本文节选自《智慧农业（中英文）》2021年
第3卷第4期，郭志明教授团队的文章《果蔬品质劣变传感检测与监测技术研究进展》，其引用格式如下，欢迎大家阅读、引用。
引文格式：郭志明, 王郡艺, 宋烨, 邹小波, 蔡健荣. 果蔬品质劣变传感检测与监测技术研究进展[J]. 智慧农业(中英文), 2021, 3(4): 14-28.
GUO Zhiming, WANG Junyi, SONG Ye, ZOU Xiaobo, CAI Jianrong. Research Progress of Sensing Detection and Monitoring Technology for Fruit and Vegetable Quality Control[J]. Smart Agriculture, 2021, 3(4): 14-28.
点击直达知网阅读
点击直达官网阅读（全文，免费）
果蔬品质劣变传感检测
——光谱和成像检测技术
由于果蔬的劣变组织和正常组织特性不同，在不同波长光线照射下会有不同的吸收、反射和透射特性，即果蔬的光谱反射率或吸收率在某一段或者几段特定波长内出现峰值，根据特征峰值与果蔬的品质劣变指标建立关系，进而判别果蔬劣变。果蔬内部品质光电检测技术在生产过程中具有快速、高效、精确的检测和监控优势。随着光机电技术和制造工艺的发展，光谱仪向小型化、专用化、低成本、便携化方向升级，为果蔬品质的实时原位检测和评价提供了技术支撑。近红外光谱检测技术、高光谱成像检测技术和拉曼光谱检测技术是常见的果蔬品质劣变光谱检测技术。特别是近红外光谱检测技术，中国正处在从实验室研究向生产应用的关键转型期。实验室研究级近红外光谱仪检测精度高、稳定性好，但体积大、携带不便，价格昂贵，限制了其在农产品各流通环节的应用和推广。
1 近红外光谱检测技术
近红外光主要是含氢基团X-H振动的倍频与和频吸收，分子振动从基态到高能级跃迁产生光谱，其中包含有机化合物的组成和分子结构信息。近红外光谱检测技术是目前最常用的果蔬内部品质无损检测技术。
前期采用近红外光谱检测技术对水果品质检测开展了广泛研究，王梓萌等以斗南苹果为对象采集其4000~12,500 cm-1波长内的漫反射光谱，利用主成分分析（Principal Components Analysis，PCA）降维后分别使用马氏距离和Fisher判别建立苹果霉心病检测模型，马氏距离判别模型效果较好，其判别正确率达97.14%。Xing等利用400~1700 nm的可见和近红外反射光谱对“金美味”苹果表面的损伤进行了鉴别，其中545和1200 nm附近的波段可反映损伤组织随时间的变化情况，通过判别分析，总体分类正确率大于90%。孟庆龙等利用高光谱图像采集技术获取正常苹果和表面有缺陷苹果的高光谱图像，通过多元散射校正（Multiplicative Scatter Correction，MSC）预处理和PCA降维，建立偏最小二乘判别（Partial Least-squares Discrimination Analysis，PLS-DA）模型，训练集和预测集的识别率达100%。刘燕德等比较黄桃样品损伤前后的近红外漫透射光谱，建立支持向量机-偏最小二乘（Support Vector Machine-Partial Least-square Method，SVM-PLS）模型，实现黄桃表面缺陷的在线检测，表面缺陷果的判别正确率为100%。Tian等设计了在线近红外测量系统，从三个方向对苹果光谱进行采集，使用支持向量机（Support Vector Machine，SVM）开发补偿模型，用于检测苹果霉心病，全体SVM模型在三个方向的识别精度都是100%。Perez-Marin等研究了近红外光谱技术作为一种无损分析技术的可行性，并将其应用于建立冷藏柑桔的质量标准和采后货架期，建立了平均分和相应的控制限作为预警系统。Jlab等将可见-近红外波段进行分段主体组件分析，提取7个波长图像作为构建多光谱PC图像，对水果衰变区域进行分割，以检测橙子的早期衰变。Guo等采集水心病苹果的近红外光谱，比较不同变量选择算法优选特征波长以简化模型，竞争性自适应重加权采样偏最小二乘（Competitive Adaptive Reweighted Algorithm-Partial Least Square，CARS-PLS）的苹果水心度定量检测模型的相关系数达0.9808。
针对蔬菜品质劣变检测，韩亚芬等利用近红外光谱透射技术分别采集健康和黑心病马铃薯光谱数据，利用PCA选择特征波长建立PLS-DA模型，实现了对马铃薯内部缺陷快速无损检测。Nishino等开发了一种双光束系统，通过在两个方向测量洋葱的透射光谱。基于偏最小二乘回归（Partial Least Squares Regression，PLSR）模型预测的腐烂评分的二元分类表明，对于不同程度的洋葱鳞茎腐烂都取得了较好的检测结果。Imanian等分别利用可见光、近红外、短波红外光谱仪分别获取马铃薯光谱数据，使用神经网络元胞自动机挑选波长后利用线性判别分析（Linear Discriminant Analysis，LDA）和最近邻法（K-Nearest Neighbor，KNN）等组合方法结合多数投票规则对健康和缺陷马铃薯进行区分，使用LDA获得最优性能，其准确率达97.7%。Han等为马铃薯检测构建了可见/近红外传输光谱平台，分析健康和黑心马铃薯的光谱传输特征，PCA降维后建立PLS-DA判别模型，结果表明黑心马铃薯光谱曲线相对平稳无明显吸收峰，模型总精度达96.73%。
国外关于近红外光谱技术的研究起步较早，迅速从实验室研究走向产品化应用，但依旧存在一些问题，如实时测试方案和测试部位的合理设计，光谱信号的有效提取，稳定有效的去噪、处理、预测和补偿模型的建立，检测精度和速度的保证，水果尺寸差异、位姿差异、温度变化的影响等。尽管商业化仪器已经相继推出并应用，但其准确性和精度仍有待科学验证。相对于国外的进展，中国对水果内部品质在线检测的研究起步较晚，目前仍处于试验研发阶段，技术不成熟，缺乏自主知识产权的装备投放市场，虽然针对上述问题提出了各种解决方案和补偿算法，并申请了一系列专利，但在实用化过程中仍然存在很多关键问题需要进一步解决。
2 高光谱成像检测技术
多光谱技术能同时获得多个光学频谱波段信息，高光谱成像技术是集图像信息和光谱信息于一体的无损检测技术，可以获得更复杂的指纹特征，其图像信息可以反映机器视觉难以检测的早期腐烂等外部损伤特征，光谱信息可以反映被测样本的内部组分信息，能从多个维度反映果蔬的内外部品质信息。
以苹果为对象，黄文倩等为确定苹果早期轻微损伤检测的有效波长，对损伤发生仅为半小时的苹果进行损伤检测研究，利用有效波长和全局阈值理论开发了多光谱轻微损伤提取算法，整体检测精度可达98%。沈宇等分别采集完好和轻微损伤后不同时间的高光谱图像，进行特征波长提取后建立基于遗传算法优化的BP神经网路（Back Propagation Neural Network，BPNN）和SVM判别模型。结果表明，811 nm波段的SVM模型为最佳判别模型，识别率达90.63%。Baranowski等综合运用高光谱成像和热成像技术检测苹果损伤。分析了苹果组织损伤后两周的可见光、近红外和短波红外光谱特征。采用SVM、线性Logistic回归、神经网络和决策树等有监督分类方法，对5个苹果品种的损伤后时间判别进行了比较。对二阶导数预处理后的光谱数据进行分类，其预测精度达到90%以上。Park等使用PLSR、PCA和LDA对健康、无症状和有症状的苹果叶进行分类以实现苹果真菌疾病的检测，LDA预测模型准确度达88%。
在其他果蔬品质检测方面，董建伟等提出了基于多光谱成像的库尔勒香梨表面缺陷检测和缺陷面积计算方法，并研究了疤痕、病害、果锈等6种表面缺陷情况，通过统计像素个数代替面积实现缺陷面积计算，判别准确率达92%以上。Pan等将交链格孢霉接种至库尔勒梨，并从感染和对照样品中获取高光谱图像，进行光谱角映射以从健全组织中分割感染区域，并监测疾病的发病过程。建立了SVM判别模型，总体准确率达97.5%。吴姝等利用高光谱成像系统采集冬枣在不同损伤时期的高光谱图像，对其表面微观损伤至内部隐性损伤的渐变光谱进行研究，选取了12个波长建立PLS-DA模型，检测精度达86.7%。武锦龙等使用高光谱技术获取轻微损伤油桃原始图像，使用图像分割算法将油桃与背景分离后使用分块算法对图像分块并添加标签，建立卷积神经网络（Convolutional Neural Networks，CNN）判别模型，识别率达88.2%。Huang等利用高光谱成像对蓝莓图像进行获取，通过光谱相关性分析以选择有效光谱范围并建立PLS-DA判别模型，实现蓝莓早期疾病的快速检测。Pham和Liou开发了一种用于研究圆形水果的旋转高光谱成像系统用于表面缺陷检测，以枣为实验对象，利用高光谱数据对锈斑、裂纹等6种枣皮进行分类，使用SVM和人工神经网络（Artificial Neural Network，ANN）模型区分，分类准确率分别达97.3%和7.4%。赵明富等利用高光谱相机分别获取发芽、腐烂、黑心等马铃薯高光谱图像，利用PCA降维并通过图像处理方法提取特征图像，利用改进的贝叶斯分类器进行识别，预测集识别率达95%以上。
高光谱成像技术将光谱和图像集为一体，实现被测物质的可视化，既可以实现轻微损伤和小面积缺陷的检测，也可同时检测果蔬内部品质及成分分布情况，在果蔬内外品质检测方面优势显著。但目前高光谱成像设备价格昂贵且体积巨大，并不适合大规模推广应用。此外，高光谱图像采集的数据量较大，数据处理时间长，对于系统硬件有较高的要求。在优化特征波长提取算法的基础上开发低成本、专用型多光谱成像系统，在果蔬品质劣变过程的动态监测方面具有广阔的应用潜力。
3 拉曼光谱检测技术
拉曼光谱是一种基于拉曼散射的新兴激光技术，通过分子振动、转动获得结构等相关信息，对拉曼峰位置、强度、线型和谱线数目等的分析即可实现对样品的定量定性分析。拉曼光谱可以与近红外光谱互补，对近红外光谱捕捉不到的信息进行检测。陈思雨等使用拉曼光谱仪采集苹果光谱，用自适应迭代重加权惩罚最小二乘算法进行基线校正建立SVM分类判别模型，可以实现苹果早期轻微损伤的快速识别。刘燕德、代芬和Sanchez等使用拉曼光谱对柑橘黄龙病检测进行了研究，其中刘燕德等获取了柑橘叶片拉曼光谱并通过聚合酶链式反应（Polymerase Chain Reaction，PCR）鉴别分为轻度、中度、重度、营养素缺乏和正常5类，使用2次多项式拟合的PLS-DA模型预测效果最好，预测相关系数达0.98。代芬等分析比较了黄龙病柑橘样本和健康样本的自荧光和拉曼光谱差异，结合PLS-DA判别模型和ROC曲线分析，拉曼光谱的判断效果最优，鉴别准确率达98.17%。Sanchez等使用手持式拉曼光谱仪与化学计量学方法相结合检测和识别柑橘黄龙病，并可以准确区分健康树、无症状树、枯萎病树和溃疡病树。Lin等确定了具有不同症状水平的香蕉枯萎病菌和香蕉枯萎病菌感染的香蕉假茎的拉曼指纹，以区分感染香蕉和健康香蕉。Guo等选取易造成苹果腐败的5种腐败真菌并开发了基于金纳米棒基底方法的表面增强拉曼光谱来收集和检查主要苹果腐败真菌孢子的拉曼指纹，建立的PCA-LDA模型判别准确率达到了98.31%。
近年来，随着拉曼光谱研究的不断深入，拉曼光谱已成为农产品质量安全检测领域发展最快的技术之一。已有研究表明拉曼光谱在果蔬疾病诊断、致腐菌识别和果蔬真菌毒素污染检测方面是可行的。但由于缺乏高效的拉曼光谱增强基底和精确的拉曼图谱库及检测方案，拉曼光谱增强基底的制备方法和拉曼标准谱图数据库的建立亟待完善。随着仪器设备的不断开发，标准的建立较为滞后，未来需要加快行业相关标准的制定。
小
店
欢迎光临选购
微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
,
