基于光谱和成像技术的果蔬质量检测研究进展
孙海霞, 张淑娟*, 薛建新, 赵旭婷, 刘蒋龙
山西农业大学工学院, 山西 太谷 030801

作者简介: 孙海霞, 女, 1985年生, 山西农业大学工学院博士研究生 e-mail: sunhaixia1121@126.com

摘要

为保证食品安全和消费者健康, 无损检测技术广泛应用于果蔬质量检测中。 光谱和图像技术可分别获取果蔬的内部和外部信息, 成为质量检测的有效工具。 为跟踪国内外研究进展并分析研究现况, 从果蔬外部品质(尺寸、 形状、 表面缺陷、 颜色、 纹理等)、 内部品质(内部缺陷、 可溶性固形物、 可滴定酸、 水分、 类胡萝卜素等单一品质及综合品质)、 成熟度、 货架期/贮藏期、 产品溯源、 生长监测、 安全(农药残留、 病虫和细菌侵染、 转基因产品等)检测及光学系统设计等方面综述了光谱和成像技术的应用, 分析了存在的图谱库不完善、 解混处理算法复杂、 高精度和便携式的光学系统开发力度不够、 校正模型的影响因素复杂等问题。 然后, 归纳了发展趋势, 指出了各组分可视化分析及交互作用机理解析、 光与果蔬组织的交互作用机理分析和光学特性参数反演等光学特性分析、 科学合理的综合评价体系的建立、 新算法的应用和多种算法的联合使用、 不同算法的可靠性和稳定性的提高、 稳定和普适模型的建立、 低成本和便携式等光学分析仪器的商品化开发和商业化应用等成为进一步探索的方向, 为基于光谱和成像技术的果蔬质量检测发展提供了参考。

关键词: 光谱; 图像; 果蔬; 质量; 无损检测; 研究进展
中图分类号:TP391 文献标志码:R
Application of Spectral and Imaging Technique to Detect Quality and Safety of Fruits and Vegetables: A Review
SUN Hai-xia, ZHANG Shu-juan*, XUE Jian-xin, ZHAO Xu-ting, LIU Jiang-long
College of Engineering, Shanxi Agricultural University, Taigu 030801, China
Abstract

In this paper, spectral and imaging technique were used as effective tools of evaluation for quality of fruits and vegetables, in order to ensure safety of food and health of consumers. In addition, external information was acquired by imaging technique, internal information was acquired by spectral technique. In order to track national and international progress of research, application of spectral and imaging technique was summarized, including prediction of external quality (surface defect, colour, etc.), internal quality (single or comprehensive quality), maturity, shelf-life and storage period, tracing back to the source, growing monitoring , safety (pesticide residue, infestation of diseases and pests, recognition of transgenic product, etc.) and design of optical systems. Afterwards, some problems were analyzed, such as the weakness of spectral libraries, complex algorithm of analyses for mixed data, intricate factors of calibration model, an so on. Finally, the trend of development was discussed. This review indicated that the following aspects were identified as direction of future research, including visualization analysis of constituents, establishing scientific system of comprehensive evaluation, analyzing the mechanism of interaction between different compositions, application of optical theories and properties(analyzing the mechanism of interaction between the light and tissue of fruits and vegetables, inversions of optical parameter, etc.) , application of new algorithms and the combination of many algorithms, enhancing dependability and stabilization of different algorithms, the establishment of stable and universal model, the commercial development and application of low-cost as well as handheld optical instruments. This review shows spectral and imaging technique have the potential to assess quality and safety of fruits and vegetables.

Keyword: Spectrum; Imaging; Fruits and vegetables; Quality; Nondestructive detection; Review
引 言

果蔬含有维生素等多种人体所需成分, 具有较高的营养价值。 消费者对果蔬的质量、 安全及营养成分等需求不断提高。 随着生活节奏的加快, 除新鲜果蔬及深加工产品外, 方便即食产品等初加工产品逐步受到人们的青睐, 但也存在原料质量差、 安全性低、 添加剂过量、 微生物污染、 变质等问题, 且加工过程难以被监控、 问题易被忽略, 影响消费者的安全和健康。

为了满足消费需求和实现果蔬的合理定质定价, 无损检测技术被广泛使用, 如近红外光谱(near infrared spectroscopy, NIRS)、 高光谱成像(hyperspectral imaging, HSI)、 拉曼光谱(Raman spectroscopy, RS)及成像等技术。 果蔬内部成分、 组织结构的特性复杂, 传统图像技术可直观获取果蔬的几何结构和表观特征, 但是不能获取内部组分的情况。 而光谱技术可直接获取果蔬内部信息, 具有快速、 无损、 多组分同步检测、 实用性强等特点, 已被广泛应用[1]; 但不能获取空间信息, 无法解析各成分的分布及迁移变化情况。 光谱和成像技术已成功结合并应用[2], 且实现了果蔬质量的可视化分析。 由于果蔬各成分间的作用机理、 光在组织中的传播规律、 光学参数与理化参数间耦合关系复杂, 不同条件会影响检测结果; 同时由于算法多、 原理差异明显、 复杂程度大, 算法的应用还需要大量的研究来优选, 目前稳定可靠的适用于大规模生产的技术和方法仍需探讨。

近年来, 国内外出现了大量的研究成果, 对果蔬质量检测的进一步探索具有借鉴、 启示和指导作用。 已有不少学者对此进行过相关综述, 如基于成像技术的食品品质和安全的无损检测[3]、 基于HSI技术的食品质量评价[4]、 食品和饮料评价中的数据融合方法[5]的综述等。 但是, 鲜有针对近两三年的研究, 从研究对象、 技术手段、 光学理论、 化学计量学、 数据挖掘方法、 检测模型影响因素、 光学系统设计及推广应用等方面, 综合分析与总结多种光谱和成像技术在果蔬外部品质、 内部理化特征、 货架期、 成熟度、 生长监测、 安全检测等方面的应用。 因此, 本文将在前人研究的基础上, 从上述方面出发, 结合近几年的研究成果、 自身进行相关研究分析的探讨和总结, 分析光谱和成像技术在果蔬质量检测中的应用, 归纳研究进展, 寻找存在的问题并讨论发展趋势。

1 光谱和成像技术

在光学检测中, 入射光到达被测物体表面, 部分被反射; 其余进入物体内部后, 部分被反射回表面, 部分被吸收, 少部分透过物体。 因此, 反射、 透射、 吸收等光学特性携带了物体的大量信息, 根据这些信息可进行物体结构等其他特性的分析。 在果蔬产后处理检测中, 光谱技术是根据果蔬和光之间的作用关系, 利用不同光学特性所对应的特征光谱进行果蔬理化特性等研究的检测技术。 目前, NIRS, RS和HSI技术已被广泛应用。 NIRS[6]是利用C— H, N— H和O— H等含氢基团的倍频与合频吸收特性来获取光谱信息, 其能量吸收取决于基体中的化学成分组成、 每种成分浓度、 分子间相互作用, 具有谱峰较宽、 谱区重叠的特性, 需采用化学计量学方法建立复杂的校正模型以得到可靠的结果。 RS[7]提供功能团或化学键的振动和转动信息, 从分子振动的角度来研究物质的结构和特性, 不需要考虑水分子振动的影响, 与红外光谱在分子结构分析中相互补充, 但缺乏精确的图谱库, 高精度、 便携式设备的开发还需加大力度。 HSI[8]能同时获取三维空间体系中任意点的光谱和图像信息, 能可视化显示各组分的分布情况。 但该技术存在大量冗余信息, 解混处理算法复杂、 数据获取与处理速度慢且设备昂贵, 在商业化生产中进行实时检测与分选还存在一定的难度。 因此, 实现数据的高性能计算、 针对不同检测目的来提取有价值信息以减少处理时间, 寻找出发挥图谱合一优势的方法是基础。 此外, 激光诱导击穿光谱(laser induced breakdown spectroscopy, LIBS)技术[9]、 太赫兹(Tera Hertz, THz)光谱技术也开始被逐步应用。

2 光谱和成像技术在果蔬质量检测中的应用
2.1 外部品质检测

果蔬的外部品质包括尺寸、 形状、 表面缺陷(损伤、 冻伤、 畸形、 裂纹、 腐烂、 果锈、 疤痕等)等, 是消费者感官品质评价的直接反映和评估市场价值的重要指标。 目前, 表面缺陷检测仍为研究热点, Zhang等[10]利用350~2 500 nm的光谱信息, 建立多元散射校正(MSC)-连续投影算法(SPA)-主成分分析(PCA)-最小二乘支持向量机(LS-SVM)的鲜枣轻微损伤判别模型, 正确率为100%。 但是, 针对表面凹凸不平的小体积水果的研究较少且质量属性检测难度较大。 Yang等[11]分析了荔枝果皮的水分含量(MC)和褐变水平的相关性, 建立了MC的回归系数法(RC)-径向基函数支持向量回归模型, 预测集决定系数( RP2)为0.948, 预测均方根误差(RMSEP)为0.83%, 并实现不同褐变水平的空间分布情况的可视化分析, 为小体积水果的研究提供了参考依据。

在相关属性判别中, 精确分级的精度不理想、 处理速度较慢、 模型稳健性不强等问题仍需探讨。 Wu等[12]将簇类独立软模式法用于两台不同光谱仪的鲜枣常见缺陷(虫害、 损伤、 裂纹)的HSI检测中, 与支持向量机(SVM)模型相比取得了较好的判别结果。 不同算法的优缺点不同, 根据不同的变量和检测需求, 进一步改进或采用新算法可提高预测精度; 同一样本的光谱响应特征由于仪器、 测量条件等变化会产生一定差异, 不同设备、 不同分辨率光谱的检测结果不同, 限制了数据资源的共享; 同时直接校正、 分段直接校正、 斜率/偏差算法等在模型传递中应用较多, 但能力相对有限, 仍在一定程度上限制了实际中的应用。 光谱技术是测量光学特征的一种技术手段, 光学性质可以提供大量果蔬内部条件信息, 与生理、 病理及代谢的关系密切。 Zhang等[13]利用积分球系统和反向倍增法分析了3类不同损伤度的苹果在400~1 050 nm的光学特性, 采用约化散射系数比采用吸收系数所建立的PCA-SVM模型的判别精度高, 正确率达92.5%。 因此, 模型传递、 算法改进与创新应用、 解析光与生物组织的作用机理、 进行光学参数分析, 更有效地建立稳定可靠的检测模型以进行品质评价, 是研究的一个重要内容。

2.2 内部品质检测

在内部品质检测中, 多是针对单一指标检测(见表1), 多指标同步检测较少。 果蔬的各品质参数间相互作用, Pu等[19]建立了真空干燥中芒果片MC的多元线性回归模型, RP2=0.993, RMSEP=1.282%, 通过水分分布图发现正方形、 矩形、 三角形有类似的不均匀度, 圆形干燥效果最好。 因此, 在质量检测中, 应考虑到水分含量的不一致性和样品几何结构的影响。 Corté s等[20]利用芒果的硬度、 TSS、 果肉颜色特征(亮度、 彩度、 色相角)建立了一个内部品质综合评价指标, 分别与400~700, 600~1 100, 900~1 750 nm的光谱信息建立了偏最小二乘(PLS)模型(全波段模型的 Rp2=0.833~0.879, RMSEP=0.403~0.507; RC-PLS模型的 Rp2=0.815~0.896, RMSEP=0.403~0.537)。 内部品质综合评价指标的建立, 有效克服了因内部各组分间相关作用而对单一指标检测结果产生影响的弊端, 同时实现了多组分同步检测, 为综合品质评价提供了方法。

表1 光谱技术在果蔬内部单一品质检测中的应用 Table 1 Applications of spectrum in detection of single quality on fruits and vegetables

校正模型的通用性、 稳定性、 精度是目前面临的一个重要问题。 不同光谱获取位置、 不同的仪器所采集的信息对校正模型产生一定影响; 果实的形态、 成熟度、 种植条件、 储存状态、 环境因素等都会在一定程度上影响校正模型(相关研究见表2), 样品的多样性可适度增加模型稳定的可能性[23]

表2 不同影响因素下果蔬内部品质检测的总结 Table 2 Summary of determination about internal qualities of fruits and vegetables under different factors of influence

操作的简易性、 检测结果的直观性是实现日常应用和大规模生产的重要保证。 针对目前的光谱仪价格高、 实用性不高等问题, 郭志明等[24]设计了一套手持式近红外检测系统(系统采用了单点铟镓砷探测器和前置透镜微型精密光源, 分光元件采用了数字微镜器件), 并采集了蕃茄900~1 700 nm的光谱信息, 建立了SSC和蕃茄红素的检测模型, Rp分别为0.899, 0.886, RMSEP分别为0.133%, 2.508 mg· kg-1。 Marques等[25]将手持式光谱仪(950~1 650 nm)应用于芒果的SSC, DM, TA果肉硬度检测中, 建立了PLSR模型, Rp2分别为0.92, 0.67, 0.50和0.72, RMSEP分别为0.55° Brix, 0.51%, 0.17%, 12.2 N。 单个果实的组分在空间分布上存在明显差异, 不同部位的值不同, 不同个体间各成分的分布状况不同, 各成分变化规律只采用光谱技术难以探明。 Sun等[26]利用HSI(900~1 700 nm), 采用PLSR建立的甜瓜糖度和硬度检测模型较SVM、 人工神经网络预测效果好, 并利用建立的糖度空间分布图实现了变化规律解析。 果蔬的内部品质指标与消费者感官偏好存在一定程度的关联性, Escribano等[27]揭示了樱桃的SSC和DM与消费者感官评价参数的相关性较好, 并与手持式光谱仪(310~1 100 nm)采集的不同温度下的光谱信息建立了校正模型, Rp2分别为0.726~0.891, 0.670~0.725。 上述研究为实现分析的快速性和易操作性提供了思路, 也为市场提供了科学的果蔬感官品质鉴别依据。 Lawaet等[28]利用RS技术进行了胡萝卜的类胡萝卜素检测, 建立了PLS模型, 交叉验证均方根误差为20.5 ppm, 决定系数为0.86。 RS在果蔬类胡萝卜素的检测中应用较多, 在其他品质方面的应用相对较少。

2.3 成熟度检测

色泽和成分含量是成熟度分级的重要依据, 分级标准主要通过人为设定阈值的方法确定。 NIRS和HSI技术已广泛应用, 相关研究见表3。 由于果蔬成分含量连续性的存在, 成熟过程中的各成分变化的可视化表达可更清晰的解释变化原因, 并对果蔬采摘和加工中的工艺优化有一定的指导作用。 RS技术在成熟度分级中应用也较多, 高精度、 便携手段的应用取得一定进展, Trebolazabala等[34]采用便携式拉曼光谱仪监控了蕃茄在不同成熟阶段的成分含量变化, 与共焦显微拉曼光谱仪相比, 提供了相同的信息, 可用于成熟度评价和成分评定。

表3 果蔬成熟度检测的总结 Table 3 Summary of determination about ripeness of fruits and vegetables
2.4 货架期/贮藏期检测

果蔬在货架期、 贮藏期, 会发生理化变化、 微生物污染等情况, 影响质量。 消费者选择水果时, 首先通过颜色判别, 颜色与口感、 质地、 营养成分等的关系探究非常必要。 Li等[35]采集了低温贮藏期李子500~1 010 nm的光谱信息, 根据果肉颜色(L* , a* , b* ), SSC, TA, pH, 硬度, SSC/TA构建了一个综合评价指标, 建立了PLS模型( Rp2=0.821 2, RMSEP=38.9), 实现了贮藏期品质的综合评定。 Zhang等[36]利用HSI(874~1 734 nm)进行了贮藏中菠菜色素含量(叶绿素a、 叶绿素b、 总叶绿素、 类胡萝卜素)的检测, 采用随机蛙跳算法提取特征波段较全波段所建PLS模型的预测效果好并建立可视化分布图, 为蔬菜在线实时检测提供了方法。 果蔬检测时, 主要采用光直接照射样本的方式, 少有对覆盖保鲜膜等包装的样本进行直接检测。 Beghi等[37]针对货架期的鲜切苹果片, 采用PLS-DA法分析了可见/近红外和NIRS检测包装的影响, 表明包装对判别的影响较小。 Yan等[38]采集了贮藏期鲜切芹菜的HSI(378~1 008 nm)信息, 遗传算法-联合区间偏最小二乘法(GA-Si-PLS)所建立的不可溶和可溶性膳食纤维含量模型比PLS, Si-PLS的预测效果好, Rp2分别为0.963 8和0.975 6, RMSEP分别为1.180和0.336, 并建立了两个指标的可视化分布图, 实现了实时直观的分析果蔬贮藏期中各成分的分布规律和质量变化。 微加工果蔬产品如鲜切果蔬, 作为一种新兴加工产品, 也是重要研究对象; 带包装(如覆盖保鲜膜等)果蔬产品的检测方法、 内部组分的分布变化规律、 内外部品质的关系探究等, 也是研究的重要内容。

2.5 产品溯源、 生长监测与环境分析等

果蔬在生长的不同阶段, 成分含量、 物性特征等存在较大差异, 所出现的光谱响应不同, 通过光谱差异分析并监控生长过程, 可有效确定采收期。 Torres等[39]采用手持式近红外光谱仪监测了在树上生长的柑橘属水果(柑橘和橙子)的成熟过程, 采用局部回归算法来预测果实的形态学参数(质量、 长径、 短径)、 颜色参数(L* , a* , b* , 彩度C* , 色相角h* , 比色指数)、 物理参数(硬度、 果皮厚度、 果汁质量)较修正的偏最小二乘法(MPLS)有较好的预测效果, 为同一属类多品种的果蔬通用模型的建立和果蔬生长过程监测提供了方法。 不同的品种、 地理及气候条件等, 影响果蔬的质量。 目前, 对不同产地和品种的鉴别、 相关成分含量的分析较多, 但对不同种植条件、 不同农艺措施条件等相关研究较少, Amodio等[40]利用FTNIR, 针对常规农业系统、 基于替代物输入的有机系统、 基于粪肥和覆盖作物修正的有机系统所种植的草莓, 采用PLS法预测了TSS, pH, TA( Rp2分别为0.85, 0.86, 0.58, RMSEP分别为0.58, 0.09, 0.15)并建立了PLS-DA判别模型(敏感度和特异度均大于0.97), 为有机产品的溯源和鉴别提供了方法。 上述研究根据不同生长阶段、 不同品种、 不同生长环境(种植条件、 农业措施、 产地等)下的果蔬光学特性分析各成分含量的变化, 进行产品溯源、 生长监测、 环境分析等, 较人为判断更科学, 并提供了新的研究视角。

2.6 安全检测

在安全检测中, 研究的重点主要是农药残留、 病虫和细菌侵染、 转基因产品等检测。 农药残留检测中, 针对杀虫剂类的检测研究较多, Jamshidi等[41, 42]采集了黄瓜450~1 000 nm的透射光谱信息, 经一阶导数(1st)预处理后, 建立了安全(二嗪磷含量≤ 0.1 mg· kg-1)与不安全样本的PLS-DA判别模型, 正确率为92.31%; 经MSC和1st预处理后, 建立了二嗪磷含量的PLSR检测模型(交叉验证标准误差为3.22、 相关系数为0.91), 然后设计了检测系统和图形用户界面。 直观显示样本二嗪磷含量和类别的界面操作模式为农产品安全检测在实际生产中的推广应用提供了支持。 表面增强拉曼光谱(SERS)和THz在农药残留检测中的使用也较广泛。 Li等[43]利用SERS成像技术(200~1 800 cm-1)分析了红甜椒的甲基硫菌灵及其代谢物多菌灵的残留量, 基于7个最佳特征吸收峰所建立的1st-LS-SVM模型的 Rp2=0.986, RMSEP=0.473, 并建立了可视化分布图。 结合表面增强机理, SERS可使拉曼信号的强度提高多个数量级并可从分子水平上进行结构分析, 在痕量检测中优势突出。 但检测中的重现性和稳定性问题是一大困扰, 翟晨等[44]、 Liou等[45]分别采用银溶胶为表面增强剂、 涂覆有纳米银的纤维素纳米纤维为增强基底成功实现了苹果中杀虫剂的检测, 降低农药的检出限。 因此, SERS技术在果蔬农药残留、 微生物指标等检测中, 可及时应用活性基底的合成与性能优化、 简化前处理过程等研究中的新技术以提高检测能力。 Baek等[46]的研究表明THz时域光谱技术可应用于小麦和大米粉的灭多威杀虫剂检测中, 检测极限< 3.74%, 但是检测的灵敏度需要改进。 目前, 针对除草剂、 生长调节剂等残留的研究较少; 同时, 不同样品、 农药、 仪器等的特征不同, 所建模型的稳定性、 通用性、 灵敏度等有待提高, 现阶段难以应用于商业化生产中; 在未来农药残留量检测研究中, 还可进一步研究环境因素如温度、 阳光、 降雨量等的影响。

在病虫和细菌侵染方面, Qin等[47, 48]采用相关系数和主成分分析法获得的双波段比值(R834 nm/R729 nm)对葡萄柚的溃疡病进行分选的正确率为95.7%, 在此基础上开发了分选设备, 检测速度为5个· s-1, 正确率为95.3%。 但上述研究中, 无法获取整个样本表面的信息, 采用手动放置样本以保证病变位置在顶端, 故全自动生产线的应用还需解决信息获取全面、 特征提取准确、 分选速率和精度高、 控制系统优化等问题。 不同检测模式下所携带的样本信息不同, Pan等[49]运用反射、 透射、 半透射三种模式进行了白萝卜空心病检测, 运用半透射建立的SPA-BP神经网络模型的判别正确率达到97%。 在转基因产品检测中, 传统的鉴别(蛋白质检测和核酸检测)方法存在蛋白质和基因片段破坏严重、 假阳性结果多、 成本高、 效率低等问题。 除NIRS和HSI被应用外, Chen等[50]还将THz光谱技术应用于转基因甜菜的鉴别中, 采用判别式偏最小二乘法, 取得100%的判别正确率, 但是由于样品数量和品种等的限制, 分子基团与波谱的作用机理、 光谱特性和模型的普适性、 稳定性、 实用性还需进一步探索。

3 发展趋势

光谱和成像技术具有快速、 无损等优势, 克服了传统理化检测方法破坏样品、 费时费力、 操作繁琐等缺点, 已经成功应用于果蔬的质量检测中, 但仍存在一些问题, 需要进一步研究。

(1)在研究对象方面, 针对未加工果蔬的研究较多, 新兴初加工产品(如鲜切等即食产品)成为研究的新热点之一。 NIRS, RS和HSI技术应用较广泛, LIBS和THz技术作为新的手段, 虽被成功应用, 但是分子基团与波谱的作用机理、 光学特性、 光谱数据库的完善还需探讨; 光谱和成像技术的结合, 实现了各成分的定量化描述和可视化表达。 果蔬品质检测研究中, 针对不同种植条件、 不同农艺措施条件等的相关研究较少; 与品质检测相比, 安全检测的研究较不成熟(尤其是针对除草剂和生长调节剂残留等的研究、 环境等因素的影响机理分析), 并需进一步探讨研究的普遍性和可行性、 研究结果的可靠性; SERS技术在农药残留、 微生物等检测中具有一定的应用前景, 活性基底的合成与应用、 便携式设备的研究开发等仍需深入研究。

(2)果蔬不同部位、 不同个体间的各成分的空间分布情况不同, 利用图谱合一的技术以分析生长、 采摘、 贮藏等过程中的各成分迁移变化规律, 并直观的进行过程监控是实现商业应用的基础支撑。 果蔬的各内部组分间有相关性存在, 近似组分间有共线性的光信号响应存在, 成分间的二次相关也易在软件自动选择波段时发生, 非测组分的光谱信息存在于模型变量中; 同时, 一种组分的振动频率会因另一种分子的存在而发生改变, 温度、 压力、 内部存在化学物质的不同会引起各成分吸收谱带的偏移, 对检测结果产生一定影响[51, 52]。 另外, 目前多是针对单一品质的研究, 而对多指标同步检测及综合品质分级的研究相对较少, 缺乏针对口感、 质地、 营养成分等明确的综合定量评价标准。 因此, 果蔬无损检测的一个发展趋势是分析外观品质参数与果肉质量间的相关性, 可视化分析各组分空间分布状况, 解析各组分间的作用机理, 构建更全面有效的评价指标和科学合理的综合评价体系, 建立稳定可靠的检测模型并实现分级。

(3)果蔬生长、 贮藏过程中, 内部组分和细胞结构发生变化, 化学成分的变化影响光的吸收, 物理特性的变化影响光的散射, 致使光学特性参数、 光在组织内的传输路径和穿透能力发生变化[53]。 同时, 果蔬为非均匀生物组织, 不同组织和层次有不同的光谱特性, 解析光学特性参数与细胞结构、 品质参数的相关性, 寻找最优建模光学参数, 可更有效地进行质量检测。 因此, 进行光与果蔬组织的交互作用机理分析、 光学特性参数反演等光学特性的研究, 进行光学系统设计, 建立稳定可靠的检测模型, 开发有效的果蔬无损检测技术, 是一个重要发展趋势。

(4)光谱和成像技术获取大量的信息, 噪声、 干扰变量等冗余信息的存在对模型的稳健性、 运算速度等造成极大的困扰。 如何选择变量信息, 简化模型, 建立可靠的校正模型一直是研究的重点之一。 各类新算法的应用、 现有算法的优化发展和多种算法联合使用是果蔬检测中算法应用的发展趋势。 以二维相关光谱为例, 通过同步谱和异步谱的差异性来进行样品分析的主观性强、 工作量大、 效率低, 可优化二维相关谱特征提取方法并结合化学计量学方法使用, 发展出的新算法和软件可获取更有效的特征信息, 如由二维相关光谱衍生出的杂化二维相关谱等。 但是算法的可靠性、 稳定性也需关注, 以竞争性自适应重加权算法为例, 虽然建模精度可能较高, 但每次提取变量需运行大量的次数, 每次提取的变量信息可能会有较大变化且可能掺杂噪声, 影响检测结果。 因此, 如何提高不同算法的可靠性、 稳定性也是需深入研究的问题。

(5)在光谱分析中, 源于不同成熟度、 品种、 年份、 产地、 生长环境、 农艺条件等多变异状态的果蔬样品, 不同的检测设备[54]所建立的校正模型会对结果产生影响。 样品的多样性、 模型的更新、 数据的全面、 不同种属样品间及不同检测设备间的模型传递是在实际中推广应用的基础, 满足原位、 离线等工况的手持式、 便携式等仪器的开发是实现操作简易快捷和降低成本的有效手段, 果蔬在线检测平台的搭建已经实现, 但主要处于实验室阶段, 大规模检测与分选生产线的建立与使用还需时日。 因此, 果蔬质量检测的另一发展趋势是全面性、 普适性、 稳定性的模型建立, 便捷化检测手段和直观显示结果的实现, 高效、 低成本、 小型化光学分析仪器的商品化开发及生产中的应用。

光学技术作为一种有效的果蔬质量检测技术, 可应用于在线检测、 过程控制和分级定价系统中, 但仍需大量的理论和应用研究以服务于现代农业产业发展。

The authors have declared that no competing interests exist.

参考文献
[1] Xue J X, Zhang S J, Sun H X, et al. Mathematical and Computer Modelling, 2013, 58(11-12): 1829. [本文引用:1]
[2] Nogalesbueno J, Bacabocanegra B, Jarapalacios M J, et al. Food Chemistry, 2017, 221: 1685. [本文引用:1]
[3] Chen Q S, Zhang C J, Zhao J W, et al. Trends in Analytical Chemistry, 2013, 52: 261. [本文引用:1]
[4] Elmasry G M, Nakauchi S. Biosystems Engineering, 2016, 142: 53. [本文引用:1]
[5] Borràs E, Ferré J, Boqué R, et al. Analytica Chimica Acta, 2015, 891: 1. [本文引用:1]
[6] Chen Q S, Zhang D L, Pan W X, et al. Trends in Food Science and Technology, 2015, 43: 63. [本文引用:]
[7] Li Y S, Church J S. Journal of Food and Drug Analysis, 2014, 22(1): 29. [本文引用:1]
[8] Wu D, Sun D W. Innovative Food Science & Emerging Technologies, 2013, 19(1): 1. [本文引用:1]
[9] Du X F, Dong D M, Zhao X D, et al. Rsc Advances, 2015, 5(97): 79956. [本文引用:1]
[10] Zhang S J, Zhang H H, Zhao Y R, et al. Mathematical and Computer Modelling, 2013, 58(3-4): 545. [本文引用:1]
[11] Yang Y C, Sun D W, Wang N N. Computers and Electronics in Agriculture, 2015, 113: 203. [本文引用:1]
[12] Wu L G, He J G, Liu G S, et al. Postharvest Biology and Technology, 2016, 112: 134. [本文引用:1]
[13] Zhang S, Wu X H, Zhang S H, et al. Postharvest Biology and Technology, 2017, 127: 44. [本文引用:1]
[14] Júnior L C C, Nardini V, Khatiwada B P, et al. Food Control, 2015, 50: 630. [本文引用:1]
[15] Júnior L C C, Nardini V, Walsh K B. Postharvest Biology and Technology, 2016, (112): 64. [本文引用:1]
[16] Sun X D, Liu Y D, Li Y F, et al. Postharvest Biology and Technology, 2016, 116: 80. [本文引用:1]
[17] Ncama K, Opara U L, Tesfay S Z, et al. Journal of Food Engineering, 2017, 193: 86. [本文引用:1]
[18] Pu Y Y, Sun D W. Innovative Food Science & Emerging Technologies, 2015, 33: 348. [本文引用:1]
[19] Cortés V, Ortiz C, Aleixos N, et al. Postharvest Biology and Technology, 2016, 118: 148. [本文引用:1]
[20] Liu C, Yang S X, Deng L. Journal of Food Engineering, 2015, 161: 16. [本文引用:1]
[21] Pan L Q, Lu R F, Zhu Q B, et al. Postharvest Biology and Technology, 2015, 102: 42. [本文引用:1]
[22] Nordey T, Joas J, Davrieux F, et al. Scientia Horticulturae, 2017, 216: 51. [本文引用:1]
[23] Li M, Pullanagari R R, Pranamornkith T, et al. Journal of Food Engineering, 2017, 202: 46. [本文引用:1]
[24] GUO Zhi-ming, CHEN Quan-sheng, ZHANG Bin, et al(郭志明, 陈全胜, 张彬, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(8): 245. [本文引用:1]
[25] Marques E J, de Freitas S T, Pimentel M F, et al. Food Chemistry, 2016, 197: 1207. [本文引用:1]
[26] Sun M J, Zhang D, Liu L, et al. Food Chemistry, 2017, 218: 413. [本文引用:]
[27] Escribano S, Biasi W V, Lerud R, et al. Postharvest Biology and Technology, 2017, 128: 112. [本文引用:1]
[28] Lawaetz A J, Christensen S M U, Clausen S K, et al. Food Chemistry, 2016, 204: 7. [本文引用:1]
[29] Rungpichayapichet P, Mahayothee B, Nagle M, et al. Postharvest Biology and Technology, 2016, (111): 31. [本文引用:1]
[30] Zhang C, Guo C T, Liu F, et al. Journal of Food Engineering, 2016, 179: 11. [本文引用:1]
[31] Olarewaju O O, Bertling I, Magwaza L S. Scientia Horticulturae, 2016, 199: 229. [本文引用:1]
[32] Munera S, Besada C, Aleixos N, et al. LWT-Food Science and Technology, 2017, 77: 241. [本文引用:1]
[33] Munera S, Besada C, Blasco J, et al. Postharvest Biology and Technology, 2017, 125: 35. [本文引用:1]
[34] Trebolazabala J, Maguregui M, Morillas H, et al. Spectrochimica Acta Part A Molecular and Biomolecular Spectroscopy, 2017, 180: 138. [本文引用:1]
[35] Li M, Lv W B, Zhao R, et al. Food Control, 2017, 73: 1334. [本文引用:1]
[36] Zhang C, Wang Q N, Liu F, et al. Measurement, 2017, 97: 149. [本文引用:1]
[37] Beghi R, Giovenzana V, Civelli R, et al. Journal of Food Engineering, 2016, 171: 145. [本文引用:1]
[38] Yan L, Xiong C W, Qu H, et al. Food Chemistry, 2017, 228: 249. [本文引用:1]
[39] Torres I, Pérez-Marín D, Haba M J D L, et al. Biosystems Engineering, 2017, 153: 140. [本文引用:1]
[40] Amodio M L, Ceglie F, Chaudhry M M A, et al. Postharvest Biology and Technology, 2017, 125: 112. [本文引用:1]
[41] Jamshidi B, Mohajerani E, Jamshidi J, et al. Food Additives & Contaminants Part A Chemistry Analysis Control Exposure & Risk Assessment, 2015, 32(6): 857. [本文引用:1]
[42] Jamshidi B, Mohajerani E, Jamshidi J. Measurement, 2016, 89: 1. [本文引用:1]
[43] Li J L, Sun D W, Pu H B, et al. Food Chemistry, 2017, 218: 543. [本文引用:1]
[44] ZHAI Chen, PENG Yan-kun, LI Yong-yu, et al(翟晨, 彭彦昆, 李永玉, ). Acta Chimica Sinica(化学学报), 2015, 73, 1167. [本文引用:1]
[45] Liou P, Nayigiziki F X, Kong F, et al. Carbohydrate Polymers, 2017, 157: 643. [本文引用:1]
[46] Baek S H, Kang J H, Hwang Y H, et al. Journal of Infrared, Millimeter, and Terahertz Waves, 2016, 37(5): 486. [本文引用:1]
[47] Qin J, Burks T F, Zhao X, et al. Transactions of the ASABE, 2011, 54(6): 2331. [本文引用:1]
[48] Qin J W, Burks T F, Zhao X H, et al. Journal of Food Engineering, 2012, 108(1): 87. [本文引用:1]
[49] Pan L Q, Sun Y, Xiao H, et al. Postharvest Biology and Technology, 2017, 126: 40. [本文引用:1]
[50] Chen T, Li Z, Yin X H, et al. Spectrochimica Acta Part A Molecular and Biomolecular Spectroscopy, 2016, 153: 586. [本文引用:1]
[51] Yulia M, Suhand y D, Ogawa Y, et al. Engineering in Agriculture Environment and Food, 2014, 7(4): 148. [本文引用:1]
[52] Yao Y, Chen H R, Xie L, et al. Journal of Food Engineering, 2013, 119(1): 22. [本文引用:1]
[53] Cen H Y, Lu R F, Mendoza F, et al. Postharvest Biology and Technology, 2013, 85(11): 30. [本文引用:1]
[54] Huang L X, Zhou Y B, Meng L W, et al. Food Chemistry, 2017, 224: 1. [本文引用:1]