我国是世界上苹果生产和消费大国[1]。2005 年～2021 年，我国苹果年产量逐年提高，由2 401 万t 增加至4 597 万t，涨幅达到91%，苹果产量占我国水果总产量百分比较为稳定，保持在16%左右[2]。同时，我国苹果种植面积广阔，种植区域遍布陕西、山东、山西、甘肃等省份，常年维持在2 000 khm2，约占水果总种植面积的18%。然而，我国每年有18% 以上的苹果在生长、收获、运输、分拣、贮藏、消费等各个环节中损耗浪费[3]，直接造成的经济损失高达数亿元。引起苹果损耗的原因多种多样，其中缺陷果的不及时检测与剔除是主要因素。苹果皮薄肉嫩，在生长过程中易受环境影响产生缺素、鸟啄、晒斑、虫咬等生理缺陷，在采摘运输分拣等过程中易受各种机械碰撞而产生损伤缺陷，随之受微生物侵染产生各种病害缺陷[4]。苹果属于典型的呼吸跃变型果实，缺陷会加快组织新陈代谢速度，缺陷组织随时间推移逐渐恶化扩散，不仅降低苹果品质，还导致潜在的农产品安全问题。一个病害果可能会造成整批苹果全部染病，对苹果产业造成巨大的经济损失。因此，开发一种无损检测技术，用于缺陷苹果的快速检测与剔除，可以降低苹果损耗率，增加经济效益，对苹果产业的发展意义重大。本文针对苹果缺陷无损检测技术的研究进展进行总结与展望，为苹果采后检测与品质保障提供技术参考，为开发一种新型的农产品产后无损检测方法提供思路。
1 苹果缺陷定义与分类
果园的生态环境、遗传因素以及后期不当的采摘、运输过程都会导致苹果缺陷的产生。苹果缺陷主要可以分为以下3 类：由环境因素产生的生理缺陷、在采摘及运输等过程中产生的损伤缺陷以及由微生物侵染产生的病害缺陷，具体如图1 所示。
图1 苹果生理缺陷、损伤缺陷与病害缺陷
Fig.1 Physiological defects， damage defects， and disease defects in apples
1.1 生理缺陷
常见的苹果生理缺陷有苦痘病和日烧病。苦痘病[图1（A）]是一种由于缺钙造成的苹果生理缺陷。苦痘病病斑多发生于果实顶部和果肩的下半部，初期为颜色较深暗的微凹陷圆斑，以皮孔为中心，在红色品种苹果上为暗红色，黄色、绿色品种上为暗绿色，周围有深红色或黄绿色晕圈。后期病斑凹陷，呈褐色，直径一般为2～4 mm，大者可达10 mm 左右。轻度缺陷果有3～5 处病斑，重度缺陷果多达60～70 处，严重时病斑布满果面。病斑皮下果肉坏死，呈褐色，海绵状，深达果肉几毫米，味苦。
日烧病又称日灼病[图1（B）]，主要在苹果果实上发病，也可发生在苹果树枝干上。果实尤以向阳面受害严重，被害果初呈黄白色、黄绿色或浅白色不规则病斑，果面出现水烫状的浅色或黑色斑块。随着日光持续照射，内部果肉逐渐硬化，果皮及附近细胞呈深褐色坏死，形成近圆形或不规则形坏死斑。发病处可受病菌的侵染而引起果实腐烂。
1.2 损伤缺陷
苹果具有果皮薄、果肉嫩的特点，轻微的外力冲击即可对苹果果实造成一定的伤害，这种由外力造成的伤害称为机械损伤缺陷[图1（C）]。苹果的机械损伤可发生在各个阶段：在生长过程中，生长较近的两个果实由于外力作用相互碰撞而导致损伤；在采摘过程中，由于采摘工人过分用力而导致果实损伤；在运输过程中，由于运输工具不可避免的振动、颠簸而导致苹果之间相互碰撞造成损伤；在存储过程中，由于苹果的堆积和挤压而导致损伤；在销售过程中，由于顾客的多次翻动而产生损伤。机械损伤在短时间内不会被肉眼察觉，其微观结构上表现为细胞破裂——细胞膜的破裂导致细胞质中的各种酶进入细胞间隙，与空泡中的物质发生反应[5]。机械损伤在后期会改变新陈代谢的速度进而产生相应的生理变化，如质量减轻、水分损失、颜色和硬度的变化等[4-5]。机械损伤还会使苹果的感官质量恶化，如含糖量和含酸量的变化，使其容易发酵、发霉或者腐烂，甚至感染其他健康的苹果，从而影响苹果的商业价值，并且导致潜在的食品安全问题[6-7]。
1.3 病害缺陷
常见的苹果病害缺陷有炭疽病和轮纹病。炭疽病[图1（D）]是苹果最主要的果实病害之一，在我国各大苹果产区皆有发生。炭疽病果实发病初期出现病斑并迅速扩大，呈深褐色，随着病斑部位下陷，内部果肉开始腐烂，最终导致果实腐烂、脱落，对苹果产业造成损失极大。
轮纹病[图1（E）]常与炭疽病混合发作，易混淆。发病时病部果实出现褐色的水渍状病斑，随着病情加重，呈深浅相间的同心轮纹状病斑，其外缘有明显的淡色水渍圈，最终引起果实腐烂，有酸腐味。此外，霉心病、锈病、褐斑病等都是苹果的病害缺陷之一。
2 苹果缺陷无损检测技术
根据苹果的不同缺陷种类和特性，研究者开发了一系列基于光、声、电、磁等的无损检测技术[8-9]，如机器视觉、近红外光谱、高光谱成像、多光谱成像、空间频域成像、热成像、基于声学特性的检测技术、X 射线与核磁共振技术等，其性能对比分析如表1 所示。
表1 苹果缺陷无损检测技术性能比较
Table 1 Comparison of non-destructive testing technologies performance for apple defects
检测技术机器视觉高光谱成像多光谱成像近红外光谱热成像空间频域成像X 射线/计算机断层扫描（computed tomography， CT）核磁共振基于声学特性优点成本低，操作方便，易判断苹果表面缺陷准确度高，信息量大检测速度快，准确度高速度快，效率高，无需样品准备检测速度快，对温度敏感度高成像深度可辨析，准确度高适用范围广，检测精度高不足无法检测内部缺陷，光谱信息缺失检测效率低特征波长需提前选择检测模型泛化能力弱、鲁棒性不强对样品准备要求高适用范围小，检测深度受限成本高，有辐射，易产生危害检测部位外部外部外部外部、内部外部外部、皮下内部参考文献[10][11-12][13][14-15][16][17][18]快速，直观，正确率高识别快速，检测覆盖面广设备昂贵，扫描周期长对设备要求较高内部内部[19][20]
2.1 机器视觉技术
传统机器视觉是一种基于红绿蓝（red-green-blue，RGB）彩色相机模拟人类视觉的技术，常用于获取苹果的颜色、尺寸、形状、纹理等外观物理特性，并基于此实现外部缺陷检测[21]。正如人眼对红、绿、蓝3 基色敏感一样，机器视觉是一种基于RGB 彩色相机通过3 个滤光片采集物体在R、G、B 波段处的图像来模拟人类视觉的技术。因此，RGB 彩色图像在色彩上非常接近人眼看到的颜色[22]。对于苹果的颜色、尺寸、形状、纹理等外观物理特性以及大多数苹果表面缺陷，机器视觉可实现检测。
机器视觉技术多采用可见光成像，由于可见光的穿透能力有限，其主要为表面初级反射光成像，所以目前主要应用于苹果外部品质检测[23]。苹果表面颜色多样、果梗/花萼的存在、噪声及形状对亮度分布的影响，都会给苹果缺陷检测带来挑战。
2.2 近红外光谱技术
近红外光谱技术是一种将光谱测量技术、计算机技术与化学计量学技术有机结合，将近红外光谱所反映的样品内部物质的组成或性质数据，采用化学计量学方法建立校正模型，然后通过对未知样品光谱的测定和建立的校正模型来快速预测其组成或性质的分析方法。该技术在水果品质检测中有众多优良的性能，可以精确检测水果内部的糖度、酸度、可溶性固形物含量、维生素含量等[24]。
近红外光谱分析技术的优点包括：1）操作简单，几乎不用进行预处理，误差小，重现性好；2）检测成本低，损耗少，污染小，近红外检测在分析过程中损耗样本少，不需要大量试剂，对环境友好；3）检测效率高，分析速度快，可同时对样本进行多成分分析，并且可靠性较高[25]。但近红外光谱分析技术因其检测灵敏度不高，在检测过程中容易受到外界检测环境影响，限制了其在食品科学、农产品产后处理等领域的应用。此外，预测模型的泛化能力弱、鲁棒性不高，限制了该技术在实际生产中的大规模应用[26]。
2.3 高光谱成像、多光谱成像技术
传统的机器视觉技术只能采集到可见光波段的图像来模拟人类视觉，高光谱成像技术则融合了传统的光谱和成像技术的优点，可以在几乎连续的光谱通道上获取成百上千的单色图像，图像的每一个像素处对应一个完整的光谱曲线[27]。因此，高光谱成像获取的是一个“图谱合一”的三维数据立方体。丰富的数据信息使高光谱成像技术在检测苹果表面缺陷，尤其是隐性损伤方面具备了较大的潜力。高光谱成像虽然拓宽了机器视觉的应用范围，但是其庞大的数据量影响了检测的效率，亮度不均等情况在高光谱成像中依然存在。
高光谱成像技术综合了机器视觉与近红外光谱这两种技术的优势，与机器视觉相比，二者都可以获取被测物体的图像信息，但高光谱成像还可以获取物体的光谱信息；与近红外光谱相比，其优势在于获得的是物体的“面”信息，而近红外光谱则是对物体“点”信息的获取。总体而言，高光谱成像技术能够快速准确地对果品的内外部品质进行检测，可实现早期腐烂、瘀伤等外部损伤缺陷检测[28]。但是，目前高光谱成像大多选取较多特征波段或结合图像信息处理方法进行检测，建模繁琐、检测信息量大、检测速度慢等问题限制了其在水果品质在线检测的应用[29]。
多光谱成像在高光谱成像的基础上应运而生，通过光谱图像分析，挑选出适合于相关应用的最优波段，从而减小数据量，构建多光谱成像系统用于在线快速检测[30]。多光谱成像可通过分光镜、滤光片等光学元件和成像设备实现波长选择。有效波长的选择、光路搭建、图像几何校正、亮度不均校正等是搭建多光谱成像检测中需要考虑的关键问题，也是目前研究的热点和难点。
2.4 X 射线和CT 技术
X 射线因其高频特性携带较高的能量，可以较容易的穿透水果这类碳水化合物。同时又因为物质的组成成分、密度大小影响射线穿透量的多少，所以通过X射线穿透量的分析，就可探明物质内部情况。因此，X射线成像技术对农产品内部品质检测有着得天独厚的优势，如苹果的碰伤、腐烂及水心病以及内部的水分、糖分、酸度含量等。
计算机断层扫描（CT）技术作为X 射线技术的一个分支，已在无损检测的研究中受到越来越多的国内外学者的青睐。CT 技术因为其极强的穿透能力及成熟的数字成像能力，在农产品内部品质的检测研究中具有优势。然而，X 射线与CT 成像能量较高，成像时的辐射对人体存在一定危害；此外，该技术对水果组织显像不清晰，对比度较小的细微结构难以有效辨认，在水果表皮损伤检测方面存在不足。X 射线与CT 成像的设备价格昂贵，目前无法广泛应用于苹果产业。
2.5 基于声学特性的检测技术
声学特性是指农产品在声波作用下的反射、散射、透射及吸收特性，衰减系数和传播速度及其自身的声阻抗与固有频率等。水果的声学特性随着内部组织的变化而变化，通过分析声振信号即可判别水果品质与声振信号之间的关系[31]。因此，近年来，低能超声波也被用于水果品质的评定。利用声学特性检测水果品质的应用主要包括1）测定共振频率以确定水果的硬度；2）测定声波的传播速度以确定水果的成熟度；3）测定声压以确定水果的含水率；4）检测内部缺陷等[32-34]。但是该技术对传感器的灵敏度要求较高，易出现样本振动特性采集不完整或者信噪比低的情况。
2.6 核磁共振技术
核磁共振是一门利用原子核的物理性质来研究各种分子的物理和化学结构的新技术，近年来在分子生物学、医学、药学、遗传学、食品等领域得到了迅速的发展[35]。核磁共振技术能够在不破坏生物样品的情况下，通过测定生物分子中的H、C、P 等原子核的化学位移、自旋、自旋耦合、弛豫时间及谱线面积等参数，快速直观地给出生物分子组成的信息，并作为测定生物活性物质能量转换特征的重要指标。核磁共振成像技术能够使生物体的物理化学信息图像化，可以无损地了解生物体内非均匀体系的情况。核磁共振技术可实现苹果内部缺陷（压伤、水心、褐变）的无损检测 [36-37]。然而，核磁共振技术具有设备昂贵、扫描周期长的缺点，这在一定程度上限制了该技术在农业领域的普及和应用。
2.7 空间频域成像技术
空间频域成像是一种测定生物组织光学特性参数（主要为吸收系数和约化散射系数）的新型宽场成像技术。该技术使用二维结构化光源，通常为正弦模式的结构光。其成像设备是能够采集二维图像的电荷耦合（charge coupled device，CCD）相机，使得空间频域成像技术能够在更大的视野上进行光学特性参数的测量。空间频域成像深度可根据成像所使用的结构光的频率而发生变化，使得该技术可以对农产品等生物组织进行三维成像。苹果组织为浑浊介质，其作用近似于低通滤波器，高频光源的能量在组织中快速衰减，而低频光源则具有较强的穿透能力。得益于该特性，空间频域成像在农产品表皮外部品质及浅表层内部品质检测方面有着得天独厚的优势。
目前，空间频域成像技术已被广泛应用于苹果、梨、桃子、黄瓜等多种农产品的缺陷检测，未来有望拓展到更多种类的农产品以及更多类型的缺陷检测[38]。然而，当前的苹果缺陷检测主要集中在实验室研究阶段，离实际应用仍有一定距离，这主要是因为该技术在检测效率方面仍存在问题和挑战，需进一步开发理论模型、完善系统集成、优化数据处理算法，提高空间频域成像技术的实时在线检测性能。
2.8 热成像技术
热成像是一种利用物体自身各部分温度差异，向外的红外热辐射不同，把物体不可见的热辐射情况转换为可视化热像图的技术。自然界中，凡高于绝对温度零度的任何物体都会不停地向外界辐射红外电磁波。对于均匀表面，如果物体内部温度相同，则理论上其向外辐射的电磁波（表现为红外辐射能量）就应相同；如果物体表面或内部存在缺陷，则理论上其内部温度也会存在一定的差异，这种差异必然导致其表面温度场也存在差异，从而向外辐射的红外能量也会存在差异。
热成像技术的原理就是利用不同材料在热激励的作用下由于材料的导热系数不同而导致所对应的温度不同，所以在判断表面所形成的缺陷轮廓差不多的情况下，可以利用热像图温度曲线定性判断果梗、花萼及缺陷的类型，也可以从各种缺陷不同的特征来判别出不同种类的缺陷[39]。
2.9 应用
以上8 种无损检测技术在苹果缺陷检测研究中取得了有价值的进展。表2 总结了8 种检测技术在过去10 年（2013～2023）中的部分典型应用，以期为未来持续开展苹果缺陷检测提供参考。
表2 8 种传感技术在苹果缺陷无损检测中的典型应用
Table 2 Typical applications of eight sensor technologies in non-destructive testing of apple defects
注：ILE-WSM 为等高线提取结合标记约束的分水岭分割（isohypse line extraction combined with marker constraint watershed segmentation）；SVM为支持向量机（support vector machine）；ISODATA 为迭代自组织数据分析技术（iterative self-organizing data analysis technique）；PLS-DA 为偏最小二乘判别分析（partial least squares discriminant analysis）；SPA 为连续投影算法（successive projections algorithm）；PCA 为主成分分析（principal component analysis）；KNN 为K-最近邻（K-nearest neighbor）；LDA 为线性判别分析（linear discriminant analysis）；ANNs 为人工神经网络（artificial neural networks）；THS 为阈值分段（threshold segmentation）；GA 为遗传算法（genetic algorithm）；CNN 为卷积神经网络（convolutional neural network）。
检测技术机器视觉苹果种类红富士缺陷类型生理缺陷损伤缺陷算法ILE-WSM SVM精度/%97.3 96参考文献[40][41]高光谱成像红富士、王林、国光损伤缺陷多光谱成像红富士参数RGB 模式RGB 模式HSV 模型HSV 模式λ=390～1 000 nm λ=900～2 500 nm λ=386～1 016 nm λ=400～1 000 nm SVM ISODATA PLS-DA SPA PCA 91.5 92.5 98 97.33 99.5[42][43][44][45][46]近红外光谱红富士生理缺陷损伤缺陷损伤缺陷KNN， LDA ANNs热成像空间频域成像红富士金冠X 射线/CT 红富士λ=930～2 500 nm λ=400～1 000 nm P=500 W λ=550～730 nm fx=100 m-1 V=80 kV，I=439 mA THS SVM THS GA， SVM>85>99.2 92～96>93.33>90 95.6>93核磁共振布瑞本[47][48][49][50][51][52][53][54]基于声学特性红富士损伤缺陷损伤缺陷病害缺陷生理缺陷损伤缺陷损伤缺陷病害缺陷病害缺陷SVM， CNN 96.97[55]
3 总结与展望
本文首先总结了苹果缺陷的3 种类型（生理缺陷、损伤缺陷、病害缺陷），其次综述了机器视觉、近红外光谱、高光谱成像、多光谱成像、X 射线、基于声学的技术、核磁共振、空间频域成像和热成像等8 种无损检测技术，对其检测原理进行介绍，对比分析了各种技术的优缺点，最后列举总结了苹果缺陷检测近十年的研究现状。分析发现，单一检测技术已无法满足苹果缺陷的全面检测要求，采用多源信息融合的方式可以全方面多角度地获取苹果缺陷相关特征信息，有望提升苹果缺陷检测的精度和检测稳定性。与此同时，深度学习、随机森林等数据处理算法的日益成熟，使得苹果缺陷的在线快速准确检测成为可能。本文期望为苹果缺陷检测研究以及后续的商业化处理提供参考。
[1] 翁鸣. 中国农产品进出口现状及其特点[J]. 国际贸易, 2013(6):30-35.WENG Ming. Current situation and characteristics of import and export of agricultural products in China[J]. Intertrade, 2013(6): 30-35.
[2] 国家统计局. 茶叶、水果产量[EB/OL]. [2024-07-08]. https://data.stats.gov.cn/easyquery.htm?cn=C01.National Bureau of Statistics. Output of tea, fruit[EB/OL]. [2024-07-08]. https://data.stats.gov.cn/easyquery.htm?cn=C01.
[3] 李泰, 程广燕, 黄家章, 等. 苹果和柑桔损耗与浪费的综合足迹评估[J]. 中国生态农业学报, 2021, 29(4): 683-690.LI Tai, CHENG Guangyan, HUANG Jiazhang, et al. Comprehensive footprint assessment of apple and citrus loss and waste[J]. Chinese Journal of Eco-Agriculture, 2021, 29(4): 683-690.
[4] LI Z, THOMAS C. Quantitative evaluation of mechanical damage to fresh fruits[J]. Trends in Food Science & Technology, 2014, 35(2):138-150.
[5] SCHERRER-MONTERO C R, DOS SANTOS L C, ANDREAZZA C S, et al. Mechanical damages increase respiratory rates of citrus fruit[J]. International Journal of Fruit Science, 2011, 11(3): 256-263.
[6] 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.
[7] LU Y, LU R. Non-destructive defect detection of apples by spectroscopic and imaging technologies: A review[J]. Transactions of the ASABE, 2017, 60(5): 1765-1790.
[8] 窦文卿, 柴春祥, 鲁晓翔. 无损检测技术在水果品质评价中应用的研究进展[J]. 食品工业科技, 2020, 41(24): 354-359.DOU Wenqing, CHAI Chunxiang, LU Xiaoxiang. Research progress of non-destructive detection technique in fruit quality evaluation[J]. Science and Technology of Food Industry, 2020, 41(24): 354-359.
[9] 谈文艺. 基于高光谱成像技术的苹果外部损伤精确识别与分级方法研究[D]. 哈尔滨: 黑龙江大学, 2018.TAN Wenyi. Research on accurate identification and classification method of apple external damage based on hyperspectral imaging technology[D]. Harbin: Heilongjiang University, 2018.
[10] 秦寅初, 李涛, 李旭, 等. 基于机器视觉的苹果表损智能检测系统设计[J]. 食品与机械, 2024, 40(6): 138-142.QIN Yinchu, LI Tao, LI Xun, et al. Design of apple damage automatic detection system based on machine vision[J]. Food & Machinery, 2024, 40(6): 138-142.
[11] 孟庆龙, 张艳, 尚静. 基于高光谱成像技术的苹果表面缺陷无损检测[J]. 食品研究与开发, 2019, 40(5): 168-172.MENG Qinglong, ZHANG Yan, SHANG Jing. Nondestructive detection of defect on apples using hyperspectral imaging technology[J]. Food Research and Development, 2019, 40(5): 168-172.
[12] 陈龙跃, 段丹丹, 王凡, 等. 高光谱成像技术在水果品质无损检测中的研究进展[J]. 广东农业科学, 2023, 50(7): 83-94.CHEN Longyue, DUAN Dandan, WANG Fan, et al. Research progress of non-destructive testing of fruit quality by hyperspectral imaging technology[J]. Guangdong Agricultural Sciences, 2023, 50(7):83-94.
[13] 周孟然, 燕晶晶, 来文豪, 等. 基于完全局部二值模式的多光谱法识别损伤苹果[J]. 食品安全质量检测学报, 2021, 12(23): 9086-9092.ZHOU Mengran, YAN Jingjing, LAI Wenhao, et al. Multispectral damage identification of apple based on complete local binary pattern[J]. Journal of Food Safety & Quality, 2021, 12(23): 9086-9092.
[14] 马雪亭, 罗华平, 高峰, 等. 近红外光谱技术在苹果检测方面的研究与应用[J]. 食品安全质量检测学报, 2022, 13(13): 4219-4227.MA Xueting, LUO Huaping, GAO Feng, et al. Research and application of near-infrared spectroscopy in apple detection[J]. Journal of Food Safety & Quality, 2022, 13(13): 4219-4227.
[15] 彭彦昆, 孙晨, 赵苗. 苹果品质动态无损感知及分级机器手系统[J]. 农业工程学报, 2022, 38(16): 293-303.PENG Yankun, SUN Chen, ZHAO Miao. Dynamic nondestructive sensing and grading manipulator system for apple quality[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(16): 293-303.
[16] 周建民, 刘娟娟, 舒丽丽. 苹果表面缺陷红外热成像检测装置及处理方法[J]. 中国农机化, 2012(2): 113-115, 120.ZHOU Jianmin, LIU Juanjuan, SHU Lili. Device and method of infrared thermography in surface quality detection of apples[J]. Chinese Agricultural Mechanization, 2012(2): 113-115,120.
[17] 孙晓林, 周童童, 孙志忠, 等. 光学特性在果蔬品质无损检测中的研究进展[J]. 食品研究与开发, 2022, 43(4): 209-218.SUN Xiaolin, ZHOU Tongtong, SUN Zhizhong, et al. Research progress into optical property-based nondestructive fruit and vegetable quality assessment[J]. Food Research and Development,2022, 43(4): 209-218.
[18] 黄滔滔, 孙腾, 张京平. 基于CT 图像的苹果内部品质无损检测[J]. 浙江大学学报(农业与生命科学版), 2013, 39(1): 92-97.HUANG Taotao, SUN Teng, ZHANG Jingping. Non-destructive detection of internal quality of apple based on CT image[J]. Journal of Zhejiang University (Agriculture & Life Sciences), 2013, 39(1):92-97.
[19] 沈海军. 基于低场核磁共振技术对苹果新鲜度智能检测的研究[D]. 扬州: 扬州大学, 2023.SHEN Haijun. Research on intelligent detection of apple freshness based on low - field nuclear magnetic resonance technology[D].Yangzhou: Yangzhou University, 2023.
[20] 白志杰. 基于声学特性水果硬度检测系统与应用方法的研究[D]. 镇江: 江苏大学, 2018.BAI Zhijie. Study on the detection system and application method of fruit firmness based on acoustic characteristics[D]. Zhenjiang: Jiangsu University, 2018.
[21] 彭彦昆, 孙晨, 刘乐, 等. 苹果外部缺陷全表面在线检测分选装置研发[J]. 农业工程学报, 2022, 38(23): 266-275.PENG Yankun, SUN Chen, LIU Le, et al. Development of full-surface online detection and sorting device for external defects of apples[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(23): 266-275.
[22] LORENTE D, ALEIXOS N, GÓMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology,2012, 5(4): 1121-1142.
[23] 杨涛, 李晓晓. 机器视觉技术在现代农业生产中的研究进展[J].中国农机化学报, 2021, 42(3): 171-181.YANG Tao, LI Xiaoxiao. Research progress of machine vision technology in modern agricultural production[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(3): 171-181.
[24] 马佳佳, 王克强. 水果品质光学无损检测技术研究进展[J]. 食品工业科技, 2021, 42(23): 427-437.MA Jiajia, WANG Keqiang. Research progress of optical nondestructive testing technology for fruit quality[J]. Science and Technology of Food Industry, 2021, 42(23): 427-437.
[25] BENELLI A, CEVOLI C, FABBRI A, et al. Ripeness evaluation of kiwifruit by hyperspectral imaging[J]. Biosystems Engineering,2022, 223(PartB): 42-52.
[26] 何代弟, 张晓, 张楠楠, 等. 苹果内部品质近红外光谱无损检测研究进展[J]. 安徽农学通报, 2023, 29(16): 136-139.HE Daidi, ZHANG Xiao, ZHANG Nannan, et al. Research progress on nondestructive testing of apple internal quality by near infrared spectroscopy[J]. Anhui Agricultural Science Bulletin, 2023,29(16): 136-139.
[27] LIU D, ZENG X A, SUN D W. Recent developments and applications of hyperspectral imaging for quality evaluation of agricultural products: A review[J]. Critical Reviews in Food Science and Nutrition, 2015, 55(12): 1744-1757.
[28] PAN X, SUN L, LI Y, et al. Non-destructive classification of apple bruising time based on visible and near-infrared hyperspectral imaging[J]. Journal of the Science of Food and Agriculture, 2019, 99(4): 1709-1718.
[29] 曹玉栋, 祁伟彦, 李娴, 等. 苹果无损检测和品质分级技术研究进展及展望[J]. 智慧农业, 2019, 1(3): 29-45.CAO Yudong, QI Weiyan, LI Xian, et al. Research progress and prospect on non-destructive detection and quality grading technology of apple[J]. Smart Agriculture, 2019, 1(3): 29-45.
[30] 张保华, 黄文倩, 李江波, 等. 基于高光谱成像技术和 MNF 检测苹果的轻微损伤[J]. 光谱学与光谱分析, 2014, 34(5): 1367-1372.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.
[31] 徐赛, 陆华忠, 丘广俊, 等. 水果品质无损检测研究进展及应用现状[J]. 广东农业科学, 2020, 47(12): 229-236.XU Sai, LU Huazhong, QIU Guangjun, et al. Research progress and application status of fruit quality nondestructive detection technology[J]. Guangdong Agricultural Sciences, 2020, 47(12): 229-236.
[32] 杨帆, 吕立新. 基于光谱成像和声学技术的水果成熟度无损检测系统设计[J]. 兰州文理学院学报(自然科学版), 2023, 37(1):60-65.YANG Fan, LÜ Lixin. Design of non-destructive testing system for fruit ripeness based on spectral imaging and acoustic technology[J].Journal of Lanzhou University of Arts and Science (Natural Sciences), 2023, 37(1): 60-65.
[33] CUCCIA D J, BEVILACQUA F, DURKIN A J, et al. Modulated imaging: Quantitative analysis and tomography of turbid media in the spatial-frequency domain[J]. Optics Letters, 2005, 30(11): 1354.
[34] 王俊, 腾斌. 桃下落冲击动力学特性及其与坚实度的相关性[J].农业工程学报, 2004, 20(1): 193-197.WANG Jun, TENG Bin. Drop impact dynamic characteristics and relationship between its characteristics and firmness for peach[J].Transactions of the Chinese Society of Agricultural Engineering,2004, 20(1): 193-197.
[35] SUCHANEK M, KORDULSKA M, OLEJNICZAK Z, et al. Application of low-field MRI for quality assessment of ′Conference′ pears stored under controlled atmosphere conditions[J]. Postharvest Biology and Technology, 2017, 124: 100-106.
[36] THYBO A, JESPERSEN S, LÆRKE P, 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.
[37] CHAYAPRASERT W, STROSHINE R. Rapid sensing of internal browning in whole apples using a low-cost, low-field proton magnetic resonance sensor[J]. Postharvest Biology and Technology,2005, 36(3): 291-301.
[38] 王忠, 胡栋, 孙志忠, 等. 空间频域成像在农产品品质检测中的应用现状与展望[J]. 农业工程学报, 2021, 37(15): 275-288.WANG Zhong, HU Dong, SUN Zhizhong, et al. Application status and perspective of spatial-frequency domain imaging in quality evaluation of agricultural products[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(15): 275-288.
[39] 周建民, 张瑞丰. 基于主动热成像技术的苹果表面缺陷分类方法[J]. 华东交通大学学报, 2012, 29(1): 86-89.ZHOU Jianmin, ZHANG Ruifeng. Classification of apple surface defect based on active thermal imaging technology[J]. Journal of East China Jiaotong University, 2012, 29(1): 86-89.
[40] LI L, PENG Y, YANG C, et al. Optical sensing system for detection of the internal and external quality attributes of apples[J]. Postharvest Biology and Technology, 2020, 162: 111101.
[41] WANG B, YIN J, LIU J, et al. Extraction and classification of apple defects under uneven illumination based on machine vision[J]. Journal of Food Process Engineering, 2022, 45(3): e13976.
[42] 项辉宇, 黄恩浩, 冷崇杰, 等. 基于图像处理与深度学习的苹果检测分级[J]. 食品安全导刊, 2022(22): 48-53.XIANG Huiyu, HUANG Enhao, LENG Chongjie, et al. Apple detection and classification based on image processing and deep learning [J]. China Food Safety Magazine, 2022, 22: 48-53.
[43] 王凡, 孟翔宇, 陈龙跃, 等. 基于高光谱成像的苹果损伤检测方法研究[J]. 广东农业科学, 2023, 50(7): 57-63.WANG Fan, MENG Xiangyu, CHEN Longyue, et al. Research on apple damage detection based on hyperspectral imaging[J]. Guangdong Agricultural Sciences, 2023, 50(7): 57-63.
[44] KERESZTES J C, GOODARZI M, SAEYS W. Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control, 2016, 66: 215-226.
[45] TANG Y, GAO S, ZHUANG J, et al. Apple bruise grading using piecewise nonlinear curve fitting for hyperspectral imaging data[J].IEEE Access, 2020, 8: 147494-147506.
[46] LUO W, ZHANG H, LIU X. Hyperspectral/multispectral reflectance imaging combining with watershed segmentation algorithm for detection of early bruises on apples with different peel colors[J].Food Analytical Methods, 2019: 1218-1228.
[47] NTURAMBIRWE J F I, PEROLD W J, OPARA U L. Classification learning of latent bruise damage to apples using shortwave infrared hyperspectral imaging[J]. Sensors, 2021, 21(15): 4990.
[48] POURDARBANI R, SABZI S, ROHBAN M H, et al. Using metaheuristic algorithms to improve the estimation of acidity in Fuji apples using NIR spectroscopy[J]. Ain Shams Engineering Journal,2022, 13(6): 101776.
[49] 门洪, 陈鹏, 邹丽娜, 等. 基于主动热红外技术的苹果损伤检测[J]. 中国农机化学报, 2013, 34(6): 220-224, 229.MEN Hong, CHEN Peng, ZOU Lina, et al. Apples′ damage detection based on active thermal infrared technique[J]. Journal of Chinese Agricultural Mechanization, 2013, 34(6): 220-224,229.
[50] HU D, QIU D K, YU S Q, et al. Integration of optical property mapping and machine learning for real-time classification of early bruises of apples[J]. Food and Bioprocess Technology, 2024, 17:2745-2756.
[51] LU Y, LU R. Using composite sinusoidal patterns in structured-illumination reflectance imaging (SIRI) for enhanced detection of apple bruise[J]. Journal of Food Engineering, 2017, 199: 54-64.
[52] DIELS E, VAN DAEL M, KERESZTES J, et al. Assessment of bruise volumes in apples using X-ray computed tomography[J]. Postharvest Biology and Technology, 2017, 128: 24-32
[53] 司永胜, 曹珊珊, 张晓雪, 等. 基于CT 图像的苹果苦痘病与磕碰伤识别[J]. 农业机械学报, 2021, 52(10): 377-384.SI Yongsheng, CAO Shanshan, ZHANG Xiaoxue, et al. Recognition of apple bitter pit and bruise based on CT image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(10): 377-384.
[54] DEFRAEYE T, LEHMANN V, GROSS D, et al. Application of MRI for tissue characterization of ′Braeburn′ apple[J]. Postharvest Biology and Technology, 2013, 75: 96-105.
[55] 赵康, 查志华, 李贺, 等. 基于声振信号对称极坐标图像的苹果霉心病早期检测[J]. 农业工程学报, 2021, 37(18): 290-298.ZHAO Kang, ZHA Zhihua, LI He, et al. Early detection of moldy apple core using symmetrized dot pattern images of vibro-acoustic signals[J]. Transactions of the Chinese Society of Agricultural Engineering , 2021, 37(18): 290-298.