对于鲜食葡萄来说, 其果粒大小是影响鲜食葡萄外观品质的重要因素之一, 也是分级的重要指标。 对鲜食葡萄果粒大小的识别有利于对其进行标准化处理, 不但提高外观品质, 也便于销售和包装, 是葡萄商品处理化的重要环节。 李俊伟等^[5]运用机器视觉技术对单粒新疆无核白和红提葡萄的质量和果径大小进行研究, 利用最大类间方差法和数学形态学方法对葡萄图像进行分割和去噪, 分别建立葡萄质量和果径大小的一元线性回归和偏最小二乘回归预测模型, 预测决定系数分别达到0.98和0.945, 准确度达到85%以上。 肖壮等^[6]利用机器视觉技术采集了42串红提葡萄的RGB图像和NIR图像, 对红提葡萄果粒尺寸进行分级检测。 对红提葡萄图像进行去除果梗和轮廓干扰信息后, 利用随机最小二乘椭圆法对红提尺寸进行提取, 对整串红提进行分级, 分级正确率达到90.48%, 采集装置如图1所示。 Li等^[7]通过搭建的机器视觉装置对红提葡萄图像进行采集, 并对图像进行增强处理。 利用边缘检测对红提轮廓进行两次分割, 采用曲率角计算每个葡萄轮廓的曲率角值, 从而实现红提大小的自动分级。 Khazaei等^[8]提出了一种葡萄干燥过程在线监测与控制的预测建模方法, 探究了干燥过程中无核苏丹娜葡萄大小的收缩性与干燥模型准确性之间的相互关系。 利用机器视觉对葡萄生产过程中的形状收缩进行了测量, 建立了葡萄干燥过程的人工神经网络预测模型, 该研究结果实现了葡萄干燥过程的在线控制。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 图像采集装置示意图Fig.1 Schematic illustration of the image acquisition device

成熟的葡萄果粒水分充足、 果实饱满有弹性, 使用机器视觉技术结合图像处理方法(背景分割、 边缘检测等), 对葡萄果粒大小进行测量是目前常用的检测手段。 但是, 现阶段众研究学者对葡萄果粒大小检测方法, 多是采用果粒与果穗分离的方法实现的测量。 虽然, 已经取得了较高的检测精度, 但是单粒葡萄的检测无法满足葡萄农户采摘季节大批量、 快速检测的目的, 且果粒与果穗分离对葡萄的销售存在较大的影响。 因此, 实现果穗上单粒葡萄大小的检测是现阶段技术需要攻克的技术难点, 也是葡萄大小检测的未来研究方向。

无论是鲜食葡萄还是酿酒葡萄, 其果皮颜色与品质之间的关系紧密相关, 它是评价葡萄品质的主要感官性状, 可以通过果皮颜色的不同对葡萄进行分类, 也可以通过果皮颜色的深浅来判断葡萄的成熟度。 Wang等^[9]利用机器视觉技术获取红、 黑葡萄的图像, 在HSV颜色模式下提取了颜色特征的有效区域, 根据颜色特征对葡萄品质进行分级。 罗陆锋等^[10]运用机器视觉将AdaBoost框架和多种颜色成分相结合, 开发了一种自动检测夏黑葡萄成熟度的方法。 Rahman等根据白葡萄果穗颜色的不同, 利用图像处理技术探究葡萄的成熟度。 将葡萄穗的颜色与背景分开, 对成熟的褐色葡萄串和未成熟的绿色葡萄串进行分类, 葡萄串分离的准确性达到96.88%。 Pothen等^[11]利用机器视觉技术对不同生长阶段的红提葡萄的颜色进行研究, 通过收集不同日期相同位置的葡萄图像来估计颜色的变化率, 从而确定葡萄的最佳采收期。

通过机器视觉技术与图像处理方法, 利用葡萄果皮颜色的变化, 实现葡萄成熟度的判别, 是目前研究的重要手段。 现阶段的机器视觉检测装置多采用固定光源, 虽然有较高的预测精度, 却难以在复杂多变自然场景中应用。 研究自然场景中葡萄成熟的判别, 是目前面临的科学难题。

葡萄品种的选择至关重要, 优良品种的葡萄丰产性高、 抗病性强、 营养物质丰富, 近年来, 国内外研究学者利用近红外光谱技术对葡萄品种的探究是当前重要的研究课题之一。 曹芳等^[13]利用可见-近红外反射光谱技术在325~1 075 nm波长范围内对黑提葡萄、 马奶子和木拉格三个品种进行判别分析, 通过主成分分析和人工神经网络的方法实现了葡萄品种的快速鉴别, 为葡萄品种的鉴别提供了一种新方法。 Xiao等^[14]在400~1 100和900~2 500 nm范围内分别建立对“ 美人指” 和“ 白玉霓” 葡萄果实成熟过程中颜色、 可溶性固形物(SSC)和总酚的最小二乘支持向量机(LS-SVM)和偏最小二乘(PLS)预测模型, 并基于SSC建立了“ 美人指” 和“ 白玉霓” 葡萄的5个生长期的判别模型, 两种葡萄的预测集分类准确率分别达到90%和100%。 Salvado等^[15]利用近红外光谱技术(1 600~2 400 nm)对品丽珠、 赤霞珠等20种酿酒葡萄品种进行鉴别, 建立人工神经网络和支持向量机两种判别模型, 模型分类精度分别为87.5%和83%。

利用近红外光谱技术对葡萄品种进行检测, 区分谱线、 谱峰差异, 利用众多模式识别算法实现多种葡萄的种类识别, 是目前众多研究者的研究热点。 但是, 研究中使用的模型算法, 多为自命标签的有监督模式识别, 对样本的识别率较高。 然而, 想要得到一个更稳健的定性分析模型, 需要通过无监督模式识别方法与有监督模式识别方法分别进行特征信息提取、 优化、 建模识别。

葡萄糖酸含量是品质形成过程中的最重要的内在因素, 是风味的重要决定因子, 同时也影响着葡萄酒的酒度、 结构感和清爽性。 近红外光谱技术以其快速、 精确、 无损的特点, 在鲜食、 酿酒葡萄糖度和酸度检测方面具有较大的技术优势, 如许峰等^[16]利用微型光谱仪对红提葡萄的透射光谱(400~1 000 nm)进行分析, 将卷积平滑法(SavitZky-Golay)处理后的光谱使用蒙特卡罗交叉验证法剔除奇异点, 利用竞争适应重加权样法提取特征光谱信息作为随机森林预测模型的输入量, 建立了红提葡萄的糖度和酸度的预测模型。 陈辰等^[17]利用可见-近红外漫反射光谱技术(400~2 500 nm)对不同储藏温度下玫瑰香葡萄可溶性固形物和总酸含量进行了预测研究, 并比较了不同预处理及特征波长提取方法对模型精确度的影响。 有研究利用可见-近红外光谱系统研究了巨峰葡萄糖度、 酸度以及感官偏好等级, 比较了漫反射和透射两种光谱采集方式对模型精确度的影响, 结果表明, 采用透射光更能表征巨峰葡萄内部品质信息, 采集装置如图2(a, b)所示。 Farzaneh等^[18]利用人工神经网络探究了不同贮藏条件下的鲜食红葡萄品质的变化, 比较了不同神经元数量和不同类型的学习算法的模型预测精度。 此研究对葡萄的酸度、 可溶性固形物、 葡萄糖和风味指数进行了优化, 从经济和营养的角度来看, 此技术在农业、 医药、 保健品等相关行业的应用具有更大的优势。 Fadock等^[19]利用便携式二极管阵列光谱仪, 在350~850 nm波长范围内采集了赤霞珠、 品丽珠、 西拉三种酿酒葡萄的反射光谱, 采用多种预处理方法(平滑、 归一化、 微分)结合回归特征消除(RFE)建立了可溶性固形物含量(SSC)、 可滴定酸度(TA)、 总酚和总花青素的预测模型。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 葡萄颗粒的光谱采集方式示意图 (a): 反射模型; (b): 透射模型Fig.2 Structure of the spectral acquisition mode for grape berry (a): Reflectance mode; (b): Transmittance mode

使用近红外光谱技术对农产品内部糖酸品质进行预测是现阶段研究的热点问题之一, 且对葡萄糖酸品质的研究中已取得较好的预测结果。 葡萄水分含量充足且果皮薄, 在使用透射方式检测方面较苹果、 梨、 桃等其他类型水果往往能够取得的更好的检测效果。 然而, 仪器设备型号不同、 样本标准不统一和检测条件变化等情况导致的光谱数据不稳定性, 成为制约其商品化发展的重要因素。 因此, 如何制定相关样品的检测技术规范成为目前应解决的首要问题。

葡萄成熟度的判定是鲜食葡萄分级和酿酒葡萄采摘期确定的重要依据。 近红外光谱技术在这个方面已广泛应用, 章林忠等^[20]利用近红外光谱技术对鲜食葡萄果实进行研究, 分别建立了不同葡萄品种、 成熟度和病害的判别分析(DA)模型。 Musingarabwi^[21]等采用傅里叶变换红外光谱对赤霞珠中的酒石酸、 苹果酸、 琥珀酸、 葡萄糖和果糖进行了定量评价, 并对赤霞珠成熟阶段进行了定性鉴别, 该项研究为快速提取葡萄定性和定量信息提供了强有力的方法。 Porep等^[22]利用可见-近红外光谱仪收集1 160份酿酒葡萄的光谱建立了影响葡萄品质相关因素的偏最小二乘回归(PLSR)预测模型, 以评估葡萄成熟度和植物检疫状况, 从而实现有效的质量控制和管理, 提高葡萄的质量。

水果的成熟度一般可以通过颜色、 果型、 糖度、 酸度和硬度等条件进行判别。 使用机器视觉技术通过外部葡萄表皮颜色实现成熟度的判别是目前众学者研究等热点问题之一, 而通过近红外光谱技术在定量探究糖度、 酸度、 硬度等内部品质的基础上进一步探究的成熟度的方法更具理论性和科学深度。 因此, 利用近红外光谱技术实现葡萄成熟的判别, 应成为葡萄成熟的判别方向上研究重点。

近红外光谱技术在葡萄腐烂检测方面也有相关研究。 Porep等^[23]利用可见-近红外光谱技术对雷司令、 穆勒塔戈等酿酒葡萄的腐烂程度进行了预测, 建立了糖、 酸、 pH值、 漆酶活性、 密度、 甘油和麦角甾醇含量等预测模型。 葡萄腐烂会使葡萄的糖、 酸等化学成分发生显著的变化, 降低内在品质, 霉菌和真菌感染会让葡萄的感官品质发生巨大的变化, 漆酶活性是判定灰霉病的一个重要标志, 麦角甾醇含量是真菌的主要成分, 其已被确认为葡萄真菌腐烂的客观指标, 为葡萄真菌生物量的估算提供了依据。 葡萄中的氨基酸浓度也是判断葡萄成熟的一个指标, 如Juan等^[24]使用可见-近红外光谱技术评估歌海娜酿酒葡萄成熟过程中氨基酸的含量。 另外Beghi等^[25]利用便携式可见-近红外光谱仪(400~1 000 nm)对萎缩的科维纳葡萄的质量参数进行了研究, 此研究可以用来快速检测葡萄的新鲜度。

目前学者们研究热点已经转向了利用便携式、 微型式近红外光谱仪检测葡萄品质, 其中肖慧等^[26]为了实现鲜食葡萄采后品质快速无损检测的目标, 研发了低成本、 便携式葡萄专用多参数检测仪器, 如图3所示。 该便携式可见-近红外光谱检测仪器以卤素灯为光源, 以凹面全息光栅搭配电荷耦合器为光谱仪, 采用低OH的Y型石英光纤, 并设计了葡萄专用样品池, 如图4所示。 此设计极大减小了光斑大小不一致带来的实验误差。 Baca等^[27]采用便携式微型近红外光谱仪探究了不同年份的雷司令、 西拉葡萄及葡萄皮中的多酚含量, 建立了改进的偏最小二乘(MPLS)预测模型, 但是由于环境和葡萄生理条件的影响, 模型效果并不理想, 光谱采集装置如图5所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 葡萄品质可见-近红外检测仪器Fig.3 Vis/NIR detective instrument for grape quality

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 葡萄测定专用样品池Fig.4 Designed sample cuvette for grape berries

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 光谱采集装置Fig.5 Spectral acquisition device

近红外光谱技术能够对待测物质的内部组成成分和物理结构进行检测, 其强大的检测能力越来越受到国内外众多学者的关注, 且随着便携式、 微型近红外光谱仪的出现和发展, 对近红外光谱技术的在线检测起到了重要的推动作用。 但是, 在检测中存在的样本选择差异、 检测环境变化和多样性的数据处理方法限制了近红外检测技术的推广和商业化发展, 如何制定检测技术的规范成为当前面临的迫切问题。

运用高光谱成像技术同样可以对葡萄的糖度和酸度进行研究, 徐丽等^[31]在500~1 000 nm波段范围, 利用高光谱成像技术检测采后红提可溶性固形物的含量。 运用多种预处理方法建立可溶性固形物含量的偏最小二乘(PLS)和逐步多元线性回归(SMLR)模型, 结果表明两种预测模型均取得较好的预测效果。 高升等^[32]利用高光谱成像技术探究了红提的糖度和硬度, 采用不同的红提果粒放置模式(横放、 果柄朝下、 果柄侧朝上), 应用不同的特征波长提取方法, 建立偏最小二乘回归(PLSR)、 最小二乘支持向量机(LS-SVM)和随机森林(RF)的红提糖度和硬度预测模型, 结果表明RF建立的模型效果最优, 糖度和硬度预测相关系数分别为0.928和0.932。 图7为Gutié rrez等^[33]在全地形车辆上安装可见-近红外高光谱相机, 以5 km·h^-1的速度拍摄高光谱图像, 对丹魄酿酒葡萄中的可溶性固体和花青素含量进行预测。 通过在400~1 000 nm波长范围下建立支持向量机预测模型, 可溶性固体含量的预测模型决定系数(R²)为0.92; 花青素的R²为0.83。 Rui等^[34]利用高光谱成像技术对不同年份的多瑞加、 弗兰卡、 红巴罗卡酿酒葡萄的果实进行了生长发育参数预测。 在波长范围为380~1 028 nm, 对不同品种的葡萄进行光谱采集, 建立支持向量回归模型来预测葡萄浆果中的花色苷浓度, pH指数和糖的含量, 其相关系数分别为0.89, 0.81和0.90。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 实时高光谱成像设备Fig.7 On-the-go hyperspectral imaging device

在农产品内部品质检测方面, 高光谱成像技术能够同时获取待测物质的图像和光谱信息。 相较于近红外光谱技术的点检测, 高光谱成像技术的面检测更加丰富, 因此在葡萄糖酸度品质检测方面使用高光谱成像技术对单粒葡萄和葡萄串, 国内外学者均已进行了较多的研究, 且得到了较好的预测结果。 但是, 高光谱图像数据冗余, 有效数据提取困难依然成为其发展的关键因素, 因此开发带有有效波段信息的多光谱成像系统和采集速度更快、 效率更高的便携式高光谱成像系统成为农产品检测领域迫切需要攻克的关键问题。

花色苷有5个单体花色素包括花青素、 花翠素、 甲基花翠素等, 其在葡萄转色的时候积累, 通常在葡萄成熟的时候含量最大, 是葡萄酒颜色品质的重要影响因素。 其中杨蜀秦等^[35]利用近红外高光谱成像技术(900~1 700 nm)对不同成熟期的赤霞珠、 黑比诺、 媚丽等6种酿酒葡萄果皮中花色苷含量进行研究, 对比分析不同的预处理方法和特征波长方法, 分别建立酿酒葡萄果皮花色苷含量的支持向量回归(SVR)预测模型, 对比分析表明SPA-SVR模型预测效果最优。 吴迪等^[36]利用高光谱成像技术对赤霞珠表皮的花色苷含量进行预测。 将多元散射和连续投影算法(SPA)处理后的光谱信息作为输入量, 分别建立葡萄表皮的花色苷含量的偏最小二乘(PLS)模型和BP神经网络(BPNN)预测模型, 结果证明: SPA-PLS模型预测结果最佳。 Diago等^[37]利用可见光和短波近红外高光谱成像技术, 在380~1 028 nm光谱范围下利用葡萄果实4个不同位置的平均光谱对15种色素和4组花青素进行预测。 采用不同的预处理方法, 建立改良的偏最小二乘(MPLS)花色苷预测模型, 结果显示交叉验证系数(RCV2)范围为0.70~0.93, 总的花青素和非酰化花青素预测相关系数(RP2)为0.86。 Fernandes等^[38]在380~1 028 nm的反射模式下应用高光谱成像和神经网络技术测定了多瑞加弗兰卡酿酒葡萄果实的糖度、 pH和花青素含量。 将240个样本进行7倍交叉验证和测试, 利用多层感知器将光谱转换为生物参数, 并最终确定适用于葡萄果实的糖度、 pH和花青素含量预测的最佳神经网络结构, 此研究为利用高光谱成像技术无损检测葡萄糖度、 pH、 花青素提供了一定的参考。

总酚是含有苯环和多个羟基的物质, 可以影响葡萄酒的涩味、 苦味、 香气及色泽, 因此可以根据葡萄中总酚的含量来挑选优质的酿酒葡萄, 从而提高葡萄酒的质量。 近年来, 利用高光谱成像技术对葡萄总酚的探究已经成为研究的热点问题。 Zhang等^[39]利用高光谱成像技术探究了赤霞珠、 西拉、 黑比诺等葡萄皮和种子成熟过程中酚类物质的含量。 对不同的预处理方法预处理后的光谱信息, 分别建立PCR, SVR和PLSR预测模型, 该方法不仅为葡萄品质参数的确定提供了一种快速、 无损的方法, 而且为酿酒商选择最佳采收时间提供了参考。 Nogalesbueno等^[40]利用红外高光谱成像技术检测了西拉和丹魄葡萄的成熟度和果皮中的总酚类化合物的含量, 建立葡萄成熟度、 果皮总酚含量、 糖度、 可测定酸和pH的偏最小二乘模型。

葡萄中花色苷和总酚含量对葡萄酒的颜色和口味具有重要影响, 使用高光谱成像技术实现对葡萄中花色苷和总酚含量的定量检测是提高红酒品质的重要检测手段。 目前, 国内外有部分学者开始使用高光谱成像技术对花色苷和总酚含量进行研究, 但是限于花色苷和总酚物质中包含的化学成分比较复杂, 加大了检测难度。 因此, 在今后的研究中可尝试对花色苷和总酚指标进行详细划分, 以期达到更好的预测效果。

在葡萄安全检测中, 研究的重点主要是真菌、 细菌感染、 农药残留、 病虫等。 Dutta等^[41]利用高光谱成像技术对汤姆逊无核葡萄中的农药残留进行分析, 通过液相色谱质谱联用或质谱(LC-MS/MS)分析未处理和处理过的葡萄中的农药含量, 将感兴趣区域从葡萄串中分割, 使用Haar滤波器在频域中提取图像特征, 使用支持向量机对农药含量进行鉴定。 Knauer等^[42]利用高光谱成像技术对霞多丽葡萄串的白粉病感染水平进行了预测。 通过线性判别分析(LDA)降维方法推导出图像波段, 用随机森林和图像带积分图选择性提取纹理参数, 此研究有望提高葡萄疾病检测的速度和准确性。 在农药残留检测方面红斑病是一种影响葡萄质量的病毒性疾病, 红斑病会导致葡萄藤上的糖积累减少, 从而延迟葡萄的成熟, 监测这种病对葡萄品质的提高具有至关重要的作用, Mehrubeoglu等^[43]利用便携式高光谱成像系统研究了葡萄红斑病的光谱特征以及鉴定其病变区域。

食品安全问题是当今世界各国普遍重视的一个全球性问题, 依据高光谱成像技术和机器学习相结合的强大检测能力也成为众多国内外学者研究的热点问题之一。 使用高光谱成像技术对葡萄农药和病虫害的研究, 对提升我国葡萄及葡萄酒品质具有重要的意义。 虽然国内外研究已经取得了一定研究成果, 但是现阶段的研究多处于研究室阶段, 能否运用高光谱成像技术对葡萄表面农药残留的快速检测并加以应用仍需要进一步验证。