桃品质的无损检测技术研究进展

武琳霞，李 玲，习佳林，王 蒙,*

（1.北京市农林科学院质量标准与检测技术研究所，北京 100097；2.北京市农产品质量安全中心，北京 100029）

桃（(L.) Batsch）是蔷薇科、桃属的核果类，原产于我国西北地区。我国是世界最大的桃生产国，2019年我国桃栽培总面积为84.1万 hm，总产量达1 584万 t，占世界总产量的61.6%。桃的品种丰富，按照果肉的颜色可以分为白肉桃、黄肉桃、红肉桃3 种类型。另外根据外观和感官特性，桃可以被分为油桃和毛桃、离核和黏核、溶质型和非溶质型等。桃为五果（桃、李、杏、枣、栗）之首，深受广大消费者欢迎，其不仅果实香甜/美味多汁，而且营养丰富，包含多酚、可溶性糖、有机酸、维生素、矿物质和膳食纤维等多种营养物质。

由于桃通常在炎热多雨的夏季采摘，容易发生变质，3～5 d内风味会发生迅速变化。因此为了延长贮藏期，通常会提前采摘或低温运输贮存，但这也会对桃的风味品质产生影响。近几十年来，在美国和欧洲桃的人均消费量有不断下降的趋势，且这一趋势并没有随着改良品种的出现而发生变化。调查显示这与桃子未成熟、过熟以及采后生理障碍等原因导致的品质问题相关。因此桃的品质（质地、颜色、形状、大小、含糖量和营养价值）决定了市场的接受程度。桃果实品质包括外部品质和内部品质，外部品质主要包括大小、形状、色泽、香气、表面缺陷等，内在品质主要包括硬度、糖度、酸度以及裂核、冷害、虫害等内部缺陷。外部品质主要采用人工检测的方法，分级效率较低且漏检率高，内部品质多采用传统破坏式检测手段，费时费力，而且无法全量、实时、在线检测。因此研究高效、精确的农产品品质无损检测技术，对推动农业健康持续发展、提高农产品交易价格和确保我国农业大国的地位具有十分重要的现实意义。

农产品品质无损检测是指在不破坏检测对象的情况下，采用一定的检测技术和分析方法对农产品的内在品质和外在品质进行测定，并按一定的标准对其做出评价的过程。根据检测原理的不同，目前应用于桃品质无损检测方法主要有基于声学特性的检测技术、基于力学特性的检测技术、基于介电特性的检测技术、基于光学特性的检测技术和基于电子鼻的检测技术等。

1 基于声学特性的桃品质检测技术

农产品的声学特性是指农产品在声波刺激下的反射特性、散射特性、透射特性、吸收特性、衰减系数、声阻抗、固有频率与声波在农产品中的传播速度等，反映农产品本身与声波相互作用的基本规律。声波检测设备由声波发生器、声波传感器、电荷放大器、动态信号分析仪、微型计算机、绘图仪或打印机等组成。在农产品品质检测中，声学特性通常用于水果硬度、糖度、成熟度、空心、内部损伤的检测。根据理论计算可知，样品的共振频率与其尺寸、密度和泊松比相关。有研究表明，通过振动频率分析方法测定三阶共振频率与二阶共振频率的比值，可以准确地预测未收获桃发生裂核的时间，并将裂核果与正常果区分开来，便携检测装置如图1所示。利用电磁阀敲击水果装置对贮藏期桃子的硬度进行检测，频带幅度参数与硬度之间的决定系数（）为0.91。通过检测桃子4 个不同部位的声学特性，利用检测得到的150～200 Hz与0～500 Hz范围内声波能量的比值，计算得到频带幅值150～200 Hz的数值，与4 个部位的硬度实际值进行相关性比较，结果表明同一部位2点或者4点均值所建立的模型准确率较高，对两个品种的桃子均有很好的预测效果。为了分别研究压电式传感器和麦克风（非接触式）对两个品种桃子声学特性采集信号的影响，多元回归分析结果表明麦克风采集的声音信号参数与硬度之间决定系数基本一致（为0.64和0.74）。而压电式薄膜传感器采集的声音信号参数与硬度之间的相关系数分别为0.26和0.53，由此可知麦克风采集的效果较好。

图1 桃果实的声振动测量装置[11]Fig. 1 A portable system for detecting peach fruit based on acoustic vibration[11]

基于声学特性的检测技术具有成本低、检测设备简单、价格低廉、易于操作、不易受到外界环境干扰、检测效果好、可在各种环境中工作和易实现自动化等优点。但其检测精度较低，且目前的研究对象多为西瓜、苹果等果皮较厚或质地坚硬的果实，对桃、梨、番茄和甜瓜也具有相关研究，但研究较少。

2 基于力学特性的桃品质检测技术

力学方法是利用农产品的力学特性（如振动频率、振动吸收、硬度、弹性等特性）进行检测的方法。利用声波和振动可以检测农产品的品质指标和待测物内部的组织状态。国外研究者探讨了多种基于动力学原理的农产品品质检测方法，如机械冲击产生的声频信号检测、机械冲击相应的频率分析和水果冲击力检测等。

通过钢球冲击水果引起相应的弹性变形，物理特性实验室（Physical Properties Laboratory，LPF）开发的“LPF-横向碰撞传感器2.0”（图2）被用于测定桃果实的硬度，结果表明钢球压缩的最大力与冲击过程的最大加速度密切相关（＝0.75），而且研究表明通过将冲击力检测与振动频率分析相结合的方法，对两个不同硬度等级的桃正确分类率大于93%。还有研究利用桃冲击金属平面的冲击力响应来进行硬度的无损检测，通过分析果实硬度、落果高度和果实质量对冲击力参数（恢复系数、能量吸收率和冲击时间系数）的影响，可以建立冲击力参数与硬度的关系。研究发现，落果高度、落果部位（果颊）和落果质量对果实的冲击力参数影响不显著，能量吸收率随成熟度的增加而增加，力-时冲击系数和恢复系数随成熟度的增加而减小；分别采用多项式模型、S模型和指数模型，得到了3 个冲击特性参数（力-时冲击系数、恢复系数和能量吸收率）与桃硬度的关系，分别为0.932、0.910和0.941。

图2 “LPF-横向碰撞传感器2.0”装置示意图[10]Fig. 2 Schematic diagram of “Physical Properties Laboratory(LPF)-Lateral Impact Sensor 2.0”[10]

力学特性检测技术有利于判断果品的适宜采收期，进而按照成熟度对果品进行分级贮藏，根据对果品内部的检测确定保鲜期和贮存期。有研究人员认为冲击力方法更适合检测质地较软水果的硬度，而声学检测更适合质地较硬水果。该项技术尽管有着比较坚实的实践基础和应用基础，但是由于果品品质与物理参数之间的复杂关系，要达到实际应用还需很长的研究过程。

3 基于介电特性的桃品质检测技术

介电特性是指物质在外加电场中表现出的电学性质，是电介质的固有性质，是物质内部组织结构和组成成分的宏观表现。果品是一种电介质，因此，可将被测水果直接放入平板电极间测定其电特性参数（介电常数、电感、阻抗等）来反映水果品质特性。将常见的水果如苹果、桃、橘子、香蕉等作为研究对象，通过测量150 MHz下果肉和果皮的介电特性，可知含水率的变化导致介电性存在差异。为了探索利用果品的介电特性无损预测桃品质的可能性，以糖度作为内部品质指标，通过矢量网络分析仪测定贮藏10 d内，300 个油桃在20～4 500 MHz频率下的相对介电常数和介电损耗因子，连续投影算法结合极限学习机可以取得良好预测效果（预测相关系数为0.887，预测均方根误差（root mean squared error of prediction，RMSEP）为0.782）。

微波成像是近几年兴起的技术，在食品领域应用还较少，是以微波作为信息载体的一种成像手段。其原理是用微波照射被测物体，然后通过物体外部散射场的测量值来重构物体的形状或（复）介电常数分布。由于微波成像具有2 个显著优点：对被测物的水分含量非常敏感；微波能穿透介电材料，产生的电磁场特征能反映被测物体的内部特征。因此，微波成像技术受到了越来越多的关注。尽管微波的分辨率不够高，但其穿透深度高。基于微波的低太赫兹波段，支持向量机对损伤桃样本的分类精度可达到100%，其检测系统如图3所示。

图3 毫米波成像检测系统[18]Fig. 3 Measurement setup of millimeter wave imaging[18]

利用介电特性对农产品品质进行快速无损检测的研究可以追溯到20世纪60年代，电学参数的测定快捷、灵敏、操作方便，对实现水果内部品质综合指标的检测与分级、加工及贮藏都有很重要的价值，特别是在果品的分选上具有广阔的前景。但目前大多数研究仅仅证明了基于介电特性的水果品质无损检测系统在技术上和原理上都是可行的，仍然没有达到真正实用阶段，利用介电特性检测果品品质时，测试结果会受到测定频率/电压信号、果实水分含量、环境温度、湿度等参数影响，其分选精度和分选效率受到很大的限制。

4 基于光学特性的桃品质检测技术

基于光学特性的检测技术是指利用物体对光的吸收、反射、散射及透射特性通过特定设备从物体或其图像中提取信息进行处理并加以解释，最终确定果实内部品质的一种方法。近年来，随着图像处理技术的发展，基于光学特性的检测技术的应用也越来越广泛。根据所用光源的不同该类技术可分为可见光检测技术、近红外检测技术、高光谱检测技术等。该项技术可广泛用于谷物、水果等多种产品的化学成分和物理特性分析。

4.1 可见光检测技术

目前，在水果品质检测中可见光检测技术应用最多的是基于可见光成像的计算机视觉技术，该技术通过相机获取水果图像，经过数字处理后依据图像的像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色及缺陷等的判别。

计算机视觉技术对不同品种及不同类别的水果均有很好的识别能力。机器视觉可以将苹果、香蕉、柑橘、梨、杨桃和火龙果分类。运用高斯滤波、直方图均衡化、Otsu分割算法、Canny边缘检测算子等方法处理图像，基于支持向量机的多分类模型，同时使用研究出的异常惩罚因子对被测样本进行不完全分类，之后建立基于线性核函数的支持向量机多分类模型，对6 种水果的分类准确率分别为95%、80%、97.5%、86.7%、92.5%、96.7%。基于机器视觉也可实现水果的图像自动分割与产量估计。以苹果、石榴、橘子、桃子、荔枝等不同的水果为研究对象，利用颜色特征对在不同光照条件下获取其图像进行分割，基于形状分析，采用边缘检测和圆形拟合相结合的方法对水果进行自动识别。对获取的边界点进行圆形拟合，分割出的圆形数量则可作为该图像中的水果总数。为实现近色背景下绿色果实的准确识别，以未成熟桃子、番茄、柿子、柑橘为研究对象，分别采用传统特征提取方法和基于卷积神经网络的深度学习方法，可以对自然场景下的绿色果实进行检测。阳山水蜜桃糖度智能化无损实时检测与分级装置则能够通过对数据进行分析、比较，来实现判断阳山水蜜桃体积、质量，然后发出指令由机械输送系统送往相应的等级出口。通过高分辨率数码相机从不同角度捕捉水果的图像，根据图像中果实的水平和垂直距离，以及结合计算机视觉系统，可以对水果的体积进行测量。

以桃和杏的撞伤问题为研究对象，用计算机视觉技术检测果品损伤，检测的成功率约为65%。用彩色摄像机和近红外扫描摄像机获得桃子图像，并对桃子图像进行缺陷区域分割的图像分析，即对桃子表面的灰度图象进行阴影校正、边缘检测和图像分割，用二维高斯方程进行图像滤波完成边缘检测，然后用灰度和色度阈值及区域增长法求得损伤表面面积，最后通过分类器将分割的区域识别为特定的缺陷类型。实验表明在近红外区域获得的水果图像的缺陷检测效果比彩色图像的好，但会将果梗和花萼部分误判为缺陷区域，正确率仅为69%，与人工测得的结果相关系数为0.56，检测效果一般。

与人类视觉相比，机器视觉具有较宽的光谱响应范围，还能够长时间稳定做测量、分析、识别等任务。在精确度、分析速率、适应性、客观性、重复性、可靠性、效率等方面均具有一定的优势；计算机视觉技术可以根据水果颜色、纹理、缺陷等特征信息，高效快速地对水果品质进行评价分级，可以大量节省人力物力；随着相关算法和模型的不断成熟与完善，机器视觉系统也越来越贴近各种水果品质检测的实际需求，有助于实现果园管理的自动化、智能化。但计算机视觉技术对于明显的外部损伤检测结果更好，对于水果内部损伤或轻微的外部损伤的检测能力较差。机器视觉也受到硬件设备性能、图像分析算法准确度与效率以及网络传输速率的限制使得系统实时性、稳定性难以保证。同时，还面临着应用对象复杂多样，难以开发通用视觉系统使得每一类目标都需要单独开发视觉系统，造成成本居高不下等问题。此外，农业场景视觉系统在稳定性、鲁棒性、计算能力、理论创新等方面还存在较大的局限性，已成为阻碍机器视觉在农业生产中应用的关键瓶颈。

4.2 近红外检测技术

近红外检测技术的理论基础是当以近红外光照射物体时，其中的有机物及部分无机物分子含有的某些官能团可以吸收特定的能量形成复杂的光谱，通过分析其吸收光谱可获得物体的特征信息。根据所利用光源波长范围的不同可以将吸收光谱分为短波近红外光谱和长波近红外光谱，根据光谱采集方式的不同可分为漫反射近红外光谱、透射近红外光谱、漫透射近红外光谱。

成熟度是确定水果收获时间的关键指标，而收获时间将会影响水果的品质和货架期。因此大多数研究集中于最能反映水果成熟度品质指标的检测，如果实硬度、可溶性固形物含量、总酸含量、糖酸比和果胶含量。然而有研究指出，利用可见-近红外漫反射光谱技术很难准确预测水果硬度，可能是由于水果硬度的变化受复杂化学成分的影响，例如果实软化期间可溶性果胶含量增加、多聚半乳糖醛酸酶和纤维素酶活性的影响及其他化学物质变化的影响。果肉颜色也能够反映桃收获时的成熟度和感官风味，加利福尼亚州建立了一种基于可见光和近红外光谱的方法用于快速测定桃果肉颜色，模型具有良好的预测性能（相关系数＝0.92），显示出较好的在线分选潜力。为了建立不均一油桃样本的品质预测模型，有研究评价和比较了改进的偏最小二乘（modified partial least squares，MPLS）回归和局部回归法预测油桃主要品质参数的性能，包括大小（质量和直径）、果肉硬度和可溶性固形物含量。结果表明，与MPLS回归相比，局部回归算法在预测可溶性固形物含量和直径方面没有优势，然而，在硬度评估方面局部回归算法的应用取得了重大的改进，与MPLS回归相比，预测标准误差（standard error of prediction，SEP）降低了27%，提高了44.7%（从0.47增加到0.68），偏差减少了88.5%（从6.95 N减少到0.80 N）。基于二极管阵列的红外检测仪和基于微电子机械系统的近红外仪器是两种比较有发展潜力的便携式近红外仪器。为了评估这两种商用光谱仪的性能，1 600～2 400 nm的手持式微机电系统光谱仪（microelectro-mechanical system，MEMS）和400～1700 nm的二极管阵列可见-近红外光谱仪被用于测定油桃在收获前的成熟过程和收获后的冷藏（0 ℃、相对湿度95%）过程的品质变化。利用光谱和分析数据建立MPLS校正方程，定量测定可溶性固形物质量分数、果肉硬度、果质量和直径（赤道直径）。两种近红外光谱仪对可溶性固形物含量（＝0.89；SEP＝0.75%～0.81%）和硬度（＝0.84～0.86；SEP＝11.6～12.7 N）均具有良好的预测效果。二极管阵列仪对果质量（＝0.98，SEP＝5.40 g）和直径（＝0.75，SEP＝0.46 cm）的预测效果较好，而手持MEMS仪器的精确度较低。结果表明，无论是在树上成熟还是采后贮藏过程中，单光谱测量都可以在几秒钟内无损地测量油桃品质参数的变化，为使用手持仪器协助种植者在田间确定采收时间提供途径。

可见光和近红外漫反射光谱也被用于油桃品种的鉴别，采集装置如图4所示，线性判别法和偏最小二乘判别法的分类正确率在97%以上。以‘北京八号’‘莱山蜜’与‘沙红’3 个品种桃为研究对象，经Kennard-Stone算法划分样品集，连续投影算法选取特征波数，Fisher判别分析、误差反向传播网络、最小二乘支持向量机与极限学习机模型均具有良好的品种判别性能，对预测集样品的鉴别正确率均达到100%。

可见光/短波近红外漫反射光谱（300～1 150 nm）还可用于预测桃采后机械损伤的内部生理状态。通过研究总可溶性固形物、多酚氧化酶、丙二醛水平和相对电解质渗漏的变化。遗传算法-偏最小二乘模型具有良好的拟合效果和较高的精度，其预测集最佳相关系数（）为0.71～0.92，RMSEP为0.17～20.34，相对偏差为1.90～2.94。对肉眼难以发现的轻微损伤，可以检出并预测其病情，减少实际生产中的损失。

图4 可见-近红外采集装置[44]Fig. 4 Photograph of VIS-NIR equipment[44]

近红外光谱技术可以利用物质对光的吸收、散射、反射和透射等特性来同时确定其多种成分（糖度、酸度、蛋白质、水分等）的含量，且检测速度快，无需复杂的样品处理、无化学污染，非常适合农产品内部品质的检测；但是近红外光谱技术只针对检测对象的部分区域，获取的光谱仅代表样品表面的局部区域，缺少样品的空间信息，这可能导致预测集与测量集之间信息差异较大，从而影响系统的稳定性。

4.3 高光谱检测技术

高光谱成像将传统成像技术和光谱技术进行有机结合，具有超多波段、较高的光谱分辨率和图谱合一的特点，用于农产品检测时可以同时获得其表面特性及内部品质的信息，在农产品综合品质检测中具有广阔的发展前景。

4.3.1 高光谱检测技术在桃内部品质检测中的应用

高光谱成像技术在桃内部品质检测方面已经取得了一定的研究进展。利用可见光和近红外光谱范围（400～1 000 nm）的高光谱成像技术（图5A），基于全波长的局部区域模型和多区域组合模型对‘平谷’桃可溶性固形物含量的预测效果进行评价，并用偏最小二乘法进行建模。模型分析结果表明，多区域组合模型优于局部区域模型。然后，采用蒙特卡罗交叉验证法、连续投影法、竞争自适应加权采样法和随机蛙式4 种典型的波长选择算法，分别选择有效波长进行可溶性固形物含量的快速定量测定。结果表明，随机蛙跳算法是局部区域模型和多区域组合模型进行可溶性固形物含量分析的最有效算法（预测精度为0.86）。然而，此研究只基于桃的光谱特征，缺乏对综合特征的考量，限制了对果实品质的准确评价。为此，基于堆栈自动编码器-随机森林的深度学习算法，将高光谱图像融合信息技术应用于桃可溶性固形物含量的预测（图5B）。结果表明，基于高光谱图像融合信息深度特征的模型精度高于基于光谱特征或图像特征的模型。另外，基于1237-650-310-130网络结构的模型预测效果最好，为0.918 4，均方根误差（root mean squared error，RMSE）为0.669 3。

基于全光谱和特征波长的反向传播网络模型对桃的硬度具有良好的预测性能，其预测相关系数为0.856，RMSEP为0.931。通过蒙特卡罗偏最小二乘法分析剔除异常值，利用光谱-理化值共生距离划分样本集，采用竞争性自适应加权取样法和连续投影算法选取特征波长，并建立多元线性回归模型。高光谱成像技术被用于肥城桃可溶性固形物含量和硬度可视化检测与成熟期预测。基于竞争性自适应权重取样法-多元线性回归模型计算肥城桃每个像素点可溶性固形物含量和硬度，生成可视化分布图，实现不同成熟度肥城桃可溶性固形物含量和硬度可视化检测，有助于提高果品质量，实现优果优价。利用顺序前向选择算法优选特征波长，建立人工神经网络成熟期预测模型，可获得98.3%总识别准确率。

图5 高光谱检测技术在桃内部品质检测中的应用[47,48,51]Fig. 5 Hyperspectral imaging system[47,48,51]

高光谱透射率成像技术也可应用于不同果肉颜色（黄色果肉及白色果肉）的桃果实分类（图5C）。采用偏最小二乘-判别分析对两个品种的分类准确率分别为95.7%和94.6%。高光谱成像技术在信息量上具有独特的优势，但同时其巨大的信息量中含有相当多的冗余信息，为数据处理增加了难度，不利于在线检测的应用。而多光谱成像可提供具有3～20 个非连续波段的图像。从成像原理上讲，多光谱成像技术就是把入射的全波段或宽波段的光信号分成若干个窄波段的光束，然后把它们分别成像在相应的探测器上，从而获得不同光谱波段的图像。这样就减少了冗余数据。通过多光谱成像技术能够实现不同成熟度桃的分类。利用680 nm和800 nm两个波段图像的比值，非监督分类方法正确率可达80%。

冷害是桃果实的一种生理障碍，会降低桃果实的食用品质和加工品质。利用高光谱反射成像技术（400～19 100 nm）对桃的不同冷害程度进行分类，结果表明，在全波长条件下，人工神经网络模型的预测效果优于偏最小二乘-判别分析和支持向量机，分类准确率可达85.37%～99.29%。为了应用高光谱成像技术检测‘秦光2号’油桃早期冷害，反射高光谱采集系统用于获取初始发生冷害果及未冷害果在400～1 000 nm波段的高光谱图像，继而应用独立主成分分析方法降维后优选出特征波长，作为Fisher判别法的特征集，对油桃早期冷害判别正确率为98.9%。

为了识别虫害果，阈值分割和主成分分析方法被用来对高光谱图像进行处理，以获得虫害区域分割结果。然后选取2 个特征波长作为光谱特征，提取4 个纹理参数作为纹理特征，并将其优化组合成4 组特征向量，利用反向传播神经网络进行鲜桃虫害检测。结果表明，667 nm和746 nm波段的光谱反射值的光谱特征和270°方向的能量、对比度、熵、相关性的纹理特征的组合为鲜桃虫害检测的最优特征向量，对果实识别正确率为100%。

4.3.2 高光谱检测技术对桃外部品质检测的应用

碰伤是桃子最常见的损伤类型，是造成品质损失的主要原因之一。然而，快速无损检测桃子早期损伤具有一定的难度。利用主成分分析为每种成像模式选择有效波长，基于形态学梯度重建和标记提取的改进分水岭分割算法，对多光谱主成分图像进行分析处理。该方法对碰伤桃子的分类准确率为96.5%，完好桃子的准确率为97.5%。该算法优于最大类间方差法和全局阈值法等常用分割方法。

采用高光谱（420～1 000 nm）成像技术对‘中油9号’油桃的4 种外部缺陷果（裂纹果、锈病果、异形果和暗伤果）进行检测判别。对光谱数据进行主成分分析得到前10 个主成分值，并对图像数据采用灰度共生矩阵提取得到6 项图像纹理指标（均值、对比度、相关性、能量、同质性、熵值）。将主成分值和纹理值融合建立极限学习机模型对油桃外部缺陷进行检测判别，结果表明该模型对缺陷样本的判别正确率为91.67%，完好样本的正确率为100%。

4.4 其他光谱检测技术

除了最常用的基于可见光、近红外和高光谱的检测技术外，随着科学技术的发展，涌现了一些新兴的基于光学特性的桃品质检测技术，包括时间分辨反射光谱、荧光光谱以及结构化照明反射成像等。

时间分辨反射光谱是基于测量短激光脉冲（脉冲持续时间约为100 ps）在穿过非透明介质（如果肉）时所经历的时间延迟和展宽。利用适当的光穿透理论模型分析光子时间分布，可以同时估计吸收系数和散射系数。吸收系数和散射系数分别对应被水果主要成分（水、叶绿素、类胡萝卜素和糖）吸收的概率（光子传播的单位距离）和由于膜、空气、液泡或细胞器引起的折射率的微观变化而改变方向的概率。利用时间分辨反射光谱法测定采后果肉在670 nm处的吸收系数，可以作为油桃的成熟度指标。在此基础上通过动力学模型将与成熟过程中硬度联系，可以预测单个水果的货架期。油桃冷藏后通常会变软，果肉褐变以及果核附近形成凝胶状或玻璃状的果肉。为了观察时间分辨反射光谱能否鉴别这些内部品质劣变，在670 nm和780 nm处测定了油桃的和约化散射系数的光学参数。结果表明，时间分辨反射光谱法可以检测油桃贮藏后的内部木质化和内部褐变。

荧光光谱法是一种灵敏度高、检测速度快的分析技术，仪器成本相对较低。水果中含有多种可以产生荧光的物质，如色氨酸、酪氨酸、叶绿素以及核黄素等。有研究表明利用荧光光谱仪对4 个黄桃品种的吸光度差异指数（index of absorbance difference，）进行测定，对果皮颜色的预测准确率较高（相关系数大于0.85），而对果肉颜色、果肉硬度和可溶性固形物含量的预测只在部分品种中效果较好。荧光光谱仪对不同成熟度等级（未成熟、成熟和成熟）桃的分类得分为0.85。DA-Meter果实无损检测仪是一款手持式水果无损检测设备，利用发光二极管传感头检测果实表面叶绿素含量，并以此来判定果实的成熟度。为了确定桃的最佳采收期，在收获前一个月，连续监测3 个桃品种果皮叶绿素的。结果表明与果实硬度呈显著正相关（＝0.9），可以用来评估桃的成熟度。也有研究发现以7 个毛桃品种和5 个油桃品种为研究对象，综合各品种的数据，叶绿素值与硬度呈显著正相关，相关系数为0.11～0.65，然而不同品种的系数不同。而值与可溶性固形物含量之间没有显著关系。表明在收获前的成熟度检测中，DA-Meter测量仪不能代替硬度和可溶性固形物含量测量。

尽管机器视觉、高光谱、多光谱技术应用广泛，但它们多应用于检测表面可见的病害症状，对早期侵染阶段症状仍隐藏在果皮下的病害检测效果较差。近几年来，结构照明被用于生物组织的三维光学成像，其具有非接触式、高分辨率、高精度、高速度，高保真度和低成本等优点。桃采后易受真菌感染，但由于早期症状不明显，因此具有挑战性。基于结构光反射成像系统（图6），采用分水岭算法和偏最小二乘-判别分析方法对病害桃进行了直流分量和比率图像分类，正确检测率在65%～87%之间。而交流分量能更好地检测出病害桃，利用卷积神经网络对所有样品的病害桃检出率均达到98.6%，对早期腐烂桃的检出率为97.6%。

图6 基于液晶可调谐滤波器的多光谱结构照明反射成像系统示意图[65]Fig. 6 Schematic diagram of liquid-crystal tunable filter-based multispectral structured-illumination reflectance imaging system[65]

在利用光学特性对桃品质检测方面，近红外光谱法具有快速、无损和可实现多组分同时测定的特点。高光谱图像技术集图像信息与光谱信息于一身，光谱信息反映样品内部结构的差异，图像信息反映样品的形状、缺陷等外部品质特征，在水果品质检测方面具有独特的优势。但高光谱图像系统采集的数据精度高，适合实验阶段，且数据量过大、处理时间长，不适合在线检测。

5 基于电子鼻的桃品质检测技术

电子鼻也称为人工嗅觉系统，由具有部分选择性的化学传感器阵列和适当的模式识别系统组成，能够通过传感器的部分专一性和系统的模式识别功能，检测简单或复杂气味。通常电子鼻主要由三部分构成：进样系统、传感器阵列和软件系统。样品上方的气体通过顶空进样器被吸入到带有传感器阵列的主机中；待测样品的的气体作用于传感器阵列，使传感器某一物理特性发生变化；软件系统对传感器产生的信号进行预处理和模式识别后对结果进行输出。

基于电子鼻气敏元件阵列的响应（图7），可以建立桃品质指标评价模型。通过多元线性逐步回归法、二次多项式逐步回归法和反向传播神经网络建立白桃硬度、含糖量和酸度与传感器信号的关系，结果表明其范围为0.79～0.92。利用电子鼻结合主成分分析能够区分不同桃品种（3 个油桃品种和1 个毛桃品种）。利用多元线性回归预测桃的酸度、甜度和可接受度，为0.48，RMSE为3.85。利用电子鼻对19 个桃品种间果实香气的差异进行了研究，通过判别因子分析方法可将桃果实大致分为 4 类，统计质量控制方法显示样品间的香气品质具有差异。电子鼻也可以实现不同桃品种的分类及货架期预测，研究表明线性判别分析能够将4 个不同品种完全区分。利用分类回归树分析方法对不同货架期样本进行分类，交叉验证错误率为4.87%。

图7 电子鼻检测系统示意图[66]Fig. 7 Schematic diagram of electronic nose detection system[66]

电子鼻可以用来对桃子3 种常见的腐败菌——灰霉病菌、果念珠菌和匍匐根霉的污染进行无损检测。通过分析桃子接种真菌后产生的挥发性物质与真菌的菌落数，结果表明，桃果实中挥发性成分的变化与真菌的数量和种类有关。萜烯类和芳香族化合物是引起电子鼻响应的主要因素。主成分分析得分与真菌菌落数高度相关，MPLS可以有效地预测桃样品中的真菌菌落数。

为了建立桃果实冷害的无损检测方法，将桃果实于0 ℃和5 ℃条件下冷藏，利用Fisher判别分析法建立的数学模型对不同冷害等级判别准确率为91.7%，而且研究发现果实发生冷害时青香型物质的相对含量增加，果香型物质的相对含量降低；仅在发生冷害的果实中检出的物质为十四烷、十六烷、十九烷，其相对含量随冷藏时间延长而增加，可作为监测桃果实冷害发生情况的特征挥发性化合物。电子鼻也可实现桃果实在冷链（0 ℃）中的腐烂情况及贮藏时间的预测，偏最小二乘-判别分析对腐烂水果分类的预测正确率为95.83%（健康样品为94.64%，腐烂样品为100.00%）。偏最小二乘支持向量机预测桃果实冷链贮藏时间的最佳模型残差预测值为9.283。

消费者在选购水果时越来越关注果实的风味，电子鼻技术作为一种人工智能设备，在气味检测方面具有显著的优势：与气相色谱-质谱联用技术相比，电子鼻技术具有操作简单、无需样品前处理、无损、快捷的优点；与传统的感官评价相比，电子鼻技术的检测结果更加客观，具有经济、高效、重复性好等优点，在水果品质检测中电子鼻具有广阔的应用前景，但其准确性和稳定性还有待进一步探讨。

6 结 语

近年来，国内外学者对无损检测技术在桃果实品质检测方面开展了大量的研究工作，研究证明将其应用于桃果实品质检测是有效可行的。为了适应国际市场对桃高品质的要求，桃品质的无损检测技术成为国内外学者重要的研究方向之一。针对当前存在的缺点与不足，未来有以下8 个发展趋势。

第一，在基于声学特性的桃品质无损检测方面，应加强多种声学特性对果品内部品质指标的综合影响的研究，将有利于提高声学检测精度。此外，开发便携、非接触式的水果品质检测声学特性系统也是未来发展趋势。

第二，目前虽然市面上已有相应的力学参数检测设备，但多为国外制作，从价格、功能和应用上存在各方面不足，研制多用途、多功能、智能化、经济型的水果力学性能检测仪是当前迫切需要的。目前尚未有统一的水果力学性能检测的国家标准，因此如何根据检测到的力学性能数据分析水果的品质特性及如何建立评价体系也是需要进一步研究与探讨。

第三，在基于介电特性的技术方面，今后可以加强对水果介电特性的机理研究，明晰水果采后生理变化对其介电特性的影响机理；加强对检测装备的研发，建立一个性能更加良好的介电特性测量装置将有效推进电特性检测方法的实用化进程；另外，就研究对象而言，大多数研究多集中在采后和贮藏期，因此，很有必要进一步开展生长过程与品质相关的介电特性研究。

第四，今后在水果产业初始端如产地初加工和贮藏阶段加大机器视觉检测技术的应用程度，研究适合该阶段的机器视觉系统和算法，将有利于从源头上减少果品的损耗，保障后期的质量。机器视觉市场还在不断扩大，新标准、新技术也正在以前所未有的速度发布，智慧农业、无人农场、跨行业协作、高光谱应用都将促进机器视觉技术的进一步应用。未来，在农业生产领域还是将集中在关键技术突破、多传感器融合、3D视觉应用以及与5G移动通信技术深度融合方面。

第五，近红外光谱技术在果实品质的检测中显示出了良好的应用前景，然而商业化的专用便携式近红外仪器很少，且目前现有的设备成本较高。未来的近红外光谱设备将朝着小型轻便化发展，操作平台更加趋近于手机、平板等移动端。基于近红外光谱预测桃品质的模型一般针对特定品种，应用于其他品种时则需要对模型进行校准，因此开发精确可靠通用的近红外光谱无损检测方法是将来研究方向。无损检测方法通常涉及的数据量较大，因此需要进行多元数据分析，从多个变量中提取主要信息，然后再利用这些信息建立模型。为了建立稳定通用的校准模型，需要开发新的数据分析方法。

第六，高光谱技术可根据具体的检测对象要求，寻找最佳的检测波长等参数，减少数据量，设计对应的光谱图像系统。在不降低精度的前提下，降低成本和节约时间。随着科学技术的发展，无损检测方法越来越成熟，以数字化、图像化和信息化为代表的无损检测方法是未来检测方法发展的必然趋势。

第七，传感器材料是电子鼻技术的最重要部分，对传感器材料的研究是关键，开发稳定、灵敏的电子鼻系统是其现代化生产应用的必经之路。随着新的仪器和材料的发展，传感器的性能将得到改善，也有利于降低检测成本，从而加强无损检测方法的实际应用。

第八，对于不同的目标物和检测技术，选择合适的机器学习方法是十分必要的。尽管同一种无损检测方法在不同的检测目标中均具有可行性，但通常在特定检测目标上效果最优。不同技术根据不同的原理对某些特定的样品进行检测，各有优缺点。因此需要根据不同的检测目标，选择最佳的分析技术和机器学习方法，或者将不同检测方法融合以获得更全面的信息进行建模。