近红外光是介于可见光和中红外光之间的电磁波, 波长范围为780~2 526 nm。 近红外光谱(near-infrared spectroscopy, NIRS)分析技术利用近红外光谱区所包含的分子基团倍频和合频信息, 对样品实现定性或定量分析。 其信息源主要以含H的特征基团为主, 例如O— H, N— H和C— H等; 同时也包含一些信息强度较弱的其他基团, 如C=O等。 由于这些基团是有机物的重要组成, 因此NIRS技术可以分析测定与这些基团有关的样品成分以及物理、 化学性质^[12]。 根据果蔬对不同波长的光具有不同的吸收或反射这一特性, NIRS检测装置可以实现果蔬品质的无损检测。

NIRS技术可用于检测果蔬轻微擦伤、 瘀伤、 冷害等外部损伤, 通常基于损伤果和健康果的光谱特征信息差异结合化学计量法进行识别分类。 郭文川等^[13]对碰撞后猕猴桃进行无损判别, 建立了典型、 误差反向传播神经网络(error back propagation neural network, BPNN)与最小二乘支持向量机(least square support vector machine, LSSVM)三种判别模型, 综合比较了全光谱波段, 采用主成分分析(principal component analysis, PCA)提取变量和连续投影算法(successive projection algorithm, SPA)优选特征波长建模的效果, 认为SPA-LSSVM模型的识别性能最佳, 总的正确识别率为98.2%。 薛建新^[14]等报道了9点平滑预处理对梨枣轻微损伤识别的提高作用, 建立了短波近红外(780~1 100 nm)偏最小二乘线性判别分析(partial least squares-line discriminant analysis, PLS-LDA)模型, 正确识别率达到96.7%以上。 Pholpho等^[15]在可见光波段(400~700 nm)用分光光度计获得龙眼果实损伤前后的可见光光谱, 利用主成分分析、 偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)和簇类独立软模式法(soft independent modeling of class analogy, SIMCA), 对未擦伤和擦伤的龙眼果实进行分类; 结果表明PLS-DA模型的分类准确率高于SIMCA, 正确率为100%。 NIRS可应用的果蔬范围十分广泛, 上述轻微擦伤识别同样可以应用于橄榄^[16]、 番茄^[17]、 樱桃^[18]、 鲜枣^[19]、 苹果^[20]等多种果蔬。 当天气寒冷、 温度骤降时, 果蔬易遭受冷害损伤。 冷害的发生会导致果蔬在生长季节、 运输、 分配或贮藏过程中的生理功能障碍^[21]。 Xia等^[22]搭建了基于NIR光谱的苹果冷害分类分析的云计算平台, 应用了随机森林(random forest, RF)和决策树(decision tree, DT)等多种分类模型, 分类精度最高达98.3%。

NIRS技术不仅能够检测表面擦伤、 冷害等外部损伤, 在内部损伤方面, 如鸭梨的黑心病、 苹果的水心病等也有很多的应用和探究。 刘燕德等^[23]利用近红外漫透射光谱判别黑心鸭梨, 结果表明偏最小二乘(partial least squares, PLS)模型的判别准确率最高, 黑心梨正确识别率达到100%。 Sun等^[24]的黑心鸭梨识别分类正确率达到98.3%。 穆炳宇等^[25]对新鲜与腐烂花椰菜进行判别分类, 正确率达到100%。 上述研究说明, 近红外光谱在果蔬内部和表面缺陷的鉴别中具有很大潜力和优势, 透射光谱更适宜于内部损伤检测, 漫反射光谱可以对表面或次表面的损伤进行有效鉴别。 定性模式识别模型、 光谱预处理算法、 建模波段等因素都影响着损伤果和健康果的分类精度。 近年来, 深度学习算法也开始用于近红外光谱定性和定量模型的建立, 在一定程度上可以降低建模的工作量或者解决分类模型在不同仪器上不通用等问题, 但是目前依然存在参数需要优化选择、 过拟合、 模型精度低等问题。

拉曼光谱(Raman spectroscopy, RS)是一种散射光谱分析技术, 由分子极化率变化诱导产生, 它能提供分子内部各种简正振动频率及有关振动能级的信息^[5]。 拉曼光谱分析主要包括对拉曼峰的高度、 宽度、 面积、 位置和形状等的分析。 首先确定拉曼光谱中含有待测信息的光谱, 然后将有效拉曼信号从光谱的其他部分(如噪声)中分离出来, 最后确定拉曼光谱信号与样品信息的关系^[26]。

Guzmá n等^[27]应用低分辨率拉曼光谱仪对橄榄油加工前的橄榄进行分级, 结合SIMCA, PLS-DA, K-NN等分类方法, 对冻伤果和发酵果进行判别, 正确率达到100%和97.0%。 RS在果蔬损伤检测中的应用不是很广, 特别是在定量分析中能检测的成分指标较少, 但由于RS具有指纹特征, 所以对它所检测的成分含量(特别是类胡萝卜素)能够获得较好的预测效果。 基于上述原因, 目前RS的检测对象也具有一定的选择性, 主要包括在成熟过程中或加工过程中类胡萝卜含量变化较显著的果蔬, 如胡萝卜^[28]、 西红柿^[29]等。 此外, RS在果蔬农药残留检测中有较好的应用潜力, 特别是光谱增强技术的采用提高了检测精度。

荧光是物质吸收紫外或可见波段的电磁辐射后, 受激发的原子或分子跃迁到较高能级, 通过辐射跃迁的衰变过程返回基态, 并伴随发射波长与激发辐射波长不同的辐射发光过程, 是一种光致发光的冷发光现象^[30]。 物质的荧光光谱(fluorescence spectroscopy, FS)主要由其所含分子的能级结构决定, 因此荧光光谱能反应物质内部化学信息。 相比健康组织, 碰伤组织的荧光激发会降低。 Ruslan等^[31]使用精密实验室荧光仪进行诊断, 分离和量化组织表面结痂的苹果和腐烂的土豆。

FS还可以和计算机视觉技术相结合, 称之为荧光成像(fluorescence imaging, FI)。 该技术从水果的荧光图像中提取颜色、 纹理、 荧光强度等信息进行处理并加以分析, 得出想要的结果^[6]。 Chiu等^[32]开发了一套荧光成像(系统原理示意图如图1所示), 采用470 nm波长的LED作为荧光激发源。 为了捕捉荧光, 使用了带650 nm高通滤光镜头的数码相机进行在线苹果损伤检测, 测试结果表明该系统能够对60分钟后的损伤实现100%的识别率。 荧光光谱成像具有可获取样品内部信息、 受温湿度影响小、 图像采集不受光照限制、 价格合理等优势, 因此荧光光谱在叶片中叶绿素的浓度^[33]、 环境胁迫因子的影响信息^[34]、 诊断植物病害^[35]等方面应用广泛, 但在果蔬损伤检测中的应用不多, 但上述研究表明了荧光光谱技术在果蔬损伤检测方面有一定的发展前景。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 荧光成像系统示意图[32]Fig.1 Schematic diagram of fluorescence imaging system[32]

高光谱成像(hyper-spectral imaging, HIS)可获取大量被测目标的窄波段连续光谱图像, 它同时涵盖了检测对象的光谱和图像信息, 光谱分辨率可达纳米级。 如今, HSI在信息丰富程度方面有了极大提高, 可获取被测对象整个面阵的品质信息, 检测结果更加综合、 精确。

HIS系统有三个必不可少的设备^[14]: 光源、 波长色散元件、 面阵探测器。 光源可以是宽波段石英钨卤素弧光灯, 发光二极管或激光器。 波长色散元件通常由基于衍射光栅的成像光谱仪或电可调滤光器组成。 不同类型的波长色散元件与不同的图像采集方法相关。 成像光谱仪用于线扫描测量, 而电可调滤光器用于区域扫描。 电荷耦合元件(charge coupled device, CCD)是光谱成像的主流检测器, 而CMOS(互补金属氧化物半导体)在实时成像应用中具有吸引力并且越来越受欢迎。

近年来, HSI技术与各类光谱技术组合使用对果蔬损伤的检测更有利, HSI与NIRS技术结合已较为成熟。 Li等利用NIRS-HSI技术加分水岭分割方法对双色桃^[36]、 柑橘^[37]、 苹果^[38]早期腐烂进行有效识别分类, 分类正确率分别达到96.6%, 100%和99%; Li等^[39]之后又对比了HIS和短波近红外、 长波近红外结合情况, 结果表明短波近红外更适合桃早期腐烂的分类, 再结合改进的分水岭分割方法, 最终分类正确率达到96.5%。 Fan等^[40]利用NIRS-HSI技术检测机械撞击后30 min~12 h蓝莓内部擦伤, 通过波段比图像进行分类, 结果表明蓝莓在撞击后30 min, 2 h, 6 h和12 h的分类准确率分别为77.5%, 83.8%, 92.5%和95.0%; Yu等^[41]也对蓝莓进行过相似的擦伤判断。 Lee等^[42]利用NIRS-HSI技术对番茄角质层裂纹进行检测, 对于有无裂纹缺陷的番茄, LDA和SVM的分类正确率分别为94.6%和96.4%。 Wang-Hee Lee等^[43]在950~1 650 nm的光谱范围内检测梨皮下损伤, 图2是从梨的近红外高光谱图像中提取的代表性光谱, 随波长的变化对瘀伤、 健康区域、 皮孔和具有镜面反射的区域进行了测量。 从原始图像可以看出, 梨的表面(特别是从中心到边缘)的反射强度变化很大, 这是因为样品的几何形状是圆形的。 为了中和水果圆形几何形状的影响, 对图像数据在1 074 nm左右的单个光谱峰值进行了归一化处理, 最后基于最佳阈值波段比的损伤检测准确率为92.0%。

HIS在果蔬冷害方面的研究比起NIRS技术更为广泛。 大多数果蔬对冷害损伤很敏感, 采后不应在低于12 ℃的温度下储存, 但实际上经常被放置在低至0~5 ℃的温度下; 检测果蔬的冷害损伤可以使这些果蔬尽早从市场上撤下, 具有现实意义。 Lu等^[44]使用Criminisi算法先进行光谱修复, 然后利用线性判别分析(line discriminant analysis, LDA)对受不同冷害程度的青枣进行二分类和三分类, 精度分别达到98.3%和93.3%。 Cen等^[45]对受不同冷害程度的黄瓜进行二分类和三分类, 精度分别达到100%和91.3%。 Sun等^[46]采用人工神经网络模型(artifificial neural networks, ANN)对桃冷害进行二分类、 三分类、 四分类, 精度达到99.3%, 96.1%和85.4%。 果蔬的分级分类是热门研究话题, 但要保证模型高效而又达到高精度是分级研究的重点难点, 当今热门方式是和深度学习相结合^{[47, 48]}。 高光谱成像技术应用的果蔬种类最多而且几乎不受果蔬种类和损伤种类的限制, 除了上述果蔬, 还包括樱桃^[49]、 茄子^[50]、 苹果^{[51, 52, 53, 54]}、 马铃薯^[55]、 青椒^[56]等等, 在食品质量检测中越来越受到重视, 在检测果蔬缺陷方面的能力近年来已经得到肯定, 但是一直面临着图像采集时间长、 数据量大等问题。 进一步的研究必须针对这些问题, 改进硬件和数据处理策略, 在将其商业应用之前, 还有很长的路要走。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 (a)梨在1 200 nm归一化前后的高光谱图像; (b)梨在950~1 650 nm的平均光谱图[43]Fig.2 (a) Hyper-spectral images of pear before and after normalization at 1 200 nm; (b) Average spectra of pear at 950~1 650 nm[43]

空间频域成像(spatial-frequency domain imaging, SFDI)技术是一种新兴的光学成像技术, 其采用光强呈正弦变化的结构光照明, 通过采集样品表面的反射图像, 结合图像解调等数据处理手段, 得到样品的交流(alternating current, AC)和直流(direct current, DC)图像。 与传统的均匀照明光相比, 结构光可通过调节光照频率实现不同样品深度的信息采集^[57]。 在过去的十多年中, 空间频域成像技术得到了快速发展, 在果蔬损伤检测中得到了广泛的应用^{[58, 59]}。

Lu等^[60]开发了一套SFDI系统(原理示意图如图3所示), 用于检测苹果的早期损伤。 研究表明, 相比于DC图像, AC图像更有利于损伤检测。 针对空间频域成像数据处理中耗时较长的问题, Lu等^[61]提出了螺旋相位变换解调算法, 将相位图像从3幅减少为2幅, 大大提高了试验速度和数据处理效率。 在此基础上, Lu等^[62]进一步改进了SFDI系统, 采用液晶可调谐滤光器代替滤波片, 实现多光谱数据采集, 并将其用于苹果损伤检测; 结果表明, 710~830 nm波长对早期损伤检测更为有利。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 空间频域成像系统示意图Fig.3 Schematic diagram of spatial-frequency domain imaging system

此外, 孙志忠等^[63]建立了ANN模型快速反演光学特性参数用于苹果的皮下损伤检测, 大大提高了苹果皮下损伤的检测效率, 增加了SFDI技术在线应用的可能性。 综上所述, SFDI技术在检测果蔬皮下隐性损伤方面具有极大的潜力, 它甚至可以检测出20 min时间内形成的新鲜损伤。 然而, 受光透射深度^[64]的影响, 该技术目前适用于果皮较薄的果蔬产品或者是深度较浅的损伤, 研究人员对该技术的改进和创新也许可以扩大它的适用范围。

磁共振成像(magnetic resonance imaging, MRI)基于核磁原理, 对处于恒定磁场中的样品施加不同的射频脉冲, 使氢质子发生共振、 衰减、 聚相等现象而呈现不同的信号, 这些信号经傅里叶转换、 反演、 二维或三维成像等处理后, 得到不同的图谱或图像, 然后进行分析, 根据自扩散系数、 纵向弛豫时间和横向弛豫时间来反映被测样品的分子动态信息^[10]。

Mazhar等^[65]研究表明, 质子磁共振成像(¹H-MRI)可用于监测鳄梨瘀伤随时间的变化, ¹H-MRI清楚地显示了果实的形态特征和果皮组织的损伤。 Razavi等^[66]通过实验得到梨静态加载后的损伤体积, 在装载后的不同时间间隔确定果实内部损伤体积的扩散。 MRI在果蔬损伤检测的图像更直观具象, 但是磁共振设备成本高, 且获取图像速度较慢, 对操作人员要求高, 实现商业化在线检测仍面临许多困难。

X射线由阴极灯丝发射的高速电子束打击阳极靶面产生, 波长在0.001~10 nm之间, 具有极强的穿透性, X射线通常以全透射的方式应用在水果内部品质检测^[67]。 X射线成像技术(X-ray imaging, XRI)是研究物质内部物理结构的重要方法, 它是利用X射线透过被检测物体时, 缺陷部位与完好部位对X射线吸收能力不同来实现果蔬无损检测。 利用此方法进行果蔬新鲜损伤的研究很少, 这是因为新伤与正常组织的对比度较低, 采用这种方法很难被检测出来。 当我们从多个角度拍摄图像时, 这些图像可以通过数学算法来重建一个物体的三维图像, 这种方法被称为X射线计算机断层扫描(computed tomography, CT)^[68]。 与MRI相比, CT具有较高的空间分辨率和较少的图像采集时间, 因此被广泛应用于农业领域的果蔬内部质量评价。 Kenias等^[69]将苹果在二氧化碳浓度不同的环境下存放三天, CT能成功从微观层面将内部褐变的苹果区分出来。 Arendse等^[70]的研究已经证明了CT作为一种非破坏性技术的能力, 可以用于果蔬的损伤体积及其分数评估; 其后Elien等^[71]用来估算瘀伤苹果的瘀伤体积。 但是苹果造成的损伤具有不规则性, 简单几何假设的瘀伤体积估计不能提供准确的结果。 XRI是检测果蔬内部缺陷的有力工具, CT由于速度快, 具有在线检测的潜力, 并且CT在检测果蔬存储过程中生理紊乱的动态方面具有优势。 然而, CT由于昂贵的仪器和漫长的扫描时间, 不适合食品质量检测。 同时, 在使用XRI进行食品质量检测时, 应注意防止潜在的健康危害。

热成像(thermal imaging, TI)是基于所有材料都发射红外辐射这一事实, 而TI测量的是物体发射的红外辐射, 而不是反射的红外光^[11]。 在果蔬损伤检测过程中, 热量在损伤果蔬组织中的吸收和传播发生变化, 引起热扩散系数、 热传导系数、 比热容等热特性参数发生变化, 从而导致正常和损伤组织间产生一定的温度差异^[67]。

Kim等^[72]采用正弦热能刺激物体, 利用高灵敏度的中红外热像仪测量得到梨的热发射信息, 对梨损伤大小和损伤深度实现了定量识别。 Kuzy等^[73]使用LDA, SVM, RF, K-NN和logistic回归分类器对健康蓝莓和损伤蓝莓进行分类, 准确率可达89.5%。 上述研究表明, 利用TI技术检测水果损伤是可行的, 主要挑战在于如何增强与提取损伤信号, 同时热源的优化设计和热图像处理也需进一步提高。

上述的光谱及成像技术在果蔬损伤检测领域的检测对象涉及苹果、 梨、 龙眼、 水蜜桃、 猕猴桃、 花椰菜、 青椒、 番茄、 马铃薯等多种水果和蔬菜, 具体应用情况如表2所示。

表2

Table 2

表2(Table 2)

表2 光谱及成像技术在果蔬损伤检测中的应用现状 Table 2 Application status of spectroscopy and imaging techniques for bruising detections of fruits and vegetables 检测技术 检测对象 损伤类型 数据处理算法 正确率/% 文献 近红外光谱 苹果 擦伤 冷害 PLS-DA ANN, SVM 94.0~96.0 98.3 [20] [22] 花椰菜 腐烂 PLS 100 [25] 鸭梨 黑心病 黑心病 PLS PLS 100 98.3 [23] [24] 梨枣 碰伤 PLS-LDA 96.7 [14] 龙眼 碰伤 PLS-DA 100 [15] 猕猴桃 碰伤 SPA-LSSVM 98.2 [13] 橄榄 碰伤 PLS 100 [16] 樱桃 碰伤 LSSVM 93.3 [18] 番茄 碰伤 LSSVM 98.4 [17] 拉曼光谱 橄榄 冻伤、 发酵 SIMCA, PLS-DA, K-NN 100, 97.0 [27] 荧光光谱 苹果 土豆 擦伤 擦伤 PCA PCA - - [31] [31] 荧光成像 苹果 碰伤 M-value 0.5 h: 86.7 1 h后: 100 [32] 高光谱成像 青椒 冷害 PLS-DA 84.0 [56] 苹果 碰伤 瘀伤 擦伤 碰伤 iPLS-DA WS SVM SVM 92.4, 94.0 99.5 97.5 97.3 [51] [52] [53] [54] 桃子 擦伤 PCA, WS 96.6 [36] 早期擦伤 PCA, WS 96.5(损伤果) 97.5(健康果) [39] 冷害 SVM, ANN 99.3(二分类) 96.1(三分类) 85.4(四分类) [59] 番茄 开裂 LDA, SVM 94.6, 96.4 [42] 蓝莓 瘀伤 CARS-LSSVM 12 h后: 95.0 [48] 瘀伤 SVM 94.0(训练集) 92.0(测试集) [41] 樱桃 冷害 BPNN 83.3(冷冻果) 94.6(健康果) [49] 柑橘 早期腐烂 PCA, WS 100(训练集) 98.6(测试集) [37] 梨 瘀伤 F-value 92.0 [44] 马铃薯 黑心病 PLS-DA 94.0 [55] 茄子 冷害 SVM 100 [50] 青枣 冷害 LDA 98.3(二分类) 93.3(三分类) [44] 黄瓜 冷害 SVM 100(二分类) 90.5(三分类) [45] 空间频域成像 苹果 碰伤 碰伤 碰伤 TPD SPT Otsu 70~100 - > 85.8 [60] [61] [62] 磁共振成像 鳄梨 梨 苹果 瘀伤 损伤体积 水心病 - DL - - - 100 [65] [66] [75] X射线成像 苹果 内部褐变 内部褐变 - - - - [69] [71] 石榴 内部损伤 - - [70] 热成像 梨 蓝莓 碰伤 损伤 A photothermal model LDA, SVM, RF, K-NN等 - 89.5 [72] [73] 注: iPLS-DA(间隔偏最小二乘判别分析), K-NN(K-最邻近), CARS(竞争性自适应重加权), TPD(三相解调), SPT(螺旋相变), DL(深度学习), WS(分水岭分割) Note: iPLS-DA(interval partial least squares discrimination analysis), K-NN(K-nearest neighbor), CARS(competitive adaptive reweighted sampling), TPD(three-phase demodulation), SPT(spiral phase transform), DL(deep learning), WS(watershed segmentation)

表2 光谱及成像技术在果蔬损伤检测中的应用现状 Table 2 Application status of spectroscopy and imaging techniques for bruising detections of fruits and vegetables