果蔬采后内部损伤无损检测研究进展

摘要：果蔬产品含人体所必需的一些维生素、无机盐及植物纤维等营养元素，是人们日常膳食的重要组成部分。果蔬在采后处理过程中容易遭受机械损伤，不仅会降低果蔬自身外观品质，而且使果蔬容易受到真菌或细菌侵染，造成腐烂（如晚疫病、干腐病、软腐病等），影响其食用安全性。受侵染果蔬在运输、贮存等过程中会感染正常果蔬，进一步扩大经济损失。由碰压引起的内部损伤因损伤果蔬和正常果蔬外部特征差别不明显，容易相互混杂，对果蔬外观及食用品质造成潜在危害。因此，识别并剔除有内部损伤的果蔬日益引起国内外学者的注意。本文从果蔬损伤后发生的生理和物理变化角度入手，阐述了无损检测技术应用于内部损伤检测的机理，并综述了利用光、热、声和电磁学特性检测果蔬采后内部损伤的研究进展，最后指出了研究难点和今后研究方向。

果蔬是人类膳食营养的重要食物来源[1]。随着农业机械化生产的发展，果蔬在采摘、分装和运输等过程中更加容易发生因碰撞、挤压、振动等原因引起的机械损伤[2]。 GB/T 10651—2008《鲜苹果》[3]中将水果碰压损伤描述为“受碰击或外界压力而对果皮造成的人为损伤”，轻微碰压伤为“果实受碰压伤以后，果皮未破，伤面稍微凹陷，变色不明显，无汁液外溢现象”。可见，碰压损伤包括外部损伤和内部损伤，其中内部损伤由轻微的碰压引起。碰压损伤容易引起果蔬采后损耗。它不仅造成果蔬感官变化、品质降低，而且增加了微生物侵染的危险性，使果蔬腐烂程度增加、货架期缩短，严重影响品质及其经济效益[4]。更为严重的是，损伤组织还会为病原菌提供滋养繁衍的场所，进而引起正常果蔬的损坏，加剧经济损失。如果相关制品流入市场，还构成了食品安全隐患。据报道，我国每年生产的水果和蔬菜从田间到餐桌，损耗率高达25%～30%[5]。以香梨为例，因机械损伤造成的果实腐烂率可达15%以上，造成每年近6 000万元以上的损失[6]。

果蔬外部损伤因暴露在外部，且易发生氧化变色反应，可通过分析损伤部位颜色[7-8]、纹理或形态特征直接进行检测。例如，Marique等[7]介绍了一种利用Kohonen自组织映射处理并分割马铃薯图像的方法。图像中每个像素的RGB值代入分类模型来区分正常或者损伤马铃薯。结果表明，外部损伤能够被准确识别。也有学者利用外部损伤形状特点，将其作为特征因子代入分类器进行识别[9-10]。为了提高香梨损伤检测与分类的准确率和效率，程鲁玉等[11]综合利用计算机视觉技术和人工神经网络技术，实现香梨损伤的自动检测与分类。在对香梨图像进行基本处理后提取颜色、纹理和形态3 类共8 个特征参数，采用BP算法训练的多层前向人工神经网络对香梨的损伤进行分类。而内部损伤因不易直接观察，用传统的视觉检测方法识别较为困难。内部损伤会引起果蔬生理生化和物理结构上的变化，是构成目前许多无损检测技术的基础。本文以损伤后果蔬发生的生理和物理变化为切入点，从损伤果蔬的光、热、声和电磁学特性的角度对果蔬内部损伤的无损检测进行综述。

1 果蔬损伤后发生的变化

不同种类果蔬其解剖结构各不相同，但总体上是由表皮组织和内部组织构成。内部组织包括薄壁组织、机械组织和输导组织。其中与抵御机械损伤直接相关的有表皮组织和机械组织，而薄壁组织中细胞的大小、形状和排布同样能够对样品的机械性能产生影响[12]。碰压损伤会引起果蔬表皮和内部组织发生生理、物理结构和化学成分等方面的变化。化学方法可直接找出细胞内各组织成分的变化情况，但随着细胞的降解，物质会发生转变，不便于找出规律[13]。因此本文主要从生理和物理变化的角度对碰压损伤机理进行阐述。

损伤引起的细胞破裂会使结合水变成自由水，并流失到细胞间隙，使得水分含量升高。随后水分会逐渐蒸发，导致水分含量下降。乙烯增加被认为能够引起受伤部位组织呼吸代谢加强，大量研究表明，采后果蔬因机械损伤作用，乙烯释放速率明显增强[14-15]。碰压损伤还会促使果蔬瞬间产生大量活性氧自由基，扰乱正常的代谢活动。同时，在一定时间内碰压损伤会刺激产生次级代谢产物（如萜类、酚类、生物碱等），这些次级代谢产物对伤口愈合、抵御病原菌侵袭具有一定的作用。果蔬中的果胶物质是决定其硬度的主要因素[16]，果蔬受到损伤后原果胶在果胶酶的作用下发生水解转变成果胶酸，而果胶酸不具有黏性从而使细胞间失去了黏着[17]，致使果蔬迅速软化。碰压损伤还会引起果蔬组织变色。果蔬褐变本质上分为两大类，即非酶褐变和酶促褐变。碰压损伤引起的果蔬褐变一般以酶促褐变为主[18]。发生酶促褐变的3 个先决条件是酚类化合物、多酚氧化酶（polyphenol oxidase，PPO）和O2。酚类化合物以游离的或者结合的方式存在于组织，是分布最广的次生代谢物质之一[19]。PPO是果蔬组织内普遍存在的一类末端氧化酶，能催化酚类化合物形成醌类物质和水，醌类物质可进一步经非酶促聚合形成褐色物质而产生褐变[20]。组织中O2主要来源于贮藏环境和果蔬呼吸作用。普遍认为细胞结构和靠其维持的区室化状况的破坏，使定位在质体和其他细胞器的酶与定位在液泡的酚类物质接触，其结果发生酚类物质的氧化褐变和黑褐色高聚物的形成，是引起果蔬褐变的主要原因[21]。

宏观尺度上果蔬的机械损伤是由微观尺度上细胞的损伤引起的[22]。Loodts等[23]认为碰压损伤是细胞间分离、细胞壁的破裂和因细胞液流失扩散造成的细胞紧缩。Mitsuhashi-Gonzalez等[24]利用扫描电子显微镜和荧光显微镜观察到碰压损伤发生在薄壁细胞的位置，由死亡细胞、破裂细胞和挤碎细胞等构成。细胞间隙大的地方，死亡、破裂或压碎的细胞多。Alvarez等[25]指出所有固体破裂的原因在于结构的不均匀性。破裂通常发生在这些不规则体的位置，并逐步发展形成新的断裂面。一种材料的抗损伤能力与不规则体的数量和分布直接相关。果蔬组织结构中的不规则体会削弱细胞基质并使其更容易遭受损伤，而薄壁组织是代谢旺盛的组织，细胞壁薄、细胞间隙较大，减小了细胞间的接触，从而削弱了组织，并导致其容易受外界作用力的影响。另外，Mitsuhashi-Gonzalez等[24]认为表层的厚角细胞能够将作用力传递到下层的薄壁细胞，而自身因具有高张力和弹塑性，使其能够吸收大量的机械能量，从而免于受外界作用力而变形，因此会出现外部完好而内部发生损伤的情况。

可见，果蔬损伤发生后会产生一系列的生理生化变化，其中失水、组织变软和变色构成损伤后果蔬生理变化最主要的表现特征。损伤更容易发生在细胞间隙大的薄壁组织，而表皮组织能够将外界作用力传递到内部，这是果蔬发生内部损伤的主要原因。组织中不规则体（如梨中的石细胞）的存在会增加发生内部损伤的可能性。损伤区域细胞会发生细胞间分离、细胞断裂、变形或破裂等。生理及物理结构的变化会导致损伤和正常组织光、热、声、电、磁等特性不同，这构成了损伤无损检测的基础。

2 国内外无损检测研究现状

果蔬的无损检测是指利用检测对象的光、热、声、电、磁等特性，在不破坏被检对象食用性的前提下，检测果蔬是否存在缺陷或判定某种组分含量的技术手段。近年来，果蔬采后碰压损伤得到越来越多研究人员的关注，相应的无损检测方法得以在果蔬损伤检测领域开发利用。光谱技术采集速度快，散射和反射分别能够反应组织结构和成分的变化，处理方法强大。但是校正模型要建立在大量数据基础上，而且模型传递中产生的适应性问题有待进一步解决。高光谱成像技术将光谱技术和成像技术组合起来，既包含光谱信息也包含空间信息。因此，高光谱数据信息量非常丰富，能够获得单纯采用光谱技术或成像技术所得不到的信息。但是由此带来的缺陷是信息冗余，数据采集及处理复杂。通常将高光谱技术作为基础研究手段，比如基于高光谱技术选择有效波段开发多光谱系统用于在线检测[26]。传统机器视觉技术可以看作是一种波段位于R（700 nm）、G（546 nm）、B（436 nm）的多光谱成像技术，不同的是，多光谱成像中的波段可根据检测对象及指标自由选择。但是由于检测任务不同，研究学者开发的多光谱成像系统也各不相同。系统需要进行多次校验，可靠性和检测的准确性也很难进行相互验证。X射线照相技术速度快，能用于在线检测，通常用于检测异物；缺点是只有当被检物特征明显时才能适用（如病虫害）。X射线断层照相技术首先应用于医学领域，后来开发微CT系统用于解决其成本高的问题，但是需要切片处理，并不能严格意义上称为无损检测技术[27]。热成像技术测量快速直观，观测面积大，可检测内部信息，操作简便可靠，但是图像分辨率不高、对比度不强。超声波技术简单且成本低，能够检测组织结构和成分上的变化[27]，缺点是只对某种类型的缺陷/损伤适用，而且需要进行接触式测量，不利于商业化应用。核磁共振（nuclear magnetic resonance，NMR）成像是根据特定原子核在磁场中的磁特性用于检测果蔬的品质特性的，其对引起水分含量变化的质量指标敏感（如内部损伤）。但是核磁共振设备成本高，并且获取图像速度慢，对操作人员要求高，实现商业化在线仍面临许多困难[28]。相关无损检测技术主要特点对比见表1。

表1 果蔬采后机械损伤无损检测技术对比
Table 1 Comparison of invasive detection methods for mechanical damage in postharvest fruits and vegetables

光照射在果蔬样品表面会发生反射、散射、吸收和透射等（图1）。这种光特性与被检对象的表面状态、内部组分含量及分布等有关。通过对反射、散射或透射出来的光进行成像分析或光谱分析，可以对被检对象的状态进行判断。光的吸收信号与果蔬中不同组成成分（如乙醇、水等）的C—H、N—H等共价键振动的倍频和合频吸收有关，这些共价键的含量和所处的化学环境会影响光的吸收强度。损伤产生后，细胞破裂引起组织变化，细胞间隙被渗出的细胞液填充。组织结构的变化也会改变光线在样品中的传播路径，导致光学传感器接收到的数据因组织状态的不同而不同。因此，与样品相互作用后光特性的改变构成了光学无损检测的基础。利用光特性检测果蔬内部损伤的相关研究见表2。

在果蔬损伤检测领域，按照光谱技术所采集光谱的波段范围，可分为可见光波段（400～700 nm）、可见/可见-近红外波段（400～1 700 nm）和近红外波段（800～2 500 nm）。在可见光研究方面，Pholpho等[29]运用可见光波段（400～700 nm）光谱技术对正常和损伤龙眼进行分类。Jiménez[30]对鲜食橄榄的损伤进行检测，发现可见光波段（535～680 nm）可用于定性检测，但是对

定量检测并不适用。并且，受果皮颜色的影响，可见光波段对检测损伤有很大的局限性[31]。Esquerre等[32]利用可见和近红外（400～2 498 nm）光谱技术对蘑菇定量检测进行了初步研究。西北农林科技大学分别利用近红外波段光谱技术对猕猴桃和苹果损伤进行检测[33-35]，结果表明，近红外光谱技术结合化学计量学方法可以实现猕猴桃和苹果损伤的检测。以上研究均取得了较好的效果，原因可能在于波段范围广，能够更多地覆盖有用信息，但是检测成本相对较高。

表2 利用光特性检测果蔬内部损伤的应用
Table 2 Bruise detection in fruits and vegetables based on optical properties

注：PLS.偏最小二乘（partial least squares）；DA.判别分析（discriminate analysis）；SIMCA.软独立建模分类（soft independent modeling of class analogy）；ROC.受试者工作特征（receiver operating characteristics）；FS.全光谱（full spectrum）；SPA.连续投影算法（successive projections algorithm）；SVM.支持向量机（support vector machine）；LSSVM.最小二乘支持向量机（least square support vector machine）；UVE.无信息变量消除（uninformative variable elimination）；ELM.极限学习机（extreme learning machine）；MLR.多元线性回归（multiple linear regression）；EMCVS.总体蒙特卡洛变量选择（ensemble monte carlo variable selection）；SDA.结构分解分析（structure decomposition analysis）；BR.波段比（band ratio）；BD.波段差（band difference）；ANN.人工神经网络（artif i cial neural network）；IC.独立成分（independent component）；LDA.线性判别分析（linear discriminate analysis）；SVC.静止无功补偿器（static var compensator）；—.文献未报道。

可见/可见-近红外波段是目前国内外检测果蔬内部损伤最常用的波段范围。Xing Juan等[31]采集了乔纳金苹果损伤和正常区域的光谱，全波段参与建模，总体分类正确率大于90%。全波段可能包含冗余信息，利用特征波段建模能达到与全波段建模同样的精度[36]。为此，Xing Juan等[37]采集了‘Golden Delicious’损伤和正常区域的光谱，并用相关表法提取有效波段。结果发现，545 nm和1 200 nm波段反射率能显示损伤随时间的变化，并且745 nm和905 nm的波段比也能有效检测旧伤。有学者对利用光谱技术定量检测进行了研究，Jiménez等[30]认为近红外区域（700～950 nm）可以定量检测不同撞击能量的损伤，结果表明预测值和实验测得值之间的相关系数为r2＝0.87～0.90。Martinsen等[38]考察了严格控制环境下，早期损伤（损伤5 min以内）与正常组织反射光谱的区别。结果表明，最大差别出现在970 nm波长处，损伤部位反射率比正常部位低8%左右。也有学者从损伤后组织变软的角度利用光谱技术对损伤进行预测[39]，结果表明，正常和早期损伤的分类正确率比直接通过光谱建模稍高，超过95%。但是相应的操作复杂，且检测结果更容易受外界影响。

光谱技术能够反映由损伤引起的果蔬组织结构和组分的变化，从而对损伤进行检测分析。由上述研究可以看出，光谱技术在新旧损伤检测和定量检测方面也具有一定的潜力。但是光谱技术只能获取样品小块区域的光谱信息，缺失空间信息。而且仅依靠光谱反射强度，很难消除时间因素对损伤识别的影响[37]。另外，预测模型仍存在稳定性和适应性问题。

光谱成像技术将光谱技术和图像技术结合起来，它在获得样品空间信息的同时，还为每个图像上每个像素点提供光谱信息，实现“图谱合一”。光谱成像技术在果蔬损伤检测领域得到了广泛的应用，尤其是对果蔬外表皮没有明显特征的早期损伤或轻微损伤。

针对果蔬早期损伤的检测，Elmasry等[40]基于高光谱成像技术提取了有效波段并进行多光谱成像检测‘McIntosh’苹果不同时间的损伤，所开发的自适应阈值方法能够检测1 h以内的损伤。Baranowski等[41]综合运用高光谱成像和热成像技术检测苹果损伤。结果表明，系统能够提高检测正确率，检测早期损伤（1 h）的同时能够定量确定损伤的深度。但相应硬件设备及时间成本过高。Huang Wenqian等[42]利用高光谱成像技术检测损伤1 h以内的苹果。基于优选波段开发了识别算法，总体正确识别率达到97%。由于识别算法的适应性问题，能够检测早期损伤的算法并不一定适用于检测晚期损伤。Nagata等[43]利用近红外高光谱成像技术检测草莓不同程度压伤后0～4 d的图像，得出随着时间的延长，能够检测到损伤的压伤程度越低的结论。为此，有学者基于损伤表面形变信息开发了乔纳金苹果早期损伤检测算法[44]，对损伤1 d的正确识别率为77.5%。另外，一些学者尝试开发同时检测新旧损伤的算法。Baranowski等[45]运用高光谱成像技术检测苹果两周以内产生的损伤。结果显示，基于有监督的分类方法能够有效监测损伤时间。轻微损伤肉眼不易观测，应及时将轻微损伤果蔬分拣出来作相应处理，以提高生产效益。Zhang Baohua等[46]提出了一种基于高光谱成像和最小噪声分离（minimum noise fraction，MNF）的苹果轻微损伤识别检测方法。总体正确率为97.1%。魏新华等[47]利用高光谱成像系统采集轻微损伤发生不到1 h的冬枣损伤部位的图像。对100 个轻微损伤冬枣样本的识别正确率为98%。李小昱等[48]针对通常采用的反射高光谱无法准确检测马铃薯表面轻微碰伤的问题，提出了一种用V型平面镜的高光谱并结合果蝇优化算法检测马铃薯轻微碰伤的方法。结果表明，训练集和预测集的识别准确率均达到100%。

以上研究大部分采用反射式高光谱成像，也有学者从其他角度研究损伤检测方法。Anderson等[49]利用空间频域成像得出正常和损伤组织的约化散射系数明显不同的结论。Lu Renfu等[50]发现反射系数随时间的变化没有一致的规律，而约化散射系数一致性较好，随时间逐渐降低。Zhu Qibing等[51]利用散射高光谱成像技术预测苹果对损伤的敏感性。但是目前散射式高光谱成像也存在着空间信息缺失的缺点。有学者对比了不同光照模式下损伤的检测，得出透射模式下检测机械损伤效果较好的结论[52-54]。

高光谱成像技术数据量大无法直接用于在线检测分级，有学者根据高光谱研究基础选择特征波段，进而搭建多光谱成像系统进行检测，可大大提高检测效率。Aneshansley等[55]设计了一个光学滤波系统用于搭建多光谱成像平台，包括一个光分路器和两个滤波片。光分路器安装在相机前，并且能够将入射光线分解成3 条完全相同的光线，每条光线进入图像传感器分区进行成像，因此相机能够同时采集3 幅图像。Bennedsen[56-57]、Throop[58]等对此系统进行了改进并用于检测苹果的损伤，取得了较好的检测效果。Kleynen等[59]选择了450、500、750 nm和800 nm 4 个波段的滤波片搭建了多光谱成像系统。系统主要包括4 个滤波片、单色相机和光照通道。研究发现，750 nm和800 nm可以较好地识别内部损伤。利用贝叶斯分类器，对早期损伤的检测正确率为98.2%、轻微损伤为55%。主要原因是损伤面积小或者与果皮颜色相近造成混淆。后来，Unay等[60-61]分别基于此系统在检测算法上进行了改进，取得了较好的结果。Huang Wenqian等[62]搭建多光谱成像系统检测苹果损伤。首先利用分段主成分分析（principal component analysis，PCA）对高光谱数据进行处理，选择3 个有效波段（780、850 nm和 960 nm）搭建多光谱系统，包括2 个二色分光镜、2 个滤波片和3 个电荷耦合元件（charge-coupled device，CCD）多光谱面阵相机。对此多光谱系统进行静态和动态下损伤检测实验，动态下检测速率为每秒采集3 个苹果图像，检测正确率为74.6%，静态下检测正确率为91.5%。目前，市场也有成熟的多光谱产品出现，如丹麦Videometer A/S公司生产的VideometerLab equipment，包含19 个不同的波段，覆盖可见/可见-近红外波段范围，可用于转基因大米种子检测[63]、注水牛肉检测[64]等。

光谱成像技术弥补了光谱技术缺乏空间信息的缺点，其采集的丰富数据能够解释果蔬内部损伤。光谱成像中有效波段选取非常关键，但是由于检测对象、检测环境和分析技术的影响可能造成有效波段并不相同。因此需要多次验证，以保证其稳定性和适应性。另外，类球形果蔬表面光照分布不均匀，会干扰有效波段的选取，影响检测效果。

传统机器视觉技术模拟人眼采集R、G、B 3 个通道的图像，能够检测颜色、纹理、大小、形状和外部缺陷，但是对于外部特征不明显的缺陷如内部损伤的检测则并不适用。当激光照射在果蔬表面上时，由果蔬内部散射粒子和果蔬表面状态引起的不同光程的散射光之间的相互干涉，在观测面形成的随机干涉的图样就叫做激光散斑。Pajuelo等[65]分别从定性和定量的角度验证了苹果损伤和正常组织间的不同，得出激光散斑成像技术可作为检测果蔬产品损伤的有力工具的结论。这种技术简单易操作，并且成本低，但是散斑与生物组织活性之间的关系原理比较复杂，至今尚未有建立起有效的监测模型。X射线成像检测技术是研究物质内部物理结构的重要方法，它是利用X射线透过被检测物体时，缺陷部位与完好部位对射线吸收能力不同的原理来实现成像检测的。利用此方法进行损伤水果检测的研究较少[66]，而且由于新伤与正常组织的对比度较低，采用这种方法很难被检测出来。当某种常温物质经特定波长的入射光照射时，其分子吸收光能从基态进入激发态，并且立即退激发并发出出射光，称为荧光。Chiu等[67]利用叶绿素荧光成像技术检测苹果不同程度的早期损伤（68.6、88.2 N和107.8 N）。实验结果表明，对3 种损伤程度的瘀伤0.5 h后的平均检测正确率为86.7%，而对损伤1 h后的平均检测正确率为100%。

红外热成像技术是一项利用物体自身各部分热特性的差异，把物体不可见的热辐射情况转换为可视的热图像的红外信息转换与处理技术，其原理如图2所示。损伤发生后，热量在果蔬中的吸收和传播发生变化，引起热扩散系数、热传导系数、比热容等热特性参数发生变化，从而导致正常和损伤组织间产生一定的温度差异。

运用热成像方法检测果蔬损伤起始于国外。Linden等[83]运用热成像技术检测番茄轻微损伤，对比了3 种温度处理的方法，分别是在1 ℃环境中冷却90 min、在70 ℃的烤箱中加热1～2 min、用微波炉加热7～15 s。研究发现，在微波炉中加热15 s可以检测到损伤和正常组织间的细微差别，但是热图像噪声太多。Varith等[84]研究了热成像检测苹果损伤后48 h的可行性。采用风扇模拟强制热对流处理和冷却处理，研究发现加热处理效果更好，并且在30～180 s内损伤组织比正常组织温度低1～2 ℃。认为苹果正常部位和损伤部位热扩散系数α不同，是导致水果表面温度分布不均的主要原因。后来研究学者逐渐意识到热源变化对检测结果带来的影响，并根据检测系统是否存在外部热源激励分为被动热成像和主动热成像。因为水果损伤部位和正常部位温差很小，发射率相差不大，故由外部热激励的主动热成像检测方法得到重视。Baranowski等[85]用一种主动热成像方法，脉冲相位红外检测（pulsed-phase thermography，PPT）方法检测3 种苹果品种的早期损伤（损伤后2 h）。通过分析发现，相位不受外界反射、发射率和样品形状的影响、最大相位差对应的频率与损伤深度之间存在较好的线性关系，由此可区分不同的损伤程度。Kim等[86]运用相位红外检测方法检测梨的早期损伤。研究同样发现，相位红外检测方法和相位信息能够用于水果机械损伤的检测，尤其是应用于早期损伤，并且具有定量检测损伤的潜力。Irani等[87]首先设计因子实验（损伤部位和损伤能量），通过热图像和损伤深度确定损伤苹果表面温度，然后建立表面温度和损伤深度间的关系。结果表明损伤表面温度能够用来预测此损伤区域的损伤深度。

国内在利用热成像方式无损检测果蔬品质方面起步较晚，自2010年开始才陆续出现相关研究，杨万利等[88]基于红外摄像机，采用风扇加热和冷却两种实验方法拍摄损伤苹果，利用混合图像增强算法识别早期损伤，正确率高达96%以上。周建民等[89]针对苹果早期机械损伤较难识别的特点，通过主动红外热激励以及降温措施，利用红外热成像技术研究苹果表面机械损伤温度变化情况。结果表明，热图像对比度受周围空气流动影响，可以较好地区分苹果的缺陷部位与果梗、花萼，达到缺陷检测的目的。后来，该作者进一步提出利用温度变化曲线来区分不同缺陷种类的方法[90]。但是以上研究均没有考虑热源等因素的影响，直到最近门洪等[91]从激励源、加热距离、拍摄距离等因素对苹果损伤检测热图像采集系统进行了优化设计，并从定性和定量两个方面讨论了区分苹果的果梗和花萼的方法。近年来利用红外热成像技术检测水果损伤的研究进展情况见表3。

综上所述，利用热特性检测水果损伤是可行的，主要挑战在于如何增强损伤信号和如何提取损伤信号，在热成像方面表现在热源的优化设计和热图像的处理上。另外，研究表明热成像在损伤的定量检测方面具有一定的可行性，这为今后在热成像的损伤检测领域指明了方向。

果蔬的声学特性是指果蔬在激励声源作用下声波的反射特性、散射特性、透射特性、吸收特性、衰减系数和传播速率及其本身的声阻抗与固有频率等，它们反映了声波与农产品相互作用的基本规律[92]。检测时由声波发生器发出的声波射向被检对象，声波传感器接收到从物料透射、反射或散射出的声波信号，经放大传送到动态信号分析仪和计算机进行分析。果蔬发生损伤后，其声学特性相应发生变化，根据被检对象的声学特性差异对内部损伤进行检测。

声学检测方法受干扰较少，检测装置成本低，且易实现智能化[93]，在果蔬硬度[94-97]、糖度[93,98]、内部空心[99-100]和贮藏时间[101]中日益得到广泛应用。在果蔬损伤检测方面，Jagannath等[102]采集了香蕉损伤前后的声学响应光谱，并对采集信号进行快速傅里叶变换光谱检测。发现损伤会导致香蕉的共振频率下降。Esehaghbeygi等[103]用4 个陶瓷超声换能器（25、32.8、 40 kHz和50 kHz）检测3 个品种马铃薯的机械损伤，用超声波的衰减系数来判断马铃薯损伤情况。研究发现，频率为25 kHz的换能器检测结果更为准确，3 个品种分类正确率分别为83.0%、94.5%和89.0%。Ozbek等[104]提出利用声学特性来定量检测损伤体积。首先，撞击声音信号由压电传感器记录到电脑里，然后声音信号转换成Shannon熵信号，并提取熵峰值和脉宽时间，最后建立这两个参数和损伤体积的回归模型。实验结果表明，损伤体积和熵峰值间呈指数相关，和脉宽时间呈负幂函数相关，且两者相关系数均超过0.98。

声学检测通过评价衰减信号和传播速率来判断组织是否发生损伤，简单且成本低，能够检测组织结构和成分上的变化。但是只对某种类型的缺陷/损伤适用，而且需要进行接触式测量，不利于商业化应用。

果蔬是有机生命体，在采后阶段仍具有一定的生命特征。果蔬内部存在大量的带电粒子从而形成生物电场，在遭受损伤后，果蔬物质和能量转换发生一系列变化，影响了生物电场的分布和强度，宏观上表现为电学特性发生改变。磁共振成像是根据特定原子核在磁场中的磁特性用于检测果蔬的品质特性的。而NMR信号强度与被测样品中1H核密度有关，损伤组织会因细胞破裂而产生较强的NMR信号，后期会因水分蒸发较快而产生较弱的信号，利用这种差异可实现损伤检测[105]。

基于电学特性的果蔬损伤无损检测较少，目前研究多集中于电学参数和损伤间关系的建立上。陈志远[106]研究了损伤对番茄电参数的影响。发现电参数复阻抗（Z）、相对介电常数和电阻（R）可作为区分果实是否损伤的依据参数，并建立了番茄果实损伤程度的预测模型，此模型预测准确率可达90%。唐燕等[107]发现随着贮藏时间的延长，损伤猕猴桃果实电参数发生变化，电参数复阻抗Z对损伤的响应最灵敏，但果实电参数的总体变化趋势一致。果蔬电学特性不仅与损伤程度有关，更是随着测试频率变化而明显变化[108-111]。郭晓丹等[111]发现在5.01～0.10 MHz频率段的串联等效电感Ls和3.16～0.10 MHz频率段内的电抗X值可以准确识别枣果的损伤与否。

NMR成像技术是利用原子核在磁场内所产生的信号经过重建成像的一种影像技术。常用的进行NMR的原子核有1H、13C、19F和31P，其中1H是目前应用最为广泛、技术最为成熟的原子核。Thybo等[112]首次使用NMR成像技术检测马铃薯内部损伤，发现内部损伤在NMR图像上表现为边缘含水量较高的干燥区域。Milczarek等[113]对番茄NMR图像进行多元图像分析，结果表明NMR成像技术可有效检测番茄内部损伤。周水琴等[105]采用NMR成像设备扫描获得轻微损伤鸭梨冠状面图像，实验结果表明，NMR成像技术对水果轻微损伤的检测精度达92.1%。Mazhar等[114]验证了NMR成像在定性和定量检测鳄梨损伤方面的可行性。

目前，果蔬损伤的电磁特性已具备一定的研究基础，表明该方法具有一定的可行性，但是电学特性的测量仍停留在建立检测模型上，且NMR成像设备昂贵、成像速度慢、对操作人员要求高，如何研究出成本低廉、非接触的损伤检测方法是需要解决的问题。

3 结语

果蔬在采后处理过程中容易发生机械损伤，较严重的外部损伤可通过机器视觉技术等手段得以检测，而由碰压引起的内部损伤因用肉眼难以识别，具有一定的检测难度。果蔬采后内部碰压损伤的检测难点之一是轻微损伤的检测，原因是较小的外界作用力没有引起果蔬组织生理和结构方面明显变化，果蔬自身因外界刺激而产生的防御也会进一步削弱损伤和正常组织间的差距。另外，果蔬损伤后通常会发生褐变，贮存时间较长变色会进一步在表皮上表现出来，如果表皮颜色较深，同样会对检测造成干扰。如果能短期内检测到轻微损伤，果蔬不仅能够得以正确分类，操作人员也能尽快对损伤进行处理[38]。而且不同等级的果蔬具有不同的应用价值，损伤的定量检测也是采后内部碰压损伤检测的难点之一。最后，在进行在线损伤检测实验时，要考虑到碰压损伤与其他缺陷/损伤的同时检测，达到在降低检测成本的前提下提高效率的目的。

针对果蔬采后内部碰压损伤检测存在的问题，可从提取损伤信号方法和后期增强损伤信号方面考虑，今后研究可从以下3 个方面展开：1）对果蔬样品进行力学特性研究，更好地理解损伤的产生机理并模拟内部碰压损伤；2）损伤果蔬生理和物理特性研究，为损伤检测提供理论基础。研究光、热、声、电、磁在果蔬组织中的吸收特性和传播路径，分析影响结果的主要物质和结构参数，最终建立损伤后发生的变化和无损检测方法间的联系；3）尝试多元信息融合检测损伤[41,115]，以期进一步研究提高检测效果。

[1] 王萌蕾, 陈复生, 杨宏顺, 等. 加工和贮藏对果蔬营养成分变化及抗氧化活性影响的研究进展[J]. 现代食品科技, 2013, 29(3): 692-697. DOI:10.13982/j.mfst.1673-9078.2013.03.058.

[2] 高海生, 李润丰, 刘秀凤. 园艺产品采后商品化处理技术研究进展[J]. 食品科学, 2008, 29(9): 627-631. DOI:10.3321/ j.issn:1002-6630.2008.09.152.

[3] 国家质量监督检验检疫总局, 中国国家标准化管理委员会. 鲜苹果: GB/T 10651—2008 [S]. 北京: 中国标准出版社, 2008: 1-5.

[4] 虢露葭, 李萍, 侯晓荣, 等. 果蔬采后机械损伤特性研究进展[J]. 食品工业科技, 2013, 34(1): 389-391; 396. DOI:10.13386/j.issn1002-0306.

[5] 钱骁, 李丹, 田会清, 等. 京城果蔬商户降低物流损耗方法分析[J]. 中国食物与营养, 2012, 18(1): 49-53. DOI:10.3969/ j.issn.1006-9577.2012.01.014.

[6] 吴杰. 库尔勒香梨的动态粘弹特性及碰压损伤机理研究[D]. 杨凌:西北农林科技大学, 2011: 13-24.

[7] MARIQUE T, PENNINCX S, KHAROUBI A. Image segmentation and bruise identif i cation on potatoes using a Kohonen’s self-organizing map[J]. Journal of Food Science, 2005, 70(7): 415-417. DOI:10.1111/ j.1365-2621.2005.tb11469.x.

[8] BEYAZ A, OZTURK R, TURKER U. Assessment of mechanical damage on apples with image analysis[J]. Journal of Food Agriculture & Environment, 2010, 8(3): 476-480.

[9] 周竹, 黄懿, 李小昱, 等. 基于机器视觉的马铃薯自动分级方法[J]. 农业工程学报, 2012, 28(7): 178-183. DOI:10.3969/ j.issn.1002-6819.2012.07.030.

[10] 刘韦. 基于机器视觉的马铃薯表面缺陷检测算法的研究[D]. 大庆:黑龙江八一农垦大学, 2013: 28-45.

[11] 程鲁玉, 吴艳, 孟小艳. 基于计算机视觉的香梨损伤自动检测与分类研究[J]. 农业网络信息, 2013(7): 25-27. DOI:10.3969/ j.issn.1672-6251.2013.07.007.

[12] ZDUNEK A, UMEDA M. Influence of cell size and cell wall volume fraction on failure properties of potato and carrot tissue[J]. Journal of Texture Studies, 2005, 36(1): 25-43. DOI:10.1111/j.1745-4603.2005.00002.x.

[13] 康璟, 李涛, 王蒂, 等. 马铃薯收获中机械损伤的分析与思考[J]. 农业机械, 2013(10): 137-139. DOI:10.16167/j.cnki.1000-9868.

[14] 李萍. 黄花梨模拟运输振动引起的机械损伤与品质损害[D]. 杭州:浙江大学, 2014: 21.

[15] SU J, TU K, CHENG L, et al. Wound-induced H2O2and resistance to botrytis cinerea decline with the ripening of apple fruit[J]. Postharvest Biology and Technology, 2011, 62(1): 64-70. DOI:10.1016/ j.postharvbio.2011.05.001.

[16] 刘慧, 陈复生, 杨宏顺, 等. 图谱法在采后果蔬果胶分子结构研究中的进展[J]. 食品研究与开发, 2009, 30(1): 143-147. DOI:10.3969/ j.issn.1005-6521.2009.01.044.

[17] MERCADO J A, PLIEGO-ALFARO F, QUESADA M A. Fruit shelf life and potential for its genetic improvement[M]. New Jersey: John Wiley & Sons, Inc., 2011: 81-104. DOI:10.1002/9780470959350.ch4.

[18] 俞雅琼. 机械损伤对采后砀山酥梨生理生化变化的影响[D]. 合肥:安徽农业大学, 2011: 12-17.

[19] 鞠志国, 朱广廉, 曹宗巽. 莱阳茌梨果实褐变与多酚氧化酶及酚类物质区域化分布的关系[J]. 植物生理学报, 1988(4): 46-51.

[20] AMIOT M J, TACCHINI M, AUBERT S, et al. Phenolic composition and browning susceptibility of various apple cultivars at maturity[J]. Journal of Food Science, 1992, 57(4): 958-962. DOI:10.1111/j.1365-2621.1992.tb14333.x.

[21] 王艳颖, 胡文忠, 庞坤, 等. 机械损伤对富士苹果酶促褐变的影响[J]. 食品科学, 2008, 29(4): 430-434. DOI:10.3321/ j.issn:1002-6630.2008.04.097.

[22] LI Z G, THOMAS C. Quantitative evaluation of mechanical damage to fresh fruits[J]. Trends in Food Science & Technology, 2014, 35(2): 138-150. DOI:10.1016/j.tifs.2013.12.001.

[23] LOODTS J, TIJSKENS E, WEI C F, et al. Micromechanics: Simulating the elastic behavior of onion epidermis tissue[J]. Journal of Texture Studies, 2006, 37(1): 16-34. DOI:10.1111/j.1745-4603.2006.00036.x.

[24] 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. DOI:10.13031/2013.29942.

[25] ALVAREZ M D, SAUNDERS D E J, VINCENT J F V. Fracture properties of stored fresh and osmotically manipulated apple tissue[J]. European Food Research and Technology, 2000, 211(4): 284-290. DOI:10.1007/s002170000160.

[26] ZHANG B H, HUANG W Q, LI J B, et al. Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: a review[J]. Food Research International, 2014, 62: 326-343. DOI:10.1016/j.foodres.2014.03.012.

[27] NICOLAI B M, DEFRAEYE T, de KETELAERE B, et al. Nondestructive measurement of fruit and vegetable quality[J]. Annual Review of Food Science and Technology, 2014, 5(6): 285-312. DOI:10.1146/annurev-food-030713-092410.

[28] PATEL K K, KHAN M A, KAR A. Recent developments in applications of MRI techniques for foods and agricultural produce: an overview[J]. Journal of Food Science and Technology, 2015, 52(1): 1-26. DOI:10.1007/s13197-012-0917-3.

[29] PHOLPHO T, PATHAVEERAT S, SIRISOMBOON P. Classif i cation of longan fruit bruising using visible spectroscopy[J]. Journal of Food Engineering, 2011, 104(1): 169-172. DOI:10.1016/ j.jfoodeng.2010.12.011.

[30] JIMÉNEZ F. Non-destructive determination of impact bruising on table olives using Vis-NIR spectroscopy[J]. Biosystems Engineering, 2012, 113(4): 371-378. DOI:10.1016/j.biosystemseng.2012.09.007.

[31] XING Juan, LINDEN V V, VANZEEBROECK M, et al. Bruise detection on Jonagold apples by visible and near-infrared spectroscopy[J]. Food Control, 2005, 16(4): 357-361. DOI:10.1016/ j.foodcont.2004.03.016.

[32] ESQUERRE C, GOWEN A A, O’DONNELL C P, et al. Initial studies on the quantitation of bruise damage and freshness in mushrooms using visible-near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2009, 57(5): 1903-1907. DOI:10.1021/jf803090c.

[33] 郭文川, 王铭海, 岳绒. 基于近红外漫反射光谱的损伤猕猴桃早期识别[J]. 农业机械学报, 2013, 44(2): 142-146. DOI:10.6041/ j.issn.1000-1298.2013.02.027.

[34] 郭文川, 王铭海, 谷静思, 等. 近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃[J]. 光学精密工程, 2013, 21(10): 2720-2727. DOI:10.3788/OPE.20132110.2720.

[35] 李光辉, 任亚梅, 任小林, 等. 苹果品种及损伤苹果的FT-NIR鉴别研究[J]. 食品科学, 2012, 33(16): 251-256.

[36] LUO Xuan, TAKAHASHI T, KYO K, et al. Wavelength selection in vis/NIR spectra for detection of bruises on apples by ROC analysis[J]. Journal of Food Engineering, 2012, 109(3): 457-466. DOI:10.1016/ j.jfoodeng.2011.10.035.

[37] XING Juan, BRAVO C, MOSHOU D. Bruise detection on ‘Golden Delicious’ apples by vis/NIR spectroscopy[J]. Computers and Electronics in Agriculture, 2006, 52(1/2): 11-20. DOI:10.1016/ j.compag.2006.01.006.

[38] MARTINSEN P, OLIVER R, SEELYE R, et al. Quantifying the diffuse ref l ectance change caused by fresh bruises on apples[J]. Transactions of the Asabe, 2014, 57(2): 565-572. DOI:10.13031/trans.57.10355.

[39] XING Juan, BAERDEMAEKER J D. Fresh bruise detection by predicting softening index of apple tissue using VIS/NIR spectroscopy[J]. Postharvest Biology and Technology, 2007, 45(2): 176-183. DOI:10.1016/j.postharvbio.2007.03.002.

[40] ELMASRY G, WANG N, VIGNEAULT C, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345. DOI:10.1016/j.lwt.2007.02.022.

[41] BARANOWSKI P, MAZUREK W, WOZNIAK J, et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355. DOI:10.1016/j.jfoodeng.2011.12.038.

[42] HUANG Wenqian, ZHANG Baihai, LI Jiangbo, et al. Early detection of bruises on apples using near-infrared hyperspectral image[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2013, 8761(1): 165-174. DOI:10.1117/12.2019630.

[43] NAGATA M, TALLADA J G, KOBAYASHI T. Bruise detection using nir hyperspectral imaging for strawberry (Fragaria ananassa Duch.)[J]. Environmental Control in Biology, 2006, 44(2): 133-142. DOI:10.2525/ecb.44.133.

[44] XING Juan, BAERDEMAEKER J D. Bruise detection on ‘Jonagold’ apples using hyperspectral imaging[J]. Postharvest Biology and Technology, 2005, 37(2): 152-162. DOI:10.1016/j.postharvbio.2005.02.015.

[45] BARANOWSKI P, MAZUREK W, PASTUSZKA-WOŹNIAK J. Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data[J]. Postharvest Biology and Technology, 2013, 86(5): 249-258. DOI:10.1016/ j.postharvbio.2013.07.005.

[46] 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. DOI:10.3964/j.issn.1000-0593(2014)05-1367-06.

[47] 魏新华, 吴姝, 范晓冬, 等. 基于高光谱成像分析的冬枣微观损伤识别[J]. 农业机械学报, 2015(3): 242-246. DOI:10.6041/ j.issn.1000-1298.2015.03.035.

[48] 李小昱, 徐森淼, 冯耀泽, 等. V型平面镜的高光谱结合果蝇优化算法检测马铃薯轻微碰伤[J]. 农业机械学报, 2016(1): 1-7.

[49] ANDERSON E R, CUCCIA D J, DURKIN A J. In detection of bruises on golden delicious apples using spatial-frequency-domain imaging[C]// Society of Photo-Optical Instrumentation Engineers (SPIE) Conference Series. San Jose, California: SPIE, 2007. DOI:10.1117/12.717608.

[50] LU Renfu, CEN Haiyan, HUANG Min, et al. Spectral absorption and scattering properties of normal and bruised apple tissue[J]. Transactions of the ASABE, 2010, 53(1): 263-269. DOI:10.13031/2013.29491.

[51] ZHU Qibing, GUAN Jiyu, HUANG Min, et al. Predicting bruise susceptibility of ‘Golden Delicious’ apples using hyperspectral scattering technique[J]. Postharvest Biology and Technology, 2016, 114: 86-94. DOI:10.1016/j.postharvbio.2015.12.007.

[52] ARIANA D P, LU R F. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J]. Computers and Electronics in Agriculture, 2010, 74(1): 137-144. DOI:10.1016/j.compag.2010.07.008.

[53] 高海龙, 李小昱, 徐森淼, 等. 透射和反射高光谱成像的马铃薯损伤检测比较研究[J]. 光谱学与光谱分析, 2013(12): 3366-3371. DOI:10.3964/j.issn.1000-0593(2013)12-3366-06.

[54] HU M H, DONG Q L, LIU B L. Classif i cation and characterization of blueberry mechanical damage with time evolution using ref l ectance, transmittance and interactance imaging spectroscopy[J]. Computers and Electronics in Agriculture, 2016, 122: 19-28. DOI:10.1016/ j.compag.2016.01.015.

[55] ANESHANSLEY D J, THROOP J A, ANGER W C, et al. In a multivision linear filter for capturing multispectral images[C]// American Society of Agricultural and Biological Engineers (ASAE) Annual Meeting. Las Vegas: ASAE, 2003: 27-30.

[56] BENNEDSEN B S, PETERSON D L. Performance of a system for apple surface defect identification in near-infrared images[J]. Biosystems Engineering, 2005, 90(4): 419-431. DOI:10.1016/ j.biosystemseng.2004.12.005.

[57] BENNEDSEN B S, PETERSON D L, TABB A. Identifying defects in images of rotating apples[J]. Computers and Electronics in Agriculture, 2005, 48(2): 92-102. DOI:10.1016/j.compag.2005.01.003.

[58] THROOP J A, ANESHANSLEY D J, ANGER W C, et al. Quality evaluation of apples based on surface defects: development of an automated inspection system[J]. Postharvest Biology and Technology, 2005, 36(3): 281-290. DOI:10.1016/j.postharvbio.2005.01.004.

[59] KLEYNEN O, LEEMANS V, DESTAIN M F. Development of a multi-spectral vision system for the detection of defects on apples[J]. Journal of Food Engineering, 2005, 69(1): 41-49. DOI:10.1016/ j.jfoodeng.2004.07.008.

[60] UNAY D, GOSSELIN B. Automatic defect segmentation of ‘Jonagold’apples on multi-spectral images: a comparative study[J]. Postharvest Biology and Technology, 2006, 42(3): 271-279. DOI:10.1016/ j.postharvbio.2006.06.010.

[61] UNAY D, GOSSELIN B, DESTAIN M F, et al. Automatic grading of bi-colored apples by multispectral machine vision[J]. Computers and Electronics in Agriculture, 2011, 75(1): 204-212. DOI:10.1016/ j.compag.2010.11.006.

[62] HUANG Wenqian, LI Jiangbo, WANG Qingyan, et al. Development of a multispectral imaging system for online detection of bruises on apples[J]. Journal of Food Engineering, 2015, 146(4): 62-71. DOI:10.1016/j.jfoodeng.2014.09.002.

[63] LIU C H, LIU Wei, LU Xuzhong, et al. Nondestructive determination of transgenic bacillus thuringiensis rice seeds (Oryza sativa L.) using multispectral imaging and chemometric methods[J]. Food Chemistry, 2014, 153(12): 87-93. DOI:10.1016/j.foodchem.2013.11.166.

[64] LIU J X, CAO Y, WANG Q, et al. Rapid and non-destructive identification of water-injected beef samples using multispectral imaging analysis[J]. Food Chemistry, 2016, 190: 938-943. DOI:10.1016/j.foodchem.2015.06.056.

[65] PAJUELO M, BALDWIN G, RABAL H, et al. Bio-speckle assessment of bruising in fruits[J]. Optics and Lasers in Engineering, 2003, 40(1/2): 13-24. DOI:10.1016/S0143-8166(02)00063-5.

[66] SHAHIN M A, TOLLNER E W, ARABNIA H R, et al. Apple classif i cation based on surface bruises using image processing and neural networks[J]. Transactions of the ASAE, 2002, 45(5): 1619-1628.

[67] CHIU Y C, CHOU X L, GRIFT T E, et al. Automated detection of mechanically induced bruise areas in golden delicious apples using fl uorescence imagery[J]. Transactions of the Asabe, 2015, 58(2): 215-225. DOI:10.13031/trans.58.10578.

[68] 岳绒. 受损猕猴桃贮藏期间近红外光谱与品质关系的研究[D]. 杨凌:西北农林科技大学, 2011: 54-65.

[69] ESQUERRE C, GOWEN A, DOWNEY G, et al. Wavelength selection for development of a near infrared imaging system for early detection of bruise damage in mushrooms (Agaricus bisporus)[J]. Journal of Near Infrared Spectroscopy, 2012, 20(5): 537-546. DOI:10.1255/jnirs.1014.

[70] WU Guifang, WANG Chunguang. Investigating the effects of simulated transport vibration on tomato tissue damage based on vis/NIR spectroscopy[J]. Postharvest Biology and Technology, 2014, 98: 41-47. DOI:10.1016/j.postharvbio.2014.06.016.

[71] XING Juan, BRAVO C, JANCSÓK P T, et al. Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands[J]. Biosystems Engineering, 2005, 90(1): 27-36. DOI:10.1016/j.biosystemseng.2004.08.002.

[72] XING Juan, SAEYS W, DE BAERDEMAEKER J. Combination of chemometric tools and image processing for bruise detection on apples[J]. Computers and Electronics in Agriculture, 2007, 56(1): 1-13. DOI:10.1016/j.compag.2006.12.002.

[73] 单佳佳, 彭彦昆, 王伟, 等. 基于高光谱成像技术的苹果内外品质同时检测[J]. 农业机械学报, 2011, 42(3): 140-144. DOI:10.3969/ j.issn.1000-1298.2011.03.027.

[74] CHO B K, BAEK I S, LEE N G, et al. Study on bruise detection of ‘Fuji’ apple using hyperspectral reflectance imagery[J]. Journal of Biosystems Engineering, 2011, 36: 484-490. DOI:10.5307/ JBE.2011.36.6.484.

[75] LEE W H, KIM M S, LEE H, et al. Hyperspectral near-infrared imaging for the detection of physical damages of pear[J]. Journal of Food Engineering, 2014, 130: 278-282. DOI:10.1016/ j.jfoodeng.2013.12.032.

[76] 杨婷婷, 迟茜, 王转卫, 等. 近红外高光谱成像技术的桃轻微损伤早期检测[J]. 农机化研究, 2015(5): 44-48. DOI:10.3969/j.issn.1003-188X.2015.05.010.

[77] LÜ Qiang, TANG Mingjie, CAI Jianrong, et al. Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits[J]. Czech Journal of Food Sciences, 2011, 29(6): 595-602.

[78] 迟茜, 王转卫, 杨婷婷, 等. 基于近红外高光谱成像的猕猴桃早期隐性损伤识别[J]. 农业机械学报, 2015, 46(3): 235-241. DOI:10.6041/ j.issn.1000-1298.2015.03.034.

[79] WU Longguo, HE Jianguo, LIU Guishan, et al. Detection of common defects on jujube using vis-NIR and NIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2016, 112: 134-142. DOI:10.1016/j.postharvbio.2015.09.003.

[80] RIVERA N V, GÓMEZ-SANCHIS J, CHANONA-PÉREZ J, et al. Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J]. Biosystems Engineering, 2014, 122(3): 91-98. DOI:10.1016/ j.biosystemseng.2014.03.009.

[81] ARIANA D P, LU R F, GUYER D E. Near-infrared hyperspectral ref l ectance imaging for detection of bruises on pickling cucumbers[J]. Computers and Electronics in Agriculture, 2006, 53(1): 60-70. DOI:10.1016/j.compag.2006.04.001.

[82] ARIANA D P, LU R F. Detection of internal defect in pickling cucumbers using hyperspectral transmittance imaging[J]. Transactions of the ASABE, 2008, 51(2): 705-713.

[83] LINDEN V V, VEREYCKEN R, BRAVO C, et al. Detection technique for tomato bruise damage by thermal imaging[J]. Acta Horticulturae, 2003, 599: 389-394. DOI:10.17660/ActaHortic.2003.599.49.

[84] VARITH J, HYDE G M, BARITELLE A L, et al. Non-contact bruise detection in apples by thermal imaging[J]. Innovative Food Science & Emerging Technologies, 2003, 4(2): 211-218. DOI:10.1016/S1466-8564(03)00021-3.

[85] BARANOWSKI P, MAZUREK W, WITKOWSKA-WALCZAK B, et al. Detection of early apple bruises using pulsed-phase thermography[J]. Postharvest Biology and Technology, 2009, 53(3): 91-100. DOI:10.1016/j.postharvbio.2009.04.006.

[86] KIM G, KIM G H, CHO B K, et al. Application of infrared lockin thermography for the quantitative evaluation of bruises on pears[J]. Infrared Physics and Technology, 2013, 63(11): 133-139. DOI:10.1016/j.infrared.2013.12.015.

[87] IRANI O D, GOLZARIAN M R, AGHKHANI M H, et al. Development of multiple regression model to estimate the apple’s bruise depth using thermal maps[J]. Postharvest Biology and Technology, 2016, 116: 75-79. DOI:10.1016/ j.postharvbio.2015.12.024.

[88] 杨万利, 沈明霞, 严君. 红外图像处理技术在苹果早期淤伤检测中的应用[J]. 计算机工程与设计, 2010, 31(1): 149-152.

[89] 周建民, 周其显. 基于主动热成像技术的苹果早期机械损伤检测[J].农机化研究, 2010, 32(8): 162-165. DOI:10.3969/j.issn.1003-188X.2010.08.042.

[90] 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. DOI:10.3969/ j.issn.1005-0523.2012.01.017.

[91] 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. DOI:10.3969/ j.issn.2095-5553.2013.06.053.

[92] 应义斌, 蔡东平, 何卫国, 等. 农产品声学特性及其在品质无损检测中的应用[J]. 农业工程学报, 1997(3): 208-212.

[93] 危艳君, 饶秀勤, 漆兵. 基于声学特性的西瓜糖度检测系统[J]. 农业工程学报, 2012, 28(3): 283-287. DOI:10.3969/ j.issn.1002-6819.2012.03.049.

[94] MOLINA-DELGADO D, ALEGRE S, BARREIRO P, et al. Addressing potential sources of variation in several non-destructive techniques for measuring firmness in apples[J]. Biosystems Engineering, 2009, 104(1): 33-46. DOI:10.1016/j.biosystemseng.2009.05.004.

[95] XIAO K, GAO G D, TENG G F, et al. Non-destructive acoustic detection method for maturity of watermelon[J]. Journal of Agricultural Mechanization Research, 2009, 8: 150-155. DOI:10.3969/ j.issn.1003-188X.2009.08.042.

[96] ABBASZADEH R, RAJABIPOUR A, YING Y, et al. Nondestructive determination of watermelon fl esh fi rmness by frequency response[J]. Lebensmittel-Wissenschaft und-Technologie, 2015, 60(1): 637-640. DOI:10.1016/j.lwt.2014.08.029.

[97] CUI D, GAO Z M, ZHANG W, et al. The use of a laser doppler vibrometer to assess watermelon firmness[J]. Computers and Electronics in Agriculture, 2015, 112: 116-120. DOI:10.1016/ j.compag.2014.11.012.

[98] ZUDE M, HEROLD B, ROGER J M, et al. Non-destructive tests on the prediction of apple fruit fl esh fi rmness and soluble solids content on tree and in shelf life[J]. Journal of Food Engineering, 2006, 77(2): 254-260. DOI:10.1016/j.jfoodeng.2005.06.027.

[99] ELBATAWI I E. An acoustic impact method to detect hollow heart of potato tubers[J]. Biosystems Engineering, 2008, 100(2): 206-213. DOI:10.1016/j.biosystemseng.2008.02.009.

[100] 危艳君, 饶秀勤, 漆兵, 等. 基于声学特性检测西瓜内部空心的研究[J]. 包装与食品机械, 2011, 29(5): 1-4. DOI:10.3969/ j.issn.1005-1295.2011.05.001.

[101] 陆勇, 李臻峰, 浦宏杰, 等. 基于声振法的西瓜贮藏时间检测[J]. 浙江农业学报, 2016, 28(4): 682-687. DOI:10.3969/ j.issn.1004-1524.2016.04.22.

[102] JAGANNATH J H, DAS GUPTA D K, BAWA A S, et al. Assessment of ripeness/damage in banana (Musa paradisiacal) by acoustic resonance spectroscopy[J]. China’s Naturopathy, 2005, 28(3): 267-278. DOI:10.1111/j.1745-4557.2005.00008.x.

[103] ESEHAGHBEYGI A, RAGHAMI N, KARGAR A. Detection of internal defects in potato based on ultrasound attenuation[J]. American Journal of Potato Research, 2011, 88(2): 160-166. DOI:10.1007/ s12230-010-9177-9.

[104] OZBEK I Y, BOYDAS M G, KARA M, et al. Low cost measurement setup based on a piezoelectric microphone for estimating apple bruising using shannon entropy[J]. Postharvest Biology and Technology, 2014, 98(1): 23-29. DOI:10.1016/j.postharvbio.2014.06.014.

[105] 周水琴, 商德胜, 应义斌, 等. 基于核磁共振成像的水果轻微损伤识别[J]. 农业机械学报, 2010, 41(8): 107-110. DOI:10.3969/ j.issn.1000-1298.2010.08.022.

[106] 陈志远. 番茄电特性的无损检测与生理特征关系的研究[D]. 杨凌:西北农林科技大学, 2007: 31-35.

[107] 唐燕, 杜光源, 张继澍. 损伤对猕猴桃果实电特性的影响[J]. 食品科学, 2011, 32(5): 6-11.

[108] 马海军. 用电学参数标志苹果采后病害和机械损伤响应机制的研究[D]. 杨凌: 西北农林科技大学, 2010: 47-50.

[109] 边红霞, 屠鹏. 跌落高度对红地球葡萄介电特性的影响[J]. 食品与发酵工业, 2013, 39(7): 154-157. DOI:10.13995/j.cnki.11-1802/ ts.2013.07.047.

[110] 陈燕, 谈建豪, 向和平, 等. 机械损伤对荔枝电特性的影响[J]. 食品与发酵工业, 2014, 40(4): 47-50. DOI:10.13995/j.cnki.11-1802/ ts.2014.04.024.

[111] 郭晓丹, 章中, 张海红, 等. 基于介电特性的枣果品质识别试验研究[J].食品科技, 2014, 39(9): 289-294. DOI:10.13684/j.cnki.spkj.2014.09.062.

[112] THYBO A K, JESPERSEN S N, LAERKE P E, 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. DOI:10.1016/j.mri.2004.08.022.

[113] MILCZAREK R R, SALTVEIT M E, GARVEY T C, et al. Assessment of tomato pericarp mechanical damage using multivariate analysis of magnetic resonance images[J]. Postharvest Biology and Technology, 2009, 52(2): 189-195. DOI:10.1016/j.postharvbio.2009.01.002.

[114] MAZHAR M, JOYCE D, COWIN G, et al. Non-destructive1H-MRI assessment of flesh bruising in avocado (Persea americana M.) cv. Hass[J]. Postharvest Biology and Technology, 2015, 100: 33-40. DOI:10.1016/j.postharvbio.2014.09.006.

[115] 徐赛, 陆华忠, 周志艳, 等. 基于高光谱与电子鼻融合的番石榴机械损伤识别方法[J]. 农业机械学报, 2015, 46(7): 214-219. DOI:10.6041/j.issn.1000-1298.2015.07.031.

GAO Yingwang, GENG Jinfeng, RAO Xiuqin*
(College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：Fruits and vegetable constitute an important part of human daily diet because they contain some necessary nutritional elements, such as vitamin, mineral salt and plant fi ber. Fruits and vegetables are prone to mechanical damage during postharvest operations, which will reduce the eating quality. Meanwhile, both fruits and vegetables can be easily infected with fungi or bacteria (such as late blight, dry rot and soft rot) once they are injured, which in turn can infect normal ones. Bruise damage occurs under the skin of fruits and vegetables without its rupture. Bruised fruits and vegetables are easily confused with normal ones, causing potential economic losses and food safety hazards. Thus, bruise detection has been attracting more and more attention. This paper reviews the mechanism of mechanical damage with respect to consequent physiological and physical changes and the state-of-art progress in the detection of bruise in postharvest fruits and vegetables by taking advantage of optical, thermal, acoustic and electromagnetic properties. Potential diff i culties and future research directions are proposed.

Key words：fruit; vegetable; bruise damage; physical properties; non-invasive detection

高迎旺, 耿金凤, 饶秀勤. 果蔬采后内部损伤无损检测研究进展[J]. 食品科学, 2017, 38(15): 277-287. DOI:10.7506/ spkx1002-6630-201715044. http://www.spkx.net.cn

GAO Yingwang, GENG Jinfeng, RAO Xiuqin. Non-invasive bruise detection in postharvest fruits and vegetables: a review[J]. Food Science, 2017, 38(15): 277-287. (in Chinese with English abstract)

基金项目：“十三五”国家重点研发计划重点专项（2016YFD0701603-01）

作者简介：高迎旺（1989—），男，博士研究生，主要从事基于机器视觉技术的果蔬损伤无损检测研究。E-mail：huneagler@163.com

*通信作者：饶秀勤（1968—），男，教授，博士，主要从事基于机器视觉技术的农产品/食品品质无损检测研究。

果蔬采后内部损伤无损检测研究进展

1 果蔬损伤后发生的变化

2 国内外无损检测研究现状

3 结 语

3 结语