1、水果成熟度无损检测技术研究进展孙梦梦,翰皓,姜洪喆,袁伟东,周宏平*(南京林业大学机械电子工程学院,江苏南京,2 10 0 37)食品与发酵工业FOODANDFERMENTATIONINDUSTRIESD0I:10.13995/ki.11-1802/ts.033166引用格式:孙梦梦,翰皓,姜洪喆,等.水果成熟度无损检测技术研究进展J.食品与发酵工业,2 0 2 3,49(17):354-36 2.SUNMengmeng,JU Hao,JIANG Hongzhe,et al.Research progress of nondestructive detection technology in
2、fruit maturityJJ.Foodand Fermentation Industries,2023,49(17):354-362.摘要成熟度作为衡量水果品质的关键性因素,与水果的采摘、包装、贮藏、运输等作业环节密切相关,也是其产量和质量的决定性因素之一。已有的人工经验分析方法和理化实验方法均存在过于主观、检测效率低、操作繁琐等缺点,难以实现大批量水果成熟度无损检测的要求。无损检测技术凭借快速、高效等优势在水果成熟度检测领域已有较广泛的研究探索,该文综述了近年来国内外关于电学、声学等基本特性,电子鼻、机器视觉等智能感官仿生技术,近红外光谱技术以及高光谱成像技术等无损检测技术在水果成熟度检
3、测中的最新研究进展,并对各项技术现存的问题和今后的发展前景进行了分析和展望,以期为我国农产品种植和自动化采摘提供参考和借鉴。关键词水果;成熟度;电学特性;声学特性;智能感官仿生技术;光谱技术;无损检测水果是人类饮食的重要组成部分,它提供了人体必要的维生素、矿物质以及其他有益健康的化合物,能够有效促进人体新陈代谢,帮助人们改善身体状况、延缓衰老1-2 。在采后运输这一环节中,由于细胞的呼吸作用致使水果内部有机物过多地被消耗,从而影响水果的品质和食用口感,而水果的成熟度检测对这一过程的变化起着至关重要的作用3。在果实成熟过程中的内部特性变化会影响果实的食用品质以及采后的货架期与销售策略。成熟的果实
4、具有宜人的风味与香气,然而,不熟或过熟的水果不仅风味不佳,还会使其零售价值降低,造成严重的经济损失与资源浪费4。因此,建立水果成熟度评价方法,有助于确定水果最佳采收期,降低后续不必要的损耗。传统的水果成熟度检测方法主要是依据果农经验判断或借助分析仪器来进行复杂的理化实验5。然而经验判断方法受主观因素影响较大,且效率低、误判率高;理化实验方法通常需要对果实组织进行破坏,且操作繁琐、效率较低,难以实现大批量检测6-8 。鉴于传统检测方法的不足,无损检测技术应市场需要迅速发展。无损检测技术是利用水果的物理化学特性,在对果实不造成破坏的情况下对其内外部品质、气味、质地等品质参数进行测定,并依据这些品质
5、参数与果实成熟度之间的关系进行成熟度评价,第一作者:硕士研究生(周宏平教授为通信作者,E-mail:)基金项目:国家自然科学基金项目(32 10 2 0 7 1);江苏省农业科技自主创新基金项目(CX(2 0)30 40);江苏省高等学校自然科学研究项目(21KJB220013)收稿日期:2 0 2 2-0 8-0 1,改回日期:2 0 2 2-0 9-0 23542023 Vol.49 No.17(Total 485)具有操作简单、检测效率高等优点,弥补了人工检测与有损检测方法的不足9-10 1。近年来,诸多文献报道了关于水果品质、病害、食品安全等方面的无损检测研究现状-131。但鲜有文章针
6、对成熟度这单一因素进行系统性分析。因此,本文重点综述了近几年国内外研究者在水果成熟度检测领域中应用较多的无损检测方法,主要有电学特性分析法、声学特性分析法、电子鼻、机器视觉、近红外光谱、高光谱成像技术等方法,并对这些无损检测技术在水果成熟度检测领域中存在的问题和发展前景进行分析与展望。1水果成熟度划分根据水果果品用途、市场需要及贮存运输等情况,可将水果成熟度分为可采成熟度、食用成熟度和生理成熟度3种。可采成熟度即果实的大小和重量已达到可采收标准,基本完成了生长发育和各种营养物质的积累,果面开始呈现出果实的固有色泽,但此时果肉较硬、风味不佳,内部营养物质尚未完全转化还不宜鲜食,应适于长期贮藏、远
7、距离运输或加工蜜饯等;食用成熟度指果肉已达到充分成熟阶段,果实表现出特有的色泽、风味与质地,其营养价值达到最高点,为食用的最佳时期,此时采收的水果适于鲜食、当地销售或短途运输,也可用于酿酒、制汁或短期贮综述与专题评论存;生理成熟度即为果实生长的最后阶段,此时水果未成熟芒果的介电常数值为192 4,而成熟芒果的果实已完全成熟,其种子也趋于成熟,但浆果肉质松介电常数值为16 2 1。张莉等2 51利用LCR阻抗分软、口感风味变差、果实内含物水解作用增强、营养价析仪和平行板铜电极测定了4个成熟期“火柿”的电值降低,已不宜食用和贮藏,一般水果都不应在此阶学特性,结果发现阻抗、电容、电感以及电导等电学参
8、段采收,只有以食用种子或用于种果树为目的的山数均能够较好地反映火柿的成熟度。杏、板栗、核桃等果实才在生理成熟度采收14-16 。水果成熟过程中的电学特性变化与其生理特性变化之间的相关性较高,电学特性可反映果实内含物2水果成熟度无损检测技术应用现状成分变化,因此,利用某些电学参数值(如阻抗、电2.1基基于电学特性的成熟度检测水果在生长发育的过程中,其内部的生理、生化变化都伴随着物质和能量的转换,使得果实组织中各类化学物质的带电荷量和带电粒子的空间分布发生变化,并在外电场的作用下呈现不同的电学特性17 。因此,水果糖度、水分含量、成熟度等品质因素均会对介电常数、阻抗、损耗因子等电学参数产生影响s-
9、9。如图1所示,其测量系统主要由电学特性检测仪器、平行极板、计算机等部分组成,通过获取评价水果成熟度的介电特性即可实现对水果成熟度的鉴别。屏蔽网平行极板计算机小水果电学特性检测仪图1果实电学参数测量系统Fig.1 System of fruit electrical properties measurementWOLF等2 0 1研究发现苹果在成熟过程中,其介电损耗因数以及介电常数会产生较为明显的变化。陈志远等2 1 利用平行板电极全面地分析了8 个电参数与番茄成熟度之间的相关性,结果发现复阻抗(c o mp l e x i mp e d a n c e,Z)和相对介电常数(relativep
10、er-mittivity,8)与成熟度呈现规律性变化,Z随成熟度的增加而减小,而8 则呈现与乙相反的变化趋势。CASTRO-GIRALDEZ等2 2 探究了在频率50 0 MHz20GHz石榴成熟度与其介电谱谱线之间的关系,结果表明,在1.2 2.4GHz,成熟度与其具有显著的相关性。SOLTANI等2 3 利用带有平行板电容采样的正弦波频率发生器,对不同成熟度的香蕉果实进行了电容差异的研究,结果发现8,与香蕉果实的品质参数具有相关性,且随着成熟度的增加,香蕉果实的8 亦随之降低。YAHAYA等2 4 通过比较不同介电特性与含水量之间的关系来预测芒果的成熟度,结果发现,果实中的水分含量随着成熟
11、时间的增加而降低,容、电感等)对水果的成熟度进行无损检测是切实可行的,为水果采后品质分级提供理论基础。表1总结了电学特性在水果成熟度检测中的应用。表1电学特性在水果成熟度检测中的应用Table 1 Application of dielectric properties in fruitmaturity detection检测测量技术对象番茄平行极板电容器技术石榴#同轴探头技术香蕉平行极板电容器技术芒果同轴探头技术火柿平行极板电容器技术2.2基于声学特性的成熟度检测水果的声学特性是指果实在声波作用下的反射特性、散射特性、透射特性、吸收特性、衰减系数、传播速度及其本身的声阻抗与固有频率等,它们反
12、映了声波与水果相互作用的基本规律2 6 。如图2 所示,声学系统检测设备主要由声波传感器、动态信号分析仪、信号放大器、计算机等部分组成,其检测原理是利用不同物质间产生不同的振动频率和固有频率,研究其成熟度与振动频率之间的关系,进而对产品品质进行评估2 7-2 8 O计算机动态信号分析仪图2 声学检测系统示意图2 9Fig.2Diagram of acoustic detection systemKHOSHNAM等30 利用声波脉冲响应方法对5种不同成熟度的甜瓜进行分析,结果发现共振频率与甜瓜成熟度之间存在较好的相关性,其共振频率随成2023 年第 49 卷第 17 期(总第 48 5 期)35
13、5参考频率范围/Hz相关电参数126 5 M阻抗、相对介电常数500M20 G介质损耗因数10 k10 M相对介电常数0.2 G 5 G介电常数、介质损耗因数【2 4100 3.98 M阻抗、电容、电感声波传感器信号放大器物料台文献2122 2325敲击球O食品与发酵工业FOODANDFERMENTATIONINDUSTRIES熟度的增加而降低。张帅等31 利用声振法,通过敲击香瓜发出的声频,建立其声学特性与香瓜硬度、含糖量的相关性模型,并提出了香瓜的成熟度指数,结果表明香瓜的声学特征值与其硬度系数之间存在较好的相关性,可以用来检测香瓜的成熟度。TANI-WAKI等32 利用非破坏性的声振技术
14、,对梨果实的质地以及成熟度进行检测,结果表明在较大的频率范围内,梨的质地指数会随着成熟度的提高有显著下降的趋势,因此可以利用声振技术预测质地指数从而对梨的成熟度进行预测。CHOE等33 研制了一种利用压电陶瓷测量声速的装置来检测西瓜成熟度,利用该装置来测量西瓜不同部位处的声速和西瓜中部的含糖量,结果表明,声速与西瓜成熟度(含糖量)的相关系数为0.9 7 5,因此,可以利用测定声速与西瓜含糖量之间的相关性来判断其成熟度。水果声学特性与其成熟度存在一定的相关性,利用水果本身的声学特性对其进行成熟度无损检测是一种行之有效的方法,这一检测方法也为声学技术在农业检测领域的应用与推广提供了新的方向。2.3
15、基于电子鼻技术的成熟度检测香气是判别水果成熟与否的重要属性,不同成熟度的果实,其芳香、气味也有所不同34。电子鼻作为一门新兴技术,融合了模式识别、传感器技术、人工智能等学科,能通过模拟生物嗅觉功能来实现对检测对象的分析评价3。电子鼻主要是通过模拟电子仪器感知水果成熟时所散发出的特定物质(如某些酚类、酯类、乙烯等),从而对水果成熟度进行无损检测36 。其系统原理图如图3所示。气敏传感器数模转换气敏传感器数模转换气敏传感器数模转换图3电子鼻系统原理图37 Fig.3Electronic nose system schematic diagramDU等38 以猕猴桃为研究对象,利用带有10 个MOS
16、气体传感器的电子鼻系统对不同成熟度的猕猴桃进行数据采样,并基于线性判别分析(linear dis-criminantanalysis,LD A)方法分析不同成熟度的猕猴桃,结果表明其判别模型的识别准确率高达10 0%,说明电子鼻可以通过挥发性气味来鉴别猕猴桃的成熟度。MANUEL等39 利用16 个气体传感器开发出一种用于树番茄成熟度无损检测的电子鼻系统,结果3562023 Vol.49 No.17(Total 485)表明该系统对3个不同成熟度阶段的树番茄的分类准确率达到99.8 8 6%。徐赛等40 采用PEN3电子鼻系统对6 个不同成熟度荔枝的仿生嗅觉数据进行采集,并结合主成分分析(pr
17、incipalcomponentanalysis,PCA)、LD A 等方法建立荔枝成熟度的识别模型,其准确率均为10 0%。张鑫等41 采用带有18 根MOS传感器阵列的FOX4000电子鼻系统采集了3个不同成熟度阶段桃果实的仿生嗅觉数据,并结合PCA和判别因子分析法建立了桃果实成熟度的判别模型,结果表明电子鼻可以较好地区分桃果实的成熟度。PATHANGE等42 利用淀粉指数、穿刺强度等成熟度指标将嘎啦苹果分为未熟、成熟、过熟3个阶段,并采用带有32 个高分子复合传感器阵列的Cyranose320电子鼻系统采集了3个不同成熟度苹果的仿生嗅觉数据,结合PCA建立苹果成熟度的判别模型,其准确率为
18、8 3%。综合上述研究表明,电子鼻通过检测水果散发出的气味能够较为准确地区分其成熟度。电子鼻系统分析测定速度快,能够及时反馈被测物体的相关信息,这些信息对于水果贮藏环境温度、湿度和气体成分的调节起到了重要作用,有助于对果实采收期的判定。表2 总结了电子鼻在水果成熟度检测中的应用。表2电子鼻在水果成熟度检测中的应用Table 2Application of electronic nose in fruitmaturity detection检测对象电子鼻系统算法类型准确率/%参考文献猕猴桃PEN3番茄荔枝桃子信号处理模式识别LDAPNNPEN3BPNNFOX4000PCA结果输出苹果Cyrano
19、se3202.4基于机器视觉技术的成熟度检测在水果成熟过程中,其表皮颜色和纹理等外观信息将会不断发生变化,机器视觉检测技术是利用图像采集装置和计算机技术演化人类的视觉功能,从果实图像中提取特征信息(如果实成熟度的表型性状),并对图像特征进行处理和分析,以达到机器判定水果成熟度的目的,其系统结构如图4所示。水果成熟度的质量评估是农业经营中的关注点,也是机器视觉领域中的研究热点43。WAN等44 提出一种将颜色特征值与反向传播神经网络(back propagation neural network,BPNN)分类技术相结合的方法,对绿色、橙色和红色3种成熟10099.886100一PCA83383
20、9404142综述与专题评论相机熟度检测中的应用。表3机器视觉在水果成熟度检测中的应用光源Table 3Application of machine vision in fruit灯箱计算机样本样品台图4机器视觉系统结构Fig.4Mechanical vision system structure度等级的番茄进行分类,该方法分类平均准确率为99.31%。LU 等45 设计了一款基于机器视觉的冬枣分级机器人,并采用YOLOv3算法和人工提取特征相结合的方法,对冬枣成熟度进行分类,结果表明,该方法分类速度为每个冬枣1.3 9 s,分类准确率为97.28%。M A ZEN等46 提出了一种自动识别香
21、蕉成熟度的机器视觉系统,并基于人工神经网络(artificialneural network,A NN)算法,利用颜色、褐斑生长和Tamura纹理特征等图像特征对不同成熟度的香蕉果实进行分类,并将该方法所得的结果与支持向量机、朴素贝叶斯、K邻近算法、决策树和判别分析分类器等其他监督分类算法进行比对,结果发现,该系统的整体识别率最高,为9 7.7 5%。KHOJASTEH-NAZHAND等47 利用图像处理技术采集了3种不同成熟度的杏果实图像,通过对其进行裁剪、滤波和分割,从而提取杏的相对R、G、B通道、灰度、L*、*和6*等成像特征,结果表明,基于颜色特征的二次判别分析(quadratic d
22、iscriminant analysis,Q D A)分类器对其成熟度的分类准确率为92.3%。许德芳等48 利用机器视觉技术采集了3种不同成熟度的甜瓜图像,采用色彩空间与灰度共生矩阵相结合的方法提取颜色和纹理特征变量,并建立主成分分析(principalcomponentanalysis,PC A)-偏最小二乘支持向量机(least square support vector machine,LS-SVM)判别模型对甜瓜成熟度进行识别,其综合识别准确率高达100%,结果表明,基于果皮颜色与纹理特征信息可实现甜瓜成熟度的判别。研究表明,水果成熟度与其表面颜色特征、纹理特征密切相关。机器视觉技术
23、可以代替人眼感官开发出一个相对简单、自动化的系统来对果实进行不同成熟度的检测,其中颜色纹理分析方法对细微颜色变化敏感,能够捕捉深层次的纹理和颜色特征,弥补传统人工检测的不足,为成熟果实的自动化、智能化摘取提供一定的依据。表3总结了机器视觉在水果成maturitydetection检测对象方法番茄BPNN冬枣YOLOv3香蕉ANN杏QDA甜瓜PCA-LS-SVM2.5基于近红外光谱技术的成熟度检测根据美国材料与试验协会(AmericanSocietyofTestingMaterials,A ST M)提供的数据,近红外(near in-frared,NIR)光是介于可见光和中红外光之间的电磁波,
24、其光谱范围为7 8 0 2 52 6 nm(12 8 2 0 39 59cm)49。由于近红外光谱与有机分子中含氢官能团(C一H、O 一H、N一H、S一H)振动的合频以及各级倍频的吸收一致,因此当近红外光照射到水果样品时,其基本成分(如可溶性有机酸、水分等)的结构、组成差异会使光谱在特定波长上发生偏移,是反映水果内部品质的一种无损检测方法50 SHARPE等51 利用近红外光谱技术对苹果、桃等10 种水果的漫反射光谱进行采集,结果发现不同成熟度的果实光谱存在较大差别,较早地提出了应用光谱技术进行果实成熟度检测的可能性。FERRARA等52 利用7 40 10 7 0 nm波段便携式近红外光谱仪
25、采集了4种鲜食葡萄品种的光谱数据,并对葡萄果实可滴定酸度、可溶性固形物含量等成熟度指标参数进行检测,利用偏最小二乘回归(partialleast squaresre-gression,PLSR)方法建立葡萄可溶性固形物含量的光谱预测模型,其决定系数均高于0.95。尚静等531采用光纤式可见/近红外光谱仪获取了不同成熟度猕猴桃的反射光谱,并结合多元线性回归和误差反向传播构建猕猴桃可溶性固形物和硬度等成熟度品质参数的预测模型,同时基于偏最小二乘判别分析(partialleast squares discriminant analysis,PLS-DA)构建了猕猴桃成熟度检测模型,结果发现该模型对猕
26、猴桃成熟度的识别率高达10 0%。周靖宇等54 采集了3种不同成熟阶段无花果的光谱数据,根据多种品质指标的K-均值聚类,并结合PLS-DA建立判别模型,结果表明,该判别模型预测集的分类准确率为99.59%。果实在生长发育过程中将会伴随着多种理化成分的变化,采用多种理化指标进行综合评价,可实现水果成熟度的精准分类,赵娟等55 利用2 0 0 110 0 nm波段2023 年第 49 卷第 17 期(总第 48 5 期)357准确率/%99.3197.2897.7592.3100参考文献4445464748 食品与发酵工业FOODANDFERMENTATIONINDUSTRIES的可见/近红外光谱
27、仪采集了3种成熟度富士苹果的光谱信息,基于极限学习机和支持向量回归(supportvectorregression,SVR),并结合成熟度评价指标(sim-plifiedinternalqualityindex,SI Q I)和综合评价指标建立成熟度分类模型,对比4种分类结果发现,基于SIQI+SVR的分类模型效果最佳,准确率为85.71%。SO M T O N等56 根据开花时间和干物质含量划分榴莲的成熟水平,采用果肉干物质含量作为成熟度评价指标,并基于近红外光谱技术获取的果皮和果茎的吸光度对干物质含量的变化建立PLSR分类模型,结果表明,该模型的分类准确率为94.4%。利用近红外光谱技术提
28、取水果的光谱特征,建立水果成熟度的分类判别模型和成熟度指标的预测模型,有助于确定果实的最佳采收期,对推进水果机械化采收具有重要意义。2.6基于高光谱成像技术的成熟度检测高光谱成像(hyperspectral imaging,HSI)技术是一种集光谱与图像于一体的技术,可以在连续波长范围内产生一系列的高分辨率图像,在高光谱图像的每一个像素点上都保存相应位置的光谱信息,因此高光谱图像在反映果实外部特征的同时,还可以对果实内部品质属性进行分析57-58 。如图5所示,高光谱成像系统主要由图像传感器(CCD相机)、光谱仪、光源、计算机及控制装置等组件组成,在检测过程中利用光谱仪接收到的传播光获取检测对
29、象的光谱信息和相机捕获的图像信息,最终得到检测对象的高光谱图像59。CCD相机光谱仪Fig.5Hyperspectral imaging system刘金秀等6 0 利用近红外高光谱成像系统采集了4种成熟度小白杏样本的高光谱数据,基于不同成熟度小白杏的高光谱信息,通过比对全波段和特征波段、不同的预处理方法、不同样本集划分方法、不同建模方法的判别效果,来建立小白杏的成熟度最优判别模型,结果表明,对小白杏成熟度定性判别模型存在3582023 Vol.49 No.17(Total 485)多种最优组合,其识别准确率均较高。RAJ等6 1 利用高光谱成像系统采集了3个成熟度等级的草莓在3502500n
30、m波段的光谱数据,并基于全光谱范围建立支持向量机(supportvectormachine,SV M)成熟度分类模型,其分类准确率高于9 8%。MUNERA等6 2 利用450 10 40 nm波段范围的高光谱成像系统采集了油桃成熟过程中的高光谱图像,并基于偏最小二乘回归法建立油桃成熟指数(ripeningindex,RPI)与内部质量指数(internalqualityindex,IQ I)的预测模型,结果表明,该方法所建立的RPI与IQI预测模型的决定系数均大于0.8 7,并通过该模型计算出油桃光谱图像中每个像素点的RPI与IQI值,结合伪彩色图像处理方法实现了油桃内部品质参数的可视化。曹
31、晓峰等6 3 利用高光谱成像系统采集了3种成熟度冬枣在38 0 10 2 3nm波段的光谱图像,同时引人7 个与生理成分变化相关的光谱指数(spectralindices,Sis),结合PLS-DA方法建立冬枣成熟度判别模型,判别精度为98.18%,通过对Sis-PLS-DA模型判别向量进行预测,并将结果用不同的颜色进行直观显示,实现了冬枣成熟度的可视化分级。综上研究表明,高光谱成像技术将传统成像技术与光谱技术有机融合,其图谱合一的特点使得在进行水果内部品质检测的同时可以获得其表面特征信息,并通过计算果实成熟度指标在每个像素点上的参数值,采用伪彩色图像处理,可实现水果成熟度的可视化预测。表4总
32、结了近红外光谱及高光谱成像在水果成熟度检测中的应用。表4近红外光谱及高光谱成像在水果成熟度检测中的应用Table 4Application of near infrared spectroscopy and弯顶光源hyperspectral imaging in fruit maturity detection计算机集成控制系统卤钨控制器电机驱动器图5高光谱成像系统参考光谱检测对象波段范围/nm葡萄740 1 070猕猴桃2001000近红外无花果900 1 700光谱苹果200 1 100榴莲1100 2.500小白杏9001.700高光谱草莓3502.500成像油桃冬枣380 1.0232
33、.77水果成熟度无损检测技术小结综述以上水果成熟度无损检测技术发展现状,将各种检测技术的优缺点及适用范围总结列表如下(表5)。模型PLSR决定系数大于0.95PLS-DA识别率为10 0%PLS-DA准确率为99.59%SVR准确率为8 5.7 1%PLSR准确率为94.4%PLS准确率为10 0%SVM准确率高于98%4501 040PLSR决定系数大于0.8 7PLS-DA判别精度为98.18%模型性能评价文献525354555660616263综述与专题评论表5无损检测技术性能比较Table 5 Performance comparison of nondestructive detec
34、tion technologies无损检测技术适用范围电学特性损伤、成熟度、新鲜度等品质特征识别声学特性质地、内部缺陷、成熟度等品质检测电子鼻不同成熟阶段存在气味变化的成熟度检测颜色、纹理等外部特征变化明显的成熟度机器视觉检测近红外光谱硬度、酸糖比、成熟度等品质检测高光谱成像成熟度、颜色、表皮损伤等内外品质检测综上分析,单一的检测技术均存在不同程度的局限性,难以实现高精度、高效率检测需求,近年来,诸多研究者发现多检测技术联合使用,可获取更加全面的分析结果,王俊平等6 4 提出将机器视觉与电子鼻相结合的方法对番茄成熟度进行检测,根据机器视觉筛选出的颜色特征与电子鼻筛选出的气味特征建立LS-SVM
35、检测模型,该多源融合模型识别准确率为98.3%。孙静涛6 5 利用近红外光谱信息及机器视觉图像信息融合的方法对哈密瓜成熟度进行判别分析,结果发现,基于极限学习机建立的融合模型效果最佳,其预测集判别准确率为98%。邹小波等6 6 利用声学技术、近红外光谱技术结合化学计量学方法对不同成熟度的西瓜进行了定性判别,结果表明,基于音频和近红外光谱融合技术所建立的线性判别模型对西瓜成熟度的识别效果最佳,其预测集识别准确率为91.67%。多技术融合充分利用了多种传感信息资源,具有容错性好、互补性强以及系统精度高等优势,在水果成熟度检测方面,其识别准确率优于单一检测方法,为今后水果成熟度检测与识别提供了一种新
36、的解决思路。3问题与展望水果成熟度变化,其口感、色泽、组织结构状态等随之也会发生变化,而如何无损、高效地检测其成分变化是当前研究的热点。近年来,国内外学者对水果成熟度无损检测的研究虽已取得了一定的成果,但无损检测技术仍存在以下方面的问题:(1)电学特性检测机理模糊,尚不能明确验证水果品质变化与电学参数之间的影响关系,目前,基于电学特性对水果成熟度检测仅局限于苹果、香蕉、葡萄等少数几种水果,并不能确定电学特性与其成熟度优点装置简单便携、信号处理容易、灵敏度高成本低、适应性强、易实现自动化响应时间短、灵敏度高、操作简单清晰度高、检测速度快操作简单、实时在线分析速度快数据精度高、图谱合一的相关性关系
37、是否适用于其他类型的水果,同时,各研究人员在试验时选用的检测设备和电学参数均存在不同差异。今后应加强对其检测机理的研究,以明确水果采后生理变化对其电学参数的影响关系;同时还应分类果实品种并建立同类果品的电学参数判别标准,以提高分析技术的标准化。(2)基于声学特性检测水果成熟度时,果实的果皮厚度、果皮硬度、内部结构和品质是影响检测准确度的重要因素,应加强多种声学特性对果实成熟度相关品质的综合性影响研究,提高声学检测精度,还应发展便捷式、非接触式的声学特性系统以便于实现商业化应用。(3)由于电子鼻训练集缺乏通用性,对于不同品种的水果需要构建对应的训练集,导致前期工作量较重,同时其传感器还存在易受实
38、验环境的相对湿度和温度的影响,基线易漂移,灵敏度不足等问题,在未来还需开发新型传感器和化学计量学模型,并对已有模式识别算法程序优化改进,以提高检测精度。此外,为实现水果及其他产品的户外检测,还应探索研制出便携式分析仪器,为在线检测提供方便。(4)机器视觉检测精度易受拍摄背景和阴影等环境因素影响,同时,由于水果样本各有差异,前期需要采集大量的样本用于成熟度识别模型以增强机器视觉的检测准确度,因此在图像处理和分析上将会花费大量的时间,后续要提高软件图片处理能力和对相关识别算法进行优化,同时开发集成图像采集、图像处理、模型训练和模型移植于一体,且具有通用性和专业性的分级设备。(5)近红外光谱仪器具有
39、通用性,缺乏针对性,在水果成熟度检测领域中常需结合额外的分析模型来判别分类准确性,因此迫切需要研发出具有针对性的相关方面分析仪器以满足市场需求;此外,近红外2023 年第 49 卷第17 期(总第 48 5 期)359缺点易受外界环境影响、检测机理模糊、检测精度偏低检测精度低、检测指标单一缺乏通用性、对环境敏感性较高、灵敏度不足结构复杂、相关算法不成熟建模复杂、仪器缺乏针对性数据量大、检测速度慢、不宜实现在线或实时的检测食品与发酵工业FOODANDFERMENTATIONINDUSTRIES光谱检测结果具有不稳定性,受外界条件(测试环境温度、湿度、光照)、样品性状(质地、色泽、生长条件)及仪器
40、性能(电源稳定性、波长准确度)等因素影响,使得样品光谱信息的细微差别难以进行定量或定性分析,因此光谱采集的过程应形成标准化和规范化,为了减少系统误差带来的影响,适当建立温度或颜色等相应的补偿模型,以提高检测结果。(6)高光谱设备以大型、贵重居多,同时抗干扰能力差,对工作环境要求极为严格,在很多应用领域和场所都有所限制,随着5G技术和万物互联技术的快速发展,应顺应时代趋势大力发展便捷式、小型化、智能化的光谱仪器;此外,高光谱数据维度过深,数据处理难度增加,还需探索出更加稳定高效的数据处理和模型建立算法。综合来看,各种检测方法功能各不相同,但单一的检测技术不能对水果成熟度进行综合分析,在一定程度上
41、降低了果实成熟度的评价准确性,因此,有必要将多种技术融合并结合适宜的统计学方法,从而更加全面地获取水果成熟度相关特征信息,提高预测的准确性。参考文献【1李广,吴限鑫,王建忠,等.水果功能性营养成分及其检测技术研究进展J】.农产品质量与安全,2 0 19(5):7 5-8 0.LI G,WU X X,WANG JZ,et al.Research progress on functionalnutritional components of fruits and their detection techniquesJ.Quality and Safety of Agro-Products,2019
42、(5):75-80.2CHOWDHURYN N,ISLAM M N,JAFRIN R,et al.Natural plantproducts as effective alternatives to synthetic chemicals for posthar-vest fruit storage management J.Critical Reviews in Food Scienceand Nutrition,2022:1-19.3黎丽莎,刘燕德,胡军,等.近红外无损检测技术在水果成熟度判别中的应用研究J.华东交通大学学报,2 0 2 1,38(6):95-10 5.LI L S,LIU
43、 Y D,HU J,et al.Application of near infrared nonde-structive testing technology in fruit maturity discriminationJ.Jour-nal of East China Jiaotong University,2021,38(6):95-105.4WORASAWATE D,SAKUNASINHA P,CHIANGGA S.Automaticclassification of the ripeness stage of mango fruit using a machinelearning a
44、pproachJ.AgriEngineering,2022,4(1):32-47.5王丽娟,刘志刚,喜冠南,等.一种自动传输式水果成熟度检测装置设计及使用方法J.农业与技术,2 0 2 2,42(7):48-51.WANG L J,LIU Z G,XI G N,et al.Design and application methodof automatic transmission fruit maturity detection device J.Agricul-ture&Technology,2022,42(7):48-51.6ANON.Food quality;studies by x.z
45、hu and co-authors describe newfindings in food quality(effects of harvest maturity on chilling injuryand storage quality of apricots)J.Food Weekly News,2018.7ASLANTAS R,ANGIN I,GOKALP BOYDAS M,et al.Fruit char-acteristics and detachment parameters of sour cherry(Prunus cerasusL.cv.Kutahya)as affecte
46、d by various maturity stagesJ.Erw-erbs-0bstbau,2016,58(2):127-134.8BYEON S E,LEE J.Fruit maturity dfferentially affects fruit quality3602023 Vol.49 No.17(Total 485)and responses of targeted metabolites in cold-stored figs(Ficus cari-ca L.J.Journal of the Science of Food and Agriculture,2021,101(2):6
47、73-683.9SORTINO G,ALLEGRA A,FARINA V,et al.Non-destructive de-termination of Big Bang nectarine quality and harvest maturityJ.Acta Horticulturae,2021(1314):471-478.10陈贝文,陈涂.水果分类识别与成熟度检测技术综述J.计算机时代,2 0 2 2(7):6 2-6 5.CHEN B W,CHEN G.Review of fruit classification recognitionand maturity detection tec
48、hnologyJ.Computer Era,2022(7):62-65.11武琳霞,李玲,习佳林,等.桃品质的无损检测技术研究进展J.食品科学,2 0 2 2,43(15):36 7-37 7.WU L X,LI L,XI J L,et al.Progress in nondestructive detectiontechniques for peach qualityJ.Food Science,2022,43(15):367-377.12ADEDEJI AA,EKRAMIRAD N,RADY A,et al.Non-destructivetechnologies for detecting
49、 insect infestation in fruits and vegetablesunder postharvest conditions:A critical review J.Foods,2020,9(7):927.13PU Y Y,FENG Y Z,SUN D W.Recent progress of hyperspectralimaging on quality and safety inspection of fruits and vegetables:AreviewJ.Comprehensive Reviews in Food Science and FoodSafety,2
50、015,14(2):176-188.14 占敏宣,魏清江,林雄,等.PCA再分析采收成熟度对桃溪蜜柚贮藏品质变化模式的影响J.食品与发酵工业,2 0 2 1,47(9):183-190.ZHAN M X,WEI Q J,LIN X,et al.Comprehensively analyze theeffect of harvest ripening degree maturity on storage quality of Taoxipomelo based on PCA J.Food and Fermentation Industries,2021,47(9):183-190.15秦启福.基