杨梅[Myrica rubra （Lour.） S. et Zucc.]是常绿乔木，其果实富含花青素、微量营养元素和纤维物质等，具有较高的营养价值和经济价值。杨梅果肉多浆，果实无外果皮包被，肉柱柔嫩，极不耐贮藏和运输，不同品种之间品质差异较大。随着国内外消费者对水果品质的要求越来越高，杨梅品质成为消费者关注的重点。中国是全球杨梅主要生产地，杨梅产量巨大，由于消费者对食品营养保健价值的日益重视和对新奇水果的求奇心理日渐增强，近年来国外及北方地区消费群体对杨梅、樱桃等产于我国南方的水果需求显著增加[1-3]。在产量和需求的双重影响下，如何方便快捷进行杨梅检测以实现科学的品质分级成为科研工作者亟需解决的问题。一直以来，杨梅始终没有统一的国际质量检验标准，使得分级和质量检验体系的制定具有一定挑战性[4-5]。
传统的杨梅品质检测方法是采用人工结合机械进行，具有检测效率低、成本高、误差高、标准不一、对样品有破坏性等缺点[6]。近年来，无损检测技术因其具有无损、适用性广等优点而在农产品检测方面发展迅速。因此部分学者尝试采用基于光学特性的杨梅快速检测方法，即一种利用光学原理进行非破坏性检测的技术，它是通过X 射线、超声波、红外、电磁等技术获得样品的化学参数和物理参数，进而实现快速检测的目的。目前该技术的研究涵盖了可见/红外光谱（visible/near infrared spectrum，VIS/NIRS）、计算机视觉（computer vision，CV）、高光谱成像（hyperspectral imaging，HSI）和微计算机断层扫描技术（micro computed tomography，Micro-CT）等领域，这些技术能够实现对杨梅品质进行无损、快速、准确地检测和分析，近年来发展迅速，具有广阔的应用前景[7-8]。
本文综述以杨梅为检测样品的常用光学无损检测技术，包括可见/红外光谱、计算机视觉和高光谱成像3 种检测技术在杨梅检测中的应用，并对其原理和国内外最新研究成果进行归纳整理，以期为杨梅光学无损检测研究工作提供参考。
1 可见/近红外光谱
可见光光谱是指可见光波长范围内的电磁辐射，区域通常定义为400～760 nm，亦有人可感知区域380～780 nm；而近红外光谱是一种波长介于可见光和中红外光之间（780～2 526 nm）的电磁波，其谱图包含丰富的信息。果蔬组分中的含氢基团会出现在红外区，其散射特性能反映果蔬微观组织结构和宏观质地属性[9]，故许多果蔬的品质指标能利用近红外光谱技术进行分析[10]，并构建高精度高稳定性的数学模型，具有适应性强、操作简单、应用广泛等特点。因此，近红外光谱成为近年来发展最快、应用最广的研究方法之一。目前，可见/近红外光谱技术对杨梅品质无损检测主要包括可溶性固形物定量分析、可滴定酸定量分析和品种鉴别及掺假鉴别几个方面，杨梅近红外光谱检测原理如图1 所示。
图1 杨梅近红外光谱检测原理图
Fig.1 Schematic of near infrared spectroscopy of Chinese bayberry
1.盖子；2.光源；3.狭缝；4.近红外光谱仪；5.电池；6.光源通道；7.校准镜片；8.计算机。
1.1 可溶性固形物定量分析
果实成熟度的判断是果实采收及后续处理过程中不可缺少的环节之一，其测定结果直接影响杨梅质量分级和采摘期的准确性。成熟度的判断特征之一是可溶性固形物含量（soluble solids content，SSC），为了提高判断成熟度的准确性，多特征参数的选择至关重要[11]。
有学者采用可见/近红外光谱技术对杨梅的SSC进行检测分析和建模。Yuan 等[12]利用便携式可见/近红外光谱（VIS/NIRS）仪测定杨梅可溶性固形物含量（图1），结果表明，5 种一致性模型均比不一致模型具有更好的拟合效果，与基于全光谱变量的偏最小二乘回归（partial least squares，PLS）模型相比，融合了前两个模型的第二共识模型F2 表现最好，该融合模型可与其他变量选择相结合，避免光谱信息的丢失，提高光谱信息的利用率和模型的预测效率。而Shao 等[13]通过PLS 多元校正方法建立了波长与SSC 参数之间的相关性，结果表明，应用VIS/NIRS 技术对杨梅果汁的内部品质进行快速检测是可行的，且灵敏波长分析在食品化学领域可以发挥重要作用。谢丽娟等[14]采用近红外光谱分析技术结合偏最小二乘法对浙江省不同产地的杨梅汁进行检测分析，再通过异常样品剔除来确定最佳分辨率、筛选最优建模波段及确定最佳因子数，同时证明近红外光谱在合适的建模预处理和参数设置下，可用于杨梅汁样品的可溶性固形物定量检测。
1.2 可滴定酸定量分析
除了可溶性固形物，利用近红外光谱技术无损定量杨梅可滴定酸（titratable acid，TA）含量也是一个重要方面。Li 等[15]探讨VIS/NIRS 在杨梅TA 检测中的应用，建立了光学检测与杨梅酸度之间的关系，在325～1 075 nm 波长范围内利用多种光谱预处理和偏最小二乘回归（PLS）等多元校准方法，证明VIS/NIRS 技术在测定杨梅TA 含量方面具有较高的精度，而数据的预处理会影响模型的性能。Shao 等[16]利用可见/近红外光谱法对杨梅汁SSC 和TA 进行了分析，结果表明，基于偏最小二乘回归（PLS）结合人工神经网络（artificial neural network，ANN）的混合算法的观察结果（rp=0.943）优于PLS 法（rp=0.932），说明近红外光谱结合灵敏波长分析在食品检测领域有应用价值，但是该技术需要通过研究其他材料以提高准确性和可靠性。邵咏妮等[17]应用可见/近红外光谱结合偏最小二乘（PLS）法预测杨梅汁TA 线性部分，人工神经网络（ANN）预测非线性部分，结果表明，应用可见/近红外光谱技术结合PLS-ANN 数据处理模型能够很好地预测杨梅汁的TA，结果优于PLS 模型的预测效果。Shao 等[18]提出了一种基于主成分分析- SRA-反向传播神经网络（principal component analysis-sequence read archive-back propagation neural network，PCA-SRA-BPNN）建模的新型数学模型来建立杨梅汁光谱反射率与TA 之间的关系，并利用文献[16]中相同的4 种光谱预处理方法进行筛选优化，得到的最优结果与其相同，该方法虽然具有更好的校准和预测效果，但由于需要多个参数来选择网络的最优结构并对其进行训练，计算时间更长，而PLS回归模型使用的时间较少，且相关系数 r=0.906 1、预测标准偏差（root mean square error of prediction，RMSEP）=0.156 4，因此，这两种模型均是可见光/近红外光谱数据分析和解决浓度预测问题的理想模型。
1.3 品种鉴别及掺假鉴别
除了上述应用，部分学者也将近红外光谱技术用于杨梅品种鉴别及杨梅汁掺假鉴别方面，取得了较好的效果。何勇等[19]利用平均平滑法滤除各种因素产生的高频噪声，再采用主成分分析对不同品种杨梅进行聚类分析并结合人工神经网络技术进行品种鉴别，品种识别准确率达到95%。Li 等[20]采用VIS/NIRS 技术对杨梅进行了分类，首先对光谱数据进行平滑预处理和二阶导数预处理以去除噪声和纠正光谱中的加法和乘法效应，再建立基于主成分分析（principal component analysis，PCA）和人工神经网络（ANN）结合并利用PLS 的波长分类与TA 之间的关系模型，结果表明，该模型对杨梅分类具有良好的预测性能，可用于杨梅的品种鉴定。Cen 等[21]采用可见光和近红外光谱法对3 种杨梅汁进行了分类，通过偏最小二乘（PLS）法和反向传播神经网络（back propagation neural network，BPNN）进行建模和算法优化，准确率达100%，证明基于可见光/近红外光谱进行杨梅种类鉴别的方法是可靠的，同时可用于食品掺假分析鉴定，在对其他材料进一步研究后，建议采用更普及的介质来扩大该技术的应用范围。Xie 等[22]采用近红外光谱技术结合主成分分析和径向基函数神经网络对纯杨梅汁、掺10%水和20%水的杨梅汁进行了鉴定，采用乘法散射校正（multiplicative scattering correction，MSC）和标准正态变量（standard normal variable，SNV）变换对光谱进行预处理后，应用主成分分析对光谱数据进行降维处理，给出潜在目标分离能力的信息并为径向基函数神经网络（radial basis function neural network，RBFNN）提供主成分分数，结果表明，优化后的主成分-径向基函数神经网络（principal component-radial basis function neural network，PC-RBFNN）能较好地区分掺水杨梅汁样品，杨梅汁的识别率达97.62%，由此证明近红外光谱可应用于杨梅汁掺水检测，但不能准确检测掺水杨梅汁中的水分含量。
近年来对杨梅无损检测相关研究情况如表1 所示。
表1 NIRS 技术在杨梅品质检测中的应用
Table 1 Application of near infrared spectroscopy in the evaluation of Chinese bayberry quality
指标SSC SSC SSC材料类型杨梅整果杨梅汁杨梅汁光谱范围590～1 091 nm 325～1 075 nm 4 000～12 500 cm-1预处理方法移动立方体（marching cubes，MC）+MSC+SNV+1st-Der卷积平滑滤波器（savitzky-golay filter，S-G 平滑法） +MSC样品杠杆值+学生化残差+马氏距离最优波段620～970 nm 970～990 nm 4 000.00～12 267.46 cm-1建模方法竞争性自适应重加权采样法（competitive-adaptive-reweighted-sampling，CARS）-PLS PLS PLS模型性能F2 模型最佳：校正集中，交叉校准均方根误差（root mean square error of cross validated，RMSECV）=0.8，提高11.3%；预测集中预测均方根误差（root mean square error of prediction，RMSEP）=0.85，提高9.1%RMSEP=0.4校准均方根误差（root mean square error of calibration，RMSEC）=0.139 RMSECV=0.191 r=0.85 r=0.95 785 RMSEC=0.431 RMSEP=0.925 RMSECV=1.07最佳因子数=8参考文献[12][13][14]
续表1 NIRS 技术在杨梅品质检测中的应用
Continue table 1 Application of near infrared spectroscopy in the evaluation of Chinese bayberry quality
注： -表示未涉及。
指标TA TA TA TA TA品种鉴别品种鉴别果汁鉴别掺假鉴别材料类型杨梅汁杨梅汁杨梅汁杨梅汁杨梅汁杨梅整果杨梅整果杨梅汁杨梅汁光谱范围325～1 075 nm 325～1 075 nm 325～1 075 nm 325～1 075 nm 325～1 075 nm 325～1 075 nm 400～1 000 nm 325～1 075 nm 800～2 400 nm预处理方法移动平滑法+MSC标准正态变量+MSC+1st-Der+小波包变换S-G 平滑法+MSC SNV+MSC+1st-Der+小波包转换（wavelet packet transformation，WPT） WPT S-G 平滑法+MSC移动平滑法+MSC S-G 平滑法+2nd-Der PLS PCA最优波段-910～925 nm 910～925 nm-945～965 nm----建模方法PLS PLS+ANN PLS PCA-SRA-BPNN 和PLS PLS+ANN ANN PCA+ANN BPNN RBFNN模型性能r=0.963 RMSEP=0.21 RMSEC=0.138 rp=0.943 RMSEP=0.19 PLS： r=0.906 1 RMSEP=0.156 4；PCA-SRA-BPNN：输入节点为10 个，隐藏节点为8 个，学习率为0.6，动量为0.5 r=0.939 RMSEP=0.218 Bias=-0.121 PLS：r=0.921 RMSEP=0.228 Bias=-0.132最佳网络结构为20 （输入）+12（隐含）+1（输出）的3 层BP 神经网络模型r=0.96 RMSEP=0.21 PLS 模型rv=0.17 r=0.865 3；RESEC=0.415回归残差=0.000 154 3预测准确率=100%总识别率97.62%参考文献[15][22][19][18][17][19][20][21][22]
2 计算机视觉
计算机视觉（computer vision，CV）[23]是模仿人类视觉系统，从图像或视频中提取有用信息，并对其进行分析和处理，自动实现图像识别、目标检测和场景分析等功能的一种综合运用计算机科学、图像处理、模式识别和机器学习等多学科知识的技术，其工作原理见图2。
图2 计算机视觉工作原理
Fig.2 Operating principle of computer vision
与近红外光谱相比，计算机视觉能够根据果蔬和食品的形状、大小、颜色等空间表面特征[24-25]以及表面缺陷的存在[15，26]，对从果蔬采集到的图像进行电子感知和信息提取，并加以解释和识别，将人眼视觉与果蔬质量检测对应起来，并为质量分级分选机提供信息。随着信息科学的迅速发展[27]，基于计算机视觉的外观、质量、缺陷和包装检测已经迅速应用于果蔬检测中，这一技术的应用可提高果蔬检测效率和准确性，降低人工成本和错误率，从而提高果蔬的品质，降低损失。
计算机视觉在杨梅果实品质检测中的应用主要集中在预测产量和成熟度判断方面，并取得重大进展。其中计算机视觉对杨梅的定位识别包括目标分割提取和目标检测与量化，它可以通过计算机视觉提取特征数据信息从而有效预测杨梅果园产量，为促进杨梅种植户进行科学的果园管理和精准农业提供保障，而基于计算机视觉的杨梅成熟度检测又使自动化机械采摘成为可能。
随着计算机视觉和自动控制技术的迅速发展，自动化机械采摘应运而生，它可有效节省采摘成本，提高采摘效率和水果品质，从而增加果农的经济效益[28]。利用计算机视觉技术进行自动化采摘主要依靠计算机视觉从背景中分割杨梅果实。现有的方法大多是应用在光强相对固定、杨梅没有障碍物的环境条件下，但由于生长环境的复杂性，包括自然光、果实重叠和叶片遮挡[29]，分割精度有限，影响了自动拾取系统的大规模应用。李思广[30]设计了一个基于计算机视觉的杨梅自动检测分级系统，它是经过计算机视觉软件预处理、灰度化和图像分割后提取杨梅轮廓，然后检测鲜果果径、圆形度和颜色深度，根据相应的等级标准进行分级。系统分级准确率达到92.7%，能够满足实时检测分级的要求。但是此方法只在杨梅的大小和果形方面准确率较高，对于杨梅颜色深浅的检测以及不同种杨梅之间的分级准确率相对不足。由于颜色特征易受环境中光线条件影响，因此，单纯依靠计算机视觉通过颜色特征对包括杨梅在内的水果的成熟度进行分类尚存在缺陷，而将计算机视觉与图像处理相结合成为基于颜色深浅的检测衡量杨梅、蓝莓等果实成熟度的主要手段。早期关于此类工作主要集中于扩展颜色索引和提高维数数据集上，但此类工作数据处理量大，且降维的准确与否又直接关系分类结果。近年来，许多学者对特征提取方法进行优化，大大减少了降低颜色维数数据处理量，并在桑葚成熟度检测中得以证实[31]，从而证明多特征提取在果实成熟度分类中的有效性。计算机视觉在相对来说容易识别的柑橘、樱桃等中等大小的水果检测中尚因种种限制而未得到充分应用，杨梅由于果实体积小且生长环境复杂，图像采集时识别困难，果实的产量预测面临更大的挑战，因此近年来许多学者通过算法改进来优化杨梅的目标识别和检测定位。Xu等[32]提出一种基于显著目标检测的杨梅图像分割方法，使用该算法不需要根据杨梅果实的颜色、形状和背景差异进行分割，适用于不同水果，该方法可以推广到其他水果的图像分割中。Mask R-CNN 是一种应用良好的工业图像识别模型[33]，针对自然环境中杨梅的识别和定位问题，Wang 等[29]利用Mask R-CNN 主干网ResNet 的res4b 模块在自然环境中对杨梅进行识别，结果表明，该算法在非结构环境中具有很高的泛化性，对各种形式都有较好的鲁棒性，并且大大提高了重叠水果的检测精度。与目标水果的检测相比，实例分割为采摘机器人提供了更准确的区域定位，避免了采摘过程中的大部分损失，在后续的研究中，将通过增加未成熟杨梅样本数据集来训练网络，需要收集更多的数据集来训练识别水果和蔬菜的网络，以实现果实计数和果实产量估计。Lei 等[34]提出了一种基于多模块卷积神经网络（convolutional neural network，CNN）的杨梅分割方法，采集杨梅真实生长环境的图像后建立数据集进行模型训练和测试并对数据进行增强，随后构造带有图像校正模块的卷积神经网络，对图像中的杨梅进行粗略定位，通过形状补全模块及利用拼图算法对初步分割结果进行优化后进行精确分割，该方法可以提高分割精度，利用迁移学习和数据增强来减轻模型对训练数据量的依赖，降低分割错误和分割漏检率，提高果园水果集中情况下对小目标的分割效果方面还存在一些局限性，需要通过补充数据和优化模型结构解决上述缺点。K 均值（K-means）聚类算法通常是最广为人知和最常用的聚类方法[35]。卢巍[36]运用K-means聚类算法对杨梅照片转换的数据进行处理，结果表明，此算法可以快速、准确地对杨梅图像进行识别，具有较好的鲁棒性和泛化能力，但是，由于该算法对异常数据过于敏感，若图片数据边界较为模糊，对质心的选取要求会更加苛刻。YOLO 系列是非常经典的目标检测算法，但是在水果识别中的应用相对较少，有学者利用改进后的YOLO-v3、YOLO-v4 进行番茄、苹果检测，得到了较好的检测效果[37-39]。为了快速检测和统计杨梅树的数量，Chen 等[40]对YOLO-v4 模型进行了改进，并将K-means 聚类算法嵌入DIoU NMS 算法中，提出了一种基于无人机图像的杨梅树检测方法，结果表明，与其他模型相比，最优的YOLO-v4 模型在保证正确率的情况下召回率达到97.45%，杨梅树在不同背景下的检测效果更好，说明优化后的YOLO-v4 模型能够准确实现大面积杨梅树的快速识别和统计。
用于获取水果散射图像的光谱成像系统原理如图3所示。
图3 用于获取水果散射图像的光谱成像系统原理
Fig.3 Schematic of a spectral imaging system for acquiring scattering images of fruits
因杨梅种植区域限制，与苹果、柑橘等大宗水果相比是水果中的小众产品，因此没有查阅到计算机视觉在杨梅中其他方面的应用，但是计算机视觉在浆果应用方面，还可用于浆果病害的检测[41-43]，从而提高果园的智能化和精细化管理，另外还有学者利用计算机视觉进行了浆果的风险评估[44]等应用尝试，可以帮助种植者做出灌溉决策，以应对复杂的时效性风险因素。
3 高光谱成像
高光谱成像兴起于20 世纪后半叶，是一种集探测技术、光学机械技术和计算机技术于一体的综合技术[45]。高光谱成像与近红外光谱的区别是高光谱成像信息除包含光谱信息外，还包含空间信息[10]。它通过高光谱成像仪获取研究对象的3D 超立方体，其中包括二维几何空间信息（x 轴和y 轴）以及一维光谱信息（λ 轴），每个像元均可提取一条光谱曲线，因此可同时获得待测样本的图像信息和光谱信息，即同时得到样本的外部特征、内部品质以及食用安全性等信息[45]，高光谱图像结构示意图见图4。
图4 高光谱图像结构示意图
Fig.4 Schematic of hyperspectral imaging
高光谱成像技术兼具广泛的高光谱反应范围和纳米量级的高光谱分辨率，能够精确鉴定样品光谱的细微差别，进而揭示样品组成与构造等方面的重大差异[21]。与传统检测方法相比，高光谱成像以其检测过程中前处理简单、无污染、无破坏性等特点，在食品无损检测领域应用越来越广泛[46]。高光谱成像技术在蓝莓、草莓等浆果类水果中应用较多，Liu 等[47] 利用高光谱反射成像对草莓瘀伤和真菌感染进行检测，结果表明，基于全波长的SVM 模型对果实的整体识别精度最高，验证了利用具有反射模式的高光谱成像系统进行草莓缺陷区识别的可行性。Leiva-Valenzuela 等[48]利用推帚式高光谱成像系统获取蓝莓茎和花萼末端方向的反射图像，最佳rp 为0.87，验证集的标准偏差与预测标准误差的比值（RPD）为2，获得了较好的硬度预测，且果实方向对硬度预测没有显著影响，说明高光谱成像技术在蓝莓的分选分级应用中有发展前景。
目前，高光谱成像技术在杨梅检测中的应用主要是用于杨梅理化性质的研究。王晨冬[49]利用高光谱成像技术对杨梅品质的化学组分进行分析，结果表明，糖度相关化学组分中还原糖与花青素存在较强相关性，R2 达到0.66，但pH 值与花青素的相关性较低。在不同环境条件下，高光谱成像技术用于杨梅果实识别具有较高精度，但用于品级检测则结果精度较低。颜色分析是高光谱成像技术中的一种图像采集方法，其中评价指标包含色差、色调饱和度值（hue saturation value，HSV）颜色模型与三原色（red green blue，RGB）颜色空间等[46]。Feng 等[50]采用偏最小二乘回归法和最小二乘支持向量机模型（least squares -support vector machine，LS-SVM），结合6 种不同颜色空间对杨梅的pH 值和SSC 进行了预测，结果表明，结合颜色空间的偏最小二乘回归法和LS-SVM 模型对杨梅的pH 值有较好的预测效果，对于SSC 的预测，推荐基于CIELAB 颜色空间和HSI 颜色空间的PLSR 模型。蒋玲玲[25]利用颜色空间对杨梅进行自动分级，同时结合支持向量机模型对杨梅汁贮藏过程中营养成分变化进行研究，结果表明，基于颜色空间结合形状分形值的LS-SVM 分类器可对损伤及未损伤的杨梅得到最高的分类准确率，基于各个颜色空间的偏最小二乘回归及LS-SVM 模型对pH值有较好的预测值，而基于CIELAB 和HSI 颜色空间的偏最小二乘回归模型对SSC 的预测性能最好，另外，该颜色模型与人类识别颜色更为接近，所以能够更好地提高杨梅产品的市场接受性。
浆果类水果的外部质量是决定其市场价值的关键[51]。瘀伤是一种常见的问题，它会损害水果的皮下组织，留下明显的疤痕。在瘀伤部位出现深色疤痕是由于酚类物质和氧化酶混合[52-53]，导致瘀伤部位颜色变深。虽然大多数浆果类水果的瘀伤可以用肉眼观察到，但有些外观疤痕难以识别[54]。高光谱成像技术在杨梅损伤检测方面也有部分研究，Lu 等[24]提出了一种基于高光谱成像技术的杨梅损伤检测方法，建立了主成分支持向量机（principal component-support vector machines，PC-SVM）和结合分形分析的支持向量机（support vector machines，SVM）模型，并与基于RGB 强度值的分类模型进行了比较，结果表明，基于分形参数的分类模型总准确率（100%）高于基于RGB 值的准确率（85.29%），此外，SVM 模型在迭代时间和支持向量数量方面的性能优于PC-SVM 模型。Zheng 等[26]提出了一种基于分形维数（fractal dimension，FD）和RGB 强度值的自适应神经模糊推理系统（adaptive neuro-fuzzy inference system，ANFIS）模型来检测杨梅擦伤，结果表明，在缺陷检测方面，双边高斯型隶属度函数（gauss2.m.function，gauss2mfMF）比其他表现得更好。
除了在杨梅的理化性质和损伤检测方面的应用，高光谱成像技术在杨梅检测应用方面还有一些其他方面的报道。金鑫杰等[7]设置紫外线b 辐射（ultraviolet radiation-b，UV-B）滤光减弱、UV-B 辐射增强和自然光（对照）3 组模拟大田试验，比较了不同UV-B 辐射处理下杨梅幼苗的叶绿素含量、光谱反射率及光谱特征参数。徐黎明等[55]应用同态滤波算法对HSV 颜色空间下杨梅图像亮度分量进行增强以补偿光线并应用K均值聚类算法在Lab 颜色空间中对彩色杨梅图像进行分割，试验结果验证了该算法能有效地分割出杨梅目标，保证了杨梅目标在颜色、纹理和形状方面的完整度。
上述文献表明，高光谱成像技术在杨梅中应用最广泛的就是内部质量检测和损伤检测，这可能是与杨梅本身的特性密切相关。
4 结论与展望
随着市场需求的日益旺盛和电商的普及，消费者对杨梅品质的要求也越来越高，采后自动分检和品质的无损检测成为发展的必然。近年来，国内外学者对基于光学特性的无损检测技术在杨梅果实品质检测方面开展了大量工作，但目前研究表明，以杨梅为供试材料的光学无损检测方面仅限于上述3 种方法，并且结果表明这些技术应用于杨梅品质检测是有效可行的。
尽管无损检测技术带来了诸多便利和优势，但仍面临着各种问题和挑战。可见/近红外光谱技术结合灵敏波长分析在食品分析领域应用广泛，在杨梅内部品质分析检测中也有应用研究，但由于果实差异、近红外光谱设备不同、选择的光谱波段不同以及研究人员选择的光照方式存在差异等原因，导致预测模型存在局限性。比如在杨梅汁掺假方面的应用只能通过定性分析将掺假物质与原果汁进行区别，具体定量分析还有待探究。杨梅品质评价涉及众多理化指标，但现有研究多集中于杨梅TA 与SSC 方面，其他理化指标并未涉及，后续研究应重点探究如杨梅果实中的维生素C、花青素含量等相关营养品质指标。对于杨梅的外部品质的检测，可见/近红外光谱技术不如计算机视觉简便、准确率高，且获得的光谱信息相对单一，只能获得某一点的光谱信息，因此无法获得整个样品的光谱信息，尤其是果实品质检测，这也是可见/近红外光谱分析技术本身的不足之处。此外，可见/近红外光谱设备价格昂贵，维护过程较为复杂，难以在生产和管理中得到广泛应用。总的来说，虽然可见/近红外光谱有局限性，但它在检测浆果果实质量方面的潜在用途及其在未来的应用使其成为一个持续研究和发展的领域，同时在几种光学检测方法中，VIS/NIRS 因其设备便携、操作简便等优点是最适合实际应用的技术。
与可见/近红外光谱技术相比，计算机视觉技术应用于浆果无损检测的时间较早，并且体系已经相对成熟。其在杨梅外部品质检测方面（如果实果径、颜色及杨梅等级分选方面）应用较为突出，但也存在精度低、受限因素多、实际应用较少等缺点，例如计算机视觉技术对于杨梅大小和果型方面准确率较高但对于果实颜色深浅及不同种杨梅之间的分类相对不足。在杨梅采摘方面，目前的杨梅自动采摘系统主要依靠计算机视觉从背景差异区分，大多数应用都是在光照强度相对固定与无障碍环境进行，而在复杂地形中分割精度有限，阻碍了该方法的大规模应用。同时，计算机视觉技术无法实现杨梅内部品质检测，因此，可见/近红外光谱技术和计算机视觉技术均无法全面检测杨梅的果实品质。
高光谱成像技术（schematic of hyperspectral imaging，HIS）可以同时检测杨梅果实内外品质，且能更加全面地反映杨梅果实的整体性质，在数据完整的情况下，能分析不同的结果，并且结合了计算机视觉技术和可见/近红外光谱技术方面的优点，因此，高光谱成像技术比其他两种技术更具优势，并且CNN 算法发展迅速，在数据处理方面具有很大的优势，弥补了VIS/NIRS 和CV 技术的不足，是目前预测成熟度最准确的技术。同时HIS 在预测特定化学元素浓度方面是VIS/NIRS 技术无法实现的。但其也存在信息庞杂、数据处理更为复杂，成本也较可见/近红外光谱技术更高等缺陷，因此相对于前两种基于光学特性的无损检测技术实际应用更加受限，目前多集中于实验室阶段，且在不同环境中对杨梅果实品级检测精度较低，应重点研究多技术、多算法相融合，发挥更大的优势。
随着光学检测技术的迅猛发展以及与数学建模等多技术、多算法融合，基于光学特性的无损检测技术成为果蔬品质检测的必然，而在杨梅果实品质检测应用方面也将拥有更加广阔的发展前景。
[1] GOLOVINSKAIA O, WANG C K. Review of functional and pharmacological activities of berries[J]. Molecules, 2021, 26(13): 3904.
[2] NERI-NUMA I A, SORIANO SANCHO R A, PEREIRA A P A, et al. Small Brazilian wild fruits: Nutrients, bioactive compounds,health-promotion properties and commercial interest[J]. Food Research International, 2018, 103: 345-360.
[3] TOURTE L, BOLDA M, KLONSKY K. The evolving fresh market berry industry in Santa Cruz and Monterey Counties[J]. California Agriculture, 2016, 70(3): 107-115.
[4] DOERFLINGER F C, PAGAY V. Objective assessment of dried sultana grape quality using digital image analysis[J]. Australian Journal of Grape and Wine Research, 2018, 24(2): 234-240.
[5] LIU X X, WANG H, HUANG X Y, et al. Quality assessment and classification of goji berry by an HPLC-based analytical platform coupled with multivariate statistical analysis[J]. Food Analytical Methods, 2020, 13(12): 2222-2237.
[6] 武琳霞, 李玲, 习佳林, 等. 桃品质的无损检测技术研究进展[J].食品科学, 2022, 43(15): 367-377.WU Linxia, LI Ling, XI Jialin, et al. Progress in nondestructive detection techniques for peach quality[J]. Food Science, 2022, 43(15): 367-377.
[7] 金鑫杰, 江洪, 陈健, 等. UV-B 辐射胁迫下杨梅幼苗的高光谱响应[J]. 应用生态学报, 2012, 23(12): 3338-3346.JIN Xinjie, JIANG Hong, CHEN Jian, et al. High-spectral responses of Myrica rubra seedlings to UV-B radiation stress[J]. Chinese Journal of Applied Ecology, 2012, 23(12): 3338-3346.
[8] 白菲, 孟超英. 水果自动分级技术的现状与发展[J]. 食品科学,2005, 26(S1): 145-148.BAI Fei, MENG Chaoying. Research progress and commercialization of the automatic classification technology[J]. Food Science,2005, 26(S1): 145-148.
[9] 张欣欣, 李跑, 余梅, 等. 柑橘近红外光谱无损检测技术研究进展[J]. 食品科学, 2022, 43(1): 260-268.ZHANG Xinxin, LI Pao, YU Mei, et al. Progress in non-destructive Citrus quality detection using near-infrared spectroscopy[J]. Food Science, 2022, 43(1): 260-268.
[10] CHEN Z J, WANG J, LIU X, et al. The application of optical nondestructive testing for fresh berry fruits[J]. Food Engineering Reviews,2024, 16(1): 85-115.
[11] 张嘉君, 许海涛, 张子沫, 等. 苹果糖度无损检测技术研究进展分析[J]. 食品安全导刊, 2022(22): 153-155.ZHANG Jiajun, XU Haitao, ZHANG Zimo, et al. Analysis on research progress of nondestructive testing technology for apple sugar content[J]. China Food Safety Magazine, 2022(22): 153-155.
[12] YUAN L M, MAO F, HUANG G Z, et al. Models fused with successive CARS-PLS for measurement of the soluble solids content of Chinese bayberry by vis-NIRS technology[J]. Postharvest Biology and Technology, 2020, 169: 111308.
[13] SHAO Y N, HE Y. Nondestructive measurement of the internal quality of bayberry juice using VIS/NIR spectroscopy[J]. Journal of Food Engineering, 2007, 79(3): 1015-1019.
[14] 谢丽娟, 刘东红, 张宇环, 等. 近红外光谱技术定量测定杨梅汁可溶性固形物[J]. 光谱学与光谱分析, 2007, 27(7): 1332-1335.XIE Lijuan, LIU Donghong, ZHANG Yuhuan, et al. Quantitative determination of soluble solid content in bayberry juice using nearinfrared spectroscopy technique[J]. Spectroscopy and Spectral Analysis, 2007, 27(7): 1332-1335.
[15] LI X L, HE Y. Non-destructive measurement of acidity of Chinese bayberry using VIS/NIRS techniques[J]. European Food Research and Technology, 2006, 223(6): 731-736.
[16] SHAO Y N, HE Y, BAO Y D. A new approach to predict acidity of bayberry juice by using VIS/NEAR infrared spectroscopy[J]. International Journal of Food Properties, 2007, 10(3): 631-638.
[17] 邵咏妮, 何勇. 可见/近红外光谱预测杨梅汁酸度的方法研究[J].红外与毫米波学报, 2006, 25(6): 478-480.SHAO Yongni, HE Yong. Method for predicting acidity of bayberry juice by using VIS/NEAR infrared spectra[J]. Journal of Infrared and Millimeter Waves, 2006, 25(6): 478-480.
[18] SHAO Y N, HE Y, MAO J Y. Quantitative analysis of bayberry juice acidity based on visible and near-infrared spectroscopy[J]. Applied Optics, 2007, 46(25): 6391-6396.
[19] 何勇, 李晓丽. 用近红外光谱鉴别杨梅品种的研究[J]. 红外与毫米波学报, 2006, 25(3): 192-194, 212.HE Yong, LI Xiaoli. Discriminating varieties of waxberry using near infrared spectra[J]. Journal of Infrared and Millimeter Waves,2006, 25(3): 192-194, 212.
[20] LI X L, HE Y, FANG H. Non-destructive discrimination of Chinese bayberry varieties using VIS/NIR spectroscopy[J]. Journal of Food Engineering, 2007, 81(2): 357-363.
[21] CEN H Y, BAO Y D, HE Y. Pattern recognition of visible and nearinfrared spectroscopy from bayberry juice by use of partial least squares and a backpropagation neural network[J]. Applied Optics,2006, 45(29): 7679-7683.
[22] XIE L J, YE X Q, LIU D H, et al. Application of principal component-radial basis function neural networks (PC-RBFNN) for the detection of water-adulterated bayberry juice by near-infrared spectroscopy[J]. Journal of Zhejiang University Science B, 2008, 9(12):982-989.
[23] 王锦凯, 宋锡瑾. 计算机视觉技术应用研究综述[J]. 计算机时代, 2022(10): 1-4, 8.WANG Jinkai, SONG Xijin. A survey on computer vision application[J]. Computer Era, 2022(10): 1-4, 8.
[24] LU H F, ZHENG H, HU Y, et al. Bruise detection on red bayberry(Myrica rubra Sieb. & Zucc.) using fractal analysis and support vector machine[J]. Journal of Food Engineering, 2011, 104(1): 149-153.
[25] 蒋玲玲. 颜色空间结合化学计量学在杨梅采后筛选及加工储藏中的应用研究[D]. 金华: 浙江师范大学, 2014.JIANG Lingling. Application of color space combined with chemometrics in postharvest screening, processing and storage of Myrica rubra[D]. Jinhua: Zhejiang Normal University, 2014.
[26] ZHENG H, JIANG B, LU H F. An adaptive neural-fuzzy inference system (ANFIS) for detection of bruises on Chinese bayberry(Myrica rubra) based on fractal dimension and RGB intensity color[J]. Journal of Food Engineering, 2011, 104(4): 663-667.
[27] 马玲, 马倩, 李亚娇, 等. 基于高光谱成像技术的不同时期番茄植株的快速无损判别研究[J]. 分析测试学报, 2023, 42(2): 210-215.MA Ling, MA Qian, LI Yajiao, et al. Rapid and nondestructive ldentification of tomato plants in different periods based on hyperspectral lmaging technique[J]. Journal of Instrumental Analysis,2023, 42(2): 210-215.
[28] WANG K T, CAO S F, JIN P, et al. Effect of hot air treatment on postharvest mould decay in Chinese bayberry fruit and the possible mechanisms[J]. International Journal of Food Microbiology, 2010,141(1/2): 11-16.
[29] WANG Y J, LV J D, XU L M, et al. A segmentation method for waxberry image under orchard environment[J]. Scientia Horticulturae,2020, 266: 109309.
[30] 李思广. 基于机算机视觉的杨梅自动检测分级[J]. 农机化研究,2018, 40(9): 204-207.LI Siguang. Automatic detection and classification of Yangmei based on computer vision[J]. Journal of Agricultural Mechanization Research, 2018, 40(9): 204-207.
[31] AZARMDEL H, JAHANBAKHSHI A, MOHTASEBI S S, et al.Evaluation of image processing technique as an expert system in mulberry fruit grading based on ripeness level using artificial neural networks (ANNs) and support vector machine (SVM)[J]. Postharvest Biology and Technology, 2020, 166: 111201.
[32] XU L M, HE K R, LV J D. Bayberry image segmentation based on manifold ranking salient object detection method[J]. Biosystems Engineering, 2019, 178: 264-274.
[33] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA.IEEE, 2017: 2261-2269.
[34] LEI H, HUANG K, JIAO Z Y, et al. Bayberry segmentation in a complex environment based on a multi-module convolutional neural network[J]. Applied Soft Computing, 2022, 119: 108556.
[35] SINAGA K P, YANG M S. Unsupervised K-means clustering algorithm[J]. IEEE Access, 2020, 8: 80716-80727.
[36] 卢巍. 基于K-means 聚类的计算机视觉下杨梅水果图像识别[J].现代计算机, 2022, 28(8): 78-81.LU Wei. Computer vision bayberry fruit image recognition based on K-means clustering[J]. Modern Computer, 2022, 28(8): 78-81.
[37] REDMON J, FARHADI A. YOLOv3: An incremental improvement[EB/OL]. 2018: 1804.02767[2023-08-23]. http://arxiv.org/abs/1804.02767v1
[38] LIU G X, NOUAZE J C, TOUKO MBOUEMBE P L, et al. YOLO-tomato: A robust algorithm for tomato detection based on YOLOv3[J].Sensors, 2020, 20(7): 2145.
[39] KUZNETSOVA A, MALEVA T, SOLOVIEV V. Using YOLOv3 algorithm with pre- and post-processing for apple detection in fruitharvesting robot[J]. Agronomy, 2020, 10(7): 1016.
[40] CHEN Y L, XU H L, ZHANG X J, et al. An object detection method for bayberry trees based on an improved YOLO algorithm[J]. International Journal of Digital Earth, 2023, 16(1): 781-805.
[41] RAUF H T, ALI SALEEM B, LALI M I U, et al. A citrus fruits and leaves dataset for detection and classification of citrus diseases through machine learning[J]. Data in Brief, 2019, 26: 104340.
[42] KIM B, HAN Y K, PARK J H, et al. Improved vision-based detection of strawberry diseases using a deep neural network[J]. Frontiers in Plant Science, 2021, 11: 559172.
[43] LEIVA-VALENZUELA G A, AGUILERA J M. Automatic detection of orientation and diseases in blueberries using image analysis to improve their postharvest storage quality[J]. Food Control, 2013,33(1): 166-173.
[44] AKIVA P, PLANCHE B, ROY A, et al. Vision on the bog: Cranberry crop risk evaluation with deep learning[J]. Computers and Electronics in Agriculture, 2022, 203: 107444.
[45] 王永贤. 基于高光谱成像技术的水果品质无损检测研究[D]. 泰安: 山东农业大学, 2020.WANG Yongxian. Study on nondestructive testing of fruit quality based on hyperspectral imaging technology[D]. Tai′an: Shandong Agricultural University, 2020.
[46] 熊春晖, 佘永新, 焦逊, 等. 高光谱成像技术在农产品无损检测中的应用[J]. 粮油食品科技, 2023, 31(1): 109-122.XIONG Chunhui, SHE Yongxin, JIAO Xun, et al. Application of hyperspectral imaging technology in nondestructive testing of agricultural products[J]. Science and Technology of Cereals, Oils and Foods, 2023, 31(1): 109-122.
[47] LIU Q, SUN K, PENG J, et al. Identification of bruise and fungi contamination in strawberries using hyperspectral imaging technology and multivariate analysis[J]. Food Analytical Methods, 2018, 11(5):1518-1527.
[48] LEIVA-VALENZUELA G A, LU R F, AGUILERA J M. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering, 2013,115(1): 91-98.
[49] 王晨冬. 基于光谱图像的杨梅品质检测机理及仪器研究[D]. 杭州: 杭州电子科技大学, 2021.WANG Chendong. Study on mechanism and instrument of myrica rubra quality detection based on spectral image[D]. Hangzhou:Hangzhou Dianzi University, 2021.
[50] FENG J, JIANG L L, ZHANG J L, et al. Nondestructive determination of soluble solids content and pH in red bayberry (Myrica rubra)based on color space[J]. Journal of Food Science and Technology,2020, 57(12): 4541-4550.
[51] TONG L Y, TOPPINEN A, WANG L, et al. How motivation, opportunity, and ability impact sustainable consumption behaviour of fresh berry products[J]. Journal of Cleaner Production, 2023, 401:136698.
[52] HUSSEIN Z, FAWOLE O A, OPARA U L. Harvest and postharvest factors affecting bruise damage of fresh fruits[J]. Horticultural Plant Journal, 2020, 6(1): 1-13.
[53] MOHSENIN N N. Physical properties of plant and animal materials:physical characteristics and mechanical properties[M]. London:Routledge, 2020.
[54] HU M H, DONG Q L, LIU B L, et al. Estimating blueberry mechanical properties based on random frog selected hyperspectral data[J].Postharvest Biology and Technology, 2015, 106: 1-10.
[55] 徐黎明, 吕继东. 基于同态滤波和K 均值聚类算法的杨梅图像分割[J].农业工程学报, 2015, 31(14): 202-208.XU Liming, LÜ Jidong. Bayberry image segmentation based on homomorphic filtering and K-means clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(14): 202-208.