胡靜，黃金發(fā)，劉小丹，3，畢潔，3，王加華，4，肖安紅，3，舒在習(xí)，戴煌，4*

（1.武漢輕工大學(xué) 食品科學(xué)與工程學(xué)院，湖北 武漢 430023；2.山東新希望六和集團(tuán)有限公司，山東 青島 266100；3.武漢輕工大學(xué) 大宗糧油精深加工教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430023；4.湖北省農(nóng)產(chǎn)品加工與轉(zhuǎn)化重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430023）

獼猴桃酸甜可口、質(zhì)地柔軟，富含人體所需的維生素、氨基酸、抗氧化劑和礦物質(zhì)等多種營(yíng)養(yǎng)成分，有“水果之王”的美譽(yù)，深受消費(fèi)者青睞。我國(guó)是目前世界上獼猴桃栽培和出口的主要國(guó)家之一。獼猴桃屬于呼吸躍變型果實(shí)，采后成熟、衰老迅速，果實(shí)質(zhì)地極易軟化腐爛變質(zhì)，貨架期較短?？焖佟?zhǔn)確地檢測(cè)獼猴桃品質(zhì)成為消費(fèi)者、生產(chǎn)者和管理者共同關(guān)注的技術(shù)問題。

獼猴桃的外部品質(zhì)（顏色、大小、形狀、硬度、表面缺陷等）和內(nèi)部品質(zhì)（糖度、酸度、可溶性固形物、損傷等）是果實(shí)品質(zhì)分級(jí)和定價(jià)銷售的重要參考指標(biāo)。獼猴桃外部品質(zhì)可以通過計(jì)算機(jī)視覺技術(shù)進(jìn)行很好的檢測(cè)[1]，但獼猴桃內(nèi)部品質(zhì)檢測(cè)方法主要為有損檢測(cè)，費(fèi)時(shí)費(fèi)力，且在實(shí)際生產(chǎn)應(yīng)用中未實(shí)現(xiàn)全樣本測(cè)量，無法滿足新品種培育和消費(fèi)市場(chǎng)的高通量檢測(cè)需求。因此，探索準(zhǔn)確、快速、無損的獼猴桃內(nèi)部品質(zhì)檢測(cè)方法對(duì)獼猴桃育種、栽培和采后貯藏銷售等具有重要意義。近紅外光譜（near-infrared spectroscopy，NIRs）技術(shù)是一種通過物質(zhì)對(duì)光的特性獲取待測(cè)物樣本組成成分和分子結(jié)構(gòu)等信息進(jìn)行無損檢測(cè)的技術(shù)，具有高效、成本低以及多組分同時(shí)檢測(cè)等優(yōu)點(diǎn)，廣泛應(yīng)用于食品、制藥、化工、農(nóng)業(yè)等領(lǐng)域。隨著NIRs研究的深入以及獼猴桃產(chǎn)業(yè)的發(fā)展，NIRs在獼猴桃品質(zhì)檢測(cè)中的應(yīng)用潛力巨大，本文重點(diǎn)綜述了NIRs技術(shù)在獼猴桃內(nèi)部品質(zhì)檢測(cè)中應(yīng)用的研究進(jìn)展，以期為NIRs發(fā)展提供參考。

1 近紅外光譜技術(shù)

用于獼猴桃品質(zhì)檢測(cè)的NIRs技術(shù)主要有近紅外光譜和近紅外高光譜成像技術(shù)。近紅外光是波長(zhǎng)介于可見光與中紅外光之間的電磁波，其譜區(qū)為780 nm～2 526 nm。能量躍遷包括基頻躍遷、倍頻躍遷、合頻躍遷，所有近紅外吸收譜帶都包含中紅外吸收基頻（4 000 cm-1～1 600 cm-1）的倍頻躍遷及合頻躍遷，其中以含氫基團(tuán)為主，包括C-H、O-H、S-H、N-H等，也有其他基團(tuán)的信息（如C=C、C=O等），但其強(qiáng)度相對(duì)較弱。NIRs的采集方式主要有透射式、漫反射式、漫透射式，其中漫反射法不受水果表面特性的影響，接受的光譜信息全部反映水果內(nèi)部組織的特性，準(zhǔn)確度最高，研究應(yīng)用最廣泛[2-5]。獼猴桃品種、產(chǎn)地、溫度、硬度、貯存期、質(zhì)量及表面特性等特性參數(shù)影響近紅外光譜信息，在利用NIRs檢測(cè)過程中需要充分考慮這些影響因素[6-8]。

近紅外高光譜成像是在近紅外光波段對(duì)目標(biāo)區(qū)域同時(shí)成像，通常包含數(shù)十到數(shù)百個(gè)波段。通過高光譜成像方法獲得的高光譜圖像具有更豐富的圖像和光譜信息，實(shí)現(xiàn)了光譜與圖像的融合，可以快速、無損地檢測(cè)研究對(duì)象內(nèi)外部特性，近年來在農(nóng)產(chǎn)品品質(zhì)與分級(jí)中獲得了廣泛的應(yīng)用[9]。

NIRs技術(shù)檢測(cè)獼猴桃品質(zhì)指標(biāo)的基本原理和操作：獼猴桃內(nèi)部品質(zhì)指標(biāo)由對(duì)應(yīng)的化學(xué)成分組成，成分中的基團(tuán)對(duì)近紅外光進(jìn)行吸收，呈現(xiàn)不同特性的光譜。定標(biāo)樣本的NIRs包含結(jié)構(gòu)和組成等信息，品質(zhì)指標(biāo)與其結(jié)構(gòu)、成分具有相關(guān)性。因此，樣本的光譜與品質(zhì)指標(biāo)的測(cè)量值也具有一定相關(guān)性，采用化學(xué)計(jì)量學(xué)方法對(duì)品質(zhì)指標(biāo)的測(cè)量值進(jìn)行關(guān)聯(lián)，確立兩者之間的定量或定性關(guān)系，建立相應(yīng)的評(píng)判模型。完成建模過程后，無需將待預(yù)測(cè)樣本的品質(zhì)指標(biāo)進(jìn)行生化檢測(cè)，僅需采集待預(yù)測(cè)樣本的光譜帶入所建立的模型即可對(duì)待測(cè)樣本中的品質(zhì)指標(biāo)進(jìn)行定性、定量分析[10]。

2 近紅外光譜技術(shù)檢測(cè)獼猴桃品質(zhì)研究進(jìn)展

2.1 硬度檢測(cè)

硬度是衡量獼猴桃品質(zhì)及耐貯性的重要指標(biāo)之一，通常用來確定水果的成熟度與采摘時(shí)間，獼猴桃屬于后熟型水果，為了延長(zhǎng)其貯藏期，經(jīng)常采摘還未成熟的果實(shí)，硬度為制定獼猴桃的儲(chǔ)藏、包裝和運(yùn)輸?shù)拳h(huán)節(jié)提供重要參考依據(jù)。Mcglone等[11]在800 nm～1 100 nm近紅外光波段中測(cè)試了采后獼猴桃硬度與紅外光譜之間的關(guān)系，發(fā)現(xiàn)NIRs與果類的糖度具有關(guān)聯(lián)性，但效果不佳。為了提高準(zhǔn)確性，劉卉等[12]采用一階微分光譜建立偏最小二乘回歸法（partial least squares regression，PLSR）模型，預(yù)測(cè)冷藏期間獼猴桃硬度，效果較好，其校正相關(guān)系數(shù)為0.963，預(yù)測(cè)相關(guān)系數(shù)為0.852。為了簡(jiǎn)化硬度的預(yù)測(cè)模型，研究者利用改進(jìn)區(qū)間PLSR算法優(yōu)選建模波段并結(jié)合光譜預(yù)處理方法，建立NIRs預(yù)測(cè)獼猴桃硬度模型[13]。孟慶龍等[14]獲取不同成熟期“貴長(zhǎng)”獼猴桃的反射光譜，利用連續(xù)投影算法（successive projections algorithm，SPA）和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighting algorithm，CARS）提取特征波長(zhǎng)，從1 024個(gè)全波段中提取了42個(gè)特征波長(zhǎng)，建立的CARS結(jié)合多元線性回歸模型具有最佳的校正性能和預(yù)測(cè)性能，其校正集相關(guān)系數(shù)和預(yù)測(cè)集相關(guān)系數(shù)分別為0.91和0.85。與全光譜相比，優(yōu)化后的模型減少了冗余信息，提升了預(yù)測(cè)模型的檢測(cè)效率，可用于預(yù)測(cè)獼猴桃硬度。NIRs檢測(cè)獼猴桃硬度速度快，準(zhǔn)確性高，而且無需損壞獼猴桃果實(shí)，可用于果實(shí)的快速分級(jí)，在實(shí)際應(yīng)用中有很大潛力。

2.2 可溶性固形物含量檢測(cè)

可溶性固形物含量（soluble solids content，SSC）是指包括糖、酸、維生素等可溶于水的物質(zhì)含量，且可通過一定比例換算成含糖量（糖度），是衡量獼猴桃成熟度的重要指標(biāo)之一。陳香維等[15]利用傅里葉漫反射NIRs建立獼猴桃糖度與NIR的定量分析PLSR模型，并對(duì)不同果園、貯藏期和質(zhì)量的樣品所建立的糖度預(yù)測(cè)模型進(jìn)行對(duì)比，發(fā)現(xiàn)NIRs與糖度含量之間呈顯著的線性相關(guān)，預(yù)測(cè)模型相關(guān)系數(shù)R2可達(dá)到0.936，而且隨著建模樣品量及成分含量梯度的增大，預(yù)測(cè)模型通用性提高，而準(zhǔn)確性降低。Li等[16]和Sarkar等[17]采用手持便攜式NIRs測(cè)定獼猴桃果實(shí)SSC，發(fā)現(xiàn)非線性支持向量機(jī)（support vector machine，SVM）回歸法在預(yù)測(cè)耐寒獼猴桃果實(shí)SSC方面優(yōu)于線性PLSR法。蔡健榮等[18]利用小波濾噪法對(duì)獼猴桃1 000 nm～2 500 nm近紅外光譜進(jìn)行預(yù)處理，采用聯(lián)合區(qū)間偏最小二乘法取全光譜中3個(gè)子區(qū)間聯(lián)合建立的糖度模型效果最佳，不但減少建模運(yùn)算時(shí)間，剔除噪聲過大的譜區(qū)，而且預(yù)測(cè)能力和精度比全光譜均有提高，其校正集相關(guān)系數(shù)和預(yù)測(cè)集相關(guān)系數(shù)分別為0.941 4和0.929 5。

近紅外高光譜成像技術(shù)也可用于無損檢測(cè)獼猴桃SSC，董金磊等[19]基于獼猴桃900 nm～1 700 nm波長(zhǎng)的反射高光譜，建立了預(yù)測(cè)SSC的PLSR、SVM及誤差反向傳播（error back propagation，BP）神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型與SPA相結(jié)合具有最好的預(yù)測(cè)性能，預(yù)測(cè)相關(guān)系數(shù)為0.924。Ma等[20]利用物體旋轉(zhuǎn)近紅外高光譜成像方法無損快速測(cè)繪完整獼猴桃樣本中SSC和pH值的空間分布，其預(yù)測(cè)相關(guān)系數(shù)分別為0.74和0.64。Hu等[21]利用近紅外高光譜成像技術(shù)快速、無損地監(jiān)測(cè)1-甲基環(huán)丙烯（1-methylcyclopropene，1-MCP）誘導(dǎo)的“海沃特”獼猴桃成熟過程中糖積累的調(diào)節(jié)，用0.5 μmol/L 1-MCP在23℃下處理獼猴桃24 h，25℃保存20 d后成熟，利用反射光譜建立了切片樣品中糖含量的預(yù)測(cè)模型，對(duì)葡萄糖、果糖和蔗糖的預(yù)測(cè)集相關(guān)系數(shù)分別為0.934、0.867和0.705。高光譜成像技術(shù)可用于無損檢測(cè)獼猴桃的SSC，使獼猴桃內(nèi)部品質(zhì)的工業(yè)化分級(jí)成為可能。然而，建立光譜定量分析模型時(shí)，樣品組成和性質(zhì)應(yīng)該覆蓋分析樣品的組成和性質(zhì)的整個(gè)變化范圍，以更好地滿足實(shí)際應(yīng)用的需要。

2.3 干物質(zhì)檢測(cè)

獼猴桃干物質(zhì)含量是衡量獼猴桃品質(zhì)指標(biāo)之一。主要由碳水化合物組成，包括可溶性的糖類和不可溶的淀粉、各種結(jié)構(gòu)碳水化合物。收獲前獼猴桃干物質(zhì)含量與采后SSC相關(guān)。Lue等[22]利用聯(lián)合區(qū)間偏最小二乘算法對(duì)未成熟獼猴桃近紅外光譜干物質(zhì)的特征波長(zhǎng)區(qū)域進(jìn)行有效選擇，并進(jìn)行干物質(zhì)預(yù)測(cè)，其校正集相關(guān)系數(shù)為0.92。Santagapita等[23]利用傅里葉變換NIRs無損快速預(yù)測(cè)不同成熟階段獼猴桃原料的加工特性指標(biāo)，研究成熟和未成熟獼猴桃的滲透脫水過程中參數(shù)（干物質(zhì)、SSC、水自擴(kuò)散系數(shù)和硬度）與NIRs之間的關(guān)系，建立的PLS模型成功預(yù)測(cè)4項(xiàng)參數(shù)，其預(yù)測(cè)集相關(guān)系數(shù)大于0.772。Sohaib等[8]系統(tǒng)研究了獼猴桃成熟過程中干物質(zhì)的NIRs變化情況，比較了PLSR和SVM模型預(yù)測(cè)干物質(zhì)變化情況，發(fā)現(xiàn)NIRs能很好預(yù)測(cè)儲(chǔ)藏過程中干物質(zhì)變化。NIRs可以預(yù)測(cè)未成熟獼猴桃的干物質(zhì)含量，為獼猴桃的采摘和后熟提供參考依據(jù)。

2.4 酸度檢測(cè)

史敏[24]利用NIRs研究了不同貨架期、采收時(shí)間及品種的獼猴桃品質(zhì)指標(biāo)與NIRs之間的內(nèi)在聯(lián)系，建立了獼猴桃的酸特征峰值與酸度值之間的回歸模型。Lee等[25]采用NIRs對(duì)來自3個(gè)果園的獼猴桃樣品進(jìn)行分析，建立了NIRs預(yù)測(cè)獼猴桃酸度的PLSR模型，其預(yù)測(cè)集相關(guān)系數(shù)為0.91，為建立成熟獼猴桃分選標(biāo)準(zhǔn)提供了參考。Ciccoritti等[26]結(jié)合NIRs和化學(xué)計(jì)量學(xué)根據(jù)成熟時(shí)間和消費(fèi)者的接受程度對(duì)3種綠肉獼猴桃進(jìn)行分類，正確率達(dá)99%，建立的PLSR模型對(duì)可滴定酸含量預(yù)測(cè)相關(guān)系數(shù)為0.933。NIRs可成功地用于提高獼猴桃采收期和貯藏期的質(zhì)量控制，以及在分發(fā)前對(duì)樣品進(jìn)行識(shí)別和分離，以減少果實(shí)損失。

2.5 生長(zhǎng)調(diào)節(jié)劑檢測(cè)

氯吡脲作為植物生長(zhǎng)調(diào)節(jié)劑，廣泛應(yīng)用于果蔬生產(chǎn)中，植物生長(zhǎng)調(diào)節(jié)劑在獼猴桃生產(chǎn)中的濫用對(duì)獼猴桃的品質(zhì)造成了一定的影響。吳昕如等[27]利用NIRs快速檢測(cè)不同濃度氯吡脲的獼猴桃汁，利用二維相關(guān)光譜提取特征波段建立PLSR方法，獼猴桃中氯吡脲的預(yù)測(cè)值與實(shí)際值的相關(guān)系數(shù)為0.958 8，模型的預(yù)測(cè)準(zhǔn)確性良好。NIRs可以應(yīng)用于獼猴桃中氯吡脲的快速檢測(cè)。高振紅等[28]利用近紅外高光譜技術(shù)對(duì)施藥獼猴桃進(jìn)行無損識(shí)別，建立的SVM模型對(duì)施藥樣品氯吡脲的殘留量為0.03 mg/kg（空白樣品殘留量為0 mg/kg）的正確識(shí)別率為94.4%。Liu等[29]利用近紅外高光譜成像技術(shù)從未加氯吡脲處理的獼猴桃中識(shí)別氯吡脲處理的獼猴桃，優(yōu)化后的SPA-SVM模型具有更好的識(shí)別性能，訓(xùn)練集和預(yù)測(cè)集判別正確率均達(dá)到100%，近紅外高光譜成像技術(shù)能快速準(zhǔn)確鑒別出氯吡脲處理的獼猴桃。Liu等[30]進(jìn)一步研究了氯吡脲處理對(duì)獼猴桃采后的近紅外光學(xué)性質(zhì)的影響，發(fā)現(xiàn)用高濃度氯吡脲處理的獼猴桃在1 190 nm處的平均吸收系數(shù)大于低濃度處理樣品，與果肉相比，果皮的吸收系數(shù)和散射系數(shù)具有更大的標(biāo)準(zhǔn)偏差，并且隨著儲(chǔ)存時(shí)間的增加其波動(dòng)更大。因此，采用近紅外高光譜技術(shù)可以有效識(shí)別植物生長(zhǎng)調(diào)節(jié)劑，能夠滿足獼猴桃生產(chǎn)及管理需要，對(duì)獼猴桃產(chǎn)業(yè)的健康發(fā)展具有重要的意義。

2.6 損傷檢測(cè)

獼猴桃在采摘、包裝、貯運(yùn)等諸多環(huán)節(jié)中常因碰撞或擠壓造成不同程度的機(jī)械損傷，損傷果的呼吸強(qiáng)度高于無損果，會(huì)加快無損果的后熟，導(dǎo)致果實(shí)生理代謝紊亂、縮短貯藏期；同時(shí)還會(huì)滋生致病腐敗微生物，增加無損果被侵染的風(fēng)險(xiǎn)。由于獼猴桃果皮顏色較深，采摘、運(yùn)輸時(shí)果實(shí)堅(jiān)硬，碰撞和擠壓造成的暗傷很難被肉眼識(shí)別，因此快速、準(zhǔn)確且簡(jiǎn)易的損傷果實(shí)識(shí)別技術(shù)，對(duì)于減少獼猴桃采后腐爛損失和保證產(chǎn)品質(zhì)量具有重要的意義。Gao等[31]利用NIRs和高光譜成像技術(shù)檢測(cè)有16 d內(nèi)壓迫和撞擊傷痕的獼猴桃，發(fā)現(xiàn)樣品在980 nm和1 175 nm處的吸收系數(shù)先升高，在瘀傷后隨時(shí)間降低。瘀傷后的獼猴桃在950 nm～1 360 nm特定波長(zhǎng)下的散射系數(shù)先下降，而后隨時(shí)間延長(zhǎng)而增加。同時(shí)，受傷樣品的吸收系數(shù)明顯小于非受傷樣品（P＜0.05），瘀傷引起細(xì)胞破裂并降低硬度。郭文川等[32]采用NIRs結(jié)合極限學(xué)習(xí)機(jī)建立了采摘后2℃冷藏下10 d內(nèi)的碰撞損傷獼猴桃、擠壓損傷獼猴桃與無損獼猴桃的動(dòng)態(tài)判別模型，發(fā)現(xiàn)碰撞損傷獼猴桃比擠壓損傷獼猴桃更容易同未損傷獼猴桃區(qū)分開來，且隨著貯藏時(shí)間的延長(zhǎng)，損傷獼猴桃更容易被識(shí)別，所建模型對(duì)采后貯藏10 d內(nèi)預(yù)測(cè)集中損傷獼猴桃的識(shí)別率為92.4%。經(jīng)過后期優(yōu)化后，模型能鑒別出貯藏1 d的碰撞損傷獼猴桃、擠壓損傷獼猴桃[33]。該技術(shù)具有較高的檢測(cè)精度和適用性，可用于損傷獼猴桃的快速無損鑒別。為了研究識(shí)別早期隱性損傷獼猴桃的方法，遲茜等[34]采集了完好無損和隱性損傷1 h～3 h內(nèi)“華優(yōu)”獼猴桃的900 nm～1 700 nm近紅外高光譜，優(yōu)化后的算法對(duì)隱性損傷獼猴桃的正確識(shí)別率為95.7%。獼猴桃在低溫貯藏過程中易發(fā)生生理紊亂，Burdon等[35]利用NIRs結(jié)合化學(xué)計(jì)量學(xué)對(duì)獼猴桃低溫儲(chǔ)藏期冷害風(fēng)險(xiǎn)進(jìn)行預(yù)警，效果良好。近紅外散射技術(shù)在鑒別獼猴桃瘀傷、冷害等缺陷方面具有巨大的潛力[36-37]，該技術(shù)有助于了解於傷對(duì)獼猴桃光學(xué)特性的影響，并更好地應(yīng)用近紅外光譜和高光譜成像技術(shù)來檢測(cè)具有瘀傷的獼猴桃，其在獼猴桃損傷檢測(cè)中應(yīng)用潛力大。

2.7 微生物檢測(cè)

微生物污染水平是衡量獼猴桃冷藏過程中品質(zhì)優(yōu)劣的關(guān)鍵指標(biāo)之一。傳統(tǒng)的微生物檢測(cè)方法主要為生化檢驗(yàn)，操作程序繁雜，檢測(cè)周期長(zhǎng)，導(dǎo)致質(zhì)量和安全監(jiān)測(cè)滯后。NIRs能夠?qū)崿F(xiàn)食品微生物的快速無損檢測(cè)，提高效率、降低成本、保證食品質(zhì)量安全。閆思雨等[38]研究利用NIRs建立4℃冷藏過程中鮮切獼猴桃片菌落總數(shù)的預(yù)測(cè)模型，實(shí)現(xiàn)鮮切獼猴桃片4℃冷藏過程中微生物污染水平實(shí)時(shí)動(dòng)態(tài)監(jiān)控，預(yù)測(cè)集相關(guān)系數(shù)為0.958 1。耐滲透酵母菌對(duì)獼猴桃腐敗的識(shí)別在食品安全檢測(cè)中具有重要意義，Niu等[39]采用NIRs對(duì)5種耐滲透酵母菌污染的獼猴桃汁進(jìn)行光譜采集，利用CARS法選擇的波長(zhǎng)建立SVM模型對(duì)單個(gè)菌株識(shí)別的總正確率達(dá)100%，為耐滲透酵母腐敗的檢測(cè)提供參考。NIRs能夠有效地檢測(cè)微生物，然而食品微生物種類繁多，在采集樣本的光譜過程中，樣本基質(zhì)、微生物的種類、生長(zhǎng)時(shí)間對(duì)光譜有干擾，并最終影響模型的準(zhǔn)確度和檢測(cè)限，需采集大量的樣本光譜與樣本的測(cè)量參考值，特別是在微生物感染的早期，其光譜變化不明顯，需要耗費(fèi)大量精力和時(shí)間進(jìn)行前期的定標(biāo)建模。

3 總結(jié)與展望

NIRs技術(shù)具有高效、無損檢測(cè)和工作快速的特點(diǎn)，在很大程度上減輕了獼猴桃品質(zhì)檢測(cè)的工作量，能快速準(zhǔn)確地檢測(cè)獼猴桃生長(zhǎng)、儲(chǔ)藏、貨架期等過程中內(nèi)部成分的含量，有助于獼猴桃在供應(yīng)鏈中品質(zhì)變化的管理，確保獼猴桃消費(fèi)時(shí)達(dá)到最佳食用品質(zhì)。NIRs檢測(cè)技術(shù)在獼猴桃產(chǎn)業(yè)的品質(zhì)檢測(cè)應(yīng)用過程中仍有一些困難有待解決。在硬件設(shè)備方面，隨著硬件組件的不斷發(fā)展，需要更多的開發(fā)商/制造商進(jìn)入市場(chǎng)，來降低檢測(cè)儀器成本，使得NIRs技術(shù)更具經(jīng)濟(jì)可行性，同時(shí)要注意開發(fā)便攜式或手持設(shè)備來滿足市場(chǎng)需求。在軟件方面，光譜數(shù)據(jù)的處理和定標(biāo)模型的建立是獼猴桃NIRs檢測(cè)技術(shù)研究的核心問題，目前越來越多的先進(jìn)數(shù)據(jù)分析技術(shù)和算法用于模型的建立，在建立研究定標(biāo)模型時(shí)，應(yīng)充分考慮品種、溫度、檢測(cè)位置等因素的影響，有必要優(yōu)化校準(zhǔn)程序，包括采集和測(cè)量適當(dāng)范圍的校準(zhǔn)樣品，建立有效的質(zhì)量控制協(xié)議，并納入簡(jiǎn)單的校準(zhǔn)更新程序，同時(shí)考慮不同檢測(cè)儀器間的通用性。多傳感器數(shù)據(jù)融合在獼猴桃品質(zhì)評(píng)估中的前景巨大，NIRs評(píng)估數(shù)據(jù)與其他技術(shù)數(shù)據(jù)的融合可以產(chǎn)生與采后管理相關(guān)的屬性信息，其效果超過單一方法。例如在包裝生產(chǎn)線聯(lián)合使用NIRs設(shè)備、稱重傳感器和三原色攝像機(jī)對(duì)獼猴桃進(jìn)行分級(jí)，過程中可能涉及深度神經(jīng)網(wǎng)絡(luò)和其他人工智能技術(shù)，向數(shù)字化、智能化、全面化的發(fā)展，整合多樣化的信息和措施仍然是一個(gè)挑戰(zhàn)。隨著科技的進(jìn)步，NIRs分析技術(shù)必將成為獼猴桃無損檢測(cè)的經(jīng)濟(jì)、有效且極具發(fā)展前景的分析技術(shù)之一，創(chuàng)造良好的經(jīng)濟(jì)效益和社會(huì)效益。