哈密瓜无损检测技术及分级装备的研究现状和发展趋势

史 勇，郭俊先，李雪莲，郭 阳，刘彦岑，周 军

（新疆农业大学 机电工程学院，乌鲁木齐 830052）

0 引言

哈密瓜是新疆特产，厚皮甜瓜品种群的统称。哈密瓜历史悠久，风味独特，并且果肉柔嫩，香气浓郁，甜润多汁，富含大量的矿物元素和丰富的膳食纤维[1]。哈密瓜主要种植区域是新疆的吐鲁番和哈密地区，近年哈密瓜产业发展迅速，种植面积和产量都在逐年增加[2]。

哈密瓜的品质检测和分选不仅取决于其形状、大小、颜色等外部特征，还取决于哈密瓜的硬度、含糖量、可溶性固形物含量等内部特征因素[3]。目前，新疆当地对哈密瓜的采收和分选主要依靠人工经验，依据哈密瓜的外部特征完成采摘和分选，其判定结果随意性大，缺乏可靠性和准确性，造成分选结果良莠不齐，严重影响到哈密瓜的品质和声誉，也给瓜农带来一定的经济损失。

近年来，无损检测技术在农产品的品质检测方面应用广泛[4]。国内外学者在近红外光谱技术、高光谱技术、机器视觉技术、声学特性和电磁特性等领域做了许多探索和研究[5-6]。无损检测技术通过尽可能不损坏被检测对象的原有状态来检测其内部化学成分和外观物理特性。用于哈密瓜的快速品质鉴别及分级，有助于增强哈密瓜在国际市场的竞争力。本文对哈密瓜的无损检测技术进行分析和总结，介绍基于无损检测及自动化技术的哈密瓜分级装置，并提出今后的研究和发展方向。

1 哈密瓜无损检测技术的研究进展

1.1 近红外光谱检测技术对哈密瓜品质检测的研究现状

近红外光谱指波段位于可见和近红外间波长780～2 526 nm 范围内的电磁辐射波[7]，可以实现对哈密瓜的坚实度、糖分含量和可溶性固形物含量等的间接检测。近红外光谱技术具有效率高、无破坏性、成本低和操作简单等特点[8]，可应用于哈密瓜等厚皮瓜果的品质快速检测，为分选和分级设备的开发提供可靠依据。

GUTHRIE[9]利用近红外光谱技术对甜瓜的含糖量进行了预测研究。选取甜瓜“赤道”部位作为光谱采集区域，利用二阶导数结合多元散射校正对最优波段（695～1 045 nm）的光谱进行处理，建立了改良偏最小二乘法的甜瓜总糖含量的预测模型，其预测集均方根误差和标准偏差分别为1.1和0.04，验证了近红外光谱技术可以用来预测甜瓜的含糖量。SANCHEZ等[10]利用近红外光谱仪对甜瓜成熟度进行无损检测研究，利用甜瓜果肉的4个颜色分量特征建立了甜瓜成熟度及其品质的改良偏最小二乘模型，证明可利用近红外光谱技术结合果肉颜色评价甜瓜的成熟度和品质。袁琳[11]利用近红外漫反射光谱检测甜瓜的可溶性固形物含量和坚实度，得出矢量归一化处理后的偏最小二乘模型对甜瓜可溶性固形物含量的预测效果较好。张德虎等[12]利用近红外光谱技术对河套蜜瓜的糖度和坚实度进行了检测，得出利用二阶导数处理的蜜瓜糖度偏最小二乘模型预测效果最好，经Norris一阶导数处理的蜜瓜坚实度偏最小二乘模型预测效果最好。毕智健等[13]研究了光谱数据预处理方法对哈密瓜糖度偏最小二乘法建模精度的影响，得出标准正态变量变换与二阶导数相结合的光谱预处理方法可有效预测哈密瓜糖度含量。孙静涛等[14]建立了近红外光谱技术、高光谱技术和机器视觉技术融合的哈密瓜内部品质预测模型和成熟度判别模型，得出使用近红外光谱特征与机器视觉图像融合所建立的哈密瓜成熟度预测模型最优，预测集判别正确率为98%。徐璐[15]采集哈密瓜“赤道”部位近红外光谱特征，并基于偏最小二乘法和最小二乘支持向量机法建立哈密瓜可溶性固形物含量的预测模型，得出用“赤道”部位信息建立的模型可以用来预测哈密瓜的可溶性固形物含量。

1.2 高光谱检测技术对哈密瓜品质检测的研究现状

高光谱图像是一系列光波在不同波长处的光学图像，既包含图像信息，又包含光谱信息[16]。高光谱图像可反映哈密瓜的形状大小、物理结构和表面缺陷等外部特征信息，也可反映其内部结构和化学成分等内部品质信息。但高光谱图像数据庞大，对硬件要求高，数据的存储、传输、分析和处理都较为麻烦，不易实现在线检测，数据建模也较为困难。随着科技的进步、信息技术的快速发展和高效数据建模算法的开发，高光谱技术会更加成熟，在农产品的无损检测领域应用也会更加广泛[17]。

马本学等[18]利用高光谱成像技术对哈密瓜的糖度进行了预测研究，结果表明，偏最小二乘法构建的模型对带皮哈密瓜糖度检测是可行的，逐步多元线性回归模型对去皮哈密瓜糖度预测效果最佳。SUN等[19]利用近红外高光谱系统对甜瓜的糖度和硬度进行了无损检测研究，比较了偏最小二乘法、支持向量机和人工神经网络3种建模方法的预测结果，得出偏最小二乘模型预测效果最优。伍恒等[20]采用高光谱技术用以识别新疆阿克苏地区新和县的大田哈密瓜的物候期，通过4种光谱预处理方法，建立广义回归神经网络和概率神经网络2种哈密瓜物候期判别模型，结果显示，2种模型均能很好地识别哈密瓜果实物候期。李明周[21]利用高光谱无损检测技术对哈密瓜不同生长期的糖分、蛋白质、可滴定酸以及维生素C的含量进行预测，得出了不同生长期各物质含量的最佳预测模型，为全生长周期内哈密瓜果实品质的无损检测技术提供了理论依据。李锋霞等[22]利用高光谱成像技术预测了哈密瓜的坚实度，结果表明，在500～800 nm波段范围内，标准正态变换结合一阶导数的偏最小二乘模型预测哈密瓜的坚实度效果最优。徐洁等[23]采用高光谱成像技术对哈密瓜表面农药残留情况进行检测，采集了450～1 000 nm范围内的哈密瓜光谱图像数据信息，在卤素光源条件下采用贝叶斯判别法，预测农药残留样本的准确率为100%，说明高光谱技术能够准确预测哈密瓜表面的农药残留。

1.3 机器视觉技术对哈密瓜品质检测的研究现状

计算机视觉技术是利用计算机模拟人的视觉系统功能来感知周围世界，并了解它的空间组成和变化规律[24]。目前，机器技术已广泛应用到农产品的外部品质（形状、大小、颜色、重量、表面缺陷等）评价及分级检测中，具有操作简单、速度快和精度高等优点，在农产品的外部品质检测方面有广阔的应用前景[25]。同时，机器听觉、味觉和嗅觉技术也在瓜果的无损检测领域得到应用，特别是电子鼻技术，在预测瓜果的可溶性固形物含量方面发挥着重要作用[26]。

WEI等[27]利用计算机视觉技术对甜瓜总糖含量进行了预测研究，提取了甜瓜图像的RGB、HSV和LAB颜色空间中的9个颜色分量和4个表面纹理特征变量，作为输入变量建立了BP神经网络预测模型，其模型的决定系数为0.888，说明机器视觉技术结合图像分析可预测甜瓜含糖量。张建华[28]利用计算机视觉技术对厚皮甜瓜的表面缺陷进行识别研究，得出BP神经网络模型对甜瓜表面缺陷的判别正确率为86.7%。刘超[29]利用机器视觉技术对哈密瓜糖度进行预测，利用哈密瓜表面颜色特征结合主成分分析建立糖度的支持向量机回归模型，预测相关系数为0.505 9，均方根误差为1.594 9。许济海[30]采用机器视觉技术，研究哈密瓜纹理特征与糖度的相关性，发现采用偏最小二乘法的糖度检测模型可以较好预测哈密瓜的中心糖度。胡光辉等[31]利用机器视觉结合主成分分析优化神经网络技术开展哈密瓜成熟等级识别方法的研究，构建并搭建田间哈密瓜图像采集系统，采集并提取能表征哈密瓜不同成熟等级的外观特征，建立基于BP神经网络的哈密瓜成熟等级预测模型，准确率达86.59%。吕琛[32]采用机器视觉技术对哈密瓜的成熟度开展无损检测技术研究，表明利用哈密瓜的彩色数字图像的色度信息可以预测其成熟度，利用BP人工神经网络结合主成分分析法，预测精度达到96.25%。肖文东等[33]采用机器视觉技术，对哈密瓜的纹理特征进行提取、分割和分类，利用OpenCV结合特征提取算法可实现哈密瓜高光谱纹理特征图像的提取，利用Matlab辅助DSP技术可对哈密瓜纹理特征快速提取，分类准确率达到88.10%。

1.4 声学检测技术对哈密瓜、西瓜等厚皮瓜类品质检测的研究现状

物体的属性与声波的传播速度、频率和受到的阻力有一定的联系，可通过这种联系判断物体的品质。声学特性无损检测技术适合在线检测，适应性强，可用于瓜果硬度和成熟度等特性的检测，应用前景较好。小型的声学检测设备也便于携带，方便人们的日常生活需要。

TANIWAKI等[34]利用声振法监测甜瓜成熟速度，得出弹性指数与甜瓜成熟度指标相关性较高，可通过弹性指数对甜瓜的成熟期及收获期进行预测。ITO[35]利用声振便携式硬度仪检测了网纹甜瓜的硬度并对其成熟度进行了评价，结果表明，声波的传输速度随着甜瓜的成熟而降低，当传输速度低于80 m/s时，表明甜瓜蔗糖含量超过了8.5%，因此，利用声波传输速度可预估甜瓜的采收时间。危艳君等[36]利用声学特性检测西瓜糖度和空心，利用6个特征频率的声透过率值建立西瓜的糖度模型，结果表明，敲击点和信号接收点在西瓜“赤道”中部时检测结果较好。葛明[37]研究了声波传播速度和主频与西瓜成熟特征参数的关系，结果表明，声波的传输频率与西瓜的含糖量存在线性关系，决定系数为 0.905 7。肖珂等[38]通过分析敲击西瓜产生的音频信号，用功率谱峰值频率判断西瓜的成熟度，结果表明，不同成熟度的西瓜峰值频率处于不同的频率范围，检测正确率可达到90%。贺少鹏[39]利用声学特性对哈密瓜硬度及成熟度的无损检测研究，结果表明，哈密瓜的硬度可以采用弹性指数和阻尼比联合预测，所构建的预测模型相关性达到0.913，哈密瓜的成熟度可以采用频带幅值参数基于主成分回归法进行预测，预测模型校正集相关系数为0.891。

1.5 电学特性检测技术对甜瓜品质检测的研究现状

电学特性法是利用瓜果等物料的主动电特性（电位差）和被动电特性（如电阻、电导、介电特性）与其组织结构、力学特性、热学性质的相互关联和影响，实现瓜果品质无损检测的方法。电学特性法可用于瓜果成熟度的无损检测，具有一定的应用前景[40]。

NELSON 等[41]在 10～1.8 GHz的频率范围内获取了甜瓜的介电常数和损耗因子，得出甜瓜可溶性固形物含量与相对介电常数有较好的相关性，相关系数为0.96，证明了甜瓜的可溶性固形物含量可用相对介电常数来预测。郭文川等[42]分析介电特性和甜瓜糖度之间的关系，研究表明，哈密瓜汁的损耗角正切值在1.8 GHz频率下与糖度的线性关系较好，其决定系数为0.784。刘梅[43]通过测定甜瓜电阻值和瓜体长短半轴的方法预测甜瓜果肉含糖量，采用遗传算法优化最小二乘支持向量机所建立的智能网络对甜瓜糖度进行无损检测，得出该方法建立的网络可较为精确地预测甜瓜的糖度。王转卫等[44]应用介电频谱技术对陕西杨凌外形相似的4类成熟甜瓜种类进行判别，研究不同预处理方法对模型精度的影响，得出连续投影算法-极限学习机模型判别效果最好，验证集总正确率达到100%，适用于基于介电频谱的甜瓜种类判别。

2 基于无损检测技术的哈密瓜分级装备的研究进展

2.1 基于机器视觉和光谱技术的哈密瓜分级装备

虞飞宇[45]研制了基于机器视觉和图像处理的哈密瓜分级系统，如图1所示。

图1 哈密瓜分级系统结构示意图Fig.1 Structure diagram of Hami melon grading system

系统利用机器视觉技术实现哈密瓜图像的动态采集与处理、哈密瓜位置跟踪以及分级等功能。装置可依据哈密瓜表面的缺陷与大小、形状等特征进行检测和分级，提高了生产率和分级精度。刘启全[46]随后对哈密瓜分级机进行了改进设计，利用机器视觉技术结合图像处理、模式识别实现对哈密瓜的表面颜色、表面缺陷、表面纹理和果体形状等参数的提取确定，最终实现对哈密瓜外部品质的综合分级。但此基于线阵相机的哈密瓜分级机在实际运行中只能平行前进，不能实现旋转，无法获取哈密瓜整体图像，对分级结果的判别有一定的偏差。

王运祥[47]设计了哈密瓜分级试验装置，如图2所示。装置主要包括：机架、动力及传动部分、输送旋转机构、角度调节机构和分级执行机构等。工作时，打开电源调节变频器，将哈密瓜放在链条输送带左端承载托辊的上方，哈密瓜在承载托辊的推动作用下顺时针向上滚动前进。在此过程中，利用无损检测装置采集哈密瓜全表面信息，分级执行机构接到分级信号时打开活动口，使哈密瓜掉落，从而完成分级。装置具有结构紧凑、性能可靠、便于调试等特点。

图2 哈密瓜分级试验装置整体结构示意图Fig.2 The overall structure schematic diagram of Hami melon grading and test device

毕智健[48]结合可见近红外光谱检测系统，设计出一种哈密瓜糖度在线检测装置，如图3所示。

图3 哈密瓜糖度可见近红外光谱在线检测装置总体设计图Fig.3 The overall design of on-line detection device for sugar content of Hami melon by visible near infrared spectroscopy

装置硬件部分主要由哈密瓜输送装置、光照模块和光谱采集装置组成。装置采用漫透射光谱采集方法，其原理是将光源安装在与采集探头方向角度介于90°～180°之间位置，以整个哈密瓜作为检测对象，能够更好地获取其内部的品质信息，为哈密瓜的分级提供了理论依据。装置简单方便，检测成本低，分析速度快，不损伤样品。

2.2 基于传感器和智能控制器的哈密瓜分级装备

董冬冬等[49]设计了一种翻转式哈密瓜分级装置，如图4所示。装置由机架、传送系统、托盘、控制系统和分级执行装置组成。工作时，哈密瓜由进料口进入托盘，并由传送系统进行传送。当哈密瓜通过对射式激光传感器区域时，会触发传感器产生信号，然后由PLC 控制调速电机转动，带动凸轮机构使相应的托盘翻转，完成哈密瓜的大小分级。装置利用传感器技术实现对哈密瓜的大小分级，可减少工人分选的劳动强度，提高分级效率。

图4 翻转式哈密瓜分级装置示意图Fig.4 Schematic diagram of inverted Hami melon grading device

董冬冬[50]又设计出一套哈密瓜自动分级装置。装置在前期研发的翻转式哈密瓜分级装置的基础上，增加了哈密瓜的输送系统，可以实现自动上料、自动定位和输送等功能，并最终实现哈密瓜的自动分级。装置可有效利用传感器及控制器提高哈密瓜的分级效率，提升自动化分级水平，节约劳动力。

3 展望

（1）近红外光谱技术今后的发展方向是朝向小型化和轻型化发展，开发便携式的检测设备，可连接手机、平板等移动端，随时实现对哈密瓜生长过程和品质的无损监测。

（2）高光谱技术未来发展趋势是通过设计合适的光谱图像采集系统，结合光谱预处理、数据降维、特征波长筛选和模型建立等方法，研究基于被测对象特征的最佳算法和模型，这样可降低成本和提高检测效率。

（3）机器视觉技术未来可用于瓜果生长过程的无损监测，从哈密瓜种植、初加工、贮藏和分选等阶段加大机器视觉技术的应用程度。

（4）利用介电特性可实现对哈密瓜成熟度的无损检测，但是很少有学者深入研究哈密瓜介电特性的机理和哈密瓜采后生理变化对其介电特性的影响机理。未来应加强声学和介电检测设备的研发，为哈密瓜的无损检测提供装备和技术方面支持。

（5）在研发哈密瓜的分级装置过程中，可以融合机器视觉和光谱分析技术，综合分析哈密瓜内、外部品质，实现在线快速检测、精准分级。同时，分级装置的研发还可将无损检测技术和机械系统技术、信息处理技术、电子控制技术及液压气动技术结合起来，搭建自动化和智能化的分选装置，利用光学成像原理技术、图像处理技术、模式识别技术及各类算法，快速准确实现哈密瓜的分选。

4 结语

综上所述，无损检测技术应用于哈密瓜的生长监测、品质检测和分级，可以实现对哈密瓜的精准管理、提高品质和产量、实现精准快速分级，避免造成品质的良莠不齐，帮助瓜农增产增收。基于无损检测技术的哈密瓜分级装置能实现对哈密瓜的在线检测和分级，实现机械化和自动化作业。今后，还需要加大对哈密瓜无损检测方法和检测机理的研究，开发更高效的算法模型和更先进便携的检测设备，并融合多种检测技术，研制自动化程度高、安全环保和易于实现产业化的分级装备，为哈密瓜产业的快速健康发展提供技术和装备上的支持。