柚子品質無損檢測技術研究進展*

馬雪濤 ， 蔣亞鑫 ， 鄧定南 ， 李浩昌 ， 林厚健 ， 羅宏煉 ， 金揚印

（1.嘉應學院物理與電子工程學院，廣東 梅州 514015；2.梅州市智能光電檢測應用工程技術研究中心，廣東 梅州514015；3.梅州市農業綜合服務中心，廣東 梅州 514021；4.梅州市鑫農機械制造有限公司，廣東 梅州 514471）

0 引言

柚子為嶺南特色水果，主要分布在我國廣東、福建、江西等省份，富含豐富的蛋白質、維生素C、有機酸、鈣、鎂等微量元素營養物質，是一種受廣大消費者青睞的柑橘類水果。柚子品質檢測分為外觀品質檢測和內在品質檢測。外觀品質包括柚子形狀、顏色、表皮缺陷等；內在品質包括柚子糖度、酸度、硬度、可溶性固形物含量等。無損檢測技術（Nondestructive Determination Technologies, NDT）利用聲、光、熱、電等手段采集待測物體的特征數據，通過數據傳輸和處理，實現非接觸、無損害的物體特性參數檢測，廣泛應用于農業、輕工業、材料等領域[1-3]。對柚子品質開展無損檢測，有利于柚子采后科學品級分類，推動柚子產業發展，助力鄉村振興。

本文綜述了機器視覺檢測技術、近紅外光譜檢測技術、高光譜成像檢測技術、核磁共振成像檢測技術、深度學習技術等在柚子品質無損檢測方面的應用進展，并探討了拉曼光譜檢測技術、電子鼻檢測技術、介電特性檢測技術、聲特征檢測技術等應用于柚子品質無損檢測的可行性，以期為柚子品質無損檢測方面的未來研究提供參考。

1 機器視覺檢測技術

機器視覺檢測技術利用各種先進傳感器獲取待測物體圖像信息，通過不同算法進行圖像數據處理，最終應用于實際測量和控制。

1）在柚子形狀檢測方面，龔昌來等[4]采用數字圖像處理技術實現柚子尺寸檢測，柚子橫徑、縱徑平均相對誤差分別為2.43%、2.30%；楊冬濤、李燕等[5-6]提出基于輪廓方向特征的柚子果形檢測方法。

2）在柚子分級應用方面，云雙[7]研究了基于雙目立體視覺的柚子空間位姿測量方法，實現了機械臂對柚子的自動抓取；郭輝[8]系統研究了蜜柚的結構特征，建立了基于圖像質心的柚子果形特征分析模型，并提出了基于著色率計算的柚子表面缺陷檢測方法；孫先成[9]系統研究了柚子的果形特征，建立了基于果形的柚子可食用率無損檢測模型；林洋洋[10]搭建了基于雙視角點云的琯溪蜜柚三維重建系統，通過三維模型計算蜜柚體積、密度、縱徑及橫徑等外部集合特征參數。

3）在柚子采摘應用方面，謝航[11]提出一種基于色差法和K-mean 法的圖像分割技術，并結合深度學習算法Faster RCNN 和YOLOv3，實現了自然環境下樹上柚子果實的自動識別；戴寧[12]系統研究了色差法、K-mean 法、Cb 顏色分量法在柚果識別和分割中的可行性，通過計算柚子姿態和質心位置、柚果果梗骨架提取，實現柚子采摘點位置的確定。

2 近紅外光譜檢測技術

近紅外（Near Infrared, NIR）光譜是一種電磁波，波長范圍為780 nm~2 526 nm。由于含氫基團信息（C-H、O-H、N-H、S-H）在近紅外光譜范圍可產生不同的特征峰，根據特征峰光譜分布的形狀、位置和強度信息，可間接計算待測物體的成分和含量。因此，近紅外光譜檢測技術被廣泛應用于水果品質檢測[13]。

1）在柚子品種鑒別方面，姚婉清等[14]通過傅里葉變換近紅外光譜儀獲取柚子表皮漫反射光譜信息，基于判別分析法建立光譜模型，實現了梅州白柚、紅柚、沙田柚三種品種的準確鑒別。

2）在柚子皮果膠含量測量方面，陳華舟等[15]結合分段多元散射校正算法和移動窗口偏最小二乘算法，對柚子傅里葉變換近紅外漫反射光譜數據進行處理，優化光譜波段，提高了柚子皮果膠含量預測的準確性。

3）在柚子糖度檢測方面，李雄等[16]搭建了近紅外漫透射測量系統，提出了基于連續投影法和偏最小二乘法的柚子糖度預測模型，實現了對不同品種柚子糖度的檢測；孫瀟鵬等[17-18]系統分析了不同光源強度、光源距離、柚皮厚度下柚子漫透射光譜分布特點，驗證了在最優光源強度和距離下，柚子糖度預測準確性最高，并開發了一套基于多源信息融合的柚子品質無損檢測系統。田昊[19]系統分析了柚子的組織結構特性和光傳輸特性，建立偏最小二乘法回歸預測模型，實現了柚子可溶性固形物含量的在線無損檢測，琯溪蜜柚模型、紅肉蜜柚模型的預測集均方根誤差分別為0.41%、0.57%；Xu 等[20]搭建了可見光-近紅外測量系統，采用Savitzky-Golay 法、乘法散點校正法進行數據處理，采用遺傳算法進行特征提取，采用偏最小二乘回歸進行建模，實現了柚子含水量和粒化率無損檢測。

3 高光譜成像檢測技術

高光譜成像（Hyperspectral Imaging, HSI）檢測技術結合了光譜和圖像的優勢，可同時獲取待測物體的光譜信息和空間信息，反映物體的內部和外部特征，已廣泛應用于水果品質檢測[21]。高光譜成像檢測系統一般包括光源、相機、成像光譜儀、計算機等，高光譜成像波段范圍一般為200 nm~2 560 nm。高光譜數據采集方式包括點掃描、線掃描、面掃描。

1）在柚子皮果膠含量檢測方面，陳華舟等[22]搭建了基于鹵素燈照明和近紅外光譜儀采集的高光譜成像系統，通過推掃式鏡像掃描裝置，采集了柚子在1 000 nm~2 500 nm 波段的近紅外光譜數據，建立了偏最小二乘法回歸預測模型，詳細分析了不同系統參數、數據預處理方法對預測模型準確度的影響，最終實現了對柚子皮果膠含量的定量預測。

2）在柚子糖度檢測方面，吳爽[23]利用核磁共振技術和高光譜技術，分別獲取了柚子的內部圖像和漫透射高光譜數據，并結合深度學習算法建立了多種預測模型，實現了柚子的糖度、酸度、粒化率、含水率等參數的定量無損檢測。

3）在柚子表皮缺陷檢測方面，Ye 等[24]搭建了一個掃描波段為379 nm~1 023 nm 的推掃式高光譜成像系統，對原始數據通過隨機蛙跳（Random Frog）算法和主成分分析法確定5 個最佳波長，利用Na?ve-Bayes分類器實現了柚子黑斑病的準確識別。

4 X射線檢測技術

X 射線是一種具有高穿透率的電磁波，波長范圍為0.001 nm~10 nm。X 射線成像檢測技術利用射線照射待測物體，其內部缺陷引起射線強度的變化，對X 射線強度圖像進行數字圖像處理，實現對待測物體特性的無損檢測，被廣泛應用于水果品質檢測[25]。

1）在柚子粒化率檢測方面，耿一曼[26]系統分析了不同大小、形狀、品種柚子的X 射線圖像特點，結合灰度變換、銳化等圖像處理技術對柚子X 射線圖像進行處理，通過判斷柚瓣是否開裂、存在白色斑點以及柚皮中是否存在絲狀物，實現對柚子粒化率的定量檢測。

2）在柚子可食率檢測方面，張雨辰[27]對柚子的X 射線圖像進行預處理，建立了基于柚子密度、橫向果肉占比、縱向果肉占比的可食率預測模型，實驗結果表明，紅肉蜜柚模型和琯溪蜜柚模型的預測集均方根誤差分別為1.99%、1.43%。

5 深度學習檢測技術

深度學習是機器學習的一個重要分支，其本質是利用特定模型進行大數據訓練，實現“隱藏”特征的自動提取，已被廣泛應用于農業領域[28-29]。

1）在機器視覺技術應用方面，黃杰賢等[30]搭建了BP 神經網絡模型，以柚子形狀、大小、表面缺陷信息為輸入進行訓練，實現對柚子的分類，準確率達90%。肖德琴等[31]提出了一種改進的特征融合單鏡頭檢測器神經網絡，采用4 000 幅柚子圖像進行訓練，分析了不同圖像類型在不同檢測模型下的預測準確率。結果表明：所提模型的柚子采摘目標預測準確率高達93.7%，降低了小目標柚子采摘檢測的誤檢率和漏檢率。曾鏡源等[32]提出一種基于實例分割的柚子姿態識別和定位技術，搭建了基于Mask R-CNN算法和YOLOv3 算法的柚子目標識別和分割預測模型。結果表明：YOLOv3 模型的識別速度高于Mask R-CNN 模型，但其檢出目標數量和定位精度不如Mask R-CNN模型。

2）在近紅外光譜技術應用方面，卷積神經網絡已應用于近紅外光譜數據建模分析中，可減少光譜數據的預處理工作量，并提高預測模型的準確性[33]。吳爽等[34]搭建了基于近紅外光譜數據的卷積神經網絡（CNN）模型和含有殘差塊的卷積神經網絡（Res-CNN）模型，實現了西瓜可溶性固形物含量定量檢測，不同模型的預測集均方根誤差分別為0.778 1°Brix、0.710 4°Brix。柚子作為同樣的厚皮類水果[35]，也可采用基于深度學習的近紅外光譜技術實現柚子糖度的定量無損檢測。

3）在高光譜成像技術方面，Jie 等[36]利用卷積神經網絡（CNN）處理柚子漫透射高光譜數據，訓練精度達到88.02%，實現了對柚子粒化率的定量檢測[23]。王浩云等[37]提出一種基于3D-CNN 的高光譜成像模型，實現了蘋果糖度、硬度、含水量的多參數定量檢測，可為柚子的多品質參數測量提供參考。

6 其他無損檢測技術

1）核磁共振（Nuclear Magnetic Resonance,NMR）成像檢測技術，是利用原子核磁特性同時獲取待測物體的物理和化學信息，通過探測分析物質的分子結構和性質，獲取物質內部結構信息的檢測技術，被廣泛應用于食品質量檢測領域[38]。根據所使用的射頻場頻率高低，可以分為高場核磁共振技術和低場核磁共振技術。王賢達等[39]利用1.5 T 高場核磁共振成像儀獲取琯溪蜜柚內部果肉組織影像，實現了柚果汁胞粒化的無損檢測和識別。低場核磁共振技術的磁場強度低于0.5 T，可應用于采后水果的水分分析、缺陷鑒別、營養成分分析等品質參數的無損檢測[40]。

2）電感耦合等離子體發射光譜技術（ICP-AES）。ICP-AES 技術通過物質在高頻電磁場中形成的高溫等離子體，實現不同元素的定量檢測。董維兵等[41]采用ICP-AES 技術，成功對新都柚和福建蜜柚中22種微量元素進行了測定。

3）電子鼻檢測技術。電子鼻檢測技術通過氣體傳感器獲取待測物體的氣味信息，生成對應的特征圖譜，已廣泛應用于乳制品、肉類、飲料、果蔬等食品的安全定量檢測[42]。顏靜[43]利用電子鼻檢測技術對四個不同地區的龍安柚揮發性成分進行測定，建立柚子產地來源判別模型，實現了柚子產地來源的定量無損檢測，其判別準確率為81.42%。陳遠濤等[44]通過電子鼻檢測技術獲取了水果、蔬菜、肉類的數據，提出一種基于卷積神經網絡的食品新鮮度預測模型，分類識別準確率達90%。這類技術為柚子新鮮度的判斷提供了技術應用思路。

4）除了以上無損檢測技術，常用的無損檢測技術還包括拉曼光譜檢測技術、介電特性檢測技術、聲特征檢測技術等。拉曼光譜檢測技術[45]利用激發光譜和待測物體之間產生拉曼效應，其對應譜峰位置反映了待測物體的分子特征，已廣泛應用于食品安全檢測，如農藥殘留檢測、添加劑檢測、食品摻偽鑒別等。介電特性檢測技術[46]可以測量待測物體在電場下的介電參數，不同參數的變化反映了待測物體特性的變化，可應用于水果糖度、成熟度、病變等參數的無損檢測。聲特征檢測技術是通過采集和分析待測物體的聲學信號結構特征（如共振頻率、梅爾倒譜系數等），可實現果實糖度、硬度、機械損傷等物體特性的定量無損檢測。左杰文等[47]搭建了西瓜聲學檢測系統，結合機器學習算法實現了西瓜糖度檢測和分級。以上技術都可為柚子多品質參數的無損檢測提供重要理論支撐和技術指導。

7 總結與展望

柚子是我國的高產水果之一，利用無損檢測技術對柚子品質進行多維度測定和分析，有利于柚子品級的準確分類，促進柚子產業的快速發展，提高果農收益，助力鄉村振興。柚子品質無損檢測技術的相關研究，也為柚子智能化農業裝備的研發提供了指引。本文主要綜述了機器視覺技術、近紅外光譜技術、高光譜技術、X 射線技術等在柚子品質無損檢測中的應用研究進展，并介紹了這些技術與深度學習技術的結合和應用研究。另外，介紹了核磁共振成像檢測技術、電子鼻技術、介電特性技術、聲特征技術等的原理和應用，可為柚子粒化率、新鮮度、含水量、成熟度等特性的檢測提供技術理論支撐。

目前，柚子品質無損檢測技術中，應用最多的是機器視覺檢測技術和近紅外光譜檢測技術。機器視覺檢測技術主要用于檢測柚子的外形、空間位置，實現柚子采摘的目標識別和定位。近紅外光譜檢測技術主要用于檢測柚子的糖度，結合清洗裝置和重量分揀裝置，實現柚子的品級篩選和分類。將深度學習技術和近紅外光譜檢測技術結合，可有效提高柚子糖度檢測的精度。在應用方面，如何設計便攜化、智能化的柚子多品質參數無損檢測系統，是柚子品質無損檢測研究中亟需解決的關鍵問題。