田有文*，张巍，郑鹏辉
沈阳农业大学信息与电气工程学院(沈阳110866)
摘要近年来，浆果以其营养丰富，口感好，色泽鲜艳等优点，颇受人们的喜爱。但是浆果体积小，颜色深，为其识别分拣及分级带来严重的不便。传统的浆果品质检测方法一般为破坏性的检测，且工程量大，不利于生产线实时检测。目前，许多国内外学者致力于研究浆果品质的无损检测，利用了计算机视觉技术、光谱技术及高光谱成像技术等对浆果品质进行无损检测的研究，并且取得了一定的研究成果。综合总结了国内外关于浆果品质无损检测方面
的研究成果，并分析其优缺点，给出总结与展望。
关键词光学；浆果；无损检测：品质
浆果是指由子房或联合其他花器发育成的柔软多汁的肉质果。由于浆果含有丰富的营养物质如维生素、氨基酸、矿物质、多酚类物质，并且其果实颜色鲜艳，果肉鲜嫩多汁、特殊果香，已经成为现在市场广受消费者喜爱的水果之一。浆果主要包括葡萄、猕猴桃、蓝莓、树莓、草莓、黑加仑、蔓越橘和软枣猕猴桃等。
近年来，我国浆果种植面积不断扩大，品种也逐渐增多，已成为世界浆果的重要生产国。同时，随着农业科技的发展和人民生活水平的提高，人们对浆果的品质也有了更高的要求。为了提高浆果的加工质量和出品等级，需要对浆果品质进行检测。浆果的品质检测主要包括内部品质的检测和外部品质的检测，内部品质主要包括硬度、糖度、酸度和可溶性固形物等，外部品质主要有颜色、缺陷、损伤和病斑等。市场上销售的浆果大多数依靠机械配合人工的方式实现分级。由于浆果果实较小，颜色深，果皮较软，有些缺陷肉眼难以辨别，因此给人工分级带来一定的困难，使得浆果分选与分级难以实现快速、准确和无损化。
目前，已经有许多国内外学者利用包括计算机视觉技术、光谱技术、高光谱成像技术在内的光学无损检测技术对浆果的品质进行无损化检测，并且已经取得了一定的研究成果。因此总结了国内外在浆果光学无损检测方面的研究成果，并对各无损检测技术进行分析。
1 计算机视觉技术在浆果品质无损检测的应用
计算机视觉技术是通过图像传感器获取所需对象的图像，将图像转化为相应的数据，利用计算机进行分析，从而得到与视觉相关任务的技术。计算机视觉技术是多学科交叉与综合的一门技术，它包括计算机科学、光学、应用数学、生物仿生学、物理学和信号处理等。计算机视觉系统的组成一般有CCD摄像机、计算机、图像采集卡等。计算机视觉技术当今世界一门新兴学科，在农业中的应用，目前国内外研究比较多的是农产品的品质检测。
浆果的果皮颜色、损伤和缺陷等都是评定浆果外观、成熟期、采摘期和出口品质的重要因素，国内外利用计算机视觉技术在这些方面都做了深入的研究。
1.1对蓝莓的检测
Gabriel A．Leiva-Valenzuela等利用图像分析技术 自动识别蓝莓的果梗、花萼以及损伤果。作者利用支持向量机( SVM)和线性分析判别来判别蓝莓的果梗、花萼识别率达96.8%，真菌腐烂果、枯萎果和机械损伤果识别率分别为97%，93.3%和86%以上。研究表明，这种方法在实际的生产线中对提高蓝莓的出口品质有有很大的发展前景。
Silvia Matiacevich等通过计算机视觉技术获得五个品种的蓝莓图像并分析得到蓝莓的颜色、表面蜡质层、脱水迹象及微生物生长四个质量指标。试验成功地检测出不同品种蓝莓的四个质量指标不同的结果。
李志鹏等通过图像采集设备得到蓝莓树冠图像并分析得到单株蓝莓轮廓及成熟蓝莓果实所占比例，确定了先识别蓝莓植株、再定位熟果的识别策略；利用颜色和边缘信息识别、分割蓝莓植株和蓝莓熟果，得到蓝莓植株相对尺寸和熟果的相对面积，并建立蓝莓采摘中心的算法模型。该方法可为选择采摘机采摘参数提供依据。
1.2对葡萄的检测
Alex Zuniga等采用图像技术和神经网络对葡萄的成熟度进行了估计。提出的研究方法利用模式识别方法分析图像和通过监督学习神经网络辨别未熟果、成熟果和过熟果。该方法提供了葡萄成熟度的客观信息，有利于决定葡萄的采摘期。
Francisco J．Rodriguez-Pulido等利用图像分析葡萄果实进行了成熟期的估计。试验中利用数字图像分析描述了葡萄籽和葡萄果实的完整特性；图像分析确定了葡萄的尺寸和葡萄着色期，从而确定葡萄的成熟期。
田锐等对自然条件下的葡萄进行自动识别。在RGB颜色空间内计算葡萄颜色样本值，根据其值进行图像分割，利用分割的结果进行特征提取。试验表明，利用图像处理技术能够很好的在自然条件下实现对葡萄的识别，紫色、红色葡萄的准确率达到90%，为实现葡萄的自动采摘提供很好的理论依据。
陈英等为实现葡萄外观品质分级，设计了一套基于计算机视觉的葡萄检测分级系统，利用RGB色彩空间计算采葡萄果面着色率，然后采用投影面积法和果轴方向投影曲线计算果穗大小和形状参数，从而进行外观品质分级。试验与人工分级进行对比，颜色和大小形状分级的准确率分别为90%和88.3%，试验表明，这一套自动检测系统为在线生产中，自动分级代替人工分级奠定了理论基础。
1.3对番茄的检测
王树文等为提高番茄损伤检测与分类的准确率和效率，运用计算机视觉技术、BP算法和人工神经网络技术，实现番茄损伤的自动检测与分类，试验证明番茄损伤检测和分类的准确率都不低于90%。
赵杰文等研究了一种基于HIS颜色特征的田间成熟番茄识别技术，将计算机视觉系统获取的番茄RGB图像转换成HIS图像，找出成熟番茄、未成熟番茄和叶子（枝干）灰度分布差别，分割出成熟番茄区域，该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。
何微等应用计算机视觉技术对番茄果实质量进行自动识别，提取番茄图像投影面积，轮廓周长，最大内接圆直径和最小外接圆直径外部特征参数，采用多元线性建立质量预测模型。预测果实质量与实际果实质量的绝对误差均值为3.260 g，相对误差均值为
1.535%。
1.4对猕猴桃的检测
周逸腾等对猕猴桃损伤和疤痕缺陷进行检测，利用阈值分割法将猕猴桃图像与背景分离，选用Y c b Cr颜色模型对猕猴桃损伤果检测，准确地检测出损伤部位。选用HSV颜色空间对猕猴桃疤痕检测，可准确地检测出疤痕部位。试验检测综合准确率达88%，该研究为猕猴桃缺陷无损检测提供了一种新的方法。
1.5对草莓的检测
X u Liming等利用图像处理技术对草莓进行自动分级，根据草莓的形状、尺寸、颜色等特征建立了草莓自动化分级系统。这个系统能够有效地通过在草莓图像上画线并用K均值聚类法获得草莓的形状特征；通过主色法a通道获得草莓颜色特征；通过计算草莓的最大果径获得其尺寸特征。研究结果表明，草莓颜色分级精度是88.8%，形状分类精度是90%以上，分级一个草莓所用的平均时间不超过3s。
通过分析国内外利用计算机视觉技术在浆果品质无损检测方面的研究成果，可以看出，在浆果的颜色、尺寸、损伤、缺陷等方面的外部品质检测中，取得了很好的研究成果，研究者们提出的检测方法为实现在线生产中的检测，提高浆果分级效率，提高浆果出口品质提供了很好的理论和技术依据。
2近红外光谱技术在浆果品质无损检测的应用
近红外光谱区域为780～2 526 nm，它是介于可见光与中红外之间的电磁波。近红外光谱分析技术是上世纪80年代后期迅速发展起来的一种无损检测技术，与传统的检测技术相比，近红外技术具有成本低，不破坏被检测物，分析速度快的优点。它是利用物质对光的吸收、散射、透射、反射等特性来确定物质成分含量的一种无损检测技术。将其应用于浆果内部品质检测，检测速度只需数秒，并且可以同时检测多种成分。
与形状、尺寸、颜色和缺陷等外部品质参数一样，浆果的糖度、酸度、可溶性固形物含量、花青素含量、维C含量等也是评定浆果品质的重要指标，所以国内外学者利用近红外光谱技术对浆果的这些品质进行了相关的研究。
2.1对蓝莓的检测
Takehiro Sugiyama等通过近红外光谱和判别分析方法检测冷冻蓝莓中的可视异物（叶子和茎）。从蓝莓表面近红外光谱中选取异物的感兴趣区域，根据吸收光谱判别分析的结果选取最佳波长为1 268和1 317 nm;判别分析用于感兴趣的吸收光谱图像来确定判别函数和二值图像的阈值；将获得的二值图像阈值和判别函数应用于1 268和1 317 nm的吸收光谱图像的每一个像素，异物部分从蓝莓的二值图像中以黑色区域清晰的分割出来。
王珊珊等利用近红外漫反射光谱技术检测蓝莓可溶性固形物含量，利用主成分分析和偏最小二乘法建立蓝莓可溶性固形物预测模型。结果表明，所建模型的相关系数为0.915 18，试验表明，该方法快速、准确、无损，能准确地预测蓝莓中可溶性固形物含量。
2.2对葡萄的检测
Bart Kemps等利用可见／近红外光谱评价葡萄的品质参数。试验选取了成熟季节的4种葡萄品种（赤霞珠、梅鹿辄、席拉和佳美娜）进行检测，利用最小二乘法建立预测模型。试验结果表明，席拉在PH10和IPH32的花青素浓度可以预测，而其他品种的花青素浓度仍然保持不变，所以无法进行预测；对于所有品种，多酚类物质浓度是无法预测的；对应于红色，在700 nm的光谱段，糖度和密度的预测结果最好。
吕刚等应用光谱技术对处于生长期的四个葡萄品种的可溶性固形物含量进行现场测试。试验分别采用偏最小二乘法回归、潜变量人工神经网络和潜变量支持向量机三种方法建立了可溶性固形物含量预测模型，并进行比较，结果表明潜变量支持向量机模型的预测结果最佳，不仅预测精度高，且品种泛化能力强，适合用于果园葡萄活体可溶性固形物含量无损检测。
2.3对猕猴桃的检测
蔡建荣等利用了近红外光谱技术快速无损检测了猕猴桃的糖度。利用小波滤噪对猕猴桃的近红外光谱进行预处理，利用联合区间偏最小二乘法建立糖度模型。研究表明，采用小波滤噪和联合区间偏最小二乘法建立的糖度预测模型，即减少了建模运算时间，也剔除了噪声过大的光谱区，提高了预测能力和精度。
2.4对番茄的检测
Panmanas Sirisomboon等通过近红外光谱检测番茄成熟度和质构特性，试验分别利用独立主成分分析和相似分类法判别番茄不同的成熟度（成熟绿色、粉色和红色），采用偏最小二乘回归检测番茄质构特性．番茄的醇不溶性物质和可溶性固形物含量。对绿色番茄的分辨率为96.85%，对粉色和红色番茄的分辨率为100%，偏最小二乘回归模型不能精确地检测出
新鲜番茄中醇不溶性物质的含量，但可以很好的预测可溶性固形物含量，且预测相关系数为0.8。该研究方法为番茄加工产业及研究中心提供了有用信息。
马兰等探索适合近红外光谱无损检测番茄可溶性固形物含量的光谱预处理方法，比较了平均光谱和10种光谱预处理方法对偏最小二乘法建模效果的影响，常数偏移消除预处理后的光谱最佳，所建偏最小二乘法校正模型的预测值和实测值的相关系数为0.954。随后，马兰等根据平均光谱和偏最小二乘法建立番茄总糖含量的定量分析模型，预测值和实测值的相关系数（R）为0.917。试验表明，近红外光谱分析技术可实现对番茄总糖含量的非破坏性检测。
黄康等将最小二乘支持向量机回归方法用于番茄汁的近红外光谱分析，预测番茄汁品质糖度和有效酸度，预测结果糖度的相关系数为0.990 25，有效酸度的相关系数为0.967 5。试验表明，最小二乘支持向量机回归方法是一种快速、准确的近红外光谱分析方法。
2.5对草莓的检测
闫润以草莓为研究对象，利用近红外光谱技术对草莓的品质参数SSC和TA、成熟度、不同品种草莓鉴别进行了无损检测。确定了SVR模型对SSC和TA含量，SSC相关系数为0.958 23和TA相关系数为0.947 32的预测最优；建立了成熟度的SVC预测模型，校正集的识别率达100%，预测集的识别率达93.33%; PLS-ANN模型用于不同草莓品种的鉴别，其识别率达96.67%。
牛晓颖等利用近红外光谱对草莓的内部品质固酸比和可滴定酸进行了无损检测，试验采用偏最小二乘法提取其潜在变量作为最小二乘支持向量机模型的输入，建立两指标的近红外定量模型，并且与偏最小二乘模型进行比较。结果表明，最小二乘支持向量机模型比偏最小二乘模型的预测效果好。此模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。
2.6对黑加仑的检测
金长江等用近红外光谱测定黑加仑中总酸、维生素C、总糖和花青素含量。试验用多元线性回归建立预测总酸、维生素C和总糖含量的数学模型；用主成回归分析建立预测花青素含量的数学模型。试验结果表明，利用该方法对同时定量分析黑加仑多组分含量是可行的，可以在实践中应用和推广。
近红外光谱技术在浆果的花青素浓度、可溶性固形物含量、糖度、酸度等内部品质方面的无损检测研究中都取得了很好的研究成果，为在线检测浆果内部品质，提高浆果分级精度及出口质量提供了一种快速、无损、高效的技术及理论依据。
3高光谱成像技术在浆果品质无损检测的应用
高光谱成像技术是融合了光谱技术和图像技术的一门新技术，高光谱成像技术能够同时获得被检测物的图像信息和光谱信息，既可以对被检测物的内部成分进行检测，又可以对其外部品质进行检测。高光谱图像是一系列光波波长处的图像，通常包含数十到数百个波段，光谱分辨率一般为1～10 nm。由于高光谱成像技术能对图像中的每个像素提供一个光谱，其在被检测物上获得空间信息的同时又能获得光谱信息，因而可获得比多光谱更为广泛的信息。
高光谱成像系统的硬件主要由光源、CCD摄像机、成像光谱仪、镜头、光纤、计算机及输送装置组成，图1所示。由于高光谱成像技术包含了大量的图像及光谱信息，因此近年来许多国内外学者利用高光谱成像技术来检测浆果的内外部品质检测。
3.1对蓝莓的检测
Gabriel A．Leiva-Valenzuela等利用高光谱的反射和透射全光谱图像及特征光谱图像对蓝莓的可溶性固形物和硬度进行了评估。利用高光谱仪对蓝莓样本的果蒂、花萼和赤道面三个方向采集其反射和透射图像；分别采用偏最小二乘回归法和间隔偏最小二乘法对蓝莓的反射，透射以及它们相结合的全光谱及特征光谱图像建立可溶性固形物和硬度的预测模型。试验结果表明，果蒂面反射光谱预测模型的预测效果最好。利用高光谱图像技术来预测蓝莓内部品质是可行的。
Julio Nogales-Bueno等利用近红外高光谱成像技术检测红色和白色品种葡萄的成熟度和果皮中总酚类化合物含量，建立了葡萄皮总酚浓度、糖度、可滴定酸和pH的多向偏最小二乘预测模型，成功地检测出了两个品种的葡萄的成熟度和果皮中的总酚类化合物含量。随后，Julio Nogales-Bueno等坯利用近红外高光 谱工具筛选红葡萄皮中的可萃取多酚（总酚、花青素和黄烷醇），建立了多向偏最小二乘模型。两个研究都提供了一种快速、廉价、合理的检测完整葡萄品质的方法。此外，还可以用于检测葡萄成熟阶段可萃取多酚的不均匀性。
Ce Yang等利用高光谱波段选择方法检测不同蓝莓果实成熟期。利用相对熵的三个信息理论基础对高光谱波段进行划分。然后分别采用K邻域，支持向量机，Ada Boost算法对划分出来的波段建立预测模型。结果表明，通过波段选择方法建立的预测模型的分类精度达到88%以上。因此，波段选择方法对高光谱数据降维，建立一个检测蓝莓成熟期的多光谱图像系统是非常有用的。
3.2对葡萄的检测
吴迪等对葡萄果皮花色苷含量进行了无损检测。采用连续投影算法结合多元线性回归、偏最小二乘、BP神经网络建立模型，与全光谱变量偏最小二乘模型进行比较，得出连续投影结合偏最小二乘预测模型效果最佳，其预测相关系数和均方根误差分别为0.900 0和0.550 6，研究表明，利用高光谱成像技术能够有效检测葡萄果皮中花色苷的含量。
吴彦红等将高光谱成像技术和激光诱导荧光技术相结合采集诱导出的荧光散射图像，利用多元线性回归建立猕猴桃糖度模型来预测荧光高光谱图像所包含的信息与猕猴桃糖度的相关性。研究表明，采用激光诱导荧光成像技术可以实现猕猴桃糖度的无损检测，为实现猕猴桃内部品质的在线检测提供技术依据。
3.3对猕猴桃的检测
董金磊等利用高光谱成像技术检测猕猴桃的可溶性固形物，采用连续投影算法结-BP神经网络建立预测模型，能有效地检测猕猴桃可溶性固形物含量。该技术将使猕猴桃内部品质的工业化分级成为可能。
杨勇等采用激光诱导荧光高光谱成像技术对猕猴桃硬度进行无损检测。提取感兴趣区建立果实硬度的预测模型。猕猴桃硬度的相关系数为0.898。研究表明，高光谱成像技术预测猕猴桃的内部品质是可行的。
3.4对番茄的检测
Byoung-Kwan Cho等提出了多光谱荧光成像技术来检测樱桃番茄缺陷，在蓝绿光谱区域缺陷处的荧光强度明显高于正常部分，利用方差分类分析和主成分分析选择最佳波段。研究表明，多光谱荧光成像技术结合方差分类分析法检测樱桃番茄缺陷的准确率为99%以上，可用来实时多光谱系统来检测番茄品质。
张若宇等采用高光谱漫透射成像结合偏最小二乘检测番茄可溶性固形物含量，试验获取果脐，三个圆周面及三个圆周面组合姿态的图像，试验发现采用 组合姿态图像的检测结果优于单个姿态，采用组合姿态可以很好的检测番茄可溶性固形物。
张令标等将稀释农药1：20,1：100和1：500涂抹于番茄表面，利用可见／近红外高光谱成像技术检测番茄表面农药残留。检测结果表明高浓度1：20，1：100，农药点检测率100%，低浓度1：500农药点检测率0。试验表明，高光谱成像技术对高浓度农药残留具有较好的检测结果。
3.5对草莓的检测
Gamal El Masry等利用可见／近红外高光谱对草莓内部品质（水分、可溶性固形物、酸度）进行无损检测。利用偏最小二乘法建立预测模型，预测结果，水分、可溶性固形物和酸度的相关系数分别为0.9，0.8和0.87，利用偏最小二乘的β-系数选择最佳波长，并建立多元线性回归模型预测内部品质。预测结果：水分、可溶性固形物和酸度的相关系数分别为0.87，0.8和0.92，此外，为分类成熟阶段的草莓，利用灰度共生矩阵对其进行纹理分析，利用00水平方向上的GLCM参数获得更高的分类精度为89.61%。
从利用高光谱成像技术检测浆果品质的研究可知，高光谱成像技术不仅可以用于检测浆果的内部品质，同时还可以检测外部品质，实现了浆果的内外部品质的同时检测。国内外研究成果为将来实现浆果内外品质同时在线无损检测提供了很好的方法。
4结论与展望
随着我国浆果的大量栽培及市场越来越大的需求，浆果品质自动无损检测越来越受到关注，许多研究学者将光学检测技术应用到浆果的品质检测中，致力于寻找一种快速、无损的检测方法。国内外利用计算机视觉技术来检测浆果的品质，并且取得了非常好的研究成果，随着计算机视觉技术的提高和硬件成本的下降，此项技术在浆果的外部品质检测应用方面也
越来越广。但是计算机视觉技术不能实现浆果的内部品质。
而近红外光谱技术则被研究者用来检测浆果的内部品质，但是近红外光谱技术对于浆果的外部品质的检测不如利用计算机视觉技术容易、可靠。近红外光谱分析法只是对果品某个点进行品质检测，但其不能反应整个果品的品质，不具有代表性。所以光谱技术和图像技术都不能全面的检测浆果品质。
而高光谱成像技术检测浆果品质结合二者的优点，能够同时检测浆果内外部品质，高光谱成像技术具备获取浆果整体空间光谱信息的优势，与近红外获取的小光斑光谱信息相比，能更加全面反映浆果的整体情况。高光谱成像技术不再是单一地采集浆果的反射图像，它可以根据研究的需要，采集浆果的透射、散射、漫透射、漫反射等图像，它还可以结合荧光诱导技术采集荧光诱导高光谱图像，同时高光谱成像技术还可以选择某一个或几个最优波段进行全面而深入的检测，大大减少了图像的冗余信息，提高了检测精度和速度。
但是高光谱成像技术图像信息量非常大，且冗余多，数据处理复杂，目前浆果的检测主要在实验室进行研究较多，要将其应用到实际的在线生产中，还有待进一步的研究。且目前国内外学者利用光学无损检测研究的浆果品种和文献较少，主要集中在葡萄、蓝莓、猕猴桃、番茄和草莓的研究，而其它浆果品质的研究少有见报道。
同时由于浆果有一定的特殊性，例如浆果颜色深且果皮软，在采摘、运输和储存过程中会有一些轻微的损伤，损伤部位与正常部位颜色差别不大，这为检测带来很大的困难；例如猕猴桃表面斑点及未清理的茸毛对光谱采集，建模有影响；另外浆果果形小，外观不规则，在对其图像光谱分析时带来一定的困难等，这些在以后的浆果品质检测中都是需要克服的难题。
随着光学检测技术及软硬件的发展，光学无损检测技术成为在浆果品质无损检测方面的必然趋势，而其中高光谱成像技术具有相当的优势，对浆果内外品质无损检测具有重大的研究意义。光学无损检测技术在浆果品质检测应用方面具有广阔的应用前景。
下一篇:返回列表
