芒果品質(zhì)無損檢測技術(shù)研究進展

劉彩華，李 曦，朱正杰，包竹君，謝曉娜，楊鄭州，王 赟，劉 芳

（百色學(xué)院農(nóng)業(yè)與食品工程學(xué)院，廣西百色 533000）

芒果與柑橘、香蕉、葡萄、蘋果并稱世界五大水果，素有“熱帶果王”之美譽，含有糖、蛋白質(zhì)、類胡蘿卜素和維生素A等多種營養(yǎng)物質(zhì)，深受人們喜愛。芒果原產(chǎn)于亞洲南部熱帶地區(qū)，現(xiàn)已廣泛分布于熱帶、亞熱帶地區(qū)[1]。在國內(nèi)，芒果主要分布在海南、廣西和四川，在廣東、福建、云南、臺灣等地也有種植。主產(chǎn)區(qū)均有其特色品種，如海南主產(chǎn)貴妃芒、臺農(nóng)、水仙芒、金煌芒等，廣西特色品種為桂七芒和紫花芒，四川主要生產(chǎn)凱特芒[2]。

芒果品質(zhì)主要包括產(chǎn)品外觀與內(nèi)在品質(zhì)。外觀品質(zhì)主要包括果實形狀、果實大小、組織缺陷、果皮色澤等，內(nèi)在品質(zhì)包括可溶性糖、可滴定酸、可溶性固形物、糖酸比、胡蘿卜素等[3-5]。對芒果品質(zhì)進行評價和分級，有利于芒果采后科學(xué)處理。品質(zhì)較高的芒果進行銷售或儲存，品質(zhì)較低的芒果進行深加工處理，對提高芒果經(jīng)濟價值和產(chǎn)業(yè)鏈發(fā)展具有重要的意義。芒果品質(zhì)評價的最常用方法主要是感官評價，針對果實外觀品質(zhì)進行。這種方法易受評價員自身主觀性、經(jīng)驗、身體因素及外部環(huán)境等多種因素影響，并且常因感官疲勞而導(dǎo)致準(zhǔn)確率降低[6]。實際上，最影響芒果風(fēng)味的是其內(nèi)在品質(zhì)因子，如可溶性糖和有機酸的組成成分、含量及糖酸比，在不同品種芒果中具有較明顯的差異，最能體現(xiàn)芒果的價值和市場接受度[4]。針對內(nèi)在品質(zhì)因子的傳統(tǒng)評價方法主要是理化檢測，能準(zhǔn)確得出各品質(zhì)因子的含量，但是該方法工作量大，具有破壞性，無法滿足大批量芒果品質(zhì)快速檢測的需求，且易造成果實浪費[7-9]。近年來有發(fā)展針對可溶性糖含量和總有機酸的快速檢測方法，如糖度計、糖酸儀等，但是這些快檢儀器也需要破壞芒果取得果汁進行檢測。

多種無損檢測技術(shù)的出現(xiàn)，為芒果品質(zhì)的快速檢測、成熟度預(yù)測以及產(chǎn)后分級，提供了有效的解決方案。無損檢測技術(shù)不破壞被測對象，而是利用樣品對光、電、聲、磁、熱等獨特的“指紋”反應(yīng)特征，采用特定的快速檢測設(shè)備，結(jié)合軟件處理、化學(xué)計量學(xué)等方法，實現(xiàn)對其外在和內(nèi)在品質(zhì)特性進行無損檢測[3,9]。目前，多種無損檢測技術(shù)用于芒果品質(zhì)的檢測研究，如計算機視覺技術(shù)、可見/近紅外光譜技術(shù)、高光譜成像技術(shù)、電子鼻技術(shù)以及超聲波檢測技術(shù)等[6-11]，用于對芒果果面缺損、體積、重量、果實顏色、形狀、產(chǎn)量預(yù)估、品質(zhì)分類、成熟度、腐爛程度、可溶性固形物、糖度、酸度、pH、果實硬度、β-胡蘿卜素和花青素含量等指標(biāo)進行檢測。但是對于國內(nèi)外芒果品質(zhì)無損檢測技術(shù)的最新研究進展，還缺乏相應(yīng)的報道。

本文論述了近年來國內(nèi)外芒果品質(zhì)無損檢測技術(shù)的研究進展，總結(jié)了不同檢測技術(shù)的主要應(yīng)用方向，比較了國內(nèi)外研究現(xiàn)狀的差異，進一步分析了存在的問題，展望了兩種主要技術(shù)——計算機視覺技術(shù)和可見/近紅外光譜檢測技術(shù)未來的發(fā)展趨勢，以期為進一步提高無損檢測技術(shù)的精度，拓寬其應(yīng)用范圍提供參考。

1 計算機視覺技術(shù)——外在品質(zhì)檢測

計算機視覺技術(shù)以計算機和圖像獲取為工具，通過相機采集水果圖片，利用圖像處理和分析技術(shù)進行處理，提取出水果大小、形狀、顏色和表面缺陷等外部品質(zhì)特征，再利用模式識別和分級技術(shù)，實現(xiàn)對水果外觀品質(zhì)的綜合評價和分級[12]。計算機視覺技術(shù)主要在果面壞損、品質(zhì)分級、產(chǎn)量預(yù)估、品種鑒別等方面研究較多。

1.1 檢測芒果重量和果面壞損

果面壞損和重量是最常用的水果品質(zhì)分級指標(biāo)。20世紀(jì)末，王江楓等[13]設(shè)計了一套檢測系統(tǒng)，由圖像獲取部分、解碼器、圖像采集卡、監(jiān)視器、計算機等組成，對果面壞損的檢測準(zhǔn)確率達76%以上，對果重的檢測準(zhǔn)確率達92%以上。張立華[14]利用計算機視覺技術(shù)結(jié)合模糊c-均值聚類算法對芒果表面缺陷進行檢測和分類，檢測結(jié)果與肉眼評價結(jié)果基本吻合。張烈平等[15]結(jié)合計算機視覺技術(shù)和BP神經(jīng)網(wǎng)絡(luò)算法，對芒果斑痕和碰傷缺陷進行檢測，創(chuàng)建了3層BP神經(jīng)網(wǎng)絡(luò)模型，對芒果缺陷識別的準(zhǔn)確率達85.5%以上。劉靜等[16]應(yīng)用視覺系統(tǒng)開發(fā)模塊對芒果表面缺陷進行檢測，經(jīng)過圖像預(yù)處理，再利用面積標(biāo)定法獲得表面缺陷圖像。試驗結(jié)果表明，計算機視覺檢測結(jié)果與人工檢測結(jié)果誤差小于0.3%。Pham等[17]利用k均值算法在L*a*b*空間中根據(jù)歐氏顏色距離將原始圖像分割成區(qū)域塊，再采用最小生成樹的合并方法，迭代地將相似區(qū)域合并成新的同構(gòu)區(qū)域，從而實現(xiàn)對壞損區(qū)域圖像進行分割。在與人眼觀察對比和處理時間方面，均顯示較好的結(jié)果。Ashok等[18]對芒果可見缺陷的特征提取方法進行了對比研究，通過順序前向選擇算法提取最相關(guān)特征，用廣義線性模型分類器設(shè)計神經(jīng)網(wǎng)絡(luò)（neural network，NN），評價了不同輸出激活函數(shù)如線性、logistic和softmax對分類器的性能影響，結(jié)果表明對果面壞損的檢測交叉驗證性能精度分別為90.09%、90.26%和90.26%。徐玉瓊等[19]通過芒果灰度圖像來區(qū)分正常果面和缺陷果面，表皮損傷區(qū)域呈黑色或褐色，與正常果面灰度有明顯區(qū)別，通過閾值設(shè)定分割出缺陷區(qū)域。但是由于果梗的影響，容易造成誤判，影響判斷結(jié)果的精準(zhǔn)度。張光龍[20]對芒果二維缺陷（曬傷、病斑及黑斑）和三維缺陷（凹陷、劃痕等機械損傷）的計算機視覺檢測進行了研究，利用數(shù)據(jù)濾波降噪，結(jié)合缺陷部分的像素面積與點云數(shù)據(jù)值映射，即得出二維缺陷區(qū)域的物理面積；通過直方圖均衡化，Canny算子邊緣檢測，再進行“閉運算”和“空洞填充”處理得到二值圖像，通過圖像處理計算病斑像素面積與實際物理值映射，得到病斑的物理面積。結(jié)果顯示缺陷部位面積檢測的相對誤差小于2.0%。Kumari等[21]研究了圖像分割算法和分類器對壞損芒果和健康芒果分類準(zhǔn)確率的影響。所建立方法結(jié)合了模糊k均值聚類算法和基于反向傳播的判別分類器（backpropagation based discriminant classifier，BBDC），而k-均值以及模糊c均值聚類方法，以及BPNN和樸素貝葉斯分類器（decision table and na?ve bayes classifier，DTNB）方法均作為對比。結(jié)果顯示所建立的方法具有最高精度，對等級C的壞損芒果的分類準(zhǔn)確率達到99.68%。

在芒果果面壞損檢測的研究中，國外研究者（如印度、韓國）更關(guān)注于圖像處理算法和模型建立方法的研究，但國內(nèi)專注于算法比較的研究報道較少。隨著研究的發(fā)展，研究者更傾向于綜合果面缺陷與果面大小、形狀、顏色等多種特征，構(gòu)建更為準(zhǔn)確的分級依據(jù)，應(yīng)用于芒果品質(zhì)分級。

1.2 芒果品質(zhì)分級

隨著生活水平提高，消費者對水果的可食用品質(zhì)提出了更高的要求和期望。我國雖然是芒果生產(chǎn)大國，但為了應(yīng)對進口芒果的沖擊，提升國產(chǎn)芒果品質(zhì)及檢測水平，快速精準(zhǔn)鑒別芒果品質(zhì)，有助于推動芒果產(chǎn)業(yè)可持續(xù)發(fā)展，增強國產(chǎn)芒果的市場競爭力[2,10]。計算機視覺技術(shù)應(yīng)用于芒果品質(zhì)檢測的研究如表1所示。

表1 計算機視覺技術(shù)在芒果品質(zhì)分級中的應(yīng)用Table 1 Application of computer vision technology in mango quality grading

2006年，孫樹亮[22]利用計算機視覺技術(shù)結(jié)合不同算法，依據(jù)芒果顏色、大小進行分類，發(fā)現(xiàn)線性函數(shù)法在樣本數(shù)量大時有較好分類效果，準(zhǔn)確率達95.31%。李國進等[12]基于計算機視覺和使用粒子群算法優(yōu)化后的極限學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，依據(jù)芒果大小、形狀、顏色、表面缺陷等綜合特征對芒果進行分級，與單純極限學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型、傳統(tǒng)BP和支持向量機模型相比，具有更高的分級精度。Sa’ad等[23]聯(lián)合傅里葉描述符法，通過芒果形狀進行分級。應(yīng)用判別分析（discriminant analysis，DA）和支持向量機（support Vector machine，SVM）建模時，分級準(zhǔn)確率分別能達到98.3%和100%；應(yīng)用圓柱近似分析法（cylinder approximation analyses method）估測芒果體積和質(zhì)量，重量分級法精度為95%。Ibrahim等[24]設(shè)計了基于機器視覺和壓片法的芒果在線分揀設(shè)備，主要關(guān)注長度、寬度、高度、重量等物理特性，結(jié)果顯示對芒果形狀的判斷準(zhǔn)確率達到92%，基于芒果重量的分級準(zhǔn)確率為94%，證實該系統(tǒng)在芒果自動分選中具有一定的潛力。Makino等[25]利用色彩濃度（chroma）22和色彩角（hue angle）52°對紅色果皮進行篩選，建立了依據(jù)果皮顏色的芒果分級方法。同時研究了花青素濃度與色彩角之間的關(guān)系，推測計算機視覺技術(shù)可用于預(yù)估花青素含量。Nandi等[26]利用支持向量機方法對芒果成熟度進行預(yù)測，利用多屬性決策系統(tǒng)對芒果品質(zhì)進行預(yù)測，再利用模糊增量學(xué)習(xí)算法（fuzzy incremental learning algorithm）對芒果進行分級，分級準(zhǔn)確率達87%，預(yù)測重復(fù)率達100%。辛華健[27]以大小、顏色和表面缺陷為芒果品質(zhì)參數(shù)，建立了BP神經(jīng)網(wǎng)絡(luò)模型，芒果品質(zhì)分級準(zhǔn)確率超過93%。向陽等[28]針對芒果形狀不規(guī)則的問題，通過柔性翻面機采集芒果正反面圖像，提出了一種基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型，依據(jù)果皮顏色、果肉硬度和果肉顏色制定芒果成熟度標(biāo)準(zhǔn)，用于芒果成熟度的分級，平均準(zhǔn)確率達96.72%。芒果大小、果形、顏色、表面缺陷面積四種特征常作為綜合特征應(yīng)用于芒果分級的研究。近年來，徐玉瓊等[19]利用Canndy算子和BP神經(jīng)網(wǎng)絡(luò)建立芒果分級模型，分級平均準(zhǔn)確率達到90%。張光龍[20]采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）算法分別建立分級模型，結(jié)果表明基于改進的粒度支持向量機（GSVM）算法分級效果好、準(zhǔn)確率高（＞90%），在此基礎(chǔ)上建立了基于流水線的芒果智能化分級系統(tǒng)。Anurekha等[29]結(jié)合圖像處理與自適應(yīng)神經(jīng)模糊推理系統(tǒng)GANFIS（genetic adaptive neuro fuzzy inference system），依據(jù)芒果質(zhì)地進行分級。

應(yīng)用計算機視覺技術(shù)對芒果品質(zhì)進行分級，研究熱點主要集中于圖像處理技術(shù)和分級模型算法的改進，這也是影響計算機視覺技術(shù)對芒果分級的準(zhǔn)確率的重要影響因素。此外，模型的建立依據(jù)，逐漸由顏色、重量等單個特征參數(shù)向結(jié)合了芒果大小、形狀、顏色、表皮缺陷等多參數(shù)的綜合特征發(fā)展，使建立的模型分級依據(jù)更準(zhǔn)確。近年來，除了理論研究外，越來越多的研究關(guān)注到智能檢測系統(tǒng)的建立和應(yīng)用，而這也是計算機視覺技術(shù)能實際應(yīng)用于生產(chǎn)的關(guān)鍵所在。

1.3 芒果產(chǎn)量預(yù)估

芒果自然生境下的目標(biāo)檢測研究，對芒果精準(zhǔn)種植中的智能噴施、生長監(jiān)測、產(chǎn)量預(yù)估和勞動力需求預(yù)測等具有重要的實際意義。計算機視覺技術(shù)為水果自動檢測提供了一種有效的手段。

Payne等[30]利用機器視覺檢測技術(shù)，結(jié)合RGB和YCbCr顏色分割以及紋理分割方法，通過計算合成斑點數(shù)，來估測收獲前3周的芒果產(chǎn)量。但是隨著芒果樹上果實增多，或者拍攝時有直接陽光照射，模型的有效性會下降。薛月菊等[31]提出了果園場景下未成熟芒果的改進YOLOv2檢測方法，利用基于回歸的YOLOv2算法，設(shè)計了帶密集連接的Tinyyolo網(wǎng)絡(luò)結(jié)構(gòu)，并利用標(biāo)注遮擋或重疊芒果的前景區(qū)域樣本來加強前景區(qū)域特征學(xué)習(xí)，結(jié)合數(shù)據(jù)擴增和多尺度策略訓(xùn)練網(wǎng)絡(luò)，改進了YOLOv2芒果目標(biāo)檢測網(wǎng)絡(luò)，測試集準(zhǔn)確率達97.02%。熊俊濤等[32]提出了一種基于無人機的樹上芒果視覺檢測技術(shù)，結(jié)合深度學(xué)習(xí)技術(shù)和YOLOv2模型，測試了綠色芒果的識別正確率，對芒果產(chǎn)量進行預(yù)估試驗。結(jié)果表明不同光照條件下識別正確率為87.18%～3.42%，產(chǎn)量估計平均誤差為12.79%。

1.4 品種鑒別

利用計算機視覺技術(shù)也可以實現(xiàn)芒果品種的鑒別。Behera等[33]利用k均值聚類和灰度共生矩陣對13個參數(shù)（如對比度、相關(guān)性、均勻性、均值、平滑度、峰度、標(biāo)準(zhǔn)差、方差等）進行評價，再利用SVM算法進行訓(xùn)練，通過匹配訓(xùn)練集和測試集的特征，從而實現(xiàn)對不同品種芒果的鑒別。Sahana等[34]首次通過同時提取水果圖像的形態(tài)特征（如面積、周長、偏心度、形心等）和傅里葉特征（灰度圖像經(jīng)傅里葉變換后的均值和標(biāo)準(zhǔn)差），再利用決策樹和樸素貝葉斯算法對水果進行分類。但是目前只能對不同品種的水果進行鑒別，如對芒果與蘋果的鑒別，對同種水果不同亞類的鑒別還有待進一步研究。Anurekha等[35]利用遺傳自適應(yīng)神經(jīng)模糊推理系統(tǒng)（genetic adaptive neuro fuzzy inference s ystem，GANFIS），以芒果的顏色、形狀、紋理為特征，首先對芒果進行分類鑒別，再進行品質(zhì)分級，結(jié)果顯示該方法的敏感性達到98.05%，特異性達到97.39%，正確率達到99.18%。Hasna等[36]利用機器視覺技術(shù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和深度學(xué)習(xí)算法，通過深度輸入圖像的層可視化滿足系統(tǒng)準(zhǔn)確性，建立了基于芒果幼苗葉片的芒果品種鑒別方法，模型準(zhǔn)確率為78.65%。芒果品種鑒定主要依據(jù)芒果的形態(tài)特征差異來實現(xiàn)，而基于芒果葉片的鑒別方法，更有利于芒果種植人群早期對芒果品種進行準(zhǔn)確判斷。

計算機視覺技術(shù)在芒果果面壞損、品質(zhì)分級、產(chǎn)量預(yù)估和品種鑒別中的研究較為豐富。國外研究者主要關(guān)注于圖像處理算法和模型建立方法的研究，多采用k均值聚類、SVM、判別分析、神經(jīng)模糊算法，近年來也將基于反向傳播的判別分類器（BBDC）、BBP神經(jīng)網(wǎng)絡(luò)（BPNN）和樸素貝葉斯分類器DTNB應(yīng)用于芒果品質(zhì)的研究中。而國內(nèi)主要采用建立BP神經(jīng)網(wǎng)絡(luò)算法來建立分級模型。建立的不同分級模型對芒果品質(zhì)分級的準(zhǔn)確率均在85%以上。針對芒果產(chǎn)量預(yù)估的研究，國內(nèi)基于深度學(xué)習(xí)和YOLOv2算法，具有更高的準(zhǔn)確率。而針對不同芒果品種的鑒別，國外主要通過果實形態(tài)分辨來實現(xiàn)，最新發(fā)展了基于葉片特征的鑒別技術(shù)。但是國內(nèi)目前針對芒果品種的快速鑒別研究還未見報道。

1.5 存在問題

計算機視覺技術(shù)主要基于對芒果圖像進行分析，只能對芒果的物理特征進行檢測（表1），而與芒果的內(nèi)在品質(zhì)特性關(guān)聯(lián)性不強，因此判斷結(jié)果并不全面。此外，計算機視覺技術(shù)的圖像分析主要依賴算法處理、算法自身的缺陷，如對顏色的誤判、對微小或模糊特征的遺漏、對芒果不規(guī)則邊緣的錯誤識別等，會導(dǎo)致判別的準(zhǔn)確率下降。此外，計算機視覺技術(shù)對復(fù)雜多樣的環(huán)境抗干擾性差，如不同光照條件、或不同生長環(huán)境，均會影響其品質(zhì)評價的準(zhǔn)確性。

2 可見/近紅外光譜檢測技術(shù)——內(nèi)在品質(zhì)檢測

可見/近紅外光譜檢測技術(shù)主要基于生物分子對光的吸收特性。由于幾乎所有生物大分子和功能基團能在380～2500 nm范圍內(nèi)形成穩(wěn)定的光譜圖，主要包括O-H、C-H、N-H鍵的振動吸收。因此，可見/近紅外光譜技術(shù)廣泛用于分析領(lǐng)域，具有分析速度快、無需樣品預(yù)處理、非破壞性、無污染等特點。通過結(jié)合化學(xué)計量學(xué)方法，能無損檢測水果的多個外在和內(nèi)在品質(zhì)指標(biāo)，如硬度、色澤、可溶性固形物、糖度、酸度、維生素等[8,37]。檢測系統(tǒng)主要由光源、光源光纖和接收光纖、光譜儀、載物臺和處理軟件構(gòu)成。

2.1 對芒果采后品質(zhì)的無損檢測

利用可見/近紅外光譜檢測技術(shù)，可以實現(xiàn)對芒果采后多個內(nèi)在品質(zhì)參數(shù)的預(yù)測，如糖度、酸度、可溶性固形物、pH和維生素含量等，如表2所示。

表2 可見/近紅外光譜技術(shù)在芒果品質(zhì)檢測中的應(yīng)用Table 2 Application of VIS/NIR spectroscopy technology in mango quality detection

虞佳佳等[38]利用近紅外光譜技術(shù)結(jié)合偏最小二乘法和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)技術(shù)（GA-BP），建立了芒果糖度和酸度的預(yù)測模型，結(jié)果顯示相關(guān)系數(shù)分別為0.85409和0.83699，具有較好的預(yù)測能力。屠振華等[39]利用偏最小二乘回歸法，建立了芒果可溶性固形物和硬度的近紅外定量分析模型，結(jié)果發(fā)現(xiàn)可溶性固形物的預(yù)測效果更好，相關(guān)系數(shù)達到0.8629，而硬度的預(yù)測只能基本滿足要求。Jha等[40]建立了印度芒果可溶性固形物和pH的預(yù)測模型，結(jié)果顯示對校正集和確認(rèn)集，可溶性固形物的復(fù)相關(guān)系數(shù)分別達到0.782和0.762，pH的復(fù)相關(guān)系數(shù)為0.715和0.713，具有較好的預(yù)測功能。曹霞等[41]比較了主成分回歸法、偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)法建立的近紅外模型對糖度的預(yù)測能力，結(jié)果表明偏最小二乘法建立的模型預(yù)測能力較好，對糖度的預(yù)測相關(guān)系數(shù)能達到0.97659。近紅外光譜法也用于對芒果6種主要化學(xué)成分（葡萄糖、蔗糖、檸檬酸、蘋果酸、淀粉和纖維素）進行建模預(yù)測。結(jié)果表明利用這6種成分的二階導(dǎo)譜，能建立最好的偏最小二乘回歸模型，決定系數(shù)R2達到0.99，并且對葡萄糖和蔗糖的預(yù)測最佳有效波長范圍是900～1000 nm，蘋果酸和檸檬酸的是800～1000 nm，淀粉的是900～1000 nm，纖維素的是800～1000 nm[42]。近紅外光譜-反射模式結(jié)合線性回歸模型用于泰國出口芒果的成熟度和品質(zhì)指標(biāo)（果皮和果肉顏色、可溶性固形物含量（TSS）、滴定酸度（TA）、TSS:TA）預(yù)測，結(jié)果表明其近紅外反射率隨芒果成熟度增加而增加，且與干固含量呈正相關(guān)、與果實硬度呈負(fù)相關(guān)，對可溶性固形物含量預(yù)測精確度達到99%[43]。Cortés等[44]分別利用可見/近紅外分光光度計和光譜色度儀測量Osteen芒果的反射光譜，通過最小二乘法建立3種不同的回歸模型，聯(lián)合“可溶性固形物含量”和“硬度和果肉色度”，建立了芒果內(nèi)在品質(zhì)指標(biāo)（internal quality index），結(jié)果顯示全光譜測量具有較好的預(yù)測性（R2=0.833～0.879）。

可見近紅外光譜檢測技術(shù)也可用于芒果內(nèi)部維生素含量的預(yù)測。反射光譜法結(jié)合標(biāo)準(zhǔn)正態(tài)變量變換方法，建立偏最小二乘法模型，結(jié)果表明，模型對芒果的β-胡蘿卜素具有最好的預(yù)測能力（確定系數(shù)R2＞0.800），且長波段的近紅外光譜預(yù)測性能更好[45]。Munawar等[46]利用臺式傅里葉變換紅外光譜（1000～2500 nm）系統(tǒng)測量芒果的吸收光譜，再經(jīng)多元散射校正（multiplicative scatter correction，MSC）和逆趨勢校正（de-trending，DT）處理光譜圖像，再利用偏最小二乘回歸建立預(yù)測模型，對維生素C的預(yù)測值與實際測量值的相關(guān)系數(shù)r為0.86?；诜e分球的增強型近紅外光譜數(shù)據(jù)集用于預(yù)測芒果總酸度和維生素C含量。結(jié)果表明增強的近紅外數(shù)據(jù)集可以用于快速、有效、無損的預(yù)測芒果內(nèi)部品質(zhì)[46]。

綜上可以看出，芒果可溶性固形物、糖度、酸度是最常用于可見/近紅外光譜預(yù)測的內(nèi)在品質(zhì)參數(shù)，而偏最小二乘法是最常用的建模算法。隨著研究的發(fā)展，預(yù)測模型的相關(guān)系數(shù)越來越高，預(yù)測性能發(fā)展更好，如表2所示。因此，建立基于上述內(nèi)在品質(zhì)的可見/近紅外光譜預(yù)測模型，對芒果品質(zhì)分級，具有重要的指導(dǎo)意義。

對比國內(nèi)外的研究現(xiàn)狀可以看出，國外在利用可見/近紅外光譜技術(shù)無損檢測芒果糖度、酸度、可溶性固形物等品質(zhì)參數(shù)方面，一直進行著持續(xù)研究，近年來還逐步發(fā)展了芒果中維生素含量的預(yù)測方法。此外，還建立了基于可見/近紅外光譜技術(shù)的芒果成熟度預(yù)測模型，對芒果的科學(xué)采摘、采后加工儲藏具有一定的指導(dǎo)意義。光譜預(yù)處理技術(shù)也從最初的一階、二階光譜衍生，發(fā)展到利用多元散射校正和逆趨勢校正等技術(shù)。在預(yù)測模型建立方面，偏最小二乘法一直是最主要的算法。而國內(nèi)在近5年內(nèi)，針對芒果品質(zhì)的可見/近紅外光譜無損檢測技術(shù)的研究，已鮮有報道。由于芒果屬于中國南方的特色水果，芒果產(chǎn)業(yè)是地方支柱產(chǎn)業(yè)之一。發(fā)展基于可見/近紅外光譜的芒果品質(zhì)無損檢測技術(shù)，有利于提高中國芒果的品質(zhì)和市場競爭力，值得進一步深入研究。

2.2 對芒果成熟度的預(yù)測

可見/近紅外光譜技術(shù)除了用于對成熟芒果的內(nèi)在品質(zhì)進行預(yù)測外，還能對芒果成熟過程中不同內(nèi)在品質(zhì)因素的變化進行預(yù)測。

Subedi等[48]利用可見-短波近紅外光譜法（500～1050 nm）結(jié)合偏最小二乘法對芒果成熟過程的干物質(zhì)含量、可溶性固形物含量、可溶性糖和淀粉含量進行了預(yù)測。結(jié)果發(fā)現(xiàn)模型可用于預(yù)測不同成熟期芒果的干物質(zhì)含量，以及成熟芒果的可溶性固形物含量，而不能預(yù)測可溶性糖和淀粉含量。Izneid等[49]建立了一種便攜式近紅外光檢測系統(tǒng)，通過將透過芒果的近紅外光信號轉(zhuǎn)變?yōu)殡娦盘?，實現(xiàn)對不同成熟期的芒果的檢測。Jha等[50]結(jié)合近紅外光譜法（1200～2200 nm）和偏最小二乘法建立模型，對芒果成熟指數(shù)Im進行預(yù)測，對校準(zhǔn)模型和驗證模型的多元相關(guān)系數(shù)分別為0.74和0.68，且1600～1800 nm波段的光譜具有較好的預(yù)測效果。近紅外光譜法建立的芒果后熟期品質(zhì)預(yù)測模型穩(wěn)健性受到采摘年份的影響，3年的采摘數(shù)據(jù)建立的預(yù)測模型比較合適[51]。手持型近紅外光譜儀也用于對芒果品質(zhì)的無損檢測研究中，預(yù)測模型對成熟過程中可溶性固形物的預(yù)測能力最好，確定系數(shù)達到0.92，預(yù)測均方根誤差為0.55°Brix[52]。

利用可見/近紅外光譜技術(shù)對芒果成熟度進行預(yù)測，在國外研究較多，國內(nèi)的研究報道還較為缺乏。不同品質(zhì)參數(shù)中，可溶性固形物仍是最準(zhǔn)確的預(yù)測因子，而綜合參數(shù)“成熟指數(shù)Im（基于可溶性固形物含量、干物質(zhì)含量以及可滴定酸度含量計算得到）”的預(yù)測準(zhǔn)確性，還有待進一步研究。

2.3 存在問題

可見/近紅外光譜檢測技術(shù)主要依賴于光進入果實后再經(jīng)反射、透射或半透射后帶出果實內(nèi)部的信息，但是光在果實中的透射或反射受到入射光強、芒果品種、檢測部位、入射角度、果皮厚度、光滑度、果皮顏色等因素影響，因此，一方面會限制光帶出的信息量，另一方面也導(dǎo)致模型的穩(wěn)健性和適用性受到影響。其次，建立模型前，需要對大量樣品進行檢測分析來對模型進行校準(zhǔn)和驗證，工作量相對較大。此外，模型預(yù)測精度問題一直是實際應(yīng)用中的難題，主要來源于模型適應(yīng)性、噪聲去除、傳感器漂移和模式識別最優(yōu)解幾個方面。因此，模型偏差最小化是研究的關(guān)鍵問題之一。

3 其他無損檢測技術(shù)

芒果品質(zhì)的無損檢測中，除了基于芒果外在品質(zhì)的計算機視覺檢測技術(shù)，以及基于芒果內(nèi)在品質(zhì)的可見/近紅外光譜檢測技術(shù)，還發(fā)展了基于芒果氣味響應(yīng)的電子鼻檢測技術(shù)，基于芒果聲學(xué)響應(yīng)的超聲波檢測技術(shù)，綜合了成像與光譜檢測的高光譜檢測技術(shù)，以及不同檢測技術(shù)的聯(lián)用。此外，還發(fā)展了基于加速度傳感的機械抓手設(shè)備。

芒果散發(fā)的氣味可用于成熟度和腐爛程度的檢測。李敏等[53]利用電子鼻檢測芒果的氣味響應(yīng)，同時測定芒果可溶性固形物和可滴定酸度，利用偏最小二乘法PLS和BP神經(jīng)網(wǎng)絡(luò)分別建立了預(yù)測模型。結(jié)果發(fā)現(xiàn)兩種模型的相關(guān)系數(shù)均大于91%，預(yù)測性能均較好。

芒果介電特性也用于成熟和腐爛程度的檢測。廖宇蘭等[54]利用智能LCR測量儀和平板電極系統(tǒng)，采用不同頻率參數(shù)，測試芒果不同成熟度和腐爛程度的介電特性。結(jié)果發(fā)現(xiàn)用100 Hz測定芒果介電特性可獲得最好的效果。芒果儲存第7 d開始腐爛時，等效電容升至最大值，等效電感、阻抗等達到最低值。Yahaya等[55]對芒果成熟階段的介電特性進行了研究。在微波頻率0.2～5 GHz下，測量芒果介電常數(shù)和損耗因子，同時測量芒果水分含量。通過比較，發(fā)現(xiàn)未成熟芒果的ε’值為19～24，而成熟芒果和過熟芒果的ε’值均為16～21。國內(nèi)外利用介電特性對芒果品質(zhì)進行檢測的研究報道，近年來已較少。

浦宏杰等[56]利用基于快速氣象色譜儀的電子鼻檢測芒果揮發(fā)性物質(zhì)，同時測定表皮黑斑覆蓋率，通過建立高斯模型，對腐爛程度的預(yù)測準(zhǔn)確率可達90%以上。潘俊洋等[57]構(gòu)建了一種基于DSP6437開發(fā)板的芒果品質(zhì)檢測平臺，將味覺傳感器與視覺檢測相結(jié)合，實現(xiàn)對芒果大小、成熟程度、腐爛程度的判斷分類，具有平臺體積小、運行穩(wěn)定的特點。

超聲波檢測方法也用于芒果分級檢測中。通過對回波信號構(gòu)建模型，可對芒果分級[58]。但是振動聲學(xué)技術(shù)只適用于具有一定硬度或脆度的水果檢測，對于質(zhì)地柔軟、不耐敲擊，或果皮果肉硬度差異較大的水果實用性較差[9]。

高光譜技術(shù)（380～1000 nm）用于青熟芒果儲藏期品質(zhì)的檢測。模型能預(yù)測花青素含量和可溶性固形物含量，相關(guān)系數(shù)分別達到0.88和0.73[59]。但是高光譜由于同時采集有圖像信息和光譜信息，因此，數(shù)據(jù)處理量很大，處理速度較慢[11]。

計算機視覺技術(shù)聯(lián)合比色傳感器陣列分析（colorimetric sensor array）技術(shù)也被用于芒果品質(zhì)的無損檢測。主要檢測指標(biāo)包括芒果硬度和可溶性固形物含量。支持向量機分類模型用于芒果品質(zhì)的定量描述。結(jié)果顯示對訓(xùn)練集和預(yù)測集的準(zhǔn)確率分別達到98.75%和97.50%，表明該集成技術(shù)可用于預(yù)測芒果品質(zhì)[60]。

此外，基于內(nèi)嵌加速傳感器的機械抓手設(shè)備也被用于芒果品質(zhì)的檢測，通過建立偏最小二乘回歸模型，對芒果硬度和成熟指數(shù)的相關(guān)系數(shù)分布達到0.925和0.937[61]。

4 展望

經(jīng)過數(shù)年的發(fā)展，芒果無損檢測已經(jīng)有了很大的進展，多種無損檢測技術(shù)應(yīng)用于芒果品質(zhì)的分級、成熟度的檢測、產(chǎn)量預(yù)估、品種鑒定等。其中，計算機視覺技術(shù)和可見/近紅外光譜檢測技術(shù)應(yīng)用最為廣泛，未來研究將著重在這兩個方面。發(fā)展趨勢主要包括：

4.1 檢測設(shè)備便攜化、操作簡單化

目前針對芒果品質(zhì)無損檢測的諸多研究仍停留在實驗室階段，較少應(yīng)用于實際生產(chǎn)中。主要是因為芒果無損檢測設(shè)備較為復(fù)雜，需要多臺設(shè)備聯(lián)用。對分散種植的農(nóng)民來說，使用操作起來具有一定困難。因此，便攜式芒果無損檢測設(shè)備的開發(fā)是未來的發(fā)展趨勢之一，特別是針對內(nèi)在品質(zhì)檢測的便攜式可見/近紅外光譜檢測儀。

4.2 多種無損檢測技術(shù)的聯(lián)合應(yīng)用

芒果品質(zhì)包含外觀品質(zhì)和內(nèi)部品質(zhì)。目前無損檢測技術(shù)大多只針對某一類指標(biāo)進行檢測，由于方法本身的缺陷，檢測和預(yù)測結(jié)果不一定準(zhǔn)確。因此，聯(lián)合不同無損檢測技術(shù)，如近紅外光譜法和機器視覺檢測，可實現(xiàn)對外在物理品質(zhì)和內(nèi)在理化品質(zhì)的同時檢測，建立芒果內(nèi)在品質(zhì)和外在品質(zhì)的檢測模型，實現(xiàn)多指標(biāo)同時檢測的目標(biāo)，建立更為全面的芒果檢測技術(shù)[50]。

4.3 穩(wěn)健模型建立和模型在線更新

由于無損檢測技術(shù)的基礎(chǔ)在于設(shè)備，因此如何提高設(shè)備穩(wěn)定性將是未來需解決的問題之一。其次，檢測精度也十分依賴于算法和模型建立，將最新的數(shù)據(jù)處理、模型建立和模型遷移算法應(yīng)用于芒果品質(zhì)無損檢測中，提高模型的穩(wěn)健性和泛化能力，結(jié)合互聯(lián)網(wǎng)技術(shù)和云平臺技術(shù)，操作平臺實現(xiàn)手機等移動端使用[11]，實現(xiàn)模型在線更新和升級。

4.4 芒果全生產(chǎn)過程質(zhì)量控制指導(dǎo)

無損檢測技術(shù)應(yīng)用于芒果采后品質(zhì)分級，固然能起到控制果品質(zhì)量的作用。但芒果品質(zhì)源于生產(chǎn)，將無損檢測技術(shù)應(yīng)用于芒果采前生產(chǎn)過程控制，如土壤微量元素及營養(yǎng)元素檢測、病蟲害早期監(jiān)測、最佳采收期預(yù)測等，將有助于實現(xiàn)芒果全生長過程的質(zhì)量控制，指導(dǎo)相應(yīng)預(yù)防性控制措施的實施，從生產(chǎn)全過程保證芒果品質(zhì)。

5 總結(jié)

本文主要對國內(nèi)外芒果品質(zhì)無損檢測技術(shù)的研究進展進行了簡要介紹。計算機視覺技術(shù)基于芒果外在品質(zhì)特點，主要應(yīng)用于芒果果面壞損檢測、品質(zhì)分級、產(chǎn)量預(yù)估和品種鑒別等方面，而可見/近紅外光譜檢測技術(shù)基于芒果內(nèi)在品質(zhì)因子，主要應(yīng)用于芒果的采后品質(zhì)分級和成熟度預(yù)測。由于計算機視覺技術(shù)主要依靠圖像處理，模型精確度與算法密切相關(guān)，因此發(fā)展更為精確的圖像處理技術(shù)和分級模型算法是未來發(fā)展要點之一。芒果品質(zhì)分級設(shè)備的建立是實現(xiàn)產(chǎn)業(yè)化應(yīng)用的關(guān)鍵，因此，如何建立高速、智能的芒果自動分級系統(tǒng)，是未來研究的重點任務(wù)之一?？梢?近紅外光譜技術(shù)由于受到系統(tǒng)和檢測方式的限制，模型穩(wěn)健性和適用性較低，檢測速度相對較慢，因此在批量檢測應(yīng)用方面可能并不適用。但是發(fā)展便攜式光譜檢測設(shè)備，再集成計算機視覺等其他無損檢測技術(shù)，對芒果貯藏品質(zhì)進行監(jiān)測，有利于指導(dǎo)芒果分級儲藏和儲后科學(xué)處理。此外，未來通過種植地原位檢測，還可實現(xiàn)芒果成熟度預(yù)測、芒果營養(yǎng)狀態(tài)監(jiān)測、病蟲害早期監(jiān)測等，有助于實現(xiàn)芒果全生長過程的質(zhì)量控制，結(jié)合芒果品質(zhì)大數(shù)據(jù)和云平臺技術(shù)，有利于促進芒果全生產(chǎn)過程的數(shù)字化、智能化發(fā)展。