測量儀不能代替硬度和可溶性固形物含量測量。

盡管機器視覺、高光譜、多光譜技術應用廣泛，但它們多應用于檢測表面可見的病害癥狀，對早期侵染階段癥狀仍隱藏在果皮下的病害檢測效果較差。近幾年來，結構照明被用于生物組織的三維光學成像，其具有非接觸式、高分辨率、高精度、高速度，高保真度和低成本等優(yōu)點。桃采后易受真菌感染，但由于早期癥狀不明顯，因此具有挑戰(zhàn)性?；诮Y構光反射成像系統(tǒng)（圖6），采用分水嶺算法和偏最小二乘-判別分析方法對病害桃進行了直流分量和比率圖像分類，正確檢測率在65%～87%之間。而交流分量能更好地檢測出病害桃，利用卷積神經(jīng)網(wǎng)絡對所有樣品的病害桃檢出率均達到98.6%，對早期腐爛桃的檢出率為97.6%。

圖6 基于液晶可調(diào)諧濾波器的多光譜結構照明反射成像系統(tǒng)示意圖[65]Fig. 6 Schematic diagram of liquid-crystal tunable filter-based multispectral structured-illumination reflectance imaging system[65]

在利用光學特性對桃品質(zhì)檢測方面，近紅外光譜法具有快速、無損和可實現(xiàn)多組分同時測定的特點。高光譜圖像技術集圖像信息與光譜信息于一身，光譜信息反映樣品內(nèi)部結構的差異，圖像信息反映樣品的形狀、缺陷等外部品質(zhì)特征，在水果品質(zhì)檢測方面具有獨特的優(yōu)勢。但高光譜圖像系統(tǒng)采集的數(shù)據(jù)精度高，適合實驗階段，且數(shù)據(jù)量過大、處理時間長，不適合在線檢測。

5 基于電子鼻的桃品質(zhì)檢測技術

電子鼻也稱為人工嗅覺系統(tǒng)，由具有部分選擇性的化學傳感器陣列和適當?shù)哪Ｊ阶R別系統(tǒng)組成，能夠通過傳感器的部分專一性和系統(tǒng)的模式識別功能，檢測簡單或復雜氣味。通常電子鼻主要由三部分構成：進樣系統(tǒng)、傳感器陣列和軟件系統(tǒng)。樣品上方的氣體通過頂空進樣器被吸入到帶有傳感器陣列的主機中；待測樣品的的氣體作用于傳感器陣列，使傳感器某一物理特性發(fā)生變化；軟件系統(tǒng)對傳感器產(chǎn)生的信號進行預處理和模式識別后對結果進行輸出。

基于電子鼻氣敏元件陣列的響應（圖7），可以建立桃品質(zhì)指標評價模型。通過多元線性逐步回歸法、二次多項式逐步回歸法和反向傳播神經(jīng)網(wǎng)絡建立白桃硬度、含糖量和酸度與傳感器信號的關系，結果表明其范圍為0.79～0.92。利用電子鼻結合主成分分析能夠區(qū)分不同桃品種（3 個油桃品種和1 個毛桃品種）。利用多元線性回歸預測桃的酸度、甜度和可接受度，為0.48，RMSE為3.85。利用電子鼻對19 個桃品種間果實香氣的差異進行了研究，通過判別因子分析方法可將桃果實大致分為 4 類，統(tǒng)計質(zhì)量控制方法顯示樣品間的香氣品質(zhì)具有差異。電子鼻也可以實現(xiàn)不同桃品種的分類及貨架期預測，研究表明線性判別分析能夠將4 個不同品種完全區(qū)分。利用分類回歸樹分析方法對不同貨架期樣本進行分類，交叉驗證錯誤率為4.87%。

圖7 電子鼻檢測系統(tǒng)示意圖[66]Fig. 7 Schematic diagram of electronic nose detection system[66]

電子鼻可以用來對桃子3 種常見的腐敗菌——灰霉病菌、果念珠菌和匍匐根霉的污染進行無損檢測。通過分析桃子接種真菌后產(chǎn)生的揮發(fā)性物質(zhì)與真菌的菌落數(shù)，結果表明，桃果實中揮發(fā)性成分的變化與真菌的數(shù)量和種類有關。萜烯類和芳香族化合物是引起電子鼻響應的主要因素。主成分分析得分與真菌菌落數(shù)高度相關，MPLS可以有效地預測桃樣品中的真菌菌落數(shù)。

為了建立桃果實冷害的無損檢測方法，將桃果實于0 ℃和5 ℃條件下冷藏，利用Fisher判別分析法建立的數(shù)學模型對不同冷害等級判別準確率為91.7%，而且研究發(fā)現(xiàn)果實發(fā)生冷害時青香型物質(zhì)的相對含量增加，果香型物質(zhì)的相對含量降低；僅在發(fā)生冷害的果實中檢出的物質(zhì)為十四烷、十六烷、十九烷，其相對含量隨冷藏時間延長而增加，可作為監(jiān)測桃果實冷害發(fā)生情況的特征揮發(fā)性化合物。電子鼻也可實現(xiàn)桃果實在冷鏈（0 ℃）中的腐爛情況及貯藏時間的預測，偏最小二乘-判別分析對腐爛水果分類的預測正確率為95.83%（健康樣品為94.64%，腐爛樣品為100.00%）。偏最小二乘支持向量機預測桃果實冷鏈貯藏時間的最佳模型殘差預測值為9.283。

消費者在選購水果時越來越關注果實的風味，電子鼻技術作為一種人工智能設備，在氣味檢測方面具有顯著的優(yōu)勢：與氣相色譜-質(zhì)譜聯(lián)用技術相比，電子鼻技術具有操作簡單、無需樣品前處理、無損、快捷的優(yōu)點；與傳統(tǒng)的感官評價相比，電子鼻技術的檢測結果更加客觀，具有經(jīng)濟、高效、重復性好等優(yōu)點，在水果品質(zhì)檢測中電子鼻具有廣闊的應用前景，但其準確性和穩(wěn)定性還有待進一步探討。

6 結 語

近年來，國內(nèi)外學者對無損檢測技術在桃果實品質(zhì)檢測方面開展了大量的研究工作，研究證明將其應用于桃果實品質(zhì)檢測是有效可行的。為了適應國際市場對桃高品質(zhì)的要求，桃品質(zhì)的無損檢測技術成為國內(nèi)外學者重要的研究方向之一。針對當前存在的缺點與不足，未來有以下8 個發(fā)展趨勢。

第一，在基于聲學特性的桃品質(zhì)無損檢測方面，應加強多種聲學特性對果品內(nèi)部品質(zhì)指標的綜合影響的研究，將有利于提高聲學檢測精度。此外，開發(fā)便攜、非接觸式的水果品質(zhì)檢測聲學特性系統(tǒng)也是未來發(fā)展趨勢。

第二，目前雖然市面上已有相應的力學參數(shù)檢測設備，但多為國外制作，從價格、功能和應用上存在各方面不足，研制多用途、多功能、智能化、經(jīng)濟型的水果力學性能檢測儀是當前迫切需要的。目前尚未有統(tǒng)一的水果力學性能檢測的國家標準，因此如何根據(jù)檢測到的力學性能數(shù)據(jù)分析水果的品質(zhì)特性及如何建立評價體系也是需要進一步研究與探討。

第三，在基于介電特性的技術方面，今后可以加強對水果介電特性的機理研究，明晰水果采后生理變化對其介電特性的影響機理；加強對檢測裝備的研發(fā)，建立一個性能更加良好的介電特性測量裝置將有效推進電特性檢測方法的實用化進程；另外，就研究對象而言，大多數(shù)研究多集中在采后和貯藏期，因此，很有必要進一步開展生長過程與品質(zhì)相關的介電特性研究。

第四，今后在水果產(chǎn)業(yè)初始端如產(chǎn)地初加工和貯藏階段加大機器視覺檢測技術的應用程度，研究適合該階段的機器視覺系統(tǒng)和算法，將有利于從源頭上減少果品的損耗，保障后期的質(zhì)量。機器視覺市場還在不斷擴大，新標準、新技術也正在以前所未有的速度發(fā)布，智慧農(nóng)業(yè)、無人農(nóng)場、跨行業(yè)協(xié)作、高光譜應用都將促進機器視覺技術的進一步應用。未來，在農(nóng)業(yè)生產(chǎn)領域還是將集中在關鍵技術突破、多傳感器融合、3D視覺應用以及與5G移動通信技術深度融合方面。

第五，近紅外光譜技術在果實品質(zhì)的檢測中顯示出了良好的應用前景，然而商業(yè)化的專用便攜式近紅外儀器很少，且目前現(xiàn)有的設備成本較高。未來的近紅外光譜設備將朝著小型輕便化發(fā)展，操作平臺更加趨近于手機、平板等移動端?；诮t外光譜預測桃品質(zhì)的模型一般針對特定品種，應用于其他品種時則需要對模型進行校準，因此開發(fā)精確可靠通用的近紅外光譜無損檢測方法是將來研究方向。無損檢測方法通常涉及的數(shù)據(jù)量較大，因此需要進行多元數(shù)據(jù)分析，從多個變量中提取主要信息，然后再利用這些信息建立模型。為了建立穩(wěn)定通用的校準模型，需要開發(fā)新的數(shù)據(jù)分析方法。

第六，高光譜技術可根據(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，設計對應的光譜圖像系統(tǒng)。在不降低精度的前提下，降低成本和節(jié)約時間。隨著科學技術的發(fā)展，無損檢測方法越來越成熟，以數(shù)字化、圖像化和信息化為代表的無損檢測方法是未來檢測方法發(fā)展的必然趨勢。

第七，傳感器材料是電子鼻技術的最重要部分，對傳感器材料的研究是關鍵，開發(fā)穩(wěn)定、靈敏的電子鼻系統(tǒng)是其現(xiàn)代化生產(chǎn)應用的必經(jīng)之路。隨著新的儀器和材料的發(fā)展，傳感器的性能將得到改善，也有利于降低檢測成本，從而加強無損檢測方法的實際應用。

第八，對于不同的目標物和檢測技術，選擇合適的機器學習方法是十分必要的。盡管同一種無損檢測方法在不同的檢測目標中均具有可行性，但通常在特定檢測目標上效果最優(yōu)。不同技術根據(jù)不同的原理對某些特定的樣品進行檢測，各有優(yōu)缺點。因此需要根據(jù)不同的檢測目標，選擇最佳的分析技術和機器學習方法，或者將不同檢測方法融合以獲得更全面的信息進行建模。