芒果品質無損檢測技術研究進展

劉彩華，李 曦，朱正杰，包竹君，謝曉娜，楊鄭州，王 赟，劉 芳

（百色學院農業與食品工程學院，廣西百色 533000）

芒果與柑橘、香蕉、葡萄、蘋果并稱世界五大水果，素有“熱帶果王”之美譽，含有糖、蛋白質、類胡蘿卜素和維生素A等多種營養物質，深受人們喜愛。芒果原產于亞洲南部熱帶地區，現已廣泛分布于熱帶、亞熱帶地區[1]。在國內，芒果主要分布在海南、廣西和四川，在廣東、福建、云南、臺灣等地也有種植。主產區均有其特色品種，如海南主產貴妃芒、臺農、水仙芒、金煌芒等，廣西特色品種為桂七芒和紫花芒，四川主要生產凱特芒[2]。

芒果品質主要包括產品外觀與內在品質。外觀品質主要包括果實形狀、果實大小、組織缺陷、果皮色澤等，內在品質包括可溶性糖、可滴定酸、可溶性固形物、糖酸比、胡蘿卜素等[3-5]。對芒果品質進行評價和分級，有利于芒果采后科學處理。品質較高的芒果進行銷售或儲存，品質較低的芒果進行深加工處理，對提高芒果經濟價值和產業鏈發展具有重要的意義。芒果品質評價的最常用方法主要是感官評價，針對果實外觀品質進行。這種方法易受評價員自身主觀性、經驗、身體因素及外部環境等多種因素影響，并且常因感官疲勞而導致準確率降低[6]。實際上，最影響芒果風味的是其內在品質因子，如可溶性糖和有機酸的組成成分、含量及糖酸比，在不同品種芒果中具有較明顯的差異，最能體現芒果的價值和市場接受度[4]。針對內在品質因子的傳統評價方法主要是理化檢測，能準確得出各品質因子的含量，但是該方法工作量大，具有破壞性，無法滿足大批量芒果品質快速檢測的需求，且易造成果實浪費[7-9]。近年來有發展針對可溶性糖含量和總有機酸的快速檢測方法，如糖度計、糖酸儀等，但是這些快檢儀器也需要破壞芒果取得果汁進行檢測。

多種無損檢測技術的出現，為芒果品質的快速檢測、成熟度預測以及產后分級，提供了有效的解決方案。無損檢測技術不破壞被測對象，而是利用樣品對光、電、聲、磁、熱等獨特的“指紋”反應特征，采用特定的快速檢測設備，結合軟件處理、化學計量學等方法，實現對其外在和內在品質特性進行無損檢測[3,9]。目前，多種無損檢測技術用于芒果品質的檢測研究，如計算機視覺技術、可見/近紅外光譜技術、高光譜成像技術、電子鼻技術以及超聲波檢測技術等[6-11]，用于對芒果果面缺損、體積、重量、果實顏色、形狀、產量預估、品質分類、成熟度、腐爛程度、可溶性固形物、糖度、酸度、pH、果實硬度、β-胡蘿卜素和花青素含量等指標進行檢測。但是對于國內外芒果品質無損檢測技術的最新研究進展，還缺乏相應的報道。

本文論述了近年來國內外芒果品質無損檢測技術的研究進展，總結了不同檢測技術的主要應用方向，比較了國內外研究現狀的差異，進一步分析了存在的問題，展望了兩種主要技術——計算機視覺技術和可見/近紅外光譜檢測技術未來的發展趨勢，以期為進一步提高無損檢測技術的精度，拓寬其應用范圍提供參考。

1 計算機視覺技術——外在品質檢測

計算機視覺技術以計算機和圖像獲取為工具，通過相機采集水果圖片，利用圖像處理和分析技術進行處理，提取出水果大小、形狀、顏色和表面缺陷等外部品質特征，再利用模式識別和分級技術，實現對水果外觀品質的綜合評價和分級[12]。計算機視覺技術主要在果面壞損、品質分級、產量預估、品種鑒別等方面研究較多。

1.1 檢測芒果重量和果面壞損

果面壞損和重量是最常用的水果品質分級指標。20世紀末，王江楓等[13]設計了一套檢測系統，由圖像獲取部分、解碼器、圖像采集卡、監視器、計算機等組成，對果面壞損的檢測準確率達76%以上，對果重的檢測準確率達92%以上。張立華[14]利用計算機視覺技術結合模糊c-均值聚類算法對芒果表面缺陷進行檢測和分類，檢測結果與肉眼評價結果基本吻合。張烈平等[15]結合計算機視覺技術和BP神經網絡算法，對芒果斑痕和碰傷缺陷進行檢測，創建了3層BP神經網絡模型，對芒果缺陷識別的準確率達85.5%以上。劉靜等[16]應用視覺系統開發模塊對芒果表面缺陷進行檢測，經過圖像預處理，再利用面積標定法獲得表面缺陷圖像。試驗結果表明，計算機視覺檢測結果與人工檢測結果誤差小于0.3%。Pham等[17]利用k均值算法在L*a*b*空間中根據歐氏顏色距離將原始圖像分割成區域塊，再采用最小生成樹的合并方法，迭代地將相似區域合并成新的同構區域，從而實現對壞損區域圖像進行分割。在與人眼觀察對比和處理時間方面，均顯示較好的結果。Ashok等[18]對芒果可見缺陷的特征提取方法進行了對比研究，通過順序前向選擇算法提取最相關特征，用廣義線性模型分類器設計神經網絡（neural network，NN），評價了不同輸出激活函數如線性、logistic和softmax對分類器的性能影響，結果表明對果面壞損的檢測交叉驗證性能精度分別為90.09%、90.26%和90.26%。徐玉瓊等[19]通過芒果灰度圖像來區分正常果面和缺陷果面，表皮損傷區域呈黑色或褐色，與正常果面灰度有明顯區別，通過閾值設定分割出缺陷區域。但是由于果梗的影響，容易造成誤判，影響判斷結果的精準度。張光龍[20]對芒果二維缺陷（曬傷、病斑及黑斑）和三維缺陷（凹陷、劃痕等機械損傷）的計算機視覺檢測進行了研究，利用數據濾波降噪，結合缺陷部分的像素面積與點云數據值映射，即得出二維缺陷區域的物理面積；通過直方圖均衡化，Canny算子邊緣檢測，再進行“閉運算”和“空洞填充”處理得到二值圖像，通過圖像處理計算病斑像素面積與實際物理值映射，得到病斑的物理面積。結果顯示缺陷部位面積檢測的相對誤差小于2.0%。Kumari等[21]研究了圖像分割算法和分類器對壞損芒果和健康芒果分類準確率的影響。所建立方法結合了模糊k均值聚類算法和基于反向傳播的判別分類器（backpropagation based discriminant classifier，BBDC），而k-均值以及模糊c均值聚類方法，以及BPNN和樸素貝葉斯分類器（decision table and na?ve bayes classifier，DTNB）方法均作為對比。結果顯示所建立的方法具有最高精度，對等級C的壞損芒果的分類準確率達到99.68%。

在芒果果面壞損檢測的研究中，國外研究者（如印度、韓國）更關注于圖像處理算法和模型建立方法的研究，但國內專注于算法比較的研究報道較少。隨著研究的發展，研究者更傾向于綜合果面缺陷與果面大小、形狀、顏色等多種特征，構建更為準確的分級依據，應用于芒果品質分級。

1.2 芒果品質分級

隨著生活水平提高，消費者對水果的可食用品質提出了更高的要求和期望。我國雖然是芒果生產大國，但為了應對進口芒果的沖擊，提升國產芒果品質及檢測水平，快速精準鑒別芒果品質，有助于推動芒果產業可持續發展，增強國產芒果的市場競爭力[2,10]。計算機視覺技術應用于芒果品質檢測的研究如表1所示。

表1 計算機視覺技術在芒果品質分級中的應用Table 1 Application of computer vision technology in mango quality grading

2006年，孫樹亮[22]利用計算機視覺技術結合不同算法，依據芒果顏色、大小進行分類，發現線性函數法在樣本數量大時有較好分類效果，準確率達95.31%。李國進等[12]基于計算機視覺和使用粒子群算法優化后的極限學習神經網絡模型，依據芒果大小、形狀、顏色、表面缺陷等綜合特征對芒果進行分級，與單純極限學習神經網絡模型、傳統BP和支持向量機模型相比，具有更高的分級精度。Sa’ad等[23]聯合傅里葉描述符法，通過芒果形狀進行分級。應用判別分析（discriminant analysis，DA）和支持向量機（support Vector machine，SVM）建模時，分級準確率分別能達到98.3%和100%；應用圓柱近似分析法（cylinder approximation analyses method）估測芒果體積和質量，重量分級法精度為95%。Ibrahim等[24]設計了基于機器視覺和壓片法的芒果在線分揀設備，主要關注長度、寬度、高度、重量等物理特性，結果顯示對芒果形狀的判斷準確率達到92%，基于芒果重量的分級準確率為94%，證實該系統在芒果自動分選中具有一定的潛力。Makino等[25]利用色彩濃度（chroma）22和色彩角（hue angle）52°對紅色果皮進行篩選，建立了依據果皮顏色的芒果分級方法。同時研究了花青素濃度與色彩角之間的關系，推測計算機視覺技術可用于預估花青素含量。Nandi等[26]利用支持向量機方法對芒果成熟度進行預測，利用多屬性決策系統對芒果品質進行預測，再利用模糊增量學習算法（fuzzy incremental learning algorithm）對芒果進行分級，分級準確率達87%，預測重復率達100%。辛華健[27]以大小、顏色和表面缺陷為芒果品質參數，建立了BP神經網絡模型，芒果品質分級準確率超過93%。向陽等[28]針對芒果形狀不規則的問題，通過柔性翻面機采集芒果正反面圖像，提出了一種基于遷移學習的卷積神經網絡模型，依據果皮顏色、果肉硬度和果肉顏色制定芒果成熟度標準，用于芒果成熟度的分級，平均準確率達96.72%。芒果大小、果形、顏色、表面缺陷面積四種特征常作為綜合特征應用于芒果分級的研究。近年來，徐玉瓊等[19]利用Canndy算子和BP神經網絡建立芒果分級模型，分級平均準確率達到90%。張光龍[20]采用BP神經網絡和支持向量機（SVM）算法分別建立分級模型，結果表明基于改進的粒度支持向量機（GSVM）算法分級效果好、準確率高（＞90%），在此基礎上建立了基于流水線的芒果智能化分級系統。Anurekha等[29]結合圖像處理與自適應神經模糊推理系統GANFIS（genetic adaptive neuro fuzzy inference system），依據芒果質地進行分級。

應用計算機視覺技術對芒果品質進行分級，研究熱點主要集中于圖像處理技術和分級模型算法的改進，這也是影響計算機視覺技術對芒果分級的準確率的重要影響因素。此外，模型的建立依據，逐漸由顏色、重量等單個特征參數向結合了芒果大小、形狀、顏色、表皮缺陷等多參數的綜合特征發展，使建立的模型分級依據更準確。近年來，除了理論研究外，越來越多的研究關注到智能檢測系統的建立和應用，而這也是計算機視覺技術能實際應用于生產的關鍵所在。

1.3 芒果產量預估

芒果自然生境下的目標檢測研究，對芒果精準種植中的智能噴施、生長監測、產量預估和勞動力需求預測等具有重要的實際意義。計算機視覺技術為水果自動檢測提供了一種有效的手段。

Payne等[30]利用機器視覺檢測技術，結合RGB和YCbCr顏色分割以及紋理分割方法，通過計算合成斑點數，來估測收獲前3周的芒果產量。但是隨著芒果樹上果實增多，或者拍攝時有直接陽光照射，模型的有效性會下降。薛月菊等[31]提出了果園場景下未成熟芒果的改進YOLOv2檢測方法，利用基于回歸的YOLOv2算法，設計了帶密集連接的Tinyyolo網絡結構，并利用標注遮擋或重疊芒果的前景區域樣本來加強前景區域特征學習，結合數據擴增和多尺度策略訓練網絡，改進了YOLOv2芒果目標檢測網絡，測試集準確率達97.02%。熊俊濤等[32]提出了一種基于無人機的樹上芒果視覺檢測技術，結合深度學習技術和YOLOv2模型，測試了綠色芒果的識別正確率，對芒果產量進行預估試驗。結果表明不同光照條件下識別正確率為87.18%～3.42%，產量估計平均誤差為12.79%。

1.4 品種鑒別

利用計算機視覺技術也可以實現芒果品種的鑒別。Behera等[33]利用k均值聚類和灰度共生矩陣對13個參數（如對比度、相關性、均勻性、均值、平滑度、峰度、標準差、方差等）進行評價，再利用SVM算法進行訓練，通過匹配訓練集和測試集的特征，從而實現對不同品種芒果的鑒別。Sahana等[34]首次通過同時提取水果圖像的形態特征（如面積、周長、偏心度、形心等）和傅里葉特征（灰度圖像經傅里葉變換后的均值和標準差），再利用決策樹和樸素貝葉斯算法對水果進行分類。但是目前只能對不同品種的水果進行鑒別，如對芒果與蘋果的鑒別，對同種水果不同亞類的鑒別還有待進一步研究。Anurekha等[35]利用遺傳自適應神經模糊推理系統（genetic adaptive neuro fuzzy inference s ystem，GANFIS），以芒果的顏色、形狀、紋理為特征，首先對芒果進行分類鑒別，再進行品質分級，結果顯示該方法的敏感性達到98.05%，特異性達到97.39%，正確率達到99.18%。Hasna等[36]利用機器視覺技術，結合卷積神經網絡（convolutional neural network，CNN）和深度學習算法，通過深度輸入圖像的層可視化滿足系統準確性，建立了基于芒果幼苗葉片的芒果品種鑒別方法，模型準確率為78.65%。芒果品種鑒定主要依據芒果的形態特征差異來實現，而基于芒果葉片的鑒別方法，更有利于芒果種植人群早期對芒果品種進行準確判斷。

計算機視覺技術在芒果果面壞損、品質分級、產量預估和品種鑒別中的研究較為豐富。國外研究者主要關注于圖像處理算法和模型建立方法的研究，多采用k均值聚類、SVM、判別分析、神經模糊算法，近年來也將基于反向傳播的判別分類器（BBDC）、BBP神經網絡（BPNN）和樸素貝葉斯分類器DTNB應用于芒果品質的研究中。而國內主要采用建立BP神經網絡算法來建立分級模型。建立的不同分級模型對芒果品質分級的準確率均在85%以上。針對芒果產量預估的研究，國內基于深度學習和YOLOv2算法，具有更高的準確率。而針對不同芒果品種的鑒別，國外主要通過果實形態分辨來實現，最新發展了基于葉片特征的鑒別技術。但是國內目前針對芒果品種的快速鑒別研究還未見報道。

1.5 存在問題

計算機視覺技術主要基于對芒果圖像進行分析，只能對芒果的物理特征進行檢測（表1），而與芒果的內在品質特性關聯性不強，因此判斷結果并不全面。此外，計算機視覺技術的圖像分析主要依賴算法處理、算法自身的缺陷，如對顏色的誤判、對微小或模糊特征的遺漏、對芒果不規則邊緣的錯誤識別等，會導致判別的準確率下降。此外，計算機視覺技術對復雜多樣的環境抗干擾性差，如不同光照條件、或不同生長環境，均會影響其品質評價的準確性。

2 可見/近紅外光譜檢測技術——內在品質檢測

可見/近紅外光譜檢測技術主要基于生物分子對光的吸收特性。由于幾乎所有生物大分子和功能基團能在380～2500 nm范圍內形成穩定的光譜圖，主要包括O-H、C-H、N-H鍵的振動吸收。因此，可見/近紅外光譜技術廣泛用于分析領域，具有分析速度快、無需樣品預處理、非破壞性、無污染等特點。通過結合化學計量學方法，能無損檢測水果的多個外在和內在品質指標，如硬度、色澤、可溶性固形物、糖度、酸度、維生素等[8,37]。檢測系統主要由光源、光源光纖和接收光纖、光譜儀、載物臺和處理軟件構成。

2.1 對芒果采后品質的無損檢測

利用可見/近紅外光譜檢測技術，可以實現對芒果采后多個內在品質參數的預測，如糖度、酸度、可溶性固形物、pH和維生素含量等，如表2所示。

表2 可見/近紅外光譜技術在芒果品質檢測中的應用Table 2 Application of VIS/NIR spectroscopy technology in mango quality detection

虞佳佳等[38]利用近紅外光譜技術結合偏最小二乘法和遺傳算法優化神經網絡技術（GA-BP），建立了芒果糖度和酸度的預測模型，結果顯示相關系數分別為0.85409和0.83699，具有較好的預測能力。屠振華等[39]利用偏最小二乘回歸法，建立了芒果可溶性固形物和硬度的近紅外定量分析模型，結果發現可溶性固形物的預測效果更好，相關系數達到0.8629，而硬度的預測只能基本滿足要求。Jha等[40]建立了印度芒果可溶性固形物和pH的預測模型，結果顯示對校正集和確認集，可溶性固形物的復相關系數分別達到0.782和0.762，pH的復相關系數為0.715和0.713，具有較好的預測功能。曹霞等[41]比較了主成分回歸法、偏最小二乘法和BP神經網絡法建立的近紅外模型對糖度的預測能力，結果表明偏最小二乘法建立的模型預測能力較好，對糖度的預測相關系數能達到0.97659。近紅外光譜法也用于對芒果6種主要化學成分（葡萄糖、蔗糖、檸檬酸、蘋果酸、淀粉和纖維素）進行建模預測。結果表明利用這6種成分的二階導譜，能建立最好的偏最小二乘回歸模型，決定系數R2達到0.99，并且對葡萄糖和蔗糖的預測最佳有效波長范圍是900～1000 nm，蘋果酸和檸檬酸的是800～1000 nm，淀粉的是900～1000 nm，纖維素的是800～1000 nm[42]。近紅外光譜-反射模式結合線性回歸模型用于泰國出口芒果的成熟度和品質指標（果皮和果肉顏色、可溶性固形物含量（TSS）、滴定酸度（TA）、TSS:TA）預測，結果表明其近紅外反射率隨芒果成熟度增加而增加，且與干固含量呈正相關、與果實硬度呈負相關，對可溶性固形物含量預測精確度達到99%[43]。Cortés等[44]分別利用可見/近紅外分光光度計和光譜色度儀測量Osteen芒果的反射光譜，通過最小二乘法建立3種不同的回歸模型，聯合“可溶性固形物含量”和“硬度和果肉色度”，建立了芒果內在品質指標（internal quality index），結果顯示全光譜測量具有較好的預測性（R2=0.833～0.879）。

可見近紅外光譜檢測技術也可用于芒果內部維生素含量的預測。反射光譜法結合標準正態變量變換方法，建立偏最小二乘法模型，結果表明，模型對芒果的β-胡蘿卜素具有最好的預測能力（確定系數R2＞0.800），且長波段的近紅外光譜預測性能更好[45]。Munawar等[46]利用臺式傅里葉變換紅外光譜（1000～2500 nm）系統測量芒果的吸收光譜，再經多元散射校正（multiplicative scatter correction，MSC）和逆趨勢校正（de-trending，DT）處理光譜圖像，再利用偏最小二乘回歸建立預測模型，對維生素C的預測值與實際測量值的相關系數r為0.86。基于積分球的增強型近紅外光譜數據集用于預測芒果總酸度和維生素C含量。結果表明增強的近紅外數據集可以用于快速、有效、無損的預測芒果內部品質[46]。

綜上可以看出，芒果可溶性固形物、糖度、酸度是最常用于可見/近紅外光譜預測的內在品質參數，而偏最小二乘法是最常用的建模算法。隨著研究的發展，預測模型的相關系數越來越高，預測性能發展更好，如表2所示。因此，建立基于上述內在品質的可見/近紅外光譜預測模型，對芒果品質分級，具有重要的指導意義。

對比國內外的研究現狀可以看出，國外在利用可見/近紅外光譜技術無損檢測芒果糖度、酸度、可溶性固形物等品質參數方面，一直進行著持續研究，近年來還逐步發展了芒果中維生素含量的預測方法。此外，還建立了基于可見/近紅外光譜技術的芒果成熟度預測模型，對芒果的科學采摘、采后加工儲藏具有一定的指導意義。光譜預處理技術也從最初的一階、二階光譜衍生，發展到利用多元散射校正和逆趨勢校正等技術。在預測模型建立方面，偏最小二乘法一直是最主要的算法。而國內在近5年內，針對芒果品質的可見/近紅外光譜無損檢測技術的研究，已鮮有報道。由于芒果屬于中國南方的特色水果，芒果產業是地方支柱產業之一。發展基于可見/近紅外光譜的芒果品質無損檢測技術，有利于提高中國芒果的品質和市場競爭力，值得進一步深入研究。

2.2 對芒果成熟度的預測

可見/近紅外光譜技術除了用于對成熟芒果的內在品質進行預測外，還能對芒果成熟過程中不同內在品質因素的變化進行預測。

Subedi等[48]利用可見-短波近紅外光譜法（500～1050 nm）結合偏最小二乘法對芒果成熟過程的干物質含量、可溶性固形物含量、可溶性糖和淀粉含量進行了預測。結果發現模型可用于預測不同成熟期芒果的干物質含量，以及成熟芒果的可溶性固形物含量，而不能預測可溶性糖和淀粉含量。Izneid等[49]建立了一種便攜式近紅外光檢測系統，通過將透過芒果的近紅外光信號轉變為電信號，實現對不同成熟期的芒果的檢測。Jha等[50]結合近紅外光譜法（1200～2200 nm）和偏最小二乘法建立模型，對芒果成熟指數Im進行預測，對校準模型和驗證模型的多元相關系數分別為0.74和0.68，且1600～1800 nm波段的光譜具有較好的預測效果。近紅外光譜法建立的芒果后熟期品質預測模型穩健性受到采摘年份的影響，3年的采摘數據建立的預測模型比較合適[51]。手持型近紅外光譜儀也用于對芒果品質的無損檢測研究中，預測模型對成熟過程中可溶性固形物的預測能力最好，確定系數達到0.92，預測均方根誤差為0.55°Brix[52]。

利用可見/近紅外光譜技術對芒果成熟度進行預測，在國外研究較多，國內的研究報道還較為缺乏。不同品質參數中，可溶性固形物仍是最準確的預測因子，而綜合參數“成熟指數Im（基于可溶性固形物含量、干物質含量以及可滴定酸度含量計算得到）”的預測準確性，還有待進一步研究。

2.3 存在問題

可見/近紅外光譜檢測技術主要依賴于光進入果實后再經反射、透射或半透射后帶出果實內部的信息，但是光在果實中的透射或反射受到入射光強、芒果品種、檢測部位、入射角度、果皮厚度、光滑度、果皮顏色等因素影響，因此，一方面會限制光帶出的信息量，另一方面也導致模型的穩健性和適用性受到影響。其次，建立模型前，需要對大量樣品進行檢測分析來對模型進行校準和驗證，工作量相對較大。此外，模型預測精度問題一直是實際應用中的難題，主要來源于模型適應性、噪聲去除、傳感器漂移和模式識別最優解幾個方面。因此，模型偏差最小化是研究的關鍵問題之一。

3 其他無損檢測技術

芒果品質的無損檢測中，除了基于芒果外在品質的計算機視覺檢測技術，以及基于芒果內在品質的可見/近紅外光譜檢測技術，還發展了基于芒果氣味響應的電子鼻檢測技術，基于芒果聲學響應的超聲波檢測技術，綜合了成像與光譜檢測的高光譜檢測技術，以及不同檢測技術的聯用。此外，還發展了基于加速度傳感的機械抓手設備。

芒果散發的氣味可用于成熟度和腐爛程度的檢測。李敏等[53]利用電子鼻檢測芒果的氣味響應，同時測定芒果可溶性固形物和可滴定酸度，利用偏最小二乘法PLS和BP神經網絡分別建立了預測模型。結果發現兩種模型的相關系數均大于91%，預測性能均較好。

芒果介電特性也用于成熟和腐爛程度的檢測。廖宇蘭等[54]利用智能LCR測量儀和平板電極系統，采用不同頻率參數，測試芒果不同成熟度和腐爛程度的介電特性。結果發現用100 Hz測定芒果介電特性可獲得最好的效果。芒果儲存第7 d開始腐爛時，等效電容升至最大值，等效電感、阻抗等達到最低值。Yahaya等[55]對芒果成熟階段的介電特性進行了研究。在微波頻率0.2～5 GHz下，測量芒果介電常數和損耗因子，同時測量芒果水分含量。通過比較，發現未成熟芒果的ε’值為19～24，而成熟芒果和過熟芒果的ε’值均為16～21。國內外利用介電特性對芒果品質進行檢測的研究報道，近年來已較少。

浦宏杰等[56]利用基于快速氣象色譜儀的電子鼻檢測芒果揮發性物質，同時測定表皮黑斑覆蓋率，通過建立高斯模型，對腐爛程度的預測準確率可達90%以上。潘俊洋等[57]構建了一種基于DSP6437開發板的芒果品質檢測平臺，將味覺傳感器與視覺檢測相結合，實現對芒果大小、成熟程度、腐爛程度的判斷分類，具有平臺體積小、運行穩定的特點。

超聲波檢測方法也用于芒果分級檢測中。通過對回波信號構建模型，可對芒果分級[58]。但是振動聲學技術只適用于具有一定硬度或脆度的水果檢測，對于質地柔軟、不耐敲擊，或果皮果肉硬度差異較大的水果實用性較差[9]。

高光譜技術（380～1000 nm）用于青熟芒果儲藏期品質的檢測。模型能預測花青素含量和可溶性固形物含量，相關系數分別達到0.88和0.73[59]。但是高光譜由于同時采集有圖像信息和光譜信息，因此，數據處理量很大，處理速度較慢[11]。

計算機視覺技術聯合比色傳感器陣列分析（colorimetric sensor array）技術也被用于芒果品質的無損檢測。主要檢測指標包括芒果硬度和可溶性固形物含量。支持向量機分類模型用于芒果品質的定量描述。結果顯示對訓練集和預測集的準確率分別達到98.75%和97.50%，表明該集成技術可用于預測芒果品質[60]。

此外，基于內嵌加速傳感器的機械抓手設備也被用于芒果品質的檢測，通過建立偏最小二乘回歸模型，對芒果硬度和成熟指數的相關系數分布達到0.925和0.937[61]。

4 展望

經過數年的發展，芒果無損檢測已經有了很大的進展，多種無損檢測技術應用于芒果品質的分級、成熟度的檢測、產量預估、品種鑒定等。其中，計算機視覺技術和可見/近紅外光譜檢測技術應用最為廣泛，未來研究將著重在這兩個方面。發展趨勢主要包括：

4.1 檢測設備便攜化、操作簡單化

目前針對芒果品質無損檢測的諸多研究仍停留在實驗室階段，較少應用于實際生產中。主要是因為芒果無損檢測設備較為復雜，需要多臺設備聯用。對分散種植的農民來說，使用操作起來具有一定困難。因此，便攜式芒果無損檢測設備的開發是未來的發展趨勢之一，特別是針對內在品質檢測的便攜式可見/近紅外光譜檢測儀。

4.2 多種無損檢測技術的聯合應用

芒果品質包含外觀品質和內部品質。目前無損檢測技術大多只針對某一類指標進行檢測，由于方法本身的缺陷，檢測和預測結果不一定準確。因此，聯合不同無損檢測技術，如近紅外光譜法和機器視覺檢測，可實現對外在物理品質和內在理化品質的同時檢測，建立芒果內在品質和外在品質的檢測模型，實現多指標同時檢測的目標，建立更為全面的芒果檢測技術[50]。

4.3 穩健模型建立和模型在線更新

由于無損檢測技術的基礎在于設備，因此如何提高設備穩定性將是未來需解決的問題之一。其次，檢測精度也十分依賴于算法和模型建立，將最新的數據處理、模型建立和模型遷移算法應用于芒果品質無損檢測中，提高模型的穩健性和泛化能力，結合互聯網技術和云平臺技術，操作平臺實現手機等移動端使用[11]，實現模型在線更新和升級。

4.4 芒果全生產過程質量控制指導

無損檢測技術應用于芒果采后品質分級，固然能起到控制果品質量的作用。但芒果品質源于生產，將無損檢測技術應用于芒果采前生產過程控制，如土壤微量元素及營養元素檢測、病蟲害早期監測、最佳采收期預測等，將有助于實現芒果全生長過程的質量控制，指導相應預防性控制措施的實施，從生產全過程保證芒果品質。

5 總結

本文主要對國內外芒果品質無損檢測技術的研究進展進行了簡要介紹。計算機視覺技術基于芒果外在品質特點，主要應用于芒果果面壞損檢測、品質分級、產量預估和品種鑒別等方面，而可見/近紅外光譜檢測技術基于芒果內在品質因子，主要應用于芒果的采后品質分級和成熟度預測。由于計算機視覺技術主要依靠圖像處理，模型精確度與算法密切相關，因此發展更為精確的圖像處理技術和分級模型算法是未來發展要點之一。芒果品質分級設備的建立是實現產業化應用的關鍵，因此，如何建立高速、智能的芒果自動分級系統，是未來研究的重點任務之一。可見/近紅外光譜技術由于受到系統和檢測方式的限制，模型穩健性和適用性較低，檢測速度相對較慢，因此在批量檢測應用方面可能并不適用。但是發展便攜式光譜檢測設備，再集成計算機視覺等其他無損檢測技術，對芒果貯藏品質進行監測，有利于指導芒果分級儲藏和儲后科學處理。此外，未來通過種植地原位檢測，還可實現芒果成熟度預測、芒果營養狀態監測、病蟲害早期監測等，有助于實現芒果全生長過程的質量控制，結合芒果品質大數據和云平臺技術，有利于促進芒果全生產過程的數字化、智能化發展。