果蔬采后內部損傷無損檢測研究進展

高迎旺，耿金鳳，饒秀勤*

（浙江大學生物系統工程與食品科學學院，浙江 杭州 310058）

果蔬采后內部損傷無損檢測研究進展

高迎旺，耿金鳳，饒秀勤*

（浙江大學生物系統工程與食品科學學院，浙江 杭州 310058）

果蔬產品含人體所必需的一些維生素、無機鹽及植物纖維等營養元素，是人們日常膳食的重要組成部分。果蔬在采后處理過程中容易遭受機械損傷，不僅會降低果蔬自身外觀品質，而且使果蔬容易受到真菌或細菌侵染，造成腐爛（如晚疫病、干腐病、軟腐病等），影響其食用安全性。受侵染果蔬在運輸、貯存等過程中會感染正常果蔬，進一步擴大經濟損失。由碰壓引起的內部損傷因損傷果蔬和正常果蔬外部特征差別不明顯，容易相互混雜，對果蔬外觀及食用品質造成潛在危害。因此，識別并剔除有內部損傷的果蔬日益引起國內外學者的注意。本文從果蔬損傷后發生的生理和物理變化角度入手，闡述了無損檢測技術應用于內部損傷檢測的機理，并綜述了利用光、熱、聲和電磁學特性檢測果蔬采后內部損傷的研究進展，最后指出了研究難點和今后研究方向。

水果；蔬菜；內部損傷；物理特性；無損檢測

果蔬是人類膳食營養的重要食物來源[1]。隨著農業機械化生產的發展，果蔬在采摘、分裝和運輸等過程中更加容易發生因碰撞、擠壓、振動等原因引起的機械損傷[2]。 GB/T 10651—2008《鮮蘋果》[3]中將水果碰壓損傷描述為“受碰擊或外界壓力而對果皮造成的人為損傷”，輕微碰壓傷為“果實受碰壓傷以后，果皮未破，傷面稍微凹陷，變色不明顯，無汁液外溢現象”。可見，碰壓損傷包括外部損傷和內部損傷，其中內部損傷由輕微的碰壓引起。碰壓損傷容易引起果蔬采后損耗。它不僅造成果蔬感官變化、品質降低，而且增加了微生物侵染的危險性，使果蔬腐爛程度增加、貨架期縮短，嚴重影響品質及其經濟效益[4]。更為嚴重的是，損傷組織還會為病原菌提供滋養繁衍的場所，進而引起正常果蔬的損壞，加劇經濟損失。如果相關制品流入市場，還構成了食品安全隱患。據報道，我國每年生產的水果和蔬菜從田間到餐桌，損耗率高達25%～30%[5]。以香梨為例，因機械損傷造成的果實腐爛率可達15%以上，造成每年近6 000萬元以上的損失[6]。

果蔬外部損傷因暴露在外部，且易發生氧化變色反應，可通過分析損傷部位顏色[7-8]、紋理或形態特征直接進行檢測。例如，Marique等[7]介紹了一種利用Kohonen自組織映射處理并分割馬鈴薯圖像的方法。圖像中每個像素的RGB值代入分類模型來區分正常或者損傷馬鈴薯。結果表明，外部損傷能夠被準確識別。也有學者利用外部損傷形狀特點，將其作為特征因子代入分類器進行識別[9-10]。為了提高香梨損傷檢測與分類的準確率和效率，程魯玉等[11]綜合利用計算機視覺技術和人工神經網絡技術，實現香梨損傷的自動檢測與分類。在對香梨圖像進行基本處理后提取顏色、紋理和形態3 類共8 個特征參數，采用BP算法訓練的多層前向人工神經網絡對香梨的損傷進行分類。而內部損傷因不易直接觀察，用傳統的視覺檢測方法識別較為困難。內部損傷會引起果蔬生理生化和物理結構上的變化，是構成目前許多無損檢測技術的基礎。本文以損傷后果蔬發生的生理和物理變化為切入點，從損傷果蔬的光、熱、聲和電磁學特性的角度對果蔬內部損傷的無損檢測進行綜述。

1 果蔬損傷后發生的變化

不同種類果蔬其解剖結構各不相同，但總體上是由表皮組織和內部組織構成。內部組織包括薄壁組織、機械組織和輸導組織。其中與抵御機械損傷直接相關的有表皮組織和機械組織，而薄壁組織中細胞的大小、形狀和排布同樣能夠對樣品的機械性能產生影響[12]。碰壓損傷會引起果蔬表皮和內部組織發生生理、物理結構和化學成分等方面的變化。化學方法可直接找出細胞內各組織成分的變化情況，但隨著細胞的降解，物質會發生轉變，不便于找出規律[13]。因此本文主要從生理和物理變化的角度對碰壓損傷機理進行闡述。

1.1 損傷后發生的生理變化

損傷引起的細胞破裂會使結合水變成自由水，并流失到細胞間隙，使得水分含量升高。隨后水分會逐漸蒸發，導致水分含量下降。乙烯增加被認為能夠引起受傷部位組織呼吸代謝加強，大量研究表明，采后果蔬因機械損傷作用，乙烯釋放速率明顯增強[14-15]。碰壓損傷還會促使果蔬瞬間產生大量活性氧自由基，擾亂正常的代謝活動。同時，在一定時間內碰壓損傷會刺激產生次級代謝產物（如萜類、酚類、生物堿等），這些次級代謝產物對傷口愈合、抵御病原菌侵襲具有一定的作用。果蔬中的果膠物質是決定其硬度的主要因素[16]，果蔬受到損傷后原果膠在果膠酶的作用下發生水解轉變成果膠酸，而果膠酸不具有黏性從而使細胞間失去了黏著[17]，致使果蔬迅速軟化。碰壓損傷還會引起果蔬組織變色。果蔬褐變本質上分為兩大類，即非酶褐變和酶促褐變。碰壓損傷引起的果蔬褐變一般以酶促褐變為主[18]。發生酶促褐變的3 個先決條件是酚類化合物、多酚氧化酶（polyphenol oxidase，PPO）和O2。酚類化合物以游離的或者結合的方式存在于組織，是分布最廣的次生代謝物質之一[19]。PPO是果蔬組織內普遍存在的一類末端氧化酶，能催化酚類化合物形成醌類物質和水，醌類物質可進一步經非酶促聚合形成褐色物質而產生褐變[20]。組織中O2主要來源于貯藏環境和果蔬呼吸作用。普遍認為細胞結構和靠其維持的區室化狀況的破壞，使定位在質體和其他細胞器的酶與定位在液泡的酚類物質接觸，其結果發生酚類物質的氧化褐變和黑褐色高聚物的形成，是引起果蔬褐變的主要原因[21]。

1.2 損傷后發生的物理結構變化

宏觀尺度上果蔬的機械損傷是由微觀尺度上細胞的損傷引起的[22]。Loodts等[23]認為碰壓損傷是細胞間分離、細胞壁的破裂和因細胞液流失擴散造成的細胞緊縮。Mitsuhashi-Gonzalez等[24]利用掃描電子顯微鏡和熒光顯微鏡觀察到碰壓損傷發生在薄壁細胞的位置，由死亡細胞、破裂細胞和擠碎細胞等構成。細胞間隙大的地方，死亡、破裂或壓碎的細胞多。Alvarez等[25]指出所有固體破裂的原因在于結構的不均勻性。破裂通常發生在這些不規則體的位置，并逐步發展形成新的斷裂面。一種材料的抗損傷能力與不規則體的數量和分布直接相關。果蔬組織結構中的不規則體會削弱細胞基質并使其更容易遭受損傷，而薄壁組織是代謝旺盛的組織，細胞壁薄、細胞間隙較大，減小了細胞間的接觸，從而削弱了組織，并導致其容易受外界作用力的影響。另外，Mitsuhashi-Gonzalez等[24]認為表層的厚角細胞能夠將作用力傳遞到下層的薄壁細胞，而自身因具有高張力和彈塑性，使其能夠吸收大量的機械能量，從而免于受外界作用力而變形，因此會出現外部完好而內部發生損傷的情況。

可見，果蔬損傷發生后會產生一系列的生理生化變化，其中失水、組織變軟和變色構成損傷后果蔬生理變化最主要的表現特征。損傷更容易發生在細胞間隙大的薄壁組織，而表皮組織能夠將外界作用力傳遞到內部，這是果蔬發生內部損傷的主要原因。組織中不規則體（如梨中的石細胞）的存在會增加發生內部損傷的可能性。損傷區域細胞會發生細胞間分離、細胞斷裂、變形或破裂等。生理及物理結構的變化會導致損傷和正常組織光、熱、聲、電、磁等特性不同，這構成了損傷無損檢測的基礎。

2 國內外無損檢測研究現狀

果蔬的無損檢測是指利用檢測對象的光、熱、聲、電、磁等特性，在不破壞被檢對象食用性的前提下，檢測果蔬是否存在缺陷或判定某種組分含量的技術手段。近年來，果蔬采后碰壓損傷得到越來越多研究人員的關注，相應的無損檢測方法得以在果蔬損傷檢測領域開發利用。光譜技術采集速度快，散射和反射分別能夠反應組織結構和成分的變化，處理方法強大。但是校正模型要建立在大量數據基礎上，而且模型傳遞中產生的適應性問題有待進一步解決。高光譜成像技術將光譜技術和成像技術組合起來，既包含光譜信息也包含空間信息。因此，高光譜數據信息量非常豐富，能夠獲得單純采用光譜技術或成像技術所得不到的信息。但是由此帶來的缺陷是信息冗余，數據采集及處理復雜。通常將高光譜技術作為基礎研究手段，比如基于高光譜技術選擇有效波段開發多光譜系統用于在線檢測[26]。傳統機器視覺技術可以看作是一種波段位于R（700 nm）、G（546 nm）、B（436 nm）的多光譜成像技術，不同的是，多光譜成像中的波段可根據檢測對象及指標自由選擇。但是由于檢測任務不同，研究學者開發的多光譜成像系統也各不相同。系統需要進行多次校驗，可靠性和檢測的準確性也很難進行相互驗證。X射線照相技術速度快，能用于在線檢測，通常用于檢測異物；缺點是只有當被檢物特征明顯時才能適用（如病蟲害）。X射線斷層照相技術首先應用于醫學領域，后來開發微CT系統用于解決其成本高的問題，但是需要切片處理，并不能嚴格意義上稱為無損檢測技術[27]。熱成像技術測量快速直觀，觀測面積大，可檢測內部信息，操作簡便可靠，但是圖像分辨率不高、對比度不強。超聲波技術簡單且成本低，能夠檢測組織結構和成分上的變化[27]，缺點是只對某種類型的缺陷/損傷適用，而且需要進行接觸式測量，不利于商業化應用。核磁共振（nuclear magnetic resonance，NMR）成像是根據特定原子核在磁場中的磁特性用于檢測果蔬的品質特性的，其對引起水分含量變化的質量指標敏感（如內部損傷）。但是核磁共振設備成本高，并且獲取圖像速度慢，對操作人員要求高，實現商業化在線仍面臨許多困難[28]。相關無損檢測技術主要特點對比見表1。

表1 果蔬采后機械損傷無損檢測技術對比Table 1 Comparison of invasive detection methods for mechanical damage in postharvest fruits and vegetables

2.1 基于光特性的無損檢測研究

圖1 光與果蔬樣品間的相互作用Fig. 1 Interactions between light and apple

光照射在果蔬樣品表面會發生反射、散射、吸收和透射等（圖1）。這種光特性與被檢對象的表面狀態、內部組分含量及分布等有關。通過對反射、散射或透射出來的光進行成像分析或光譜分析，可以對被檢對象的狀態進行判斷。光的吸收信號與果蔬中不同組成成分（如乙醇、水等）的C—H、N—H等共價鍵振動的倍頻和合頻吸收有關，這些共價鍵的含量和所處的化學環境會影響光的吸收強度。損傷產生后，細胞破裂引起組織變化，細胞間隙被滲出的細胞液填充。組織結構的變化也會改變光線在樣品中的傳播路徑，導致光學傳感器接收到的數據因組織狀態的不同而不同。因此，與樣品相互作用后光特性的改變構成了光學無損檢測的基礎。利用光特性檢測果蔬內部損傷的相關研究見表2。

2.1.1 光譜技術

在果蔬損傷檢測領域，按照光譜技術所采集光譜的波段范圍，可分為可見光波段（400～700 nm）、可見/可見-近紅外波段（400～1 700 nm）和近紅外波段（800～2 500 nm）。在可見光研究方面，Pholpho等[29]運用可見光波段（400～700 nm）光譜技術對正常和損傷龍眼進行分類。Jiménez[30]對鮮食橄欖的損傷進行檢測，發現可見光波段（535～680 nm）可用于定性檢測，但是對

定量檢測并不適用。并且，受果皮顏色的影響，可見光波段對檢測損傷有很大的局限性[31]。Esquerre等[32]利用可見和近紅外（400～2 498 nm）光譜技術對蘑菇定量檢測進行了初步研究。西北農林科技大學分別利用近紅外波段光譜技術對獼猴桃和蘋果損傷進行檢測[33-35]，結果表明，近紅外光譜技術結合化學計量學方法可以實現獼猴桃和蘋果損傷的檢測。以上研究均取得了較好的效果，原因可能在于波段范圍廣，能夠更多地覆蓋有用信息，但是檢測成本相對較高。

表2 利用光特性檢測果蔬內部損傷的應用Table 2 Bruise detection in fruits and vegetables based on optical properties

可見/可見-近紅外波段是目前國內外檢測果蔬內部損傷最常用的波段范圍。Xing Juan等[31]采集了喬納金蘋果損傷和正常區域的光譜，全波段參與建模，總體分類正確率大于90%。全波段可能包含冗余信息，利用特征波段建模能達到與全波段建模同樣的精度[36]。為此，Xing Juan等[37]采集了‘Golden Delicious’損傷和正常區域的光譜，并用相關表法提取有效波段。結果發現，545 nm和1 200 nm波段反射率能顯示損傷隨時間的變化，并且745 nm和905 nm的波段比也能有效檢測舊傷。有學者對利用光譜技術定量檢測進行了研究，Jiménez等[30]認為近紅外區域（700～950 nm）可以定量檢測不同撞擊能量的損傷，結果表明預測值和實驗測得值之間的相關系數為r2＝0.87～0.90。Martinsen等[38]考察了嚴格控制環境下，早期損傷（損傷5 min以內）與正常組織反射光譜的區別。結果表明，最大差別出現在970 nm波長處，損傷部位反射率比正常部位低8%左右。也有學者從損傷后組織變軟的角度利用光譜技術對損傷進行預測[39]，結果表明，正常和早期損傷的分類正確率比直接通過光譜建模稍高，超過95%。但是相應的操作復雜，且檢測結果更容易受外界影響。

光譜技術能夠反映由損傷引起的果蔬組織結構和組分的變化，從而對損傷進行檢測分析。由上述研究可以看出，光譜技術在新舊損傷檢測和定量檢測方面也具有一定的潛力。但是光譜技術只能獲取樣品小塊區域的光譜信息，缺失空間信息。而且僅依靠光譜反射強度，很難消除時間因素對損傷識別的影響[37]。另外，預測模型仍存在穩定性和適應性問題。

2.1.2 光譜成像技術

光譜成像技術將光譜技術和圖像技術結合起來，它在獲得樣品空間信息的同時，還為每個圖像上每個像素點提供光譜信息，實現“圖譜合一”。 光譜成像技術在果蔬損傷檢測領域得到了廣泛的應用，尤其是對果蔬外表皮沒有明顯特征的早期損傷或輕微損傷。

針對果蔬早期損傷的檢測，Elmasry等[40]基于高光譜成像技術提取了有效波段并進行多光譜成像檢測‘McIntosh’蘋果不同時間的損傷，所開發的自適應閾值方法能夠檢測1 h以內的損傷。Baranowski等[41]綜合運用高光譜成像和熱成像技術檢測蘋果損傷。結果表明，系統能夠提高檢測正確率，檢測早期損傷（1 h）的同時能夠定量確定損傷的深度。但相應硬件設備及時間成本過高。Huang Wenqian等[42]利用高光譜成像技術檢測損傷1 h以內的蘋果。基于優選波段開發了識別算法，總體正確識別率達到97%。由于識別算法的適應性問題，能夠檢測早期損傷的算法并不一定適用于檢測晚期損傷。Nagata等[43]利用近紅外高光譜成像技術檢測草莓不同程度壓傷后0～4 d的圖像，得出隨著時間的延長，能夠檢測到損傷的壓傷程度越低的結論。為此，有學者基于損傷表面形變信息開發了喬納金蘋果早期損傷檢測算法[44]，對損傷1 d的正確識別率為77.5%。另外，一些學者嘗試開發同時檢測新舊損傷的算法。Baranowski等[45]運用高光譜成像技術檢測蘋果兩周以內產生的損傷。結果顯示，基于有監督的分類方法能夠有效監測損傷時間。輕微損傷肉眼不易觀測，應及時將輕微損傷果蔬分揀出來作相應處理，以提高生產效益。Zhang Baohua等[46]提出了一種基于高光譜成像和最小噪聲分離（minimum noise fraction，MNF）的蘋果輕微損傷識別檢測方法。總體正確率為97.1%。魏新華等[47]利用高光譜成像系統采集輕微損傷發生不到1 h的冬棗損傷部位的圖像。對100 個輕微損傷冬棗樣本的識別正確率為98%。李小昱等[48]針對通常采用的反射高光譜無法準確檢測馬鈴薯表面輕微碰傷的問題，提出了一種用V型平面鏡的高光譜并結合果蠅優化算法檢測馬鈴薯輕微碰傷的方法。結果表明，訓練集和預測集的識別準確率均達到100%。

以上研究大部分采用反射式高光譜成像，也有學者從其他角度研究損傷檢測方法。Anderson等[49]利用空間頻域成像得出正常和損傷組織的約化散射系數明顯不同的結論。Lu Renfu等[50]發現反射系數隨時間的變化沒有一致的規律，而約化散射系數一致性較好，隨時間逐漸降低。Zhu Qibing等[51]利用散射高光譜成像技術預測蘋果對損傷的敏感性。但是目前散射式高光譜成像也存在著空間信息缺失的缺點。有學者對比了不同光照模式下損傷的檢測，得出透射模式下檢測機械損傷效果較好的結論[52-54]。

高光譜成像技術數據量大無法直接用于在線檢測分級，有學者根據高光譜研究基礎選擇特征波段，進而搭建多光譜成像系統進行檢測，可大大提高檢測效率。Aneshansley等[55]設計了一個光學濾波系統用于搭建多光譜成像平臺，包括一個光分路器和兩個濾波片。光分路器安裝在相機前，并且能夠將入射光線分解成3 條完全相同的光線，每條光線進入圖像傳感器分區進行成像，因此相機能夠同時采集3 幅圖像。Bennedsen[56-57]、Throop[58]等對此系統進行了改進并用于檢測蘋果的損傷，取得了較好的檢測效果。Kleynen等[59]選擇了450、500、750 nm和800 nm 4 個波段的濾波片搭建了多光譜成像系統。系統主要包括4 個濾波片、單色相機和光照通道。研究發現，750 nm和800 nm可以較好地識別內部損傷。利用貝葉斯分類器，對早期損傷的檢測正確率為98.2%、輕微損傷為55%。主要原因是損傷面積小或者與果皮顏色相近造成混淆。后來，Unay等[60-61]分別基于此系統在檢測算法上進行了改進，取得了較好的結果。Huang Wenqian等[62]搭建多光譜成像系統檢測蘋果損傷。首先利用分段主成分分析（principal component analysis，PCA）對高光譜數據進行處理，選擇3 個有效波段（780、850 nm和 960 nm）搭建多光譜系統，包括2 個二色分光鏡、2 個濾波片和3 個電荷耦合元件（charge-coupled device，CCD）多光譜面陣相機。對此多光譜系統進行靜態和動態下損傷檢測實驗，動態下檢測速率為每秒采集3 個蘋果圖像，檢測正確率為74.6%，靜態下檢測正確率為91.5%。目前，市場也有成熟的多光譜產品出現，如丹麥Videometer A/S公司生產的VideometerLab equipment，包含19 個不同的波段，覆蓋可見/可見-近紅外波段范圍，可用于轉基因大米種子檢測[63]、注水牛肉檢測[64]等。

光譜成像技術彌補了光譜技術缺乏空間信息的缺點，其采集的豐富數據能夠解釋果蔬內部損傷。光譜成像中有效波段選取非常關鍵，但是由于檢測對象、檢測環境和分析技術的影響可能造成有效波段并不相同。因此需要多次驗證，以保證其穩定性和適應性。另外，類球形果蔬表面光照分布不均勻，會干擾有效波段的選取，影響檢測效果。

2.1.3 其他光成像技術

傳統機器視覺技術模擬人眼采集R、G、B 3 個通道的圖像，能夠檢測顏色、紋理、大小、形狀和外部缺陷，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。當激光照射在果蔬表面上時，由果蔬內部散射粒子和果蔬表面狀態引起的不同光程的散射光之間的相互干涉，在觀測面形成的隨機干涉的圖樣就叫做激光散斑。Pajuelo等[65]分別從定性和定量的角度驗證了蘋果損傷和正常組織間的不同，得出激光散斑成像技術可作為檢測果蔬產品損傷的有力工具的結論。這種技術簡單易操作，并且成本低，但是散斑與生物組織活性之間的關系原理比較復雜，至今尚未有建立起有效的監測模型。X射線成像檢測技術是研究物質內部物理結構的重要方法，它是利用X射線透過被檢測物體時，缺陷部位與完好部位對射線吸收能力不同的原理來實現成像檢測的。利用此方法進行損傷水果檢測的研究較少[66]，而且由于新傷與正常組織的對比度較低，采用這種方法很難被檢測出來。當某種常溫物質經特定波長的入射光照射時，其分子吸收光能從基態進入激發態，并且立即退激發并發出出射光，稱為熒光。Chiu等[67]利用葉綠素熒光成像技術檢測蘋果不同程度的早期損傷（68.6、88.2 N和107.8 N）。實驗結果表明，對3 種損傷程度的瘀傷0.5 h后的平均檢測正確率為86.7%，而對損傷1 h后的平均檢測正確率為100%。

2.2 基于熱特性的無損檢測研究

紅外熱成像技術是一項利用物體自身各部分熱特性的差異，把物體不可見的熱輻射情況轉換為可視的熱圖像的紅外信息轉換與處理技術，其原理如圖2所示。損傷發生后，熱量在果蔬中的吸收和傳播發生變化，引起熱擴散系數、熱傳導系數、比熱容等熱特性參數發生變化，從而導致正常和損傷組織間產生一定的溫度差異。

圖2 熱成像原理圖Fig. 2 Schematic diagram of thermal imaging

運用熱成像方法檢測果蔬損傷起始于國外。Linden等[83]運用熱成像技術檢測番茄輕微損傷，對比了3 種溫度處理的方法，分別是在1 ℃環境中冷卻90 min、在70 ℃的烤箱中加熱1～2 min、用微波爐加熱7～15 s。研究發現，在微波爐中加熱15 s可以檢測到損傷和正常組織間的細微差別，但是熱圖像噪聲太多。Varith等[84]研究了熱成像檢測蘋果損傷后48 h的可行性。采用風扇模擬強制熱對流處理和冷卻處理，研究發現加熱處理效果更好，并且在30～180 s內損傷組織比正常組織溫度低1～2 ℃。認為蘋果正常部位和損傷部位熱擴散系數α不同，是導致水果表面溫度分布不均的主要原因。后來研究學者逐漸意識到熱源變化對檢測結果帶來的影響，并根據檢測系統是否存在外部熱源激勵分為被動熱成像和主動熱成像。因為水果損傷部位和正常部位溫差很小，發射率相差不大，故由外部熱激勵的主動熱成像檢測方法得到重視。Baranowski等[85]用一種主動熱成像方法，脈沖相位紅外檢測（pulsed-phase thermography，PPT）方法檢測3 種蘋果品種的早期損傷（損傷后2 h）。通過分析發現，相位不受外界反射、發射率和樣品形狀的影響、最大相位差對應的頻率與損傷深度之間存在較好的線性關系，由此可區分不同的損傷程度。Kim等[86]運用相位紅外檢測方法檢測梨的早期損傷。研究同樣發現，相位紅外檢測方法和相位信息能夠用于水果機械損傷的檢測，尤其是應用于早期損傷，并且具有定量檢測損傷的潛力。Irani等[87]首先設計因子實驗（損傷部位和損傷能量），通過熱圖像和損傷深度確定損傷蘋果表面溫度，然后建立表面溫度和損傷深度間的關系。結果表明損傷表面溫度能夠用來預測此損傷區域的損傷深度。

國內在利用熱成像方式無損檢測果蔬品質方面起步較晚，自2010年開始才陸續出現相關研究，楊萬利等[88]基于紅外攝像機，采用風扇加熱和冷卻兩種實驗方法拍攝損傷蘋果，利用混合圖像增強算法識別早期損傷，正確率高達96%以上。周建民等[89]針對蘋果早期機械損傷較難識別的特點，通過主動紅外熱激勵以及降溫措施，利用紅外熱成像技術研究蘋果表面機械損傷溫度變化情況。結果表明，熱圖像對比度受周圍空氣流動影響，可以較好地區分蘋果的缺陷部位與果梗、花萼，達到缺陷檢測的目的。后來，該作者進一步提出利用溫度變化曲線來區分不同缺陷種類的方法[90]。但是以上研究均沒有考慮熱源等因素的影響，直到最近門洪等[91]從激勵源、加熱距離、拍攝距離等因素對蘋果損傷檢測熱圖像采集系統進行了優化設計，并從定性和定量兩個方面討論了區分蘋果的果梗和花萼的方法。近年來利用紅外熱成像技術檢測水果損傷的研究進展情況見表3。

表3 利用熱特性檢測水果損傷的應用Table 3 Bruise detection in fruits thermal properties

綜上所述，利用熱特性檢測水果損傷是可行的，主要挑戰在于如何增強損傷信號和如何提取損傷信號，在熱成像方面表現在熱源的優化設計和熱圖像的處理上。另外，研究表明熱成像在損傷的定量檢測方面具有一定的可行性，這為今后在熱成像的損傷檢測領域指明了方向。

2.3 基于聲學特性的無損檢測研究

果蔬的聲學特性是指果蔬在激勵聲源作用下聲波的反射特性、散射特性、透射特性、吸收特性、衰減系數和傳播速率及其本身的聲阻抗與固有頻率等，它們反映了聲波與農產品相互作用的基本規律[92]。檢測時由聲波發生器發出的聲波射向被檢對象，聲波傳感器接收到從物料透射、反射或散射出的聲波信號，經放大傳送到動態信號分析儀和計算機進行分析。果蔬發生損傷后，其聲學特性相應發生變化，根據被檢對象的聲學特性差異對內部損傷進行檢測。

聲學檢測方法受干擾較少，檢測裝置成本低，且易實現智能化[93]，在果蔬硬度[94-97]、糖度[93,98]、內部空心[99-100]和貯藏時間[101]中日益得到廣泛應用。在果蔬損傷檢測方面，Jagannath等[102]采集了香蕉損傷前后的聲學響應光譜，并對采集信號進行快速傅里葉變換光譜檢測。發現損傷會導致香蕉的共振頻率下降。Esehaghbeygi等[103]用4 個陶瓷超聲換能器（25、32.8、 40 kHz和50 kHz）檢測3 個品種馬鈴薯的機械損傷，用超聲波的衰減系數來判斷馬鈴薯損傷情況。研究發現，頻率為25 kHz的換能器檢測結果更為準確，3 個品種分類正確率分別為83.0%、94.5%和89.0%。Ozbek等[104]提出利用聲學特性來定量檢測損傷體積。首先，撞擊聲音信號由壓電傳感器記錄到電腦里，然后聲音信號轉換成Shannon熵信號，并提取熵峰值和脈寬時間，最后建立這兩個參數和損傷體積的回歸模型。實驗結果表明，損傷體積和熵峰值間呈指數相關，和脈寬時間呈負冪函數相關，且兩者相關系數均超過0.98。

聲學檢測通過評價衰減信號和傳播速率來判斷組織是否發生損傷，簡單且成本低，能夠檢測組織結構和成分上的變化。但是只對某種類型的缺陷/損傷適用，而且需要進行接觸式測量，不利于商業化應用。

2.4 基于電磁特性的無損檢測研究

果蔬是有機生命體，在采后階段仍具有一定的生命特征。果蔬內部存在大量的帶電粒子從而形成生物電場，在遭受損傷后，果蔬物質和能量轉換發生一系列變化，影響了生物電場的分布和強度，宏觀上表現為電學特性發生改變。磁共振成像是根據特定原子核在磁場中的磁特性用于檢測果蔬的品質特性的。而NMR信號強度與被測樣品中1H核密度有關，損傷組織會因細胞破裂而產生較強的NMR信號，后期會因水分蒸發較快而產生較弱的信號，利用這種差異可實現損傷檢測[105]。

基于電學特性的果蔬損傷無損檢測較少，目前研究多集中于電學參數和損傷間關系的建立上。陳志遠[106]研究了損傷對番茄電參數的影響。發現電參數復阻抗（Z）、相對介電常數和電阻（R）可作為區分果實是否損傷的依據參數，并建立了番茄果實損傷程度的預測模型，此模型預測準確率可達90%。唐燕等[107]發現隨著貯藏時間的延長，損傷獼猴桃果實電參數發生變化，電參數復阻抗Z對損傷的響應最靈敏，但果實電參數的總體變化趨勢一致。果蔬電學特性不僅與損傷程度有關，更是隨著測試頻率變化而明顯變化[108-111]。郭曉丹等[111]發現在5.01～0.10 MHz頻率段的串聯等效電感Ls和3.16～0.10 MHz頻率段內的電抗X值可以準確識別棗果的損傷與否。

NMR成像技術是利用原子核在磁場內所產生的信號經過重建成像的一種影像技術。常用的進行NMR的原子核有1H、13C、19F和31P，其中1H是目前應用最為廣泛、技術最為成熟的原子核。Thybo等[112]首次使用NMR成像技術檢測馬鈴薯內部損傷，發現內部損傷在NMR圖像上表現為邊緣含水量較高的干燥區域。Milczarek等[113]對番茄NMR圖像進行多元圖像分析，結果表明NMR成像技術可有效檢測番茄內部損傷。周水琴等[105]采用NMR成像設備掃描獲得輕微損傷鴨梨冠狀面圖像，實驗結果表明，NMR成像技術對水果輕微損傷的檢測精度達92.1%。Mazhar等[114]驗證了NMR成像在定性和定量檢測鱷梨損傷方面的可行性。

目前，果蔬損傷的電磁特性已具備一定的研究基礎，表明該方法具有一定的可行性，但是電學特性的測量仍停留在建立檢測模型上，且NMR成像設備昂貴、成像速度慢、對操作人員要求高，如何研究出成本低廉、非接觸的損傷檢測方法是需要解決的問題。

3 結 語

果蔬在采后處理過程中容易發生機械損傷，較嚴重的外部損傷可通過機器視覺技術等手段得以檢測，而由碰壓引起的內部損傷因用肉眼難以識別，具有一定的檢測難度。果蔬采后內部碰壓損傷的檢測難點之一是輕微損傷的檢測，原因是較小的外界作用力沒有引起果蔬組織生理和結構方面明顯變化，果蔬自身因外界刺激而產生的防御也會進一步削弱損傷和正常組織間的差距。另外，果蔬損傷后通常會發生褐變，貯存時間較長變色會進一步在表皮上表現出來，如果表皮顏色較深，同樣會對檢測造成干擾。如果能短期內檢測到輕微損傷，果蔬不僅能夠得以正確分類，操作人員也能盡快對損傷進行處理[38]。而且不同等級的果蔬具有不同的應用價值，損傷的定量檢測也是采后內部碰壓損傷檢測的難點之一。最后，在進行在線損傷檢測實驗時，要考慮到碰壓損傷與其他缺陷/損傷的同時檢測，達到在降低檢測成本的前提下提高效率的目的。

針對果蔬采后內部碰壓損傷檢測存在的問題，可從提取損傷信號方法和后期增強損傷信號方面考慮，今后研究可從以下3 個方面展開：1）對果蔬樣品進行力學特性研究，更好地理解損傷的產生機理并模擬內部碰壓損傷；2）損傷果蔬生理和物理特性研究，為損傷檢測提供理論基礎。研究光、熱、聲、電、磁在果蔬組織中的吸收特性和傳播路徑，分析影響結果的主要物質和結構參數，最終建立損傷后發生的變化和無損檢測方法間的聯系；3）嘗試多元信息融合檢測損傷[41,115]，以期進一步研究提高檢測效果。

[1] 王萌蕾, 陳復生, 楊宏順, 等. 加工和貯藏對果蔬營養成分變化及抗氧化活性影響的研究進展[J]. 現代食品科技, 2013, 29(3): 692-697. DOI:10.13982/j.mfst.1673-9078.2013.03.058.

[2] 高海生, 李潤豐, 劉秀鳳. 園藝產品采后商品化處理技術研究進展[J]. 食品科學, 2008, 29(9): 627-631. DOI:10.3321/ j.issn:1002-6630.2008.09.152.

[3] 國家質量監督檢驗檢疫總局, 中國國家標準化管理委員會. 鮮蘋果: GB/T 10651—2008 [S]. 北京: 中國標準出版社, 2008: 1-5.

[4] 虢露葭, 李萍, 侯曉榮, 等. 果蔬采后機械損傷特性研究進展[J]. 食品工業科技, 2013, 34(1): 389-391; 396. DOI:10.13386/j.issn1002-0306.

[5] 錢驍, 李丹, 田會清, 等. 京城果蔬商戶降低物流損耗方法分析[J]. 中國食物與營養, 2012, 18(1): 49-53. DOI:10.3969/ j.issn.1006-9577.2012.01.014.

[6] 吳杰. 庫爾勒香梨的動態粘彈特性及碰壓損傷機理研究[D]. 楊凌:西北農林科技大學, 2011: 13-24.

[7] MARIQUE T, PENNINCX S, KHAROUBI A. Image segmentation and bruise identif i cation on potatoes using a Kohonen’s self-organizing map[J]. Journal of Food Science, 2005, 70(7): 415-417. DOI:10.1111/ j.1365-2621.2005.tb11469.x.

[8] BEYAZ A, OZTURK R, TURKER U. Assessment of mechanical damage on apples with image analysis[J]. Journal of Food Agriculture & Environment, 2010, 8(3): 476-480.

[9] 周竹, 黃懿, 李小昱, 等. 基于機器視覺的馬鈴薯自動分級方法[J]. 農業工程學報, 2012, 28(7): 178-183. DOI:10.3969/ j.issn.1002-6819.2012.07.030.

[10] 劉韋. 基于機器視覺的馬鈴薯表面缺陷檢測算法的研究[D]. 大慶:黑龍江八一農墾大學, 2013: 28-45.

[11] 程魯玉, 吳艷, 孟小艷. 基于計算機視覺的香梨損傷自動檢測與分類研究[J]. 農業網絡信息, 2013(7): 25-27. DOI:10.3969/ j.issn.1672-6251.2013.07.007.

[12] ZDUNEK A, UMEDA M. Influence of cell size and cell wall volume fraction on failure properties of potato and carrot tissue[J]. Journal of Texture Studies, 2005, 36(1): 25-43. DOI:10.1111/j.1745-4603.2005.00002.x.

[13] 康璟, 李濤, 王蒂, 等. 馬鈴薯收獲中機械損傷的分析與思考[J]. 農業機械, 2013(10): 137-139. DOI:10.16167/j.cnki.1000-9868.

[14] 李萍. 黃花梨模擬運輸振動引起的機械損傷與品質損害[D]. 杭州:浙江大學, 2014: 21.

[15] SU J, TU K, CHENG L, et al. Wound-induced H2O2and resistance to botrytis cinerea decline with the ripening of apple fruit[J]. Postharvest Biology and Technology, 2011, 62(1): 64-70. DOI:10.1016/ j.postharvbio.2011.05.001.

[16] 劉慧, 陳復生, 楊宏順, 等. 圖譜法在采后果蔬果膠分子結構研究中的進展[J]. 食品研究與開發, 2009, 30(1): 143-147. DOI:10.3969/ j.issn.1005-6521.2009.01.044.

[17] MERCADO J A, PLIEGO-ALFARO F, QUESADA M A. Fruit shelf life and potential for its genetic improvement[M]. New Jersey: John Wiley & Sons, Inc., 2011: 81-104. DOI:10.1002/9780470959350.ch4.

[18] 俞雅瓊. 機械損傷對采后碭山酥梨生理生化變化的影響[D]. 合肥:安徽農業大學, 2011: 12-17.

[19] 鞠志國, 朱廣廉, 曹宗巽. 萊陽茌梨果實褐變與多酚氧化酶及酚類物質區域化分布的關系[J]. 植物生理學報, 1988(4): 46-51.

[20] AMIOT M J, TACCHINI M, AUBERT S, et al. Phenolic composition and browning susceptibility of various apple cultivars at maturity[J]. Journal of Food Science, 1992, 57(4): 958-962. DOI:10.1111/j.1365-2621.1992.tb14333.x.

[21] 王艷穎, 胡文忠, 龐坤, 等. 機械損傷對富士蘋果酶促褐變的影響[J]. 食品科學, 2008, 29(4): 430-434. DOI:10.3321/ j.issn:1002-6630.2008.04.097.

[22] LI Z G, THOMAS C. Quantitative evaluation of mechanical damage to fresh fruits[J]. Trends in Food Science & Technology, 2014, 35(2): 138-150. DOI:10.1016/j.tifs.2013.12.001.

[23] LOODTS J, TIJSKENS E, WEI C F, et al. Micromechanics: Simulating the elastic behavior of onion epidermis tissue[J]. Journal of Texture Studies, 2006, 37(1): 16-34. DOI:10.1111/j.1745-4603.2006.00036.x.

[24] MITSUHASHI-GONZALEZ K, PITTS M J, FELLMAN J K, et al. Bruising profile of fresh apples associated with tissue type and structure[J]. Applied Engineering in Agriculture, 2010, 26(3): 509-517. DOI:10.13031/2013.29942.

[25] ALVAREZ M D, SAUNDERS D E J, VINCENT J F V. Fracture properties of stored fresh and osmotically manipulated apple tissue[J]. European Food Research and Technology, 2000, 211(4): 284-290. DOI:10.1007/s002170000160.

[26] ZHANG B H, HUANG W Q, LI J B, et al. Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: a review[J]. Food Research International, 2014, 62: 326-343. DOI:10.1016/j.foodres.2014.03.012.

[27] NICOLAI B M, DEFRAEYE T, de KETELAERE B, et al. Nondestructive measurement of fruit and vegetable quality[J]. Annual Review of Food Science and Technology, 2014, 5(6): 285-312. DOI:10.1146/annurev-food-030713-092410.

[28] PATEL K K, KHAN M A, KAR A. Recent developments in applications of MRI techniques for foods and agricultural produce: an overview[J]. Journal of Food Science and Technology, 2015, 52(1): 1-26. DOI:10.1007/s13197-012-0917-3.

[29] PHOLPHO T, PATHAVEERAT S, SIRISOMBOON P. Classif i cation of longan fruit bruising using visible spectroscopy[J]. Journal of Food Engineering, 2011, 104(1): 169-172. DOI:10.1016/ j.jfoodeng.2010.12.011.

[30] JIMéNEZ F. Non-destructive determination of impact bruising on table olives using Vis-NIR spectroscopy[J]. Biosystems Engineering, 2012, 113(4): 371-378. DOI:10.1016/j.biosystemseng.2012.09.007.

[31] XING Juan, LINDEN V V, VANZEEBROECK M, et al. Bruise detection on Jonagold apples by visible and near-infrared spectroscopy[J]. Food Control, 2005, 16(4): 357-361. DOI:10.1016/ j.foodcont.2004.03.016.

[32] ESQUERRE C, GOWEN A A, O’DONNELL C P, et al. Initial studies on the quantitation of bruise damage and freshness in mushrooms using visible-near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2009, 57(5): 1903-1907. DOI:10.1021/jf803090c.

[33] 郭文川, 王銘海, 岳絨. 基于近紅外漫反射光譜的損傷獼猴桃早期識別[J]. 農業機械學報, 2013, 44(2): 142-146. DOI:10.6041/ j.issn.1000-1298.2013.02.027.

[34] 郭文川, 王銘海, 谷靜思, 等. 近紅外光譜結合極限學習機識別貯藏期的損傷獼猴桃[J]. 光學精密工程, 2013, 21(10): 2720-2727. DOI:10.3788/OPE.20132110.2720.

[35] 李光輝, 任亞梅, 任小林, 等. 蘋果品種及損傷蘋果的FT-NIR鑒別研究[J]. 食品科學, 2012, 33(16): 251-256.

[36] LUO Xuan, TAKAHASHI T, KYO K, et al. Wavelength selection in vis/NIR spectra for detection of bruises on apples by ROC analysis[J]. Journal of Food Engineering, 2012, 109(3): 457-466. DOI:10.1016/ j.jfoodeng.2011.10.035.

[37] XING Juan, BRAVO C, MOSHOU D. Bruise detection on ‘Golden Delicious’ apples by vis/NIR spectroscopy[J]. Computers and Electronics in Agriculture, 2006, 52(1/2): 11-20. DOI:10.1016/ j.compag.2006.01.006.

[38] MARTINSEN P, OLIVER R, SEELYE R, et al. Quantifying the diffuse ref l ectance change caused by fresh bruises on apples[J]. Transactions of the Asabe, 2014, 57(2): 565-572. DOI:10.13031/trans.57.10355.

[39] XING Juan, BAERDEMAEKER J D. Fresh bruise detection by predicting softening index of apple tissue using VIS/NIR spectroscopy[J]. Postharvest Biology and Technology, 2007, 45(2): 176-183. DOI:10.1016/j.postharvbio.2007.03.002.

[40] ELMASRY G, WANG N, VIGNEAULT C, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345. DOI:10.1016/j.lwt.2007.02.022.

[41] BARANOWSKI P, MAZUREK W, WOZNIAK J, et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355. DOI:10.1016/j.jfoodeng.2011.12.038.

[42] HUANG Wenqian, ZHANG Baihai, LI Jiangbo, et al. Early detection of bruises on apples using near-infrared hyperspectral image[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2013, 8761(1): 165-174. DOI:10.1117/12.2019630.

[43] NAGATA M, TALLADA J G, KOBAYASHI T. Bruise detection using nir hyperspectral imaging for strawberry (Fragaria ananassa Duch.)[J]. Environmental Control in Biology, 2006, 44(2): 133-142. DOI:10.2525/ecb.44.133.

[44] XING Juan, BAERDEMAEKER J D. Bruise detection on ‘Jonagold’ apples using hyperspectral imaging[J]. Postharvest Biology and Technology, 2005, 37(2): 152-162. DOI:10.1016/j.postharvbio.2005.02.015.

[45] BARANOWSKI P, MAZUREK W, PASTUSZKA-WO?NIAK J. Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data[J]. Postharvest Biology and Technology, 2013, 86(5): 249-258. DOI:10.1016/ j.postharvbio.2013.07.005.

[46] ZHANG Baohua, HUANG Wenqian, LI Jiangbo, et al. Detection of slight bruises on apples based on hyperspectral imaging and MNF transform[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1367-1372. DOI:10.3964/j.issn.1000-0593(2014)05-1367-06.

[47] 魏新華, 吳姝, 范曉冬, 等. 基于高光譜成像分析的冬棗微觀損傷識別[J]. 農業機械學報, 2015(3): 242-246. DOI:10.6041/ j.issn.1000-1298.2015.03.035.

[48] 李小昱, 徐森淼, 馮耀澤, 等. V型平面鏡的高光譜結合果蠅優化算法檢測馬鈴薯輕微碰傷[J]. 農業機械學報, 2016(1): 1-7.

[49] ANDERSON E R, CUCCIA D J, DURKIN A J. In detection of bruises on golden delicious apples using spatial-frequency-domain imaging[C]// Society of Photo-Optical Instrumentation Engineers (SPIE) Conference Series. San Jose, California: SPIE, 2007. DOI:10.1117/12.717608.

[50] LU Renfu, CEN Haiyan, HUANG Min, et al. Spectral absorption and scattering properties of normal and bruised apple tissue[J]. Transactions of the ASABE, 2010, 53(1): 263-269. DOI:10.13031/2013.29491.

[51] ZHU Qibing, GUAN Jiyu, HUANG Min, et al. Predicting bruise susceptibility of ‘Golden Delicious’ apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology, 2016, 114: 86-94. DOI:10.1016/j.postharvbio.2015.12.007.

[52] ARIANA D P, LU R F. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J]. Computers and Electronics in Agriculture, 2010, 74(1): 137-144. DOI:10.1016/j.compag.2010.07.008.

[53] 高海龍, 李小昱, 徐森淼, 等. 透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J]. 光譜學與光譜分析, 2013(12): 3366-3371. DOI:10.3964/j.issn.1000-0593(2013)12-3366-06.

[54] HU M H, DONG Q L, LIU B L. Classif i cation and characterization of blueberry mechanical damage with time evolution using ref l ectance, transmittance and interactance imaging spectroscopy[J]. Computers and Electronics in Agriculture, 2016, 122: 19-28. DOI:10.1016/ j.compag.2016.01.015.

[55] ANESHANSLEY D J, THROOP J A, ANGER W C, et al. In a multivision linear filter for capturing multispectral images[C]// American Society of Agricultural and Biological Engineers (ASAE) Annual Meeting. Las Vegas: ASAE, 2003: 27-30.

[56] BENNEDSEN B S, PETERSON D L. Performance of a system for apple surface defect identification in near-infrared images[J]. Biosystems Engineering, 2005, 90(4): 419-431. DOI:10.1016/ j.biosystemseng.2004.12.005.

[57] BENNEDSEN B S, PETERSON D L, TABB A. Identifying defects in images of rotating apples[J]. Computers and Electronics in Agriculture, 2005, 48(2): 92-102. DOI:10.1016/j.compag.2005.01.003.

[58] THROOP J A, ANESHANSLEY D J, ANGER W C, et al. Quality evaluation of apples based on surface defects: development of an automated inspection system[J]. Postharvest Biology and Technology, 2005, 36(3): 281-290. DOI:10.1016/j.postharvbio.2005.01.004.

[59] KLEYNEN O, LEEMANS V, DESTAIN M F. Development of a multi-spectral vision system for the detection of defects on apples[J]. Journal of Food Engineering, 2005, 69(1): 41-49. DOI:10.1016/ j.jfoodeng.2004.07.008.

[60] UNAY D, GOSSELIN B. Automatic defect segmentation of ‘Jonagold’apples on multi-spectral images: a comparative study[J]. Postharvest Biology and Technology, 2006, 42(3): 271-279. DOI:10.1016/ j.postharvbio.2006.06.010.

[61] UNAY D, GOSSELIN B, DESTAIN M F, et al. Automatic grading of bi-colored apples by multispectral machine vision[J]. Computers and Electronics in Agriculture, 2011, 75(1): 204-212. DOI:10.1016/ j.compag.2010.11.006.

[62] HUANG Wenqian, LI Jiangbo, WANG Qingyan, et al. Development of a multispectral imaging system for online detection of bruises on apples[J]. Journal of Food Engineering, 2015, 146(4): 62-71. DOI:10.1016/j.jfoodeng.2014.09.002.

[63] LIU C H, LIU Wei, LU Xuzhong, et al. Nondestructive determination of transgenic bacillus thuringiensis rice seeds (Oryza sativa L.) using multispectral imaging and chemometric methods[J]. Food Chemistry, 2014, 153(12): 87-93. DOI:10.1016/j.foodchem.2013.11.166.

[64] LIU J X, CAO Y, WANG Q, et al. Rapid and non-destructive identification of water-injected beef samples using multispectral imaging analysis[J]. Food Chemistry, 2016, 190: 938-943. DOI:10.1016/j.foodchem.2015.06.056.

[65] PAJUELO M, BALDWIN G, RABAL H, et al. Bio-speckle assessment of bruising in fruits[J]. Optics and Lasers in Engineering, 2003, 40(1/2): 13-24. DOI:10.1016/S0143-8166(02)00063-5.

[66] SHAHIN M A, TOLLNER E W, ARABNIA H R, et al. Apple classif i cation based on surface bruises using image processing and neural networks[J]. Transactions of the ASAE, 2002, 45(5): 1619-1628.

[67] CHIU Y C, CHOU X L, GRIFT T E, et al. Automated detection of mechanically induced bruise areas in golden delicious apples using fl uorescence imagery[J]. Transactions of the Asabe, 2015, 58(2): 215-225. DOI:10.13031/trans.58.10578.

[68] 岳絨. 受損獼猴桃貯藏期間近紅外光譜與品質關系的研究[D]. 楊凌:西北農林科技大學, 2011: 54-65.

[69] ESQUERRE C, GOWEN A, DOWNEY G, et al. Wavelength selection for development of a near infrared imaging system for early detection of bruise damage in mushrooms (Agaricus bisporus)[J]. Journal of Near Infrared Spectroscopy, 2012, 20(5): 537-546. DOI:10.1255/jnirs.1014.

[70] WU Guifang, WANG Chunguang. Investigating the effects of simulated transport vibration on tomato tissue damage based on vis/NIR spectroscopy[J]. Postharvest Biology and Technology, 2014, 98: 41-47. DOI:10.1016/j.postharvbio.2014.06.016.

[71] XING Juan, BRAVO C, JANCSóK P T, et al. Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands[J]. Biosystems Engineering, 2005, 90(1): 27-36. DOI:10.1016/j.biosystemseng.2004.08.002.

[72] XING Juan, SAEYS W, DE BAERDEMAEKER J. Combination of chemometric tools and image processing for bruise detection on apples[J]. Computers and Electronics in Agriculture, 2007, 56(1): 1-13. DOI:10.1016/j.compag.2006.12.002.

[73] 單佳佳, 彭彥昆, 王偉, 等. 基于高光譜成像技術的蘋果內外品質同時檢測[J]. 農業機械學報, 2011, 42(3): 140-144. DOI:10.3969/ j.issn.1000-1298.2011.03.027.

[74] CHO B K, BAEK I S, LEE N G, et al. Study on bruise detection of ‘Fuji’ apple using hyperspectral reflectance imagery[J]. Journal of Biosystems Engineering, 2011, 36: 484-490. DOI:10.5307/ JBE.2011.36.6.484.

[75] LEE W H, KIM M S, LEE H, et al. Hyperspectral near-infrared imaging for the detection of physical damages of pear[J]. Journal of Food Engineering, 2014, 130: 278-282. DOI:10.1016/ j.jfoodeng.2013.12.032.

[76] 楊婷婷, 遲茜, 王轉衛, 等. 近紅外高光譜成像技術的桃輕微損傷早期檢測[J]. 農機化研究, 2015(5): 44-48. DOI:10.3969/j.issn.1003-188X.2015.05.010.

[77] Lü Qiang, TANG Mingjie, CAI Jianrong, et al. Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits[J]. Czech Journal of Food Sciences, 2011, 29(6): 595-602.

[78] 遲茜, 王轉衛, 楊婷婷, 等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識別[J]. 農業機械學報, 2015, 46(3): 235-241. DOI:10.6041/ j.issn.1000-1298.2015.03.034.

[79] WU Longguo, HE Jianguo, LIU Guishan, et al. Detection of common defects on jujube using vis-NIR and NIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2016, 112: 134-142. DOI:10.1016/j.postharvbio.2015.09.003.

[80] RIVERA N V, GóMEZ-SANCHIS J, CHANONA-PéREZ J, et al. Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J]. Biosystems Engineering, 2014, 122(3): 91-98. DOI:10.1016/ j.biosystemseng.2014.03.009.

[81] ARIANA D P, LU R F, GUYER D E. Near-infrared hyperspectral ref l ectance imaging for detection of bruises on pickling cucumbers[J]. Computers and Electronics in Agriculture, 2006, 53(1): 60-70. DOI:10.1016/j.compag.2006.04.001.

[82] ARIANA D P, LU R F. Detection of internal defect in pickling cucumbers using hyperspectral transmittance imaging[J]. Transactions of the ASABE, 2008, 51(2): 705-713.

[83] LINDEN V V, VEREYCKEN R, BRAVO C, et al. Detection technique for tomato bruise damage by thermal imaging[J]. Acta Horticulturae, 2003, 599: 389-394. DOI:10.17660/ActaHortic.2003.599.49.

[84] VARITH J, HYDE G M, BARITELLE A L, et al. Non-contact bruise detection in apples by thermal imaging[J]. Innovative Food Science & Emerging Technologies, 2003, 4(2): 211-218. DOI:10.1016/S1466-8564(03)00021-3.

[85] BARANOWSKI P, MAZUREK W, WITKOWSKA-WALCZAK B, et al. Detection of early apple bruises using pulsed-phase thermography[J]. Postharvest Biology and Technology, 2009, 53(3): 91-100. DOI:10.1016/j.postharvbio.2009.04.006.

[86] KIM G, KIM G H, CHO B K, et al. Application of infrared lockin thermography for the quantitative evaluation of bruises on pears[J]. Infrared Physics and Technology, 2013, 63(11): 133-139. DOI:10.1016/j.infrared.2013.12.015.

[87] IRANI O D, GOLZARIAN M R, AGHKHANI M H, et al. Development of multiple regression model to estimate the apple’s bruise depth using thermal maps[J]. Postharvest Biology and Technology, 2016, 116: 75-79. DOI:10.1016/ j.postharvbio.2015.12.024.

[88] 楊萬利, 沈明霞, 嚴君. 紅外圖像處理技術在蘋果早期淤傷檢測中的應用[J]. 計算機工程與設計, 2010, 31(1): 149-152.

[89] 周建民, 周其顯. 基于主動熱成像技術的蘋果早期機械損傷檢測[J].農機化研究, 2010, 32(8): 162-165. DOI:10.3969/j.issn.1003-188X.2010.08.042.

[90] 周建民, 張瑞豐. 基于主動熱成像技術的蘋果表面缺陷分類方法[J]. 華東交通大學學報, 2012, 29(1): 86-89. DOI:10.3969/ j.issn.1005-0523.2012.01.017.

[91] 門洪, 陳鵬, 鄒麗娜, 等. 基于主動熱紅外技術的蘋果損傷檢測[J].中國農機化學報, 2013, 34(6): 220-224; 229. DOI:10.3969/ j.issn.2095-5553.2013.06.053.

[92] 應義斌, 蔡東平, 何衛國, 等. 農產品聲學特性及其在品質無損檢測中的應用[J]. 農業工程學報, 1997(3): 208-212.

[93] 危艷君, 饒秀勤, 漆兵. 基于聲學特性的西瓜糖度檢測系統[J]. 農業工程學報, 2012, 28(3): 283-287. DOI:10.3969/ j.issn.1002-6819.2012.03.049.

[94] MOLINA-DELGADO D, ALEGRE S, BARREIRO P, et al. Addressing potential sources of variation in several non-destructive techniques for measuring firmness in apples[J]. Biosystems Engineering, 2009, 104(1): 33-46. DOI:10.1016/j.biosystemseng.2009.05.004.

[95] XIAO K, GAO G D, TENG G F, et al. Non-destructive acoustic detection method for maturity of watermelon[J]. Journal of Agricultural Mechanization Research, 2009, 8: 150-155. DOI:10.3969/ j.issn.1003-188X.2009.08.042.

[96] ABBASZADEH R, RAJABIPOUR A, YING Y, et al. Nondestructive determination of watermelon fl esh fi rmness by frequency response[J]. Lebensmittel-Wissenschaft und-Technologie, 2015, 60(1): 637-640. DOI:10.1016/j.lwt.2014.08.029.

[97] CUI D, GAO Z M, ZHANG W, et al. The use of a laser doppler vibrometer to assess watermelon firmness[J]. Computers and Electronics in Agriculture, 2015, 112: 116-120. DOI:10.1016/ j.compag.2014.11.012.

[98] ZUDE M, HEROLD B, ROGER J M, et al. Non-destructive tests on the prediction of apple fruit fl esh fi rmness and soluble solids content on tree and in shelf life[J]. Journal of Food Engineering, 2006, 77(2): 254-260. DOI:10.1016/j.jfoodeng.2005.06.027.

[99] ELBATAWI I E. An acoustic impact method to detect hollow heart of potato tubers[J]. Biosystems Engineering, 2008, 100(2): 206-213. DOI:10.1016/j.biosystemseng.2008.02.009.

[100] 危艷君, 饒秀勤, 漆兵, 等. 基于聲學特性檢測西瓜內部空心的研究[J]. 包裝與食品機械, 2011, 29(5): 1-4. DOI:10.3969/ j.issn.1005-1295.2011.05.001.

[101] 陸勇, 李臻峰, 浦宏杰, 等. 基于聲振法的西瓜貯藏時間檢測[J]. 浙江農業學報, 2016, 28(4): 682-687. DOI:10.3969/ j.issn.1004-1524.2016.04.22.

[102] JAGANNATH J H, DAS GUPTA D K, BAWA A S, et al. Assessment of ripeness/damage in banana (Musa paradisiacal) by acoustic resonance spectroscopy[J]. China’s Naturopathy, 2005, 28(3): 267-278. DOI:10.1111/j.1745-4557.2005.00008.x.

[103] ESEHAGHBEYGI A, RAGHAMI N, KARGAR A. Detection of internal defects in potato based on ultrasound attenuation[J]. American Journal of Potato Research, 2011, 88(2): 160-166. DOI:10.1007/ s12230-010-9177-9.

[104] OZBEK I Y, BOYDAS M G, KARA M, et al. Low cost measurement setup based on a piezoelectric microphone for estimating apple bruising using shannon entropy[J]. Postharvest Biology and Technology, 2014, 98(1): 23-29. DOI:10.1016/j.postharvbio.2014.06.014.

[105] 周水琴, 商德勝, 應義斌, 等. 基于核磁共振成像的水果輕微損傷識別[J]. 農業機械學報, 2010, 41(8): 107-110. DOI:10.3969/ j.issn.1000-1298.2010.08.022.

[106] 陳志遠. 番茄電特性的無損檢測與生理特征關系的研究[D]. 楊凌:西北農林科技大學, 2007: 31-35.

[107] 唐燕, 杜光源, 張繼澍. 損傷對獼猴桃果實電特性的影響[J]. 食品科學, 2011, 32(5): 6-11.

[108] 馬海軍. 用電學參數標志蘋果采后病害和機械損傷響應機制的研究[D]. 楊凌: 西北農林科技大學, 2010: 47-50.

[109] 邊紅霞, 屠鵬. 跌落高度對紅地球葡萄介電特性的影響[J]. 食品與發酵工業, 2013, 39(7): 154-157. DOI:10.13995/j.cnki.11-1802/ ts.2013.07.047.

[110] 陳燕, 談建豪, 向和平, 等. 機械損傷對荔枝電特性的影響[J]. 食品與發酵工業, 2014, 40(4): 47-50. DOI:10.13995/j.cnki.11-1802/ ts.2014.04.024.

[111] 郭曉丹, 章中, 張海紅, 等. 基于介電特性的棗果品質識別試驗研究[J].食品科技, 2014, 39(9): 289-294. DOI:10.13684/j.cnki.spkj.2014.09.062.

[112] THYBO A K, JESPERSEN S N, LAERKE P E, et al. Nondestructive detection of internal bruise and spraing disease symptoms in potatoes using magnetic resonance imaging[J]. Magnetic Resonance Imaging, 2004, 22(9): 1311-1317. DOI:10.1016/j.mri.2004.08.022.

[113] MILCZAREK R R, SALTVEIT M E, GARVEY T C, et al. Assessment of tomato pericarp mechanical damage using multivariate analysis of magnetic resonance images[J]. Postharvest Biology and Technology, 2009, 52(2): 189-195. DOI:10.1016/j.postharvbio.2009.01.002.

[114] MAZHAR M, JOYCE D, COWIN G, et al. Non-destructive1H-MRI assessment of flesh bruising in avocado (Persea americana M.) cv. Hass[J]. Postharvest Biology and Technology, 2015, 100: 33-40. DOI:10.1016/j.postharvbio.2014.09.006.

[115] 徐賽, 陸華忠, 周志艷, 等. 基于高光譜與電子鼻融合的番石榴機械損傷識別方法[J]. 農業機械學報, 2015, 46(7): 214-219. DOI:10.6041/j.issn.1000-1298.2015.07.031.

Non-Invasive Bruise Detection in Postharvest Fruits and Vegetables: A Review

GAO Yingwang, GENG Jinfeng, RAO Xiuqin*
(College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Fruits and vegetable constitute an important part of human daily diet because they contain some necessary nutritional elements, such as vitamin, mineral salt and plant fi ber. Fruits and vegetables are prone to mechanical damage during postharvest operations, which will reduce the eating quality. Meanwhile, both fruits and vegetables can be easily infected with fungi or bacteria (such as late blight, dry rot and soft rot) once they are injured, which in turn can infect normal ones. Bruise damage occurs under the skin of fruits and vegetables without its rupture. Bruised fruits and vegetables are easily confused with normal ones, causing potential economic losses and food safety hazards. Thus, bruise detection has been attracting more and more attention. This paper reviews the mechanism of mechanical damage with respect to consequent physiological and physical changes and the state-of-art progress in the detection of bruise in postharvest fruits and vegetables by taking advantage of optical, thermal, acoustic and electromagnetic properties. Potential diff i culties and future research directions are proposed.

fruit; vegetable; bruise damage; physical properties; non-invasive detection

10.7506/spkx1002-6630-201715044

TS207.7

A

1002-6630（2017）15-0277-11

高迎旺, 耿金鳳, 饒秀勤. 果蔬采后內部損傷無損檢測研究進展[J]. 食品科學, 2017, 38(15): 277-287. DOI:10.7506/ spkx1002-6630-201715044. http://www.spkx.net.cn

GAO Yingwang, GENG Jinfeng, RAO Xiuqin. Non-invasive bruise detection in postharvest fruits and vegetables: a review[J]. Food Science, 2017, 38(15): 277-287. (in Chinese with English abstract)

10.7506/spkx1002-6630-201715044. http://www.spkx.net.cn

2016-06-17

“十三五”國家重點研發計劃重點專項（2016YFD0701603-01）

高迎旺（1989—），男，博士研究生，主要從事基于機器視覺技術的果蔬損傷無損檢測研究。E-mail：huneagler@163.com

*通信作者：饒秀勤（1968—），男，教授，博士，主要從事基于機器視覺技術的農產品/食品品質無損檢測研究。

E-mail：xqrao@zju.edu.cn