果蔬分揀設備研究現(xiàn)狀及發(fā)展趨勢

摘要：果蔬商品化產(chǎn)后處理能力較低導致我國的果蔬在國際市場上核心競爭力不足，其中后處理最主要的步驟就是果蔬分揀，而果蔬分揀設備能夠有效的提高分揀效率，解放勞動力。分別從市場和科研兩方面闡述國內(nèi)外果蔬分揀設備的現(xiàn)狀，分析現(xiàn)有果蔬分揀設備存在的問題，討論未來果蔬分揀的研究趨勢，提出人工智能與機器視覺相結(jié)合的果蔬外部品質(zhì)分揀技術和近紅外光譜分析的內(nèi)部品質(zhì)分揀技術將是近期的研究熱點，同時對易損果蔬采后分揀場景提出一種機械臂抓取式分揀設備方案，為后期解決嬌嫩易損、精品果蔬的分揀問題提供參考。

關鍵詞：果蔬分揀設備；發(fā)展趨勢；機器視覺；近紅外光譜；機械臂

中圖分類號：TP242.6; S37" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 08?0120?06

Research status and development trend of fruit and vegetable sorting equipment

Liu Jun1， 2， Kong Jie1， Pi Jie2， Zhou Chenggang1

（1. College of Agricultural Engineering， Jiangsu University， Zhenjiang， 212013，China;2. Institute of Agricultural Facilities and Equipment， Jiangsu Academy of Agricultural Sciences， Nanjing， 210018， China）

Abstract： The low post?production processing capacity of fruits and vegetables leads to the lack of core competitiveness of fruits and vegetables in the international market. The most important step of post?processing is fruit and vegetable sorting， and the fruit and vegetable sorting equipment can effectively improve the sorting efficiency and liberate the labor force. This paper expounds the current situation of fruit and vegetable sorting equipment at home and abroad from the market and scientific research， and also analyzes the problems existing in the current fruit and vegetable sorting equipment， discusses the research trend of fruit and vegetable sorting in the future， and points out that the external quality sorting technology of fruit and vegetable combined with artificial intelligence and machine vision and the internal quality sorting technology of near?infrared spectrum analysis will be the recent research focus. At the same time， a mechanical arm grabbing sorting equipment scheme is proposed for the post?harvest sorting scene of vulnerable fruits and vegetables， which provides a reference for solving the sorting problem of delicate， vulnerable and high?quality fruits and vegetables in the later stage.

Keywords： fruit and vegetable sorting equipment; development trends; machine vision; near?infrared spectrum; robotic arm

0 引言

《中國統(tǒng)計年鑒（2021年）》數(shù)據(jù)顯示，我國人均GDP從2000—2021年增長超過9倍，總增幅達到919.6%，超過世界人均GDP水平。人民生活水平的提高促使人們對精品果蔬的需求量增大，這就對果蔬分揀設備及技術提出了更高的要求。近年來，我國正進行從人口紅利向工程師紅利的供給結(jié)構(gòu)轉(zhuǎn)變，勞動力成本迅速提高，因此傳統(tǒng)人工分揀也因成本高、效率低等原因，已經(jīng)不能滿足精準、高效的市場分揀要求，高度自動化、智能化果蔬分揀設備研發(fā)迫在眉睫。

據(jù)國家統(tǒng)計局年度數(shù)據(jù)統(tǒng)計，截至2021年，我國果蔬種植面積共計達3.52×1011 m2，水果產(chǎn)量2.96×1012 kg，蔬菜產(chǎn)量7.82×1012 kg，體量世界第一，但在國際市場上，我國水果出口量和銷售額卻不容樂觀?？疾彀l(fā)達國家果蔬銷售案例，果蔬的產(chǎn)值大多與其產(chǎn)后處理及加工水平相關，其中后處理最主要的部分就是果蔬的分揀，然而我國果蔬后處理技術相較于國外有一定差距。

目前，我國在果蔬分揀領域上廣泛使用的仍然是結(jié)構(gòu)較為簡單、分揀較為粗糙的分揀設備[1]，這些分揀機主要是根據(jù)果蔬尺寸大小進行分揀，分揀參數(shù)單一，精度較差，且果蔬與分揀設備金屬材料直接接觸，容易損傷果蔬。國外農(nóng)業(yè)機械化起步較國內(nèi)更早，其廣泛使用的分揀設備則能夠綜合果蔬表皮瑕疵、尺寸大小、內(nèi)部品質(zhì)參數(shù)進行分揀，分揀更加精細，并且分揀抓取方式相對更加柔和。本文將從國內(nèi)外果蔬分選設備的市場現(xiàn)狀、研究現(xiàn)狀等方面進行綜述分析，研究存在的共性及個性問題，提出對應的解決方法。

1 國外果蔬分揀設備現(xiàn)狀及發(fā)展

1.1 國外市場現(xiàn)狀

早在20世紀80年代，國外的果蔬分揀設備已經(jīng)在市場上出現(xiàn)，此時分揀設備大多通過果蔬外部參數(shù)分揀，如日本的自由果斗式果蔬重量分揀機及美國的Decco型分級機[2， 3]，其通過固定天平杠桿原理來對果蔬進行重量分級，當果蔬達到一級重量標準，則通過天平傾斜落入一級果袋，低于該重量則傳送至下一天平稱重，這兩種設備主要用于分揀柑橘、土豆等表皮略厚、質(zhì)地較硬、不易產(chǎn)生磕碰傷的果蔬。

此外，日本的傳送帶漸擴孔式果蔬分揀機（輥帶式分揀機原型）也是通過果蔬外部參數(shù)分揀的代表設備，其原理是通過在傳送帶上設置不同直徑的孔，孔徑往前由小變大，果蔬小于孔徑則落入相應集果箱，這種分揀設備的好處是傳送帶方便更換，可通過更換傳送帶實現(xiàn)對不同果蔬的分揀。至1995年，美國的Merling則是通過識別蘋果外觀瑕疵來進行分揀的果蔬分揀設備，其分揀速率能達到40 t/h [4]，極大程度上減輕了人工分揀的壓力。與此同時，國外深入研究了果蔬內(nèi)部品質(zhì)的檢測技術[5]，并對多種果蔬分揀手段進行整合，研究出對果蔬外部參數(shù)和內(nèi)部品質(zhì)進行綜合分揀的果蔬分揀設備，如Spectrim設備以及Inspectra2設備，前者通過其高精度傳感器和高清相機根據(jù)果蔬的形狀、尺寸，顏色、重量等參數(shù)識別綜合分揀果蔬，其可識別果蔬表面的蟲斑、壓碰傷等外觀缺陷，并以此作為分揀的標準之一，后者采用近紅外技術，不用切開果蔬即可通過不同波段的光譜全面分析果蔬內(nèi)部果肉質(zhì)量并以此來分揀。

1.2 國外研究現(xiàn)狀

國外市面上果蔬分揀設備不斷更新迭代，其背后是無數(shù)科研人員對果蔬無損分揀技術的深入研究。Blasco等[6]針對果蔬分揀設備視覺識別技術在使用前需要經(jīng)過大量圖片訓練問題，提出了一種面向區(qū)域的分割算法，大幅度降低視覺訓練所需要的數(shù)據(jù)量，其用于檢測柑橘類水果常見的果皮缺陷，檢測準確性能夠達到95%。Kondo等[7]提出一種機械手抓取式分選設備，該設備由兩臺果蔬供應機器人和一臺果蔬分揀機器人組成，通過12只吸盤抓取果蔬并旋轉(zhuǎn)270°，使12臺彩色相機采集果蔬圖像分析尺寸及瑕疵以此來分揀果蔬，解決了果蔬分揀過程中碰撞損傷等問題。Costa等[8]利用光電子技術和橢圓傅里葉分析以果蔬形狀特征組合分類，更為復雜但也更為穩(wěn)定；Zou[9]、Esehaghbeygi[10]等基于HIS模型分別對蘋果和桃子進行顏色和形狀特征分選，準確度達到90%。ELMasry等[11]發(fā)現(xiàn)圓度和范圍以及傅里葉性狀描述子在分類規(guī)則和不規(guī)則土豆時有效，據(jù)此開發(fā)出一套快速準確的機器視覺識別系統(tǒng)，其依據(jù)土豆的形狀、大小分揀土豆，準確率達到96%。Dubey等[12]提出了顏色相干矢量、澤妮克矩和完全局部二進制模式的組合，其準確率為95.94%。Nandi等[13]提出了一種基于機器視覺的芒果分級技術。在該技術中，先提取幾個特征，然后進行向量回歸，最后使用模糊增量學習算法，準確率接近87.00%。Zhang等[14]提出了一種基于生物地理學的優(yōu)化和前饋神經(jīng)網(wǎng)絡的分類方法，結(jié)果通過精細折疊分層交叉驗證，總體準確率為89.11%。Naik等[15]在分類Langdo芒果時，由于該品種芒果顏色無法區(qū)分其成熟度，因此采用L*a*b*顏色空間和FLIR one熱像儀來預測芒果成熟度從而進行分類，單個芒果分揀所需時間為2.3 s，準確率為89%。Meshram等[16]為降低視覺識別果蔬的分類誤差，提出了一種名為“MNet：合并網(wǎng)絡”的新的圖像分類模型框架，不僅提高了果蔬分類的準確性，而且解決了誤分類問題。Ihtisham等[17]針對果蔬分揀問題，提出一種低復雜度卷積神經(jīng)網(wǎng)絡（CNN）模型，并在Raspberry Pi4的模塊下幫助下部署到機械臂上，實現(xiàn)在傳送帶上檢測、定位、分揀芒果，分類新鮮芒果準確度達到98.08%，腐爛芒果分類準確率達到95.75%。同年，Sabzi等[18]為檢測蘋果成熟度提出一種可預測硬度、可溶性固形物含量、淀粉含量、酸度和可滴定酸度的智能算法，利用混合人工神經(jīng)網(wǎng)絡差分進化方法，選取1個紋理特征和5個顏色特征來評價蘋果的物理和化學特性，以此判斷蘋果成熟度，最終檢測準確率達到97.86%。Noutfia等[19]通過圖像分析和傳統(tǒng)的機器學習技術開發(fā)了一種通過紋理和顏色區(qū)分椰棗果的模型，Subir等[20]利用能夠處理深度學習圖像分析的現(xiàn)代化傳感器和智能設備開發(fā)了一臺自動果蔬分揀機器人，其配備定制的輕量級CNN模型“SortNet”，在對柑橘類水果進行分揀時計算時間更短。

目前國外的果蔬分揀設備發(fā)展方向傾向于大規(guī)模、商業(yè)化、高度自動化，其較為完善的果蔬分揀設備能夠整合進料、表皮處理、果蔬分揀、裝箱多步驟對果蔬進行后處理。因此，雖然部分國家果蔬種植面積與產(chǎn)量遠不足我國，但其果蔬出口率和貿(mào)易量卻毫不遜色。

2 國內(nèi)果蔬分揀設備現(xiàn)狀及發(fā)展

2.1 國內(nèi)市場現(xiàn)狀

同樣是20世紀80年代，我國學者在國外市面上已出現(xiàn)果蔬分揀設備之后也開始研究學習果蔬分揀技術，1984年，謝和生[21]綜合國內(nèi)各省果蔬分揀經(jīng)驗以及國外多種果蔬分揀機特點，研制了FJ-1型柑桔水果分揀設備，該設備為國內(nèi)可追溯到的最早的成制式水果分揀設備，其制造成本低、小巧靈活、對比人工分揀經(jīng)濟效益更好。而后至2000年前，光電色選分揀設備和果蔬內(nèi)部品質(zhì)分揀設備相繼出現(xiàn)。21世紀后，由于我國農(nóng)業(yè)經(jīng)濟形式總體上仍然是分散的小農(nóng)經(jīng)濟，因此，大型、昂貴、復雜的果蔬分揀設備在國內(nèi)農(nóng)業(yè)市場上很難流通，我國市面上普遍存在的是機械式、小型化的果蔬分揀設備。如沙糖桔分揀設備，該設備屬于輥帶式選果機，可分選沙糖桔、檸檬、山楂、圣女果、冬棗等圓形或橢圓形果蔬，通過硅膠帶行走，當果蔬運輸?shù)絻蓾L杠之間，其間距大于果蔬外形尺寸時，果蔬則落入輸出軌道皮帶上被輸出，從而達到分級目的。

近年，我國也研發(fā)了一系列智能化、高度自動化果蔬分揀設備，如臍橙水果分選機，其能夠根據(jù)水果內(nèi)糖度、酸度、尺寸大小、重量綜合分選，分揀規(guī)模較大。AI果蔬分選機器人如圖1所示，能夠綜合果蔬重量、果徑、糖度、酸度、霉心病、內(nèi)部缺陷等內(nèi)外部品質(zhì)進行分選，其分選損傷率小于5%，重量分選精度±2 g，準確率大于95%。這些設備面向于中大型果蔬生產(chǎn)銷售企業(yè)，并不適合小型果蔬生產(chǎn)商、果農(nóng)個體經(jīng)營戶使用。

1.傳感側(cè)重系統(tǒng) 2.內(nèi)部品質(zhì)檢測裝置 3.面陣視覺掃描系統(tǒng)

4.靜音傳動系統(tǒng)

2.2 國內(nèi)研究現(xiàn)狀

我國一直是農(nóng)業(yè)大國，卻不是農(nóng)業(yè)強國，其原因之一在于我國工業(yè)起步相較于農(nóng)業(yè)強國（日本、美國、以色列等）較晚，我國農(nóng)業(yè)自動化程度較低，因此，截至目前，我國在果蔬分揀領域較為成熟的仍然是傳統(tǒng)機械式果蔬分揀技術，其主要針對果蔬的形狀尺寸大小來進行分揀，分揀精度不高并且易對果蔬造成損傷。2000年以來，我國越來越重視農(nóng)業(yè)機械自動化、智能化發(fā)展，我國科研人員不斷探索研究果蔬分揀智能化技術。2008年，鄒小波等[22]利用傅里葉展開降低圖像邊緣點維數(shù)，提出一種新的用于組織特征參數(shù)的遺傳程序，以此開發(fā)了一個完整的圖像數(shù)據(jù)采集系統(tǒng)，該系統(tǒng)能夠從不同角度對果蔬進行檢測，極大地提高了分類率，并具有良好的非線性逼近能力，識別成功率高。2018年，王干[23]在研究臍橙分級裝置時，提出橢圓擬合法檢測臍橙外部尺寸，通過圓臺法計算缺陷面積，分級綜合精度達到91.43%。2021年，Yu等[24]團隊研究了基于圖像處理的水果分揀機器人的目標定位和分類策略，通過機器人視覺識別果蔬，并以識別出的果蔬成熟度作為果蔬分揀標準，設計出水果分揀機器人的程序流程，并通過試驗驗證可行性。

我國農(nóng)業(yè)經(jīng)濟形式?jīng)Q定國內(nèi)果蔬分揀機最主要的方向是小型化、自動化、智能化。少數(shù)大型果蔬公司使用大規(guī)模的綜合進料、清洗、分揀、裝箱等多功能的果蔬分選一體化設備，但大多數(shù)果農(nóng)仍然選擇的是分揀手段參數(shù)單一、結(jié)構(gòu)簡單的機械式果蔬分揀設備，其滿足果農(nóng)所需要的價格低廉、操作簡單、結(jié)實耐用等要求。

3 果蔬分揀設備存在問題

國內(nèi)農(nóng)業(yè)機械化在科技興農(nóng)政策大力支持下蓬勃發(fā)展，截至目前國內(nèi)果蔬分揀設備在機械結(jié)構(gòu)、分揀手段上已經(jīng)相對完善，僅在分揀效率、分揀精度上存在一定差距，因此國內(nèi)外分揀設備總體上所面臨的問題是基本一致的，其具體問題如下。

1） 視覺分揀設備獲取到的果蔬外壁圖像信息存在缺失、失真情況。市面上大部分視覺分揀設備在每道分選線上的相機只有1～3個，如表1所示。分別列舉單條分選線不同個數(shù)相機拍攝時擺放位姿，單相機位于果蔬正上方拍攝，雙相機則成45°夾角對果蔬兩側(cè)進行拍攝，3個相機則對果蔬上、左、右三側(cè)方向拍攝；忽略拍攝的圖像信息重疊部分，將球型果蔬規(guī)則化為球體，果蔬在傳送帶上傳送速度過快，在通過相機拍攝范圍時位姿固定，即使3個相機同時拍攝，其獲取的表面積圖像信息也只能覆蓋到75%。如若通過鏡面反射采集果蔬外壁圖像，雖然能夠得到更加完整的外壁圖像，但該圖像信息背景混亂，且極其容易出現(xiàn)畸變、失真，對分揀造成誤差。

2） 利用近紅外光譜技術分析果蔬糖度的模型適用性較差。糖度是評價部分果蔬內(nèi)部品質(zhì)的重要指標，糖度差別在2°Birx以上，水果的口感差距將變得明顯[25]，在果蔬內(nèi)部品質(zhì)近紅外光譜檢測技術中，果蔬自身的尺寸大小、成分分布、成熟度、產(chǎn)地等因素都會對糖度檢測結(jié)果造成不同程度的影響，現(xiàn)有的果蔬糖度檢測模型往往基于同一品種的果蔬，在檢測不同產(chǎn)地、不同大小的同類果蔬會產(chǎn)生一定的誤差。

3） 可通過分揀設備分揀的果蔬種類具有局限性，一般為質(zhì)地偏硬、不易磕碰損傷的球型果蔬。按照分揀果蔬類型的不同，對國內(nèi)外著名企業(yè)的果蔬分揀設備數(shù)量進行統(tǒng)計，如表2所示。

表2所呈現(xiàn)的易損果蔬分揀設備僅為企業(yè)標識可用于番茄、水蜜桃等易損水果分選，并未實際測試真實耗損，因此，其實用性仍然有待驗證。果蔬分揀設備在傳動運輸過程和分揀完成后收集至集果箱這兩個步驟中不可避免的會產(chǎn)生摩擦和碰撞。相比于柑橘、獼猴桃、干果、土豆等果蔬，番茄、水蜜桃這些果皮嬌嫩、質(zhì)地軟糯的果蔬在采用傳統(tǒng)分揀設備分揀時，因磕碰傷導致的損耗將相當高。

4 果蔬分揀設備發(fā)展趨勢

自動化、智能化的農(nóng)業(yè)裝備仍在不斷發(fā)展，在今后很長一段時間內(nèi)都將是各國的戰(zhàn)略重點和優(yōu)先發(fā)展方向。

1） 針對視覺分揀設備獲取到的果蔬外壁圖像信息缺失、失真問題，目前的解決方案是在分揀設備中添加特殊傳動機構(gòu)，如圖2所示[26]。

當果蔬在滾軸上運動時，由滾軸帶動果蔬進行一定程度上的翻轉(zhuǎn)運動，促使相機獲取盡可能完整的果蔬外壁圖像信息。該方案可行性較高，是目前主流的解決措施，但其存在缺陷，只有在果蔬均理想化為均質(zhì)球型，且與滾軸無相對滑動的情況下，通過計算果蔬理想模型半徑R滿足式（1）條件時，才能夠被相機捕捉到完整的外壁圖像信息。

[R≥r0ω0ω] （1）

式中： [r0]——滾子半徑；

[ω]——滾子的轉(zhuǎn)動角速度；

[ω0]——水果在滾子上的轉(zhuǎn)動角速度。

在實際應用中，由于果蔬形狀并不規(guī)則，且無法保證均質(zhì)，因此相機依舊很難采集到100%完整的果蔬外壁圖像信息，可能會出現(xiàn)瑕疵部位圖像信息丟失影響分揀，并且圖像處理時仍需要進行無效影響分割。因此，要從根本上解決視覺分揀中圖像信息缺失、失真問題，曲面立體掃描成像技術和與人工智能相結(jié)合的更智能更高速的圖像數(shù)據(jù)處理算法將是未來研究的關鍵。

2） 針對近紅外光譜技術分析果蔬糖度的模型適用性差的問題，主要有兩類解決方式，其一是分段式分選，先通過尺寸分揀、視覺顏色分揀等分揀方式盡可能規(guī)避多因素對果蔬糖度的影響，而后通過近紅外光譜技術利用果蔬糖度分揀模型進行二次分揀，該方式可有效提高果蔬糖度分揀精度，降低誤差，但缺陷是多次分揀較為繁瑣，治標不治本。其二是利用不同果徑糖度通用預測模型和波段篩選算法相結(jié)合的策略建立一種新型的混合果徑模型，已驗證該模型對不同果徑的蘋果糖度的預測分揀具有一定可行性[27]，后續(xù)研究可在此基礎上推廣至其他果蔬，或以此方式規(guī)避其他影響糖度分揀的因素，建立其他內(nèi)部品質(zhì)指標預測通用模型，這將是未來近幾年解決近紅外光譜以果蔬糖度分揀的主要研究方向。

3） 針對果皮嬌嫩、質(zhì)地軟糯的易損果蔬無法通過傳統(tǒng)分揀設備分揀問題，可改變果蔬分揀機構(gòu)的抓取方式來解決。提出一種機械臂配合傳送帶的抓取式分揀設備，其將規(guī)避果蔬在傳送帶上進行長距離傳送翻滾以及落入集果箱時的碰撞損傷，如圖3所示。

當該分揀設備開始工作時，PLC控制傳送帶啟動，并將末端執(zhí)行器回歸初始位置，同時機械臂歸位，相機開始拍攝，當果蔬傳送至相機拍攝范圍，線陣相機獲取圖像信息，通過上位機視覺算法分析獲取果蔬當前位置以及外徑大小，結(jié)合傳送帶速度將果蔬動態(tài)位置信息傳遞給PLC，控制末端執(zhí)行器張開適當角度配合機械臂實現(xiàn)動態(tài)抓取，最后分揀至集果箱中，完整操作流程如圖4所示。

改變果蔬分揀抓取方式在短期內(nèi)效率將成為一個明顯短板，但在特殊場合也將有意想不到的效果，如在果蔬采摘后直接利用機械臂配合夾爪進行分揀，實現(xiàn)采摘分揀一體化作業(yè)；或在一次分揀過后，對精品果蔬進行二次分揀，由將符合要求的果蔬直接抓取至包裝禮盒，實現(xiàn)對精品果的自動化分揀和包裝。

5 結(jié)語

1） 我國果蔬分揀技術經(jīng)過多年發(fā)展，已逐步拉近與國外的技術差距，預測未來幾年我國也能夠達到果蔬分揀設備的高自動化程度，并具備一定的商業(yè)化規(guī)模?；跈C器視覺和近紅外光譜等技術的分揀將是未來果蔬高品質(zhì)分揀設備必備功能，更高效的視覺圖像處理算法和更具適應性的果蔬內(nèi)部品質(zhì)預測模型是未來亟待研究的熱點課題。

2） 易損果蔬場景的分揀問題也會是未來果蔬分揀行業(yè)不可避免的問題之一，通過機械臂和柔性機械手抓取果蔬進行分揀的果蔬分揀設備，在采后分揀場景或精品果二次分揀場景下具有一定可行性。

參 考 文 獻

[ 1 ] 周雪青， 張曉文， 鄒嵐， 等. 水果自動檢測分級設備的研究現(xiàn)狀和展望[J]. 農(nóng)業(yè)技術與裝備， 2013（2）： 9-11.

Zhou Xueqing， Zhang Xiaowen， Zou Lan， et al. Research status and prospect of fruit automatic detection and grading equipment [J]. Agricultural Technology amp; Equipment， 2013（2）： 9-11.

[ 2 ] 李素庭. 國外水果分選分級設備[J]. 糧油加工與食品機械， 1983（11）： 1-8.

[ 3 ] 李梅. 水果分揀技術的研究現(xiàn)狀與發(fā)展[J]. 江蘇理工學報， 2018， 24（2）： 121-124.

Li Mei. Research status and development of fruit sorting technology [J]. Journal of Jiangsu Science and Technology， 2018， 24（2）： 121-124.

[ 4 ] 白菲， 孟超英. 水果自動分級技術的現(xiàn)狀與發(fā)展[J]. 食品科學， 2005（S1）： 145-148.

Bai Fei， Meng Chaoying. Research progress and commercialization of the automatic classification technology [J]. Food Science， 2005 （S1）： 145-148.

[ 5 ] 張方明， 應義斌. 水果分級機器人關鍵技術的研究和發(fā)展[J]. 機器人技術與應用， 2004（1）： 33-37.

Zhang Fangming， Ying Yibing. Research and development of key technologies of fruit grading robot [J]. Robot Technique and Application， 2004（1）： 33-37.

[ 6 ] Blasco J， Aleixos N， Molto E. Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm [J]. Journal of Food Engineering， 2007， 81（3）： 535–543.

[ 7 ] Kondo N. Robotization in fruit grading system [J]. Sensing and Instrumentation for Food Quality and Safety， 2009， 3（1）： 81-87.

[ 8 ] Costa C， Menesatti P， Paglia G， et al. Quantitative evaluation of Tarocco sweet orange fruit shape using optoelectronic elliptic Fourier based analysis [J]. Postharvest Biology and Technology， 2009， 54（1）： 38-47.

[ 9 ] Zou Xiaobo， Zhao Jiewen， Li Yanxiao. In?line detection of apple defects using three color cameras system [J]. Computers and Electronics in Agriculture， 2010， 70（1）： 129–134.

[10] Esehaghbeygi A， Ardforoushan M， Monajemi S. A. H.， et al. Digital image processing for quality ranking of saffron peach [J]. International Agrophysics， 2010， 24（2）： 115-120.

[11] ElMasry G， Cubero S， Molto E， et al. In?line sorting of irregular potatoes by using automated computer： Based machine vision system. Journal of Food Engineering， 2012， 112（1-2）： 60-68.

[12] Dubey S R， Jalal A S， Apple disease classification using color， texture and shape features from images [J]. Signal， Image and Video Processing， 2015， 10（5）： 819-826.

[13] Nandi C S， Tudu B， Koley C. A machine vision technique for grading of harvested mangoes based on maturity and quality [J]. IEEE Sensors Journal， 2016（16）： 6387-6396.

[14] Zhang Y， Philips P， Wang S， et al. Fruit classification by biogeography： Based optimization and feed forward neural network [J]. Journal of Knowledge Engineering （Wiley）， 2016， 33（3）： 239-253.

[15] Naik S， Patel B. Thermal imaging with fuzzy classifier for maturity and size based non?destructive Mango （Mangifera Indica L.） grading [C]. International Conference on Emerging Trends amp; Innovation in ICT， 2017b： 15-20.

[16] Vishal A， Kailas P， Sahadeo D. MNet： A framework to reduce fruit image misclassification [J]. ISI， 2021， 26（2）： 159-170.

[17] Amin M， Hafeez M， Awais Q. Rotten?fruit?sorting robotic arm： （Design of low complexity CNN for embedded system） [J]. Engineering Proceedings， 2022， 12（1）： 109.

[18] Sabzi S， Nadimi M， Abbaspour?Gilandeh Y. Non?destructive estimation of physicochemical properties and detection of ripeness level of apples using machine vision [J]. International Journal of Fruit Science， 2022， 22（1）： 628-645.

[19] Noutfia Y， Ropelewska E. Innovative models built based on image textures using traditional machine learning algorithms for distinguishing different varieties of moroccan date palm fruit （phoenix dactylifera L.） [J]. Agriculture?Basel， 2023， 13（1）： 26.

[20] Subir K， Subeesh A， Kumkum D， et al. Development of an optimally designed real?time automatic citrus fruit grading?sorting machine leveraging computer vision： Based adaptive deep learning model [J].Engineering Applications of Artificial Intelligence， 2023，120：105826.

[21] 謝和生. FJ-1型水果分級機的研究[J]. 糧油加工與食品機械， 1984（8）： 36-39.

[22] 鄒小波， 趙杰文. 用遺傳算法快速提取近紅外光譜特征區(qū)域和特征波長[J]. 光學學報， 2007（7）： 1316-1321.

Zou Xiaobo， Zhao Jiewen. Fast extraction of near?infrared spectral characteristic region and characteristic wavelength using genetic algorithm [J]. Journal of Optics， 2007 （7）： 1316-1321

[23] 王干. 車載式臍橙采后分級設備的研究[D]. 鎮(zhèn)江： 江蘇大學， 2018.

Wang Gan. Study on vehicle?mounted classification equipment for post?harvest navel orange [D]. Zhenjiang： Jiangsu University， 2018.

[24] Yu Jianhong， Miao Weijie， Zhang Guangben， et al. Target positioning and sorting strategy of fruit sorting robot based on image processing [J]. Traitement du Signal， 2021， 38（3）： 797-805.

[25] Liu Yande， Rao Yu， Sun Xundong， et al. Size effect on the near?infrared spectroscopy detection model of navel orange [J]. Spectros Copy and Spectral Analysis， 2020， 40（10）.

[26] 魏新華， 周杏鵬， 李法德， 等. 水果機器視覺分選機滾子式輸送翻轉(zhuǎn)機構(gòu)優(yōu)化設計[J]. 農(nóng)業(yè)機械學報， 2007（9）： 98-102.

Wei Xinhua， Zhou Xingpeng， Li Fade， et al. Optimum design of fruits roller conveyor of machine vision grader [J]. Transactions of the Chinese Society for Agricultural Machinery， 2007（9）： 98-102.

[27] 姜小剛， 朱明旺， 姚金良， 等. 基于近紅外光譜技術蘋果尺寸差異對糖度模型適用性的影響[J]. 華中農(nóng)業(yè)大學學報， 2024， 43（1）： 242-248.

Wei XiaoGang， Zhu Mingwang， Yao Jinliang， et al. Effects of apple size on the applicability of the model for predicting the content of sugar based on near infrared spectroscopy [J]. Journal of Huazhong Agricultural University， 2024， 43（1）： 242-248.