果蔬品質劣變傳感檢測與監測技術研究進展

郭志明 王郡藝 宋燁 鄒小波 蔡健榮

摘要：果蔬在采后貯藏和運輸過程中極易發生品質劣變，食用價值降低且造成巨大的經濟損失。為保障果蔬品質，減少產后劣變導致的資源浪費，本文綜述了果蔬品質劣變傳感檢測與監測技術最新研究現狀，分析了各類檢測技術的原理、特點及優缺點。其中，機器視覺可檢測果蔬外部品質和表面缺陷，電子鼻可監測果蔬的劣變氣味，近紅外光譜可檢測果蔬內部品質和隱性缺陷，高光譜成像能實現可視化檢測果蔬內外品質、監測劣變過程，拉曼光譜可檢測果蔬腐敗菌及其代謝產物，多技術聯用和多信息融合能綜合評價果蔬劣變。以各種傳感器為感知節點構建物聯網監測系統，進而實現果蔬品質劣變信息的智能化實時監測，為解決果蔬加工過程中品質劣變控制技術難題提供參考，對降低果蔬產后的經濟損失，推進果蔬產業可持續發展具有重要意義。

關鍵詞：智能感知;無損檢測;品質劣變;物聯網;機器視覺;高光譜;近紅外;拉曼光譜;電子鼻

中圖分類號： TP241.3文獻標志碼： A文章編號：202106-SA011

引用格式：郭志明， 王郡藝， 宋燁， 鄒小波， 蔡健榮. 果蔬品質劣變傳感檢測與監測技術研究進展[J].智慧農業（中英文）， 2021， 3（4）：14-28.

GUO Zhiming， WANG Junyi， SONG Ye， ZOU Xiaobo， CAI Jianrong. Research progress of sensing detection and monitoring technology for fruit and vegetable quality control[J]. Smart Agriculture， 2021， 3（4）：14-28.（in Chinese with English abstract）

1? 引言

聯合國糧食及農業組織將2021年設為“國際果蔬年”，旨在突出水果和蔬菜在人類營養、食品安全、可持續生產以及減少浪費中的重要作用;呼吁通過技術創新推動健康、可持續的果蔬生產，減少損失和浪費[1]。中國蔬菜水果總面積及總產量一直穩居世界第一，是繼糧食之后的第二、三大農業種植產業[2]，是國內外市場前景廣闊且具有較強國際競爭力的優勢農業產業，也是許多地區經濟發展的亮點和農民致富的支柱產業之一。2011—2020年中國蔬菜和水果產量如圖1所示，均保持穩步增長態勢。果蔬產業是農業的重要組成部分，其發展可促進農業結構調整、優化居民飲食結構、增加農民收入。提供豐富、新鮮、營養健康的果蔬產品是滿足人民對美好生活向往的物質基礎。

表面缺陷、機械損傷、微生物侵染、病害等是導致采后果蔬品質劣變的主要因素[3]。表面缺陷是指果蔬生長過程中由于大風、冰雹等外界原因導致表面擦傷或磕碰而又愈合產生的疤痕等，極大影響果蔬經濟價值。在采收和運輸環節，果蔬易受到物理損傷，微生物借此通道進入果蔬內部，造成果蔬的腐敗和病害。中國80%～90%的果蔬收獲后直接進入超市和菜市場，因此對果蔬貨架期品質控制具有較高要求[4]。歐美日本等發達國家，95%以上農產品進入冷鏈物流，據不完全統計，僅在運輸環節，中國果蔬每年損失約700億元[5，6]。

隨著經濟的發展和人民生活水平的提高，消費者對果蔬質量和安全性要求越來越高。2021年 3月發布的《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》中明確指出，“要強化全過程農產品質量安全監管，加強農產品倉儲保鮮和冷鏈物流設施建設;深入實施食品安全戰略，加強食品全鏈條質量安全監管”。當今中國果蔬產業已經跨過了“擴大生產規模的產業階段”，進入了提高品質、控制成本、轉變模式的品牌培育、品牌銷售、推行品牌戰略的發展階段。果蔬產業的發展迫切需要采后商品化處理技術，特別是品質劣變監測技術。中國是果蔬最大生產國和消費國，巨大的產品檢測需求、國內產業需求和食品安全的嚴峻挑戰都迫切需要研究適用于果蔬劣變的監測技術，從而保障果蔬產業的健康發展。

2? 技術研究現狀及發展分析

果蔬屬于生鮮類食品，其采收銷售過程中仍然進行著新陳代謝，如果貯藏不當，就會發生劣變，其一般表現為果蔬表面顏色改變、氣味發生變化、硬度下降、失水萎蔫等，通過人眼可以判斷品質發生嚴重劣變的果蔬，但是人眼易受生理條件和主觀因素的影響，檢測范圍有限，檢測結果可靠性差。

在果蔬品質劣變研究領域，研究人員利用光、聲、電等特性，形成了如機器視覺、電子鼻、近紅外光譜、高光譜成像檢測等一系列新興的傳感檢測技術，如圖2所示。通過傳感器獲取相關信號和圖譜并進行判別分析，具有快速、易操作、對樣品無破壞性等優點。將多種技術聯合使用，多維度獲取果蔬品質信息，可以提升品質劣變檢測、監測的穩定性和準確率。

2.1 感官仿生檢測技術

感官仿生技術是利用信息傳感技術模仿人或動物的視覺、聽覺、味覺和嗅覺等感覺，獲取被檢測對象的特征信息，并用計算機模擬人腦對所獲取的信息進行處理，檢測效率高，檢測結果準確[7]。目前在果蔬品質劣變檢測領域主要有機器視覺技術和電子鼻技術[8]。

2.1.1?? 機器視覺檢測技術

機器視覺技術使用圖像獲取設備模擬人類視覺獲取檢測對象的特征信息，輸送至計算機進行圖像處理、對目標區域進行分析和識別，從而實現對被檢測對象的綜合評價[9]，具有非接觸性、識別速度快、判別精度高等優點，在果蔬檢測領域多用于品質分級和缺陷檢測[10]。

在蔬菜品質檢測方面，da Costa等[11]使用機器視覺技術對西紅柿外部圖像進行獲取，并通過深度神經網絡二元分類器對圖像進行分類，判別準確率達94.6%。Su等[12]使用深度相機采集了馬鈴薯的深度圖像用于檢測馬鈴薯畸形，判別準確率可達90%。Xie等[13]使用機器視覺提取胡蘿卜表面缺陷，如綠肩、彎曲、表面開裂等關鍵參數，分別建立識別算法，缺陷總識別率達90.9%。謝為俊等[14]提出了集胡蘿卜表面缺陷識別和開裂區域分割的融合網絡，結合支持向量機（Support Vector Machine ，SVM）和集成算法提高識別模型的準確率，能準確識別胡蘿卜的表面缺陷類別并提取胡蘿卜開裂區域。

在水果缺陷檢測方面，高輝等[15]采用亮度自動校正技術結合加權矢量機，通過多重判斷實現基于機器視覺的蘋果缺陷檢測，總體判別正確率可達99.1%。張明等[16]提出了基于區域亮度自適應校正的表面缺陷檢測算法，以紐荷爾臍橙為對象，對潰瘍病果、介殼蟲果、風傷果等8種表面缺陷果進行判別，整體缺陷識別率達95.8%。Bhargava和Bansal[17]建立了蘋果分級系統，通過圖像分割和提取，分別使用最近鄰法（K-Nearest Neighbor ，KNN）、稀疏表示分類器（Sparse Representation based Classification ，SRC）和SVM 三種分類器，其中 SVM 分類器性能最優，可實現缺陷蘋果的剔除。Fan等[18]利用計算機視覺結合卷積神經網絡（Convolutional Neural? Networks ，CNN）建立了蘋果缺陷檢測模型，獨立驗證集的缺陷識別率為92%。劉浩等[19]設計了基于機器視覺的馬鈴薯缺陷檢測系統，采用RGB彩色模型對馬鈴薯圖像R 、G 、B 分量進行分析，將有無缺陷部位進行分割，對蟲眼、龜裂、綠皮和腐爛等缺陷有較高的判別正確率。

目前機器視覺技術已經廣泛應用于果蔬外部品質檢測，但果蔬不同于機械加工的標準品，其在生長過程中會受光照、海拔、葉面遮擋等因素的影響，嚴重干擾被檢測對象的圖像獲取工作，極易造成誤判。隨著人工智能和深度學習的發展，新的識別算法可以提高機器視覺檢測的適用性和穩定性。

2.1.2? 電子鼻檢測技術

電子鼻是通過模擬人或動物的鼻子，對被檢測對象的揮發性成分進行獲取、分析、識別的新型仿生儀器[20]。果蔬中的風味物質是由不同揮發性成分如醇類、醛類、酮類等組成的混合物，可以客觀反映果蔬品質特征，通過對其響應譜進行分析可以實現對果蔬新鮮度、腐爛度、損傷和病害判別。

利用電子鼻對果蔬腐爛監測進行了廣泛研究。黃星奕等[21]利用電子鼻技術對果蔬真菌腐爛進行了研究，建立了 KNN 判別模型，訓練集與預測集識別率分別為90%和85%，可以實現果蔬劣變程度區分。Cincina等[22]將不同微生物接種于罐裝去皮的番茄中，發現電子鼻能夠檢測腐敗劣變的番茄。丁慶行等[23]基于電子鼻技術構建了倉儲環境的水果腐爛無損檢測系統，實現了4種核果類水果的輕微和嚴重腐敗兩種等級判別。朱丹實等[24]以華富蘋果為對象，利用電子鼻分析蘋果在1個月的貯藏期內風味物質變化，利用主成分分析（Principal? Components? Analysis，PCA）和線性判別分析（Linear? DiscriminantAnalysis，LDA）對不同貯藏時間的蘋果進行區分。張建超等[25]利用電子鼻技術對蘋果霉心病特征揮發性香氣進行表征，利用Fisher 、KNN等判別方法建立霉心蘋果判別模型，預測集最優判別率達88.46%。楊晨昱等[26]利用近紅外光譜技術和電子鼻技術分別結合Fisher判別、KNN等方法建立判別模型，電子鼻集合多層神經網絡（Multi-layer Neural Network ，MLP）模型對霉心蘋果判別效果最好，驗證集正確判別率達86.2%。Guo等[27]利用電子鼻采集儲藏過程的蘋果信息，通過不同分析方法建立不同程度的腐敗蘋果分類模型，同時使用波長提取算法建立偏最小二乘（Partial Least-square Method ，PLS）模型預測斑塊區域，結果表明 PCA降維后的偏最小二乘判別（Partial? Least-squares? Discrimination Analysis ，PLS-DA）模型具有最佳分類表現，競爭性自適應重加權采樣偏最小二乘（Competitive Adaptive? Reweighted Algorithm-Partial ?Least Square ，CARS-PLS）模型對變質面積檢測性能最好。趙策等[28]采用 PEN3電子鼻將皇冠梨按三個腐敗等級對黑核梨樣本進行采樣，利用PCA 等不同分類方法相結合建立判別模型，最佳準確率可達95.6%。

在果蔬品質檢測方面，馬蒙蒙等[29]以不同品種的富士蘋果為研究對象，利用電子鼻對其貨架期間的香氣成分進行獲取并建立線性判別模型。Hao 和Yu[30]使用金屬氧化物半導體電子鼻對梨氣味數據進行收集，PCA 降維后分別使用 BP 神經網路（Back Propagation Neural Network， BPNN）和極限學習機（Extreme Learning Machine ，ELM）對梨的棕色芯進行檢測，其精度為0.9683。Yang 等[31]使用電子鼻采集黃桃揮發性物質，實現24 h內黃桃損傷水平及損后時間精準預測，識別損傷果的正確率為93.33%。Nouri 等[32]對 60個石榴樣本分別使用LDA 、BPNN 和 SVM 等方法進行比較判別，其中LDA僅使用兩個MOS傳感器就以100%準確度檢測出患真菌病的石榴。Jia等[33]使用PEN3電子鼻采集接種/未接種青霉菌蘋果和混合蘋果，分別使用 LDA、 BPNN 、SVM 和徑向基函數神經網絡（Radial? Basis Function Neural Network ，RBFNN）等四種模式識別算法建立了新鮮/發霉蘋果的預測模型。

國內現階段的電子鼻系統裝置所用氣敏傳感器多為國外進口，成本較高，目前多用于科研院所及高校[34]。在傳感器方面，需提高傳感器電極膜材料的性能，提升其靈敏度和耐用性[35]。此外，建立判別模型多使用PCA 、LDA 、PLS等經典方法，可對已有算法進行優化改進提高判別準確率，同時探索新的模式識別算法。

2.2 光譜和成像檢測技術

由于果蔬的劣變組織和正常組織特性不同，在不同波長光線照射下會有不同的吸收、反射和透射特性，即果蔬的光譜反射率或吸收率在某一段或者幾段特定波長內出現峰值，根據特征峰值與果蔬的品質劣變指標建立關系，進而判別果蔬劣變[36]。果蔬內部品質光電檢測技術在生產過程中具有快速、高效、精確的檢測和監控優勢。隨著光機電技術和制造工藝的發展，光譜儀向小型化、專用化、低成本、便攜化方向升級，為果蔬品質的實時原位檢測和評價提供了技術支撐。近紅外光譜檢測技術、高光譜成像檢測技術和拉曼光譜檢測技術是常見的果蔬品質劣變光譜檢測技術。特別是近紅外光譜檢測技術，中國正處在從實驗室研究向生產應用的關鍵轉型期。實驗室研究級近紅外光譜儀檢測精度高、穩定性好，但體積大、攜帶不便，價格昂貴，限制了其在農產品各流通環節的應用和推廣。

2.2.1?? 近紅外光譜檢測技術

近紅外光主要是含氫基團X-H振動的倍頻與和頻吸收，分子振動從基態到高能級躍遷產生光譜，其中包含有機化合物的組成和分子結構信息[37]。近紅外光譜檢測技術是目前最常用的果蔬內部品質無損檢測技術[38]。

前期采用近紅外光譜檢測技術對水果品質檢測開展了廣泛研究，王梓萌等[39]以斗南蘋果為對象采集其4000～12，500 cm-1 波長內的漫反射光譜，利用PCA降維后分別使用馬氏距離和Fisher判別建立蘋果霉心病檢測模型，馬氏距離判別模型效果較好，其判別正確率達97.14%。Xing等[40]利用400～1700 nm 的可見和近紅外反射光譜對“金美味”蘋果表面的損傷進行了鑒別，其中545和 1200 nm 附近的波段可反映損傷組織隨時間的變化情況，通過判別分析，總體分類正確率大于90%。孟慶龍等[41]利用高光譜圖像采集技術獲取正常蘋果和表面有缺陷蘋果的高光譜圖像，通過多元散射校正（Multiplicative Scatter? Correction ，MSC）預處理和 PCA 降維，建立 PLS-DA 模型，訓練集和預測集的識別率達?????? 100%。劉燕德等[42]比較黃桃樣品損傷前后的近紅外漫透射光譜，建立支持向量機-偏最小二乘（Support?? Vector?? Machine-Partial?? Least-square? Method ，SVM-PLS）模型，實現黃桃表面缺陷的在線檢測，表面缺陷果的判別正確率為100%。 Tian 等[43]設計了在線近紅外測量系統，從三個方向對蘋果光譜進行采集，使用SVM 開發補償模型，用于檢測蘋果霉心病，全體SVM 模型在三個方向的識別精度都是100%。Perez-Marin 等[44]研究了近紅外光譜技術作為一種無損分析技術的可行性，并將其應用于建立冷藏柑桔的質量標準和采后貨架期，建立了平均分和相應的控制限作為預警系統。Jlab等[45]將可見-近紅外波段進行分段主體組件分析，提取7個波長圖像作為構建多光譜PC 圖像，對水果衰變區域進行分割，以檢測橙子的早期衰變。Guo 等[46]采集水心病蘋果的近紅外光譜，比較不同變量選擇算法優選特征波長以簡化模型，CARS-PLS的蘋果水心度定量檢測模型的相關系數達0.9808。

針對蔬菜品質劣變檢測，韓亞芬等[47]利用近紅外光譜透射技術分別采集健康和黑心病馬鈴薯光譜數據，利用 PCA選擇特征波長建立 PLS- DA模型，實現了對馬鈴薯內部缺陷快速無損檢測。Nishino等[48]開發了一種雙光束系統，通過在兩個方向測量洋蔥的透射光譜?；谄钚《嘶貧w（Partial Least Squares Regression ，PLSR）模型預測的腐爛評分的二元分類表明，對于不同程度的洋蔥鱗莖腐爛都取得了較好的檢測結果。Imanian等[49]分別利用可見光、近紅外、短波紅外光譜儀分別獲取馬鈴薯光譜數據，使用神經網絡元胞自動機挑選波長后利用LDA和KNN等組合方法結合多數投票規則對健康和缺陷馬鈴薯進行區分，使用 LDA 獲得最優性能，其準確率達97.7%。Han 等[50]為馬鈴薯檢測構建了可見/近紅外傳輸光譜平臺，分析健康和黑心馬鈴薯的光譜傳輸特征，PCA 降維后建立PLS-DA 判別模型，結果表明黑心馬鈴薯光譜曲線相對平穩無明顯吸收峰，模型總精度達96.73%。

國外關于近紅外光譜技術的研究起步較早，迅速從實驗室研究走向產品化應用，但依舊存在一些問題，如實時測試方案和測試部位的合理設計，光譜信號的有效提取，穩定有效的去噪、處理、預測和補償模型的建立，檢測精度和速度的保證，水果尺寸差異、位姿差異、溫度變化的影響等。盡管商業化儀器已經相繼推出并應用，但其準確性和精度仍有待科學驗證[51]。相對于國外的進展，中國對水果內部品質在線檢測的研究起步較晚，目前仍處于試驗研發階段，技術不成熟，缺乏自主知識產權的裝備投放市場，雖然針對上述問題提出了各種解決方案和補償算法，并申請了一系列專利，但在實用化過程中仍然存在很多關鍵問題需要進一步解決。

2.2.2? 高光譜成像檢測技術

多光譜技術能同時獲得多個光學頻譜波段信息，高光譜成像技術是集圖像信息和光譜信息于一體的無損檢測技術，可以獲得更復雜的指紋特征，其圖像信息可以反映機器視覺難以檢測的早期腐爛等外部損傷特征，光譜信息可以反映被測樣本的內部組分信息，能從多個維度反映果蔬的內外部品質信息[52]。

以蘋果為對象，黃文倩等[53]為確定蘋果早期輕微損傷檢測的有效波長，對損傷發生僅為半小時的蘋果進行損傷檢測研究，利用有效波長和全局閾值理論開發了多光譜輕微損傷提取算法，整體檢測精度可達98%。沈宇等[54]分別采集完好和輕微損傷后不同時間的高光譜圖像，進行特征波長提取后建立基于遺傳算法優化的BPNN和SVM 判別模型。結果表明，811 nm波段的 SVM模型為最佳判別模型，識別率達90.63%。Ba‐ranowski等[55]綜合運用高光譜成像和熱成像技術檢測蘋果損傷。分析了蘋果組織損傷后兩周的可見光、近紅外和短波紅外光譜特征。采用 SVM 、線性Logistic回歸、神經網絡和決策樹等有監督分類方法，對5個蘋果品種的損傷后時間判別進行了比較。對二階導數預處理后的光譜數據進行分類，其預測精度達到90%以上。Park 等[56]使用 PLSR 、PCA 和 LDA對健康、無癥狀和有癥狀的蘋果葉進行分類以實現蘋果真菌疾病的檢測，LDA預測模型準確度達88%。

在其他果蔬品質檢測方面，董建偉等[57]提出了基于多光譜成像的庫爾勒香梨表面缺陷檢測和缺陷面積計算方法，并研究了疤痕、病害、果銹等6種表面缺陷情況，通過統計像素個數代替面積實現缺陷面積計算，判別準確率達92%以上。Pan等[58]將交鏈格孢霉接種至庫爾勒梨，并從感染和對照樣品中獲取高光譜圖像，進行光譜角映射以從健全組織中分割感染區域，并監測疾病的發病過程。建立了 SVM 判別模型，總體準確率達97.5%。吳姝等[59]利用高光譜成像系統采集冬棗在不同損傷時期的高光譜圖像，對其表面微觀損傷至內部隱性損傷的漸變光譜進行研究，選取了12個波長建立PLS-DA模型，檢測精度達86.7%。武錦龍等[60]使用高光譜技術獲取輕微損傷油桃原始圖像，使用圖像分割算法將油桃與背景分離后使用分塊算法對圖像分塊并添加標簽，建立 CNN 判別模型，識別率達88.2%。 Huang 等[61]利用高光譜成像對藍莓圖像進行獲取，通過光譜相關性分析以選擇有效光譜范圍并建立PLS-DA判別模型，實現藍莓早期疾病的快速檢測。Pham和Liou[62]開發了一種用于研究圓形水果的旋轉高光譜成像系統用于表面缺陷檢測，以棗為實驗對象，利用高光譜數據對銹斑、裂紋等6 種棗皮進行分類，使用 SVM 和人工神經網絡（Artificial Neural Network ，ANN）模型區分，分類準確率分別達97.3%和7.4%。趙明富等[63]利用高光譜相機分別獲取發芽、腐爛、黑心等馬鈴薯高光譜圖像，利用 PCA降維并通過圖像處理方法提取特征圖像，利用改進的貝葉斯分類器進行識別，預測集識別率達95%以上。

高光譜成像技術將光譜和圖像集為一體，實現被測物質的可視化，既可以實現輕微損傷和小面積缺陷的檢測，也可同時檢測果蔬內部品質及成分分布情況，在果蔬內外品質檢測方面優勢顯著。但目前高光譜成像設備價格昂貴且體積巨大，并不適合大規模推廣應用[37]。此外，高光譜圖像采集的數據量較大，數據處理時間長，對于系統硬件有較高的要求。在優化特征波長提取算法的基礎上開發低成本、專用型多光譜成像系統，在果蔬品質劣變過程的動態監測方面具有廣闊的應用潛力。

2.2.3? 拉曼光譜檢測技術

拉曼光譜是一種基于拉曼散射的新興激光技術，通過分子振動、轉動獲得結構等相關信息[64]，對拉曼峰位置、強度、線型和譜線數目等的分析即可實現對樣品的定量定性分析[65，66]。拉曼光譜可以與近紅外光譜互補，對近紅外光譜捕捉不到的信息進行檢測[67]。陳思雨等[68]使用拉曼光譜儀采集蘋果光譜，用自適應迭代重加權懲罰最小二乘算法進行基線校正建立SVM 分類判別模型，可以實現蘋果早期輕微損傷的快速識別。劉燕德、代芬和 Sanchez等使用拉曼光譜對柑橘黃龍病檢測進行了研究，其中劉燕德等[69]獲取了柑橘葉片拉曼光譜并通過聚合酶鏈式反應（Polymerase Chain Reaction ，PCR）鑒別分為輕度、中度、重度、營養素缺乏和正常5類，使用2次多項式擬合的PLS-DA 模型預測效果最好，預測相關系數達0.98。代芬等[70]分析比較了黃龍病柑橘樣本和健康樣本的自熒光和拉曼光譜差異，結合PLS-DA判別模型和ROC曲線分析，拉曼光譜的判斷效果最優，鑒別準確率達98.17%。Sanchez等[71]使用手持式拉曼光譜儀與化學計量學方法相結合檢測和識別柑橘黃龍病，并可以準確區分健康樹、無癥狀樹、枯萎病樹和潰瘍病樹。Lin等[72]確定了具有不同癥狀水平的香蕉枯萎病菌和香蕉枯萎病菌感染的香蕉假莖的拉曼指紋，以區分感染香蕉和健康香蕉。Guo 等[73]選取易造成蘋果腐敗的5種腐敗真菌并開發了基于金納米棒基底方法的表面增強拉曼光譜來收集和檢查主要蘋果腐敗真菌孢子的拉曼指紋，建立的 PCA-LDA模型判別準確率達到了98.31%。

近年來，隨著拉曼光譜研究的不斷深入，拉曼光譜已成為農產品質量安全檢測領域發展最快的技術之一。已有研究表明拉曼光譜在果蔬疾病診斷、致腐菌識別和果蔬真菌毒素污染檢測方面是可行的。但由于缺乏高效的拉曼光譜增強基底和精確的拉曼圖譜庫及檢測方案，拉曼光譜增強基底的制備方法和拉曼標準譜圖數據庫的建立亟待完善[74]。隨著儀器設備的不斷開發，標準的建立較為滯后，未來需要加快行業相關標準的制定。

2.3 多技術聯用和多信息融合檢測果蔬劣變研究現狀

果蔬劣變無損檢測/監測方法各有優劣，機器視覺技術通過對果蔬的檢測可以很好地識別劣變果蔬，但是對于外部特征不明顯的缺陷，如內部損傷的檢測則并不適用，且機器視覺技術的圖像分析主要依賴于算法的改進，在復雜的多樣性環境中抗干擾性差，從而影響其運算速度和準確性[75，76];電子鼻技術通過對果蔬的揮發性氣體成分進行檢測，具有響應時間短、重復性好、操作簡單等特點，可利用采集到的氣味指紋圖譜對未知樣品進行識別[77]，但是果蔬揮發性氣體成分的產生易受環境條件影響，產生的氣體成分種類多、不穩定，需要解析出特征性氣體響應信號，針對特定氣體建立判別模型[78];光譜技術可以深入果蔬組織內部，檢測果蔬的糖度、硬度、葉綠素含量等品質指標，定量分析和評估果蔬的劣變程度，但是目前果蔬劣變檢測研究多是針對單一品質的研究，而對多指標同步檢測及綜合品質分級的研究相對較少，且由于果蔬是非均勻組織，光在組織中的傳播受多種因素的影響，目前對光在組織中的傳播特性，光與果蔬組織的相互作用機理缺乏足夠的認識，建立的果蔬劣變檢測模型易受外界環境影響，穩定性差[79];而多技術聯用和多信息融合技術能夠將多個檢測指標結合在一起，同時獲取樣品來自多傳感器或多源的信息和數據[80]，在一定的準則下加以自動分析和綜合，不僅能對樣品內部品質進行檢測，還能檢測其外部品質，綜合評價果蔬的品質劣變情況，具有較大的應用潛力。

袁瑞瑞等[81]利用近紅外高光譜成像技術對定量損傷分級的靈武長棗進行光譜采集，提取感興趣區域并計算平均光譜值，優選預處理和特征波長提取算法建立PLS-DA判別模型，可以實現靈武長棗損傷等級的快速判別。Yuan等[82]采用可見近紅外高光譜成像系統采集機械損傷后5個時間點的光譜數據，優選預處理和特征變量選擇方法，建立PLS-DA判別模型，經過導數處理的CARS-PLS-DA 模型效果最優，檢出準確率為100%。部分學者對菠菜腐爛前新鮮度進行檢測。Huang 等[83]基于機器視覺和電子鼻的多傳感器數據融合方法智能檢測了菠菜腐爛前新鮮度等級。其中基于機器視覺的BPNN 和 KNN模型的分類準確率為85.42%，基于電子鼻的BPNN模型的分類精度分別為81.25%和 75.00%，而基于多傳感器數據融合的BPNN模型大大提高了菠菜新鮮度的檢測精度，分類準確率達93.75%。徐海霞[84]將基于機器視覺和電子鼻技術的融合方法應用于菠菜新鮮度的檢測，提出將不同檢測技術獲得的特征值進行融合的方法，建立BPNN模型用于菠菜新鮮度的等級判別，訓練集和預測集判別率分別為97.92%和 93.75%。陳乾輝和吳德剛[85]提出了基于圖像融合的蘋果缺陷檢測算法，該算法利用可見光和紅外圖像的高、低頻小波系數采用不同的融合方法，以獲得更加突出的特征圖像。該方法在劃碰傷、果梗/花萼、完好果的蘋果果實檢測方面平均識別率可達96%，且在劃碰傷方面識別率可達92%。Liu等[86]將高光譜成像和電子鼻相結合，使用 PCA 降維后提取草莓特色信息，開發定量模型以預測草莓腐爛過程中微生物含量和質量屬性，基于特色信息融合的模型比單個數據集（HIS 或E-nose）構建模型具有更好的預測性能。預測集相關系數可達0.925。

相比于單一傳感檢測技術，多技術聯用和多信息融合檢測可獲得更全面的信息，檢測結果更客觀精準。通過光譜、圖像、電子鼻等獲取的傳感信息，可模擬人的眼睛和鼻子等感覺器官，多維度融合評價果蔬劣變程度，克服單一傳感信息解析的局限性，提高檢測模型的魯棒性和并行處理能力，可為果蔬品質劣變高精度檢測和監測提供新途徑。

2.4 果蔬品質劣變監測技術產業驅動發展分析

由于果蔬獨特的生理性質，極易在由生產區向消費區轉移過程中發生品質劣變，已有果蔬品質劣變檢測方法已無法滿足品質監測控制的要求。近年來隨著物聯網、云數據的興起，將電子鼻、光譜儀等傳感設備按照約定協議與網絡相連接，實現水果品質劣變的遠程檢測和監測預警[87]，結合云服務器、云數據庫等服務，建立遠程模型共享服務平臺，為模型的升級與維護提供遠程服務。多技術聯用結合物聯網技術使獲取的信息在數量和維度上實現突破，可以提高果蔬品質劣變檢測的準確性[88，89]。

將電子鼻及溫濕度傳感器結合無線傳感網絡技術建立果蔬冷庫監控系統，實現果蔬冷庫的多維環境參數實時監控及精準調節，以實現減少果蔬腐敗的目的[90]。以信息技術為基礎，建立果蔬冷鏈物流實時監控系統，使用溫濕度傳感器監控物流溫濕度狀況，保證果蔬物流運輸的穩定性[91]。

在果蔬種植階段，使用便攜式近紅外無損檢測設備長期監測樹上果蔬內部品質屬性的變化規律，反饋于監測系統，指導當地果蔬種植，提高果蔬群體的優質率;在果蔬入庫階段，將機器視覺、高光譜成像技術、近紅外光譜檢測技術等綜合應用，對果蔬內外部品質進行多維檢測，將腐爛、病害等異常果在入庫前剔除，防止造成更大規模的果蔬品質劣變，并且對果蔬做初步分級，提高其附加值;在果蔬倉儲和運輸階段，使用電子鼻技術對倉儲庫和運輸貨車中果蔬實時監測，通過全球定位系統（Global Positioning System，GPS）對倉儲庫和運輸車進行定位，若監控信息出現異常，及時回傳監測系統并通知管理人員進行處理。通過多技術聯用和多信息融合實現果蔬品質劣變的監測與評價。

3? 果蔬品質劣變智能監測技術瓶頸問題與發展趨勢

3.1 研究技術瓶頸分析

果蔬品質劣變檢測技術各有優缺點，在進行多技術聯用和多信息融合檢測果蔬劣變研究的同時，要注重各項技術在實際應用中的機理研究、數據融合和算法優化以確保檢測的準確度。另外，果蔬受品種、生長環境、果園管理模式、產地等的影響，其個體間差異較大，因此要選取具有代表性的樣本進行模型建立，并對模型傳遞和更新做進一步的研究，以滿足實際推廣應用的要求。網絡技術、傳感器、云計算、5G 通信等技術日新月異，應用于農業生產管理及經營領域將是必然趨勢，將提高農產品的附加值，推動了智慧農業建設的發展。但是，受傳感技術、通訊技術等的限制，果蔬品質檢測技術在推廣應用方面尚存在以下問題。

（1）傳感器價格昂貴。電子鼻、光譜儀等作為物聯網必不可少的傳感器，目前多用于科研。部分傳感器需從國外進口，價格昂貴且售后服務不便。為降低傳感器成本，應加大關鍵部件的研發力度，通過創制果蔬專用型傳感器件，如光譜儀優選特征窄波段光電傳感器、電子鼻篩選特征氣體傳感器，在此基礎上進行集成創新，研制小型化、低成本的傳感器產品。

（2）果蔬倉儲庫布局標準化程度有待提高。中國的果蔬倉儲庫規模和布局存在差異，對于果蔬品質劣變監測系統的改造存在困難。倉儲庫標準化是實現果蔬品質劣變監測的重要前提，通過制修訂生鮮農產品冷鏈流通規范標準，驅動從果蔬出入庫分級系統布置、傳感器監測節點設置、數據傳輸系統搭建等方面建立標準化體系，可節約資源與成本。

（3）倉儲庫網絡通信亟待升級。果蔬倉儲庫一般建于郊區，其物聯網無線通信易受植被等環境影響。此外，倉儲庫內 GPS等信號易被屏蔽，因此需要研究低功耗、低成本的農業物聯網自組網通信協議。另一方面，隨著果蔬冷鏈流通產業的規?；?、集約化發展，果蔬龍頭企業信息化和智能化發展的內在驅動，軟硬件條件（包括網絡通訊）升級改造勢在必行。

3.2 研究發展趨勢

果蔬品質劣變物聯網監測是智慧農業的重要組成部分。隨著科技不斷進步，小型化、低成本、低功耗的傳感器不斷研發，與大數據、云計算深度融合，科學高效的數據整理與分析為農業管理人員提供有力支撐，指導果蔬園藝種植規范，從整體上提高果蔬群體的優質率，并對采后加工與運輸過程中的果蔬品質劣變實現監測，突破農業生產自身限制，推動農業信息化和智能化發展。

果蔬貯運信息的多源耦合性和品質參數的多樣性及供應鏈信息的不對稱性，阻礙了果蔬品質監測感知技術的發展應用。未來可圍繞果蔬貯運信息感知、品質信息耦合和動態數據反饋三個核心感知環節，研究果蔬品質劣變監測傳感節點的組網方法，研究信息采集方法和數據的生成、傳輸與管理方法，以數據溯源為底層架構實現果蔬傳感信息的高效、可靠反饋，以智能手機或遠程服務器為互通互聯監測平臺，研發果蔬品質劣變的智能化實時監測的物聯感知與數據處理設備，實現果蔬品質劣變信息的智能化實時監測。隨著向果蔬規?；?、集約化生產模式的轉變，農業龍頭企業對果蔬產后減損增效的技術需求迫切，果蔬品質劣變傳感監測技術將具有廣闊的應用前景。

參考文獻：

[1]聯合國糧農組織啟動聯合國.2021國際果蔬年[EB/OL][2021-06-30]. https：//www. fao. org/fruits-vegetables-2021/zh/.

[2]鄒攀， 白雪， 陳秋生， 等. 無損檢測技術在果蔬品質評價中應用的研究進展[J].安徽農業科學， 2021， 49（2）：1-4.

ZOU P， BAI X， CHEN Q， et al， Research progress onthe application of non-destructive testing technology infruits and vegetables quality evaluation[J]. Journal ofAnhui Agricultural Sciences， 2021， 49（2）：1-4.

[3]劉妍， 周新奇， 俞曉峰， 等. 無損檢測技術在果蔬品質檢測中的應用研究進展[J].浙江大學學報（農業與生命科學版）， 2020， 46（1）：27-37.

LIU Y， ZHOU X， YU X， et al. Research progress ofnondestructive testing techniques for fruit and vegetable quality[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 2020， 46（1）：27-37.

[4]苑進. 選擇性收獲機器人技術研究進展與分析[J].農業機械學報， 2020， 51（9）：1-17.

YUAN J. Research progress analysis of robotics selective? harvesting? technologies[J]. Transactions? of? theCSAM， 2020， 51（9）：1-17.

[5]韓志輝. 基于產業價值角度的蔬菜品牌提升之道[J].蔬菜， 2017（11）：1-6.

HAN Z. The way to improve vegetable brand based onthe perspective of industrial value[J]. Vegetables， 2017（11）：1-6.

[6]張雯麗.“一帶一路”戰略下我國農業對外合作選擇[J].農村工作通訊， 2017（5）：52.

ZHANG W. Agricultural? foreign? cooperation? optionsof country under the "One Belt One Road" strategy[J].Rural Work Newsletter， 2017（5）：52.

[7]王順， 黃星奕， 呂日琴， 等. 水果品質無損檢測方法研究進展[J].食品與發酵工業， 2018， 44（11）：319-324.

WANG S， HUANG X， LYU R， et al. Research progress of nondestructive detection methods in fruit quality[J]. Food and Fermentation Industries， 2018， 44（11）：319-324.

[8]穆渴心， 蔡俊， 劉棗， 等. 現代無損檢測技術在農產品真菌與真菌毒素侵染中的應用[J].中國糧油學報，2021， 36（8）：123-128.

MU K， CAI J， LIU Z， et al. Modern non-destructive detection of fungal and mycotoxin infection in agricultural products[J]. Journal of the Chinese Cereals and OilsAssociation， 2021， 36（8）：123-128.

[9]盧軍黨， 劉東琴， 田智輝. 機器視覺技術在核桃分級檢測中的應用[J].農產品加工， 2020（20）：106-107.

LU J， LIU D， TIAN Z. Application of machine vision technology in walnut grading detection[J]. Agricultural Products Processing， 2020（20）：106-107.

[10] 陳濤. 計算機視覺技術在農產品品質檢測中的應用[J].安徽農學通報， 2019， 25（20）：110-113.

CHEN T. The application of computer vision technology? for? food? quality? inspection? of agricultural products[J]. Anhui Agricultural Science Bulletin， 2019， 25（20）：110-113.

[11] DA COSTA A Z， FIGUEROA H E H， FRACAROLLIJ A. Computer vision based detection of external defects on tomatoes using deep learning[J]. Biosystems Engineering， 2020， 190：131-144.

[12] SU Q， NAOSHI K， LI M， et al. Potato quality gradingbased? on? machine? vision? and 3D? shape? analysis[J]. Computers and Electronics in Agriculture， 2018， 152：261-268.

[13] XIE W， WANG F， YANG D. Research? on? carrot? surface? defect? detection? methods? based? on? machine? vision[J]. IFAC-PapersOnLine， 2019， 52（30）：24-29.

[14] 謝為俊， 魏碩， 王鳳賀， 等. 基于機器視覺的胡蘿卜表面缺陷識別方法研究[J].農業機械學報， 2020， 51（S1）：450-456.

XIE W， WEI S， WANG F， et al. Machine vision based defect? method? of carrot? external? defects[J]. Transactions of the CSAM， 2020， 51（S1）：450-456.

[15] 高輝， 馬國峰， 劉偉杰. 基于機器視覺的蘋果缺陷快速檢測方法研究[J].食品與機械 ， 2020， 36（10）：125-129.

GAO H， MA G， LIU W. Research on a rapid detection of apple defects based on mechanical vision[J]. Food & Machinery， 2020， 36（10）：125-129.

[16] 張明， 王騰， 李鵬， 等. 基于區域亮度自適應校正算法的臍橙表面缺陷檢測[J].中國農業科學， 2020， 53（12）：2360-2370.

ZHANG M， WANG T， LI P， et al. Surface defect detection of navel orange based on region adaptive brightness correction algorithm[J]. Scientia Agricultura Sinica， 2020， 53（12）：2360-2370.

[17] BHARGAVA A，? BANSAL A. Quality? evaluation? ofMono & bi-Colored apples with computer vision and multispectral imaging[J]. Multimedia Tools and Applications， 2020， 79（11）：7857-7874.

[18] FAN S， LI J， ZHANG Y， et al. On line detection of defective apples using computer vision system combined with deep learning methods[J]. Journal of Food Engineering， 2020， 286： ID 110102.

[19] 劉浩， 賀福強， 李榮隆， 等. 基于機器視覺的馬鈴薯自動分級與缺陷檢測系統設計[J].農機化研究， 2022，44（1）：73-78.

LIU H， HE F， LI R， et al. Design of potato automaticclassification and defect detection system based on machine vision[J]. Journal of Agricultural MechanizationResearch， 2022， 44（1）：73-78

[20] 王俊， 崔紹慶， 陳新偉， 等. 電子鼻傳感技術與應用研究進展[J].農業機械學報， 2013， 44（11）：160-167.

WANG J， CUI S， CHEN X， et al. Advanced technology and new application in electronic nose[J]. Transactions of the CSAM， 2013， 44（11）：160-167.

[21] 黃星奕， 孫兆燕， 田瀟瑜， 等. 基于電子鼻技術的馬鈴薯真菌性腐爛病早期檢測[J].食品工業科技， 2018，39（24）：97-101.

HUANG X， SUN Z， TIAN X， et al. Early detection ofpotato rot disease caused by fungal based on electronicnose technology[J]. Science and Technology of FoodIndustry， 2018， 39（24）：97-101.

[22] CONCINA I， FALASCONI M， GOBBI E， et al. Earlydetection of microbial contamination in processed tomatoes by electronic nose[J]. Food Control， 2009， 20（10）：873-880.

[23] 丁慶行， 趙東杰， 劉軍， 等. 一種倉儲環境水果腐爛監測的電子鼻系統[J].電子器件， 2019， 42（3）：781-787.

DING Q， ZHAO D， LIU J， et al. An electronic nosesystem for monitoring stored fruits decay[J]. ElectronicDevices， 2019， 42（3）：781-787.

[24] 朱丹實， 任曉俊， 魏立威， 等. 華富蘋果常溫貯藏過程中感官品質及揮發性風味物質變化[J].食品工業科技， 2019， 40（20）：278-284.

ZHU D， REN X， WEI L，? et? al. Changes? of sensoryquality? and? volatile? compounds? of Huafu? apple? preserved at room temperature[J]. Science and Technology of Food Industry， 2019， 40（20）：278-284.

[25] 張建超， 張鵬， 薛友林， 等. 基于電子鼻表征霉心病蘋果特征氣味及無損檢測模型建立[J/OL].食品與發酵工業 ： 1-10. [2021-06-28]. https：//doi. org/10.13995/j.cnki.11-1802/ts.026717.

ZHANG J， ZHANG P， XUE Y， et al. Characterizationof the characteristic odor and establishment of nondestructive? detection model of core rot apple based? onelectronic nose[J/OL]. Food and fermentation industry：1-10.[2021-06-28]. https：//doi. org/10.13995/j. cnki.11-1802/ts.026717.

[26] 楊晨昱， 袁鴻飛， 馬惠玲， 等. 基于 FT-NIR和電子鼻技術的蘋果霉心病無損檢測[J/OL].食品與發酵工業：? 1-8.? [2021-06-28].? https：//doi. org/10.13995/j.cnki.11-1802/ts.025671.

YANG C， YUAN H， MA H， et al. Non-destructive detection of apple moldy core based on FT-NIR and electronic nose technology[J/OL]. Food and Fermentation Industry：1-8.[2021-06-28]. https：//doi. org/10.13995/j. cnki.11-1802/ts.025671.

[27] GUO Z，? GUO? C，? CHEN? Q，? et? al. Classification? forPenicillium expansum spoilage and defect in apples by electronic nose combined with chemometrics[J]. Sensors， 2020， 20（7）： ID 2130.

[28] 趙策， 馬颯颯， 張磊， 等. 基于電子鼻技術的皇冠梨腐敗等級分類研究[J].食品工業科技 ， 2020， 41（3）：246-250.

ZHAO C， MA S， ZHANG L， et al. Research on classification of rotten grades of Huangguan pears on electronic nose technology[J]. Food Industry Science and Technology， 2020， 41（3）：246-250.

[29] 馬蒙蒙， 程晨霞， 楊紹蘭， 等. 富士系不同品種蘋果貨架期間品質特性分析[J].青島農業大學學報（自然科學版）， 2020， 37（2）：84-90.

MA M， CHENG C， YANG S， et al. Analysis of the fruit shelf life quality of different 'Fuji' apple cultivars[J]. Journal? of Qingdao? Agricultural? University （Natural Science Edition）， 2020， 37（2）：84-90.

[30] HAO W， YU G. A machine learning method for the detection? of? brown? core? in? the? Chinese? pear? variety Huangguan using a MOS-based e-nose[J]. Sensors， 20（16）： ID 4499.

[31] YANG X， CHEN J， JIA L， et al. Rapid and non-de‐structive detection of compression damage of yellow peach using? an? electronic nose? and? chemometrics[J]. Sensors， 2020， 20（7）： ID 1866.

[32] NOURI B， MOHTASEBI? S， RAFIEE? S. Quality detection of pomegranate fruit infected with fungal disease[J]. International Journal of Food Properties， 2020， 23（1）：9-21.

[33] JIA W， LIANG G， TIANH， et al. Electronic nose-basedtechnique for rapid detection and recognition of moldy apples[J]. Sensors， 2019， 19（7）： ID 1526.

[34] 錢麗麗， 于果， 遲曉星， 等. 農產品產地溯源技術研究進展[J].食品工業， 2018， 39（1）：246-249.

QIAN L， YU G， CHI X， et al. Research progress of origin traceability of agricultural products[J]. Food Industry， 2018， 39（1）：246-249.

[35] 劉洋， 賈文珅， 馬潔， 等. 電子鼻技術在肉與肉制品檢測中的研究進展和應用展望[J/OL].智慧農業（中英文）： 1-13. [2021-06-28]. http：//kns. cnki. net/kcms/detail/10.1681.S.20210617.1102.002.html.

LIU Y， JIA W， MA J， et al. Research progress and application? prospect? of? electronic? nose? technology? inmeat and meat products detection[J/OL]. Smart Agriculture： 1-13. [2021-06-28]. http：//kns. cnki. net/kcms/detail/10.1681.S.20210617.1102.002.html.

[36] 劉燕德， 程夢杰， 郝勇. 光譜診斷技術及其在農產品質量檢測中的應用[J].華東交通大學學報， 2018， 35（4）：1-7.

LIU Y， CHENG M， HAO Y. Application of spectral diagnoses? technology  in? determination? of? agriculturalproducts quality[J]. Journal of East China Jiaotong University， 2018， 35（4）：1-7.

[37] 胡逸磊， 姜洪喆， 周宏平， 等. 水果成熟度近紅外光譜及高光譜成像無損檢測研究進展[J].食品工業科技，2021， 42（20）：377-383.

HU Y， JIANG H， ZHOU H， et al. Application of nearinfrared spectroscopy and hyperspectral imaging technology to detect fruit maturity： A review[J]. Food Industry Science and Technology， 2021， 42（20）：377-383.

[38] 馬佳佳， 王克強. 水果品質光學無損檢測技術研究進展[J].食品工業科技， 2021， 42（23）：427-437.

MA J， WANG K. Research progress in optical nondestructive testing technology? for? fruit? quality[J]. FoodIndustry? Science? and? Technology，? 2021，? 42（23）：427-437.

[39] 王梓萌， 劉景艷， 姚騰飛， 等. 基于近紅外光譜技術的蘋果霉心病檢測方法[J].科學技術與工程， 2019， 19（10）：150-154.

WANG Z， LIU J， YAO T， et al. Detection method ofmoldy core in apple fruit based on near infrared spectroscopy[J].? Science? Technology? and? Engineering，2019， 19（10）：150-154.

[40] XING J， BRAVO C， MOSHOU D， et al. Bruise detection on 'Golden Delicious' apples by vis/NIR spectroscopy[J]. Computers? and? Electronics? in? Agriculture， 2006， 52（1-2）：11-20.

[41] 孟慶龍， 張艷， 尚靜. 基于高光譜成像技術無損檢測蘋果表面缺陷[J].食品工業， 2019， 40（3）：131-134.

MENG Q， ZHANG Y， SHANG J. Nondestructive detection of defect on apples using hyperspectral imagingtechnology[J]. Food Industry， 2019， 40（3）：131-134.

[42] 劉燕德， 吳明明， 孫旭東， 等. 黃桃表面缺陷和可溶性固形物光譜同時在線檢測[J].農業工程學報， 2016，32（6）：289-295.

LIU Y， WU M， SUN X， et al. Simultaneous detectionof surface? deficiency? and? soluble? solids? content? forAmygdalus? persica? by? online? visible-near? infraredtransmittance? spectroscopy[J].? Transactions? of? theCSAE， 2016， 32（6）：289-295.

[43] TIAN S， ZHANG M， LI B， et al. Measurement orientation? compensation? and? comparison? of? transmission spectroscopy for online detection ofmoldy apple core[J]. Infrared Physics & Technology， 2020， 111： ID 103510.

[44] PéREZ-MARíND，? CALERO? L，? FEARN? T，? et? al. Asystem using in situ NIRS sensors for the detection of product failing to meet quality standards and the prediction of optimal postharvest shelf-life in the case of oranges kept in cold storage[J]. Postharvest Biology & Technology， 2019， 147：48-53.

[45] JLAB C， RZ A， JL A， et al. Detection of early decayedoranges? based? on? multispectral? principal? component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method[J]. Postharvest Biology and Technology， 158： ID 110986.

[46] GUO Z， WANG M， AGYEKUM A， et al. Quantitativedetection of apple watercore and soluble solids content by near infrared transmittance spectroscopy[J]. Journal of Food Engineering， 2020， 279： ID 109955.

[47] 韓亞芬， 呂程序， 苑嚴偉， 等. PLS-DA 優化模型的馬鈴薯黑心病可見近紅外透射光譜檢測[J].光譜學與光譜分析， 2021， 41（4）：1213-1219.

HAN? Y，? LYU? C， YUAN? Y，? et? al. PLS-discriminant analysis? on potato blackheart? disease based? on VIS- NIR? transmission? spectroscopy[J]. Spectroscopy? and Spectral Analysis， 2021， 41（4）：1213-1219.

[48] NISHINO M， KUROKI S， DEGUCHI Y， et al. Dualbeam spectral measurement improves accuracy of nondestructive? identification? of? internal? rot? in? onion bulbs[J]. Postharvest? Biology? and? Technology， 2019， 156： ID 110935.

[49] IMANIAN? K，? POURDARBANI? R，? SABZI? S，? et? al.Identification of internal defects in potato using spectroscopy and computational intelligence based on majority voting techniques[J]. Foods， 2021， 10（5）： ID 982.

[50] HAN Y， LU C， YUAN Y， et al. PLS-discriminant analysis? on? potato? blackheart? disease? based? on? VIS-NIR transmission spectroscopy[J]. Spectroscopy and Spectral Analysis， 2021， 41（4）：1213-1219.

[51] 郭志明， 郭闖， 王明明， 等. 果蔬品質安全近紅外光譜無損檢測研究進展[J].食品安全質量檢測學報 ， 2019， 10（24）：8280-8288.

GUO Z， GUO C， WANG M， et al. Research advances in nondestructive detection of fruit and vegetable quality and safety by near infrared spectroscopy[J]. Journal of Food Safety Quality Inspection， 2019， 10（24）：8280-8288.

[52] 何馥嫻， 蒙慶華， 唐柳， 等. 高光譜成像技術在水果品質檢測中的研究進展[J].果樹學報 ， 2021， 38（9）：1590-1599.

HE F， MENG Q， TANG L， et al. Research progress ofhyperspectral? imaging? in? fruit? quality? detection[J].Journal of Fruit Science， 2021， 38（9）：1590-1599.

[53] 黃文倩， 陳立平， 李江波， 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農業工程學報 ，2013， 29（1）：272-277.

HUANG? W，? CHEN? L，? LI? J，? et? al. Effective? wavelengths determination for detection of slight bruises onapples based on hyperspectral imaging[J]. Transactionsof the CSAE， 2013， 29（1）：272-277.

[54] 沈宇， 房勝， 王風云， 等. 基于高光譜成像技術識別蘋果輕微損傷的有效波段研究[J].中國農業科技導報，2020， 22（3）：64-71.

SHEN Y， FANG? S， WANG F， et al. Effective wavelengths study on the identification of slight bruises ofapples based? on hyperspectral? imaging[J]. Journal? ofAgricultural? Science? and? Technology， 2020， 22（3）：64-71.

[55] BARANOWSKI P， MAZUREK W， WOZNIAK J，? etal. Detection? of early bruises? in? apples using hyperspectral data and thermal imaging[J]. Journal of FoodEngineering， 2012， 110（3）：345-355.

[56] PARK S H， HONG Y， SHUAIBU M， et al. Detectionof? applemarssonina? blotch? with? PLSR，? PCA，? andLDA using outdoor hyperspectral imaging[J]. Spectroscopy and Spectral Analysis， 2020， 40（4）：319-324.

[57] 董建偉， 劉媛媛， 陳斐， 等. 基于多光譜圖像的庫爾勒香梨表面缺陷檢測[J].農機化研究 ， 2021， 43（9）：35-40.

DONG J， LIU Y， CHEN F， et al. Surface defect detection? ofKorla pear based? on? multi-spectral? image[J].Journal of Agricultural Mechanization Research， 2021，43（9）：35-40.

[58] PAN T， CHYNGYZ E， SUN D， et al. Pathogenetic process monitoring and early detection of pear black spotdisease caused by Alternaria alternata using hyperspectral imaging[J]. Postharvest Biology? and Technology，2019， 154：96-104.

[59] 吳姝， 王琨， 王超. 基于光譜特性分析的冬棗漸變損傷研究[J].安徽農業科學， 2020， 48（24）：191-194.

WU? S， WANG K， WANG C. Study on the development? of bruises? on winter jujube based? on? spectrumcharacteristics analysis[J]. Journal of Anhui Agricultural Sciences， 2020， 48（24）：191-194.

[60] 武錦龍， 苗榮慧， 黃鋒華， 等. 高光譜圖像與卷積神經網絡相結合的油桃輕微損傷檢測[J].山西農業大學學報（自然科學版）， 2019， 39（2）：79-85.

WU J， MIAO R， HUANG F， et al. Utilization of hyper- spectral? image? coupled withconvolutional neural networkon nectarine slight bruises detection[J]. Journal of Shanxi Agricultural University （Natural? Science? Edition）， 2019， 39（2）：79-85.

[61] HUANG Y， WANG D， LIU Y， et al. Measurement ofearly disease blueberries based on Vis/NIR hyperspectral imaging system[J]. Sensors， 2020， 20（20）： ID 5783.

[62] PHAM Q T ， LIOU N S . Hyperspectral imaging system with rotation platform for investigation of jujube skin? defects[J]. Applied? Sciences-basel， 2020， 10（8）：ID 2851.

[63] 趙明富， 劉自迪， 鄒雪， 等. 基于高光譜成像技術對馬鈴薯外部缺陷的識別[J].激光雜志 ， 2016， 37（3）：20-24.

ZHAO M， LIU Z， ZOU X， et al. Detection of defects on? potatoes? by? hyperspectral? imaging? technology[J]. Laser Journal， 2016， 37（3）：20-24.

[64] 王金燦. 果蔬農藥殘留快檢的方法與應用[J].食品安全導刊， 2018（36）：69-70.

WANG J. Methods and application of quick inspection of pesticide residues in fruits and vegetables[J]. Food Safety Guide， 2018（36）：69-70.

[65] 王春和. 拉曼光譜技術在農產品質量安全檢測中的應用[J].農業開發與裝備， 2019（3）：79.

WANG C. The application of Raman spectroscopy in the quality and safety inspection of agricultural products[J].? Agricultural? Development? and? Equipment， 2019（3）：79.

[66] 韓宇， 朱莉婭， 陳文， 等. 基于表面增強拉曼散射檢測果蔬中農藥殘留的方法研究[J].食品工業科技 ， 2017， 38（19）：337-341.

HAN Y， ZHU L， CHEN W， et al. Study on the methods of detection of pesticides residue in fruits and vegetables based? on? surface? enhanced Raman? scattering[J]. Food Industry Science and Technology， 2017， 38（19）：337-341.

[67] 傅霞萍， 應義斌. 基于NIR和Raman光譜的果蔬質量檢測研究進展與展望[J].農業機械學報， 2013， 44（8）：148-164.

FU X， YING Y. Application of NIR and Raman spectroscopy for quality and safety inspection of fruit and vegetables： A review[J]. Transactions? of the? CSAM， 2013， 44（8）：148-164.

[68] 陳思雨， 張舒慧， 張紓， 等. 基于共聚焦拉曼光譜技術的蘋果輕微損傷早期判別分析[J].光譜學與光譜分析， 2018， 38（2）：430-435.

CHEN? S， ZHANG? S， ZHANG? S， et al. Detection ofearly tiny bruises in apples using confocal raman spectroscopy[J]. Spectroscopy and Spectral Analysis， 2018，38（2）：430-435.

[69] 劉燕德， 肖懷春， 孫旭東， 等. 基于共焦顯微拉曼的柑橘黃龍病無損檢測研究[J].光譜學與光譜分析 ，2018， 38（1）：111-116.

LIU Y， XIAO H， SUN X， et al. Researching of non-de‐structive detection for citrus greening based on confocal Micro-Raman[J]. Spectroscopy and Spectral Analysis， 2018， 38（1）：111-116.

[70] 代芬， 邱澤源， 邱倩， 等. 基于拉曼光譜和自熒光光譜的柑橘黃龍病快速檢測方法[J].智慧農業， 2019， 1（3）：77-86.

DAI F， QIU Z， QIU Q， et al. Rapid detection of citrusHuanglongbing? using? Raman? spectroscopy? and? autofluorescence spectroscopy[J]. Smart Agriculture， 2019，1（3）：77-86.

[71] SANCHEZ L， PANT S， IREY M， et al. Detection andidentification of canker and blight on orange trees using a hand-held Raman spectrometer[J]. Journal of Raman Spectroscopy， 2019， 50（12）：1875-1880.

[72] LIN Y， LIN H， LIN Y. Construction of Raman spectroscopic fingerprints for the detection of Fusarium wiltof banana in Taiwan[J]. PLoS ONE， 2020， 15（3）： IDe0230330.

[73] GUO Z， WANG M， BARIMAH A O， et al. Label-freesurface? enhanced? Raman? scattering? spectroscopy? fordiscrimination and detection of dominant apple spoilage fungus[J]. International Journal of Food Microbiology， 2020， 338： ID 108990.

[74] 劉燕德， 靳曇曇. 拉曼光譜技術在農產品質量安全檢測中的應用[J].光譜學與光譜分析 ， 2015， 35（9）：2567-2572.

LIU Y， JIN T. Application of Raman spectroscopy technique to agricultural products quality and safety determination[J]. Spectroscopy and Spectral Analysis， 2015，35（9）：2567-2572.

[75] 徐賽， 陸華忠， 丘廣俊， 等. 水果品質無損檢測研究進展及應用現狀 [J].廣東農業科學 ， 2020， 47（12）：229-236.

XU S， LU H， QIU G， et al. Research progress and application status of fruit quality nondestructive detectiontechnology[J].?? Guangdong?? Agricultural?? Sciences，2020， 47（12）：229-236.

[76] SOODS， SINGHH. Computervisionandmachinelearning based? approaches? for? food? security： A review[J].Multimedia Tools and Applications， 2021（3）：1-27.

[77] 竇文卿， 柴春祥， 魯曉翔. 無損檢測技術在水果品質評價中應用的研究進展[J].食品工業科技， 2020， 41（24）：354-359.

DOU W， CHAI C， LU X. Research progress of non-destructive? detection? technique? in? fruit? quality? evaluation[J]. Science? and? Technology? of? Food? Industry， 2020， 41（24）：354-359.

[78] 馮建英， 李鑫， 原變魚， 等. 智能感官技術在水果檢測中的應用進展及趨勢[J].南方農業學報， 2020， 51（3）：636-644.

FENG J， LI X， YUAN B， et al. Progress and trend of fruit? detection? by? intelligent? sensory? technology[J]. Southern Journal of Agricultural Sciences， 2020， 51（3）：636-644.

[79] CHEN H， QIAO H， FENG Q， et al. Rapid detection ofpomelo fruit quality using near-infrared hyperspectral imaging combined with chemometric methods[J]. Frontiers in Bioengineering and Biotechnology， 2021， 8： ID616943.

[80] 任二芳， 牛德寶， 溫立香， 等. 電子鼻和電子舌在水果檢測中的應用進展 [J].食品工業 ， 2019， 40（10）：261-264.

REN E， NIU D， WEN L， et al. Application research progress? of electronic? nose? and? electronic? tongue? in fruits? detection[J].? Food? Industry，? 2019，? 40（10）：261-264.

[81] 袁瑞瑞， 劉貴珊， 何建國， 等. 可見近紅外高光譜成像對靈武長棗定量損傷等級判別[J].光譜學與光譜分析， 2021， 41（4）：1182-1187.

YUAN? R， LIU? G， HE? J，? et? al. Quantitative? damage identification of Lingwu long jujube based on visible near-infrared? hyperspectral? imaging[J]. Spectroscopy and Spectral Analysis， 2021， 41（4）：1182-1187.

[82] YUAN R， LIU G， HE J， et al. Classification of Lingwulong jujube internal bruise over time based on visible near-infrared? hyperspectral? imaging? combined? with partial least squares-discriminant analysis[J]. Computers  and? Electronics? in? Agriculture， 2021，? 182： ID106043.

[83] HUANG X， YU S， XU H， et al. Rapid and nondestruc‐tive detection of freshness quality of postharvest spinaches based on machine vision and electronic nose[J]. Journal of Food Safety， 2019， 39（6）： ID e12708.

[84] 徐海霞. 基于機器視覺和電子鼻技術的菠菜新鮮度無損檢測研究[D].鎮江：江蘇大學， 2016.

XU H. Research on non-destructive testing of spinachfreshness based on machine vision and electronic nosetechnology[D]. Zhenjiang： Jiangsu University， 2016.

[85] 陳乾輝， 吳德剛. 基于可見光—紅外光圖像融合的蘋果缺陷檢測算法[J].食品與機械 ， 2018， 34（9）：135-138.

CHEN Q， WU D. Algorithm on apple defect detectionbased? on? visible? light-infrared? light? image? fusion[J].Food & Machinery， 2018， 34（9）：135-138.

[86] LIU Q， SUN K， ZHAO N， et al. Information fusion ofhyperspectral imaging and electronic nose for evaluation of fungal contamination in strawberries during decay[J]. Postharvest? Biology? and? Technology， 2019，153：152-160.

[87] 郭守斌， 魏域斌， 魏玉杰. 對我國智慧農業發展的思考與建議[J].農業科技與信息， 2021（9）：72-75.

GUO S， WEI Y， WEI Y. Thoughts and suggestions onthe development of smart agriculture in China[J]. Agricultural Science and Information， 2021（9）：72-75.

[88] 史亮， 張復宏， 劉文軍. 物聯網+區塊鏈助力食品質量安全保障[J].農業與技術， 2019， 39（10）：34-36.

SHI? L，? ZHANG? F，? LIU? W. The? Internet? of Thingsblockchain helps ensure food quality and safety[J]. Agriculture & Technology， 2019， 39（10）：34-36.

[89] 笪海波. 智能監控物聯網管理在果蔬種植中的應用[J].現代農業科技， 2018（20）：99-101.

LA H. Application of intelligent monitoring internet ofthings management in fruit and vegetable planting[J].Modern? Agricultural? Science? and? Technology， 2018（20）：99-101.

[90] 郭凌， 劉剛. 基于無線傳感器網絡的果蔬冷庫監控系統設計[J].物流工程與管理， 2018， 40（2）：104-105.

GUO L， LIU G. Design of fruit and vegetable preservation monitoring system based on wireless sensor network[J].? Logistics? Engineering? and? Management，2018， 40（2）：104-105

[91] 王眾， 梁早清， 鄭業魯， 等. 語義網技術與區塊鏈技術的交集在農產品質量安全追溯領域的應用[J].農業圖書情報， 2019， 31（1）：60-68.

WANG Z， LIANG Z， ZHENG Y， et al. Applying the integrated? technologies? of? the? semantic? web? and? theblockchain to the agro-products tracing system[J]. Ag‐ricultural Library and Information， 2019， 31（1）：60-68.

Research Progress of Sensing Detection and Monitoring Technology for Fruit and Vegetable Quality Control

GUO Zhiming1，2*， WANG Junyi1， SONG Ye3， ZOU Xiaobo1，2， CAI Jianrong1

（1. School of Food and Biological Engineering， Jiangsu University， Zhenjiang 212013， China;2. International JointResearch Laboratory of Intelligent Agriculture and Agri-products Processing （Jiangsu University）， Jiangsu Education Department， Zhenjiang 212013， China;3. Jinan Fruit Research Institute， All China Federation of Supply &Marketing Cooperatives， Jinan 250220， China）