随着人们生活水平的提高,消费者对水果品质的要求也越来越高[1]。水果的病害和虫害是影响水果品质的重要因素。水果在生长、加工、贮藏、运输过程中,容易受到病菌侵染和害虫侵蚀,从而使水果的新陈代谢受到影响,其正常的生理机能和组织结构会发生一系列的变化,以致呈现反常的病变、虫害症状,如腐烂、斑点、霉粉、虫蛀等,这些病变将造成水果品质降低。病害水果也会对贮藏的其他水果产生感染造成更大的损失,同时染有病虫害的水果对食品安全也会造成不良影响[2]。实现水果病虫害检测和准确评价是提高水果品质和保证食品安全的研究热点之一。传统的水果病虫害检测方法有人工分拣、理化指标检测等。其中,人工分拣存在工作单调、主观性强、耗费时间、不易量化、内部病虫害无法肉眼识别等问题[3];理化指标检测具有破坏性,存在待测样品预处理繁琐、检测周期长等问题,并且理化指标测试对测试人员有较高的专业要求。针对传统检测方法的弊端,无损检测技术以其不破坏实验样本、可实现快速检测等优势,已经在水果病虫害检测领域得到广泛应用。本文系统性地论述了X射线成像技术、计算机视觉技术、核磁共振技术、光谱技术、新兴传感器技术、基于介电特性的检测技术、高光谱成像技术在水果病虫害检测领域的研究进展,并重点阐述了高光谱成像技术在水果检测与评价中的应用和研究现状,展望了高光谱成像技术未来的发展趋势,这对于推动水果品质检测的发展具有十分重要的意义。
X射线是一种波长极短、能量很大的电磁波,波长约0.01~10 nm。其成像原理是基于其对物质具有穿透能力,利用其衍射作用和激发荧光的特性,通过捕获X射线与样品内部缺陷或异物引起的射线强度的变化,按照一定的方法转换成样品内部的二维图像,进而对样品进行检测。
绿霉病是柑橘采后的一种重要真菌病,Gadgile等[4]采用X射线成像技术对柑橘类水果中真菌感染情况进行研究,接种5~8 d后发现被真菌侵染的柑橘部分呈现黑暗区域,而对未侵染的柑橘呈现出均匀的浅灰色区域;结果表明采用X射线成像无损检测技术可以有效检测柑橘类水果绿霉病的侵染情况。Thomas等[5]采用X射线成像技术对内部虫害芒果进行无损检测,X射线图像显示,没有害虫侵蚀的健康果核为均匀的浅灰色区域;而受虫害侵蚀的破损果核为暗灰色区域;结果表明,通过X射线成像技术,可以对芒果中的象鼻虫侵蚀情况进行无损检测。由于X射线图像的灰度水平取决于测试样品的密度和厚度,所以在典型的水果中,侵染区域与健康区域的对比度随其位置的变化而变化。为了准确判断水果是否发生虫害,Jiang等[6]开发了一种基于局部像素强度和无监督阈值算法的自适应图像分割算法,对几种不同类型的水果如柑橘、桃、番石榴等的X射线图像进行了实时图像处理,实现了对病害位置的定位。van Dael等[7]采用X射线成像技术对汁胞粒化和干燥症病害的柑橘属(橙子、柠檬)水果进行在线检测,发现柑橘属水果内部病害会导致其密度发生变化,X射线在柑橘内部的损耗将会不同,X射线图片能够反映出柑橘属水果内部病害信息;该研究使用二次最大类间方差算法对病害区域进行特征提取,使用朴素贝叶斯(naive bayes,NB)分类器实现对橙子的识别正确率为95.7%,对柠檬的识别正确率为93.6%。
X射线成像技术不需要进行三维重建,检测速度快,并且该技术能准确分析和描述出样品的内部结构,可视化分析微观结构;另外,X射线成像技术不需要样本准备环节就可以描述检测水果的内部缺陷。但是,X射线系统操作复杂而且昂贵,数据量较大,需要较大的数据存储空间,X射线辐射还可能会对人的健康有影响[8]。
计算机视觉技术的原理是通过计算机技术来模拟人眼视觉功能来对图像信息进行采集,然后通过图像处理技术进行特征提取,最后通过模式识别算法建立的模型以达到识别和判别的目的[9]。
采用计算机视觉技术获取水果的颜色、纹理等特征可实现水果病虫害的快速无损检测,同时,随着科技的发展,电子产品的软件和硬件成本逐渐降低;因此计算机视觉技术在水果病虫害无损检测领域的应用也越来越广泛。Leiva-Valenzuela等[10]在标准条件下使用色度计获取蓝莓图像,采用顺序向前选择Fisher判别方法,选择出最优特征变量输入支持向量机(support vector machines,SVM)模型,实现了对腐烂、干瘪、机械损伤蓝莓的分类判别。Stegmayer等[11]采用最佳优先搜索方法来搜索属性子集空间,在低维空间中有最大投影的特征被选中,最终提取到的14 个特征子集作为输入变量,采用分类回归树、NB分类器、多层感知器实现对柑橘溃疡病、黑斑病和结痂病的判别。Dubey等[12]研究了一种可以识别苹果3 种病害的方法,采用K-means聚类算法进行图像分割,采用全局颜色直方图、颜色相干矢量、局部二值模式(local binary pattern,LBP)、完整LBP 4 种方法对病害区域图像进行特征提取,将特征信息作为输入矢量,采用多类SVM进行判别的准确率达到93%。Gaikwad等[13]利用计算机视觉技术对石榴病害进行检测和识别,石榴图像经过预处理后,利用K-means聚类算法进行图像分割,采用离散小波变换算法进行特征提取,应用多类SVM进行石榴病害的判别并取得良好效果,为石榴病害在线检测系统提供新的方法。Dubey等[14]采用计算机视觉技术对苹果病害进行检测和分类:第一步通过灰度转换、中值滤波、边缘检测、形态学操作进行图像分割;第二步采用链码直方图和像素密度从病害区域进行病害特征提取;第三步采用径向基核的SVM进行病害分类,准确率为98%。Jhuria等[15]研究了3 种葡萄病害和2 种苹果病害有效识别方法,用HSV(hue, saturation, value)直方图提取的颜色特征、形态学提取的形状特征、小波变换法提取的纹理特征分别作为输入特征变量,建立神经网络模型,其中形状特征作为输入特征变量时模型识别效果较好,准确率达到90%。此外,国内一些研究学者也采用计算机视觉技术对水果病虫害进行了卓有成效的研究。韩东海等[16]采用CIELAB表色系统分析了鸭梨黑心病与果面颜色、糖度和硬度之间的关系;结果表明,鸭梨果面中部的明度L*值和色差ΔE可作为检测鸭梨黑心病的重要指标。由于使用计算机视觉技术时,水果表面亮度分布不均匀导致检测病虫害等缺陷效果不佳,针对此问题,浙江大学应义斌教授研究团队提出了相应的解决方案,其中,Rong Dian等[17]提出一种滑动比较窗口局部分割算法,该算法可以避免图像亮度校正过程,有效检测橙子的虫害等8 种类型缺陷,对健康与缺陷橙子的检测准确率达到97%。Rong Dian等[18]还提出了一种快速自适应亮度校正算法,该算法将橙子图像中灰度值的逐渐变化规律由高斯分布替代为二次回归分布,利用最小二乘法对橙子图像中的像素点进行回归拟合,然后采用二次回归运算对橙色图像进行重构。该算法克服了运动果面非均匀反射强度分布的干扰,避免了误差检测;此外,其主持完成的“基于计算机视觉的水果品质智能化实时检测分级技术与装备”,可对水果颜色、果面病虫害等缺陷进行同步检测。温芝元等[19]将椪柑病虫害区域的傅里叶变换谱图进行多重分形分析和多重分形谱的二次拟合,利用拟合抛物线段的高度、宽度和质心坐标作为输入特征变量,建立反向传播神经网络(back propagation neural network,BPNN)椪柑病虫害识别模型,识别正确率最高为96.67%,平均为92.67%。另外,温芝元等[20]还以病虫害区域红色、绿色、蓝色分量作为颜色特征,病虫害边界分形维数作为形状特征,建立补偿模糊神经网络脐橙病虫害识别模型,识别正确率为85.51%。
计算机视觉技术能够快速、低成本地检测和识别出水果病虫害,并且抗干扰能力较强,但是此技术只适用于外部病虫害比较明显的情况,对于内部或者外部病虫害特征不明显的水果识别效果不佳。
核磁共振是原子核的磁矩在恒定磁场和高频磁场同时作用,且满足一定条件时所发生的共振吸收现象,利用原子核在磁场中的能量变化来获得核信息。其成像原理是:当外加磁场时,原子核无序自旋运动向有序过渡,达到平衡状态时,磁化强度变为定值,此时如果在稳定状态下核自旋系统由于受到外界作用,使原子核的状态发生改变而得到分布图像[21]。核磁共振技术在水果的贮藏病害检测领域中已得到广泛的应用。
Gonzalez等[22]使用核磁共振成像(magnetic resonance imaging,MRI)技术研究了苹果褐变,实验设置不同的气调贮藏条件,苹果褐变程度分为正常、浅色褐变和深色褐变,核磁共振图像能够在直观反映出气调贮藏条件对苹果褐变影响。Hernández-Sánchez等[23]通过核磁共振图像观察两种梨的内部褐变情况,发现褐变组织比正常组织显示出较高的横向弛豫率,其原因可能是梨内部组织的解体和水分变化有关;且T1纵向弛豫时间、T2横向弛豫时间、扩散率及质子密度图像与内部褐变有一定相关性;研究发现采用T2横向弛豫时间来对褐变组织进行识别的准确率为94%,采用质子密度图像的图像特征对褐变组织进行识别的准确率达到96%。Suchanek等[24]采用0.2 T的低场(low field,LF)-MRI系统对贮藏期间梨的内部褐变进行检测,利用T2横向弛豫时间的差异区分褐变组织和健康组织并定量评价褐变程度。周水琴等[25]研究不同贮藏期下的新疆库尔勒香梨内部褐变情况,采用MRI设备获得香梨中部冠状面图像,应用自动阈值分割等图像处理步骤,可判断水果是否存在内部褐变;实验结果表明,对不同贮藏周期的正常与褐变香梨切片图像的识别准确率分别为84%和100%。张建锋等[26]研究MRI技术结合人工神经网络实现了香梨内部褐变无损检测,研究使用核磁共振T2加权图像提取了10 个微观纹理特征变量,使用遗传算法对BPNN模型的权值和阈值进行优化,最终识别率达到92.50%。王淼等[27]针对柑橘类果实贮藏过程中的汁胞粒化生理性病害进行评级,结果表明,感官评价定等级与结合水含量在0.05水平显著相关,与自由流动水含量在0.01水平极显著相关。
核磁共振技术的优点是即使在没有标准的情况下也能进行定量分析,可以同时检测多种指标,允许在不分离成分的条件下对复杂样品进行分析;此外,其可以得到样本任意层面上的信息,且准确性高,可以多参数、多层面、多方位成像和动态监测,可视化程度高、直观性强。但核磁共振灵敏性不强,系统复杂而且昂贵,并且在维护过程中可能会出现辐射[28-29]。
近红外光谱是介于可见光和中红外之间的电磁辐射波,波长范围为780~1 100 nm,近红外光谱区与有机分子中含氢基团(O—H、N—H、C—H)振动的合频和各级倍频的吸收区一致,通过近红外光谱可以得到样品中有机分子含氢基团的特征信息,而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低、不破坏样品、不消耗化学试剂、不污染环境等优点,因此该技术已广泛应用于水果的无损检测领域中[30-33]。
Xing Juan等[34]研究利用透射光谱法来识别酸樱桃虫害,发现酸樱桃的成熟度对分类精度有影响,分类的准确率为82%~87%;透过光谱具有较强的潜力,可以检测到在酸樱桃果实内的害虫。此外,Xing Juan等[35]又利用可见光和近红外光谱技术对酸樱桃虫害进行检测,采用光谱反射和透射两种测量方法进行实验,并对健康酸樱桃和有不同虫害程度的樱桃进行分类;结果表明,采用光谱透射测量的分类精度更佳。Teerachaichayut等[36]利用660~960 nm波长范围内的近红外透射光谱检测山竹果硬果皮病,发现健康果皮和病害果皮的光谱特征是不同的,红外透射光谱可以准确检测健康山竹果的硬果皮病山竹果。韩东海等[37]通过短波近红外透射光谱方法,自主研制了苹果水心病检测仪对苹果水心病进行检测,结果表明,不同级别水心病苹果的透射光谱强度不同,依据此原理可以实现对苹果水心病的判别,该方法与国际同类检测方法相比,具有正确率高、仪器设备简单、易于操作等特点。此外,韩东海等[38]还利用透射光谱技术实现了对苹果内部褐变的无损检测,其判别准确率达到95.65%。章林忠等[39]采用近红外光谱对葡萄病害进行研究,采用多元散射校正、一阶导数结合Norris平滑的预处理方法最佳,采用判别分析模型的正确率达96.15%。
光谱技术的优势在于其可以无损检测样本,可以对水果物理参数和化学参数进行测试,能够快速测量并提供实时分析水果信息。缺点是光谱几乎不具有选择性,因此结合化学计量学分析和提取相关信息,需要大量样本来提高模型的准确性和鲁棒性[40-42]。
随着技术的进步和新材料的发明,新兴传感器也在水果病虫害检测领域得到应用,其中电子鼻是一种模仿人类嗅觉系统的传感器,在水果的病害检测领域效果显著。电子鼻的原理是利用气敏传感器阵列,将不同气味转化为光信号或电信号,输入到信号处理单元进行相应的特征提取,最后在模型识别单元进行判断与识别[43-44]。
真菌感染引起的草莓果实腐烂病,通常会造成草莓贮藏期间相当大的损失。因此,识别早期的腐烂和感染类型是十分必要的。Pan Leiqing等[45]将3 种常见的葡萄孢霉、青霉和根霉属的病原菌分别接种于成熟的草莓果实中,以未接种的水果为对照,采用电子鼻和气相色谱-质谱仪分析了果实散发出的挥发性化合物的种类及其含量,使用多层感知器神经网络模型对病害草莓进行分类,正确率达到96.6%;结果表明,电子鼻能够准确按真菌类型对贮藏的草莓进行分类,从而实现对真菌疾病草莓的早期诊断。电子鼻在蓝莓质量控制和真菌病害检测领域也有很大的应用前景,Li Changying等[46]采用气体传感器阵列对3 种常见采后病害(灰霉病、黑斑病、炭疽病)的蓝莓果实进行了检测,采用线性贝叶斯分类器成功对病害蓝莓进行了分类。
相比其他无损检测技术,新兴传感器技术的检测设备价格较低,并且检测速度较快、无需复杂的前期处理,但是该技术容易受到周围环境(如相近气味等)的干扰而导致检测准确率降低。
水果的内部组织含有大量带电粒子,从而形成生物电场[47]。当水果在病变时,内部组织的化学反应会使组织的电荷数量和分布发生改变,相应生物电场的强度和分布也会发生改变[48]。因此,介电特性检测技术能够对水果病虫害进行无损检测。
Euringa等[49]使用基于介电特性的检测技术对苹果的腐烂及其腐烂比例进行测定,随着腐烂比例的提高,其相应归一化电压值也会增加。可通过归一化电压值对健康苹果和腐烂苹果进行分类,也能反映苹果的腐烂比例。王若琳等[50]以电学指标为特征值对苹果的水心病进行检测,其中损耗因子结合人工神经网络进行判别的准确率达到100%。李芳等[51]研究以生物阻抗为指标对苹果霉心病进行识别,其准确率达到94%。马海军等[52]对苹果虎皮病的电特性进行研究,结果表明,通过电容可以对虎皮病苹果和正常苹果进行有效区分。马海军等[53]还对苹果的红点病进行研究,结果表明通过介电常数和损耗因子基本上可以判别出红点病苹果。王思玲[54]采用介电特性对苹果的水心病进行判别,使用信息增益进行特征选择,采用随机森林分类器的识别率达到76.67%。蔡骋等[55]利用介电特性对苹果的内部品质进行等级划分,其中第5级为褐变苹果,使用贪心算法等4 种特征选择算法筛选出关键介电特征,结果表明,使用贪心算法时选择出的10 个介电特征,在SVM分类器下的分类正确率达到95.95%。
基于果品介电特性检测水果病害的优点是检测速度快、灵敏度较高、设备成本较低、数据量较小,以电学响应指标群来表征病害类别具有普遍性,因为某类病害发生后,其理化指标的变化会引起相应类别的的电学参数发生变化,只要把电学响应指标群进行相应病变的归类,就能够实现不同类型病害水果的无损检测[50]。缺点是采用基于水果介电特性的检测技术容易受如温度、湿度等测量环境因素的影响;且不能对病害水果实现可视化分析,也不能对病害区域进行定位。
高光谱成像技术是一种集成图像技术和光谱技术优点为一体的无损检测新方法,可获得大量包含连续光谱波段下的图像。高光谱图像由一系列的单色图像组成,每一个光谱都对应着单色图像,图像中的每个像素点都包含该特定位置的光谱[56-57]。近些年来,国内外研究学者采用高光谱成像技术在水果病虫害检测领域做了大量的研究。
柑橘类水果青霉菌病在早期阶段外部不可见,人肉眼无法鉴别。Folch-Fortuny等[58]开发了采用N路偏最小二乘回归判别分析方法来对感染青霉菌病的柑橘类水果进行判别,并且采用双重交叉验证来验证模型有效性,发现对青霉菌病柑橘类水果的平均识别正确率为91%。Qin Jianwei等[59]通过高光谱反射成像检测患溃疡病柑橘,采用主成分分析选取了4 个有效波段(553、667、718、858 nm),检测准确率为92.7%。Qin Jianwei等[60]又采用优化的光谱信息散度算法对柑橘的病害溃疡病进行检测研究,优化阈值选为0.008,结果得出健康柑橘与溃疡病柑橘的检测分类精度达到96.2%。Gómez-Sanchis等[56]采用高光谱成像系统检测经侵染青霉菌的柑橘,采用多元回归分析和遗传算法(genetic algorithm,GA)选择20 个特征波长,然后进行线性判别分析,对检测出感染青霉菌的柑橘平均正确率为89.6%。Xing Juan等[61]利用高光谱透视图像和反射光谱数据检测内部有虫害(象鼻虫)的酸樱桃,测量波长范围分别为580~980 nm和590~1 550 nm;采用GA优化选择两组最优反射光谱波段(分别为780、850、1 315、1 430 nm和780、850、1 070 nm),最后采用偏最小二乘判别分析法识别樱桃内部虫害的准确率分别为82.11%和81.3%;同时发现使用高光谱透射成像技术不能很好地检测出有虫害的酸樱桃。Lorente等[62]采用高光谱成像系统结合接收机工作特性曲线来选择多类分类问题特征的方法,采用极限学习机对柑橘腐败程度进行分类,分类成功率约为89%。Haff等[63]采用高光谱成像技术对果蝇侵染病斑的芒果进行检测,并取得了较好的检测效果。Sun Ye等[64]采用高光谱成像技术检测腐烂病桃,利用统计学方法和图像分割算法选取3 个单波段图像(709、807 nm和874 nm),根据谱带比例图像和简单阈值法,建立了桃子腐烂区域的定位方法,评估了单波段图像的图像分割算法的性能,发现对“健康”、“轻度腐烂”、“中度腐烂”和“严重腐烂”桃的检测准确率分别为95%、66.29%、100%和100%;研究结果表明,高光谱成像技术具有自动检测桃真菌感染的潜力。刘思伽等[65]采用二次连续投影算法从全波长中分别提取10 个特征波长和3 个特征波长,建立线性判别分析、SVM和BP人工神经网络模型对病害苹果进行检测,通过对检测结果分析,BP人工神经网络模型检测效果最佳,训练集检测准确率为100%,验证集检测准确率为100%,该方法为开发多光谱成像的苹果品质检测和分级系统提供了参考。蔡健荣等[66]提出了波段比算法,利用高光谱成像技术快速检测柑橘果锈;结果表明,波段比算法可以有效地减少光照反射不均匀的影响,从而提高检测的精度,基于波段比算法的高光谱成像技术对柑橘果锈的检测率达92%。张保华等[67]以脐橙为研究对象,利用高光谱成像技术采集了包括溃疡在内常见的10 类缺陷果及正常果的图像,采用特征波段主成分分析与波段比算法相结合的方法进行识别,识别正确率达到95.4%。翁海勇等[68]针对高光谱成像技术对在检测柑橘溃疡病时出现的模型普遍适用性差和预测精度比较低的问题,提出了一种在不同仪器之间的模型传递方法,提高了模型的稳健性和预测精度。黄锋华等[69]采用高光谱成像技术对‘中油9号’油桃的裂纹果、锈病果、异形果和暗伤果进行检测判别,研究提取10 条特征波长,进行主成分分析得到前10 个主成分值,将主成分值和纹理指标融合建立极限学习机模型对外部缺陷样本和完好样本进行检测判别。李江波等[70]利用荧光高光谱成像技术检测脐橙早期腐烂果,采用最佳指数法筛选出最优波段组合,通过双波段比图像和双阈值分割算法来判别正常果与腐烂果,其准确率达到100%。此外,李江波等[71]还采用高光谱成像技术成功地从各种缺陷的柑橘类水果中判别出溃疡果,其识别正确率达到95.4%。
上述研究表明,高光谱成像技术已在水果病虫害的无损检测应用研究中取得不错的成果。高光谱成像技术的优点是可以为水果提供详细的光谱信息和空间信息,能够准确、同时分析多种参数,在水果病虫害检测领域有很大潜力。但是,高光谱仪设备比较昂贵,对硬件要求较高,高光谱数据集较大,需要较大的存储空间,高光谱多维数据集需要优化技术来提取相关特征信息,建模和数据处理消耗时间等[72-73]。
综上,无损检测技术已在水果病虫害检测领域得到广泛研究,并取得了卓有成效的成果。每一种无损检测技术都有其优势和劣势,技术的选择需要根据实际情况而定,如经济成本、病虫害类别等。本文进一步分析了上述几种无损检测技术的优势和劣势,并提出了适用的研究对象(表1),这将为水果病虫害的检测研究提供理论参考。
表1 无损检测技术优劣势分析及应用
Table 1 Advantages, disadvantages and applicability of non-destructive detection technology
技术类别 优势 劣势 适用的研究对象X射线成像技术内部结构多层次可视化分析系统价格昂贵,数据采集时间长,有辐射水果的外部和内部病虫害计算机视觉技术速度快、成本低、清晰度高、抗干扰能力强需要识别比较明显的特征外部特征明显的水果病虫害核磁共振技术可获得水果任意层面上的信息,准确性高;可动态监测,视化程度高、直观性强图像清晰度不高,灵敏性不强,系统操作复杂而且价格昂贵,有辐射多数应用在水果贮藏过程中的外观无法辨别的内部病害,如褐变、黑心病、腐烂光谱技术 可以实现多参数实时、在线、快速测量测量参数需要提前训练和移植,训练更多样本来提高模型的准确性和鲁棒性,分析需要光谱专业知识,理论要求较高反射光谱和透射光谱都可以检测水果内外部病虫害,而多数情况下透射光谱效果更佳新兴传感器技术价格便宜、响应时间短、检测速度快、测定评估范围广对环境敏感性较高,容易与外界干扰因素(如气味)发生反应,导致准确率降低发生病虫害前后发生味觉或者嗅觉上的变化基于介电特性的检测技术测速度快、灵敏度较高、设备成本较低、数据量较小,以电学响应指标群来表征病害类别具有普遍性受温度、湿度测量环境影响;无法实现病害区域的定位和动态可视化分析水果内部和外部病虫害高光谱成像技术实时、在线检测、数据全面、提供详细的光谱信息和空间信息,准确、可同时分析多种参数价格昂贵,数据量大,需要优化技术降维,建模和数据处理消耗时间较长水果内部和外部病虫害
近些年,使用高光谱成像技术检测水果病虫害是研究热点之一。高光谱成像既提供所检测水果病虫害的光谱信息,也提供病虫害的空间信息,所以更能够反映出所测水果病虫害的整体特征。该技术在水果病虫害领域的发展趋势如下:1)与深度学习融合。高光谱图像数据量较大、冗余信息较多,导致数据处理消耗时间较长,以往研究通过数据降维算法减小冗余来提高检测速度;但数据降维可能会消除水果病虫害图像有效特征信息,导致检测准确性降低。使用卷积神经网络等深度学习方法则无需数据降维,可直接把高光谱原始图像作为模型输入矢量,检测准确性更高。2)模型可移植。不同水果、病害、虫害等都有其对应的数据降维算法和最佳检测模型,这将导致检测技术开发成本过高,未来发展将会从孤立、单一、有针对性的技术模型向统一、融合趋势发展,使检测模型更具有普遍适用性;或者开发出针对某水果、某种病虫害类别的检测模型进行检测。3)降低设备成本。高光谱设备价格昂贵,不利于该技术的推广,未来发展趋势将向设备成本降低或者寻找可替代设备方向发展。4)与其他无损检测技术结合。由于西瓜、苹果等大中型水果病虫害的高光谱成像的光谱特征信息比较明显,病虫害检测方面研究较多;而诸如蓝莓等小型水果的病虫害特征信息不明显导致检测效果不佳,使高光谱成像技术融合其他无损检测技术在水果病虫害检测领域的研究将成为发展趋势。
综上所述,本文总结了每种无损检测技术优势和劣势,并针对高光谱成像技术重点分析,展望了其发展趋势,可为后续水果病虫害无损检测技术研究提供参考。
[1] LI B, COBO-MEDINA M, LECOURT J, et al. Application of hyperspectralimaging for nondestructive measurement of plum quality attributes[J]. Postharvest Biology and Technology, 2018, 141: 8-15.DOI:10.1016/j.postharvbio.2018.03.008.
[2] MAGWAZA L S, OPARA U L, CRONJE P J R, et al. Assessment of rind quality of ‘Nules Clementine’ mandarin fruit during postharvest storage: 2. robust Vis/NIRS PLS models for prediction of physicochemical attributes[J]. Scientia Horticulturae, 2013, 165: 421-432.DOI:10.1016/j.scienta.2013.09.050.
[3] GUTHRIE J A, WALSH K B, REID D J, et al. Assessment of internal quality attributes of mandarin fruit. 1. NIR calibration model development[J]. Austrxalian Journal of Agricultural Research, 2005,56(4): 405-416. DOI:10.1071/ar04257.
[4] GADGILE D P, JOSHI C P, SHINDE V M, et al. Detection of green mold rot infection of citrus fruit by X-ray scanning non-destructive technology[J]. Current Botany, 2017, 8: 78-80. DOI:10.19071/cb.2017.v8.3211.
[5] THOMAS P, KANNAN A, DEGWEKAR V H, et al. Non-destructive detection of seed weevil-infested mango fruits by X-ray imaging[J].Postharvest Biology and Technology, 1995, 5(1/2): 161-165.DOI:10.1016/0925-5214(94)00019-O.
[6] JIANG J A, CHANG H Y, WU K H, et al. An adaptive image segmentation algorithm for X-ray quarantine inspection of selected fruits[J]. Computers and Electronics in Agriculture, 2008, 60(2): 190-200. DOI:10.13031/2013.19162.
[7] VAN DAEL M V, LEBOTSA S, HERREMANS E, et al. A segmentation and classification algorithm for online detection of internal disorders in citrus using X-ray radiographs[J]. Postharvest Biology and Technology, 2016, 112: 205-214. DOI:10.1016/j.postharvbio.2015.09.020.
[8] ARENDSE E, FAWOLE O A, MAGWAZA L S, et al. Estimation of the density of pomegranate fruit and their fractions using X-ray computed tomography calibrated with polymeric materials[J].Biosystems Engineering, 2016, 148: 148-156. DOI:10.1016/j.biosystemseng.2016.06.009.
[9] 孙大文, 吴迪, 何鸿举, 等. 现代光学成像技术在食品品质快速检测中的应用[J]. 华南理工大学学报(自然科学版), 2012, 40(10): 59-68.DOI:10.3969/j.issn.1000-565X.2012.10.008.
[10] 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, 2013,1(33): 166-173. DOI:10.1016/j.foodcont.2013.02.025.
[11] STEGMAYER G, MILONE D H, GARRAN S, et al. Automatic recognition of quarantine citrus diseases[J]. Expert Systems with Applications, 2013, 40(9): 3512-3517. DOI:10.1016/j.eswa.2012.12.059.
[12] DUBEY S R, JALAL A S. Adapted approach for fruit disease identification using images[J]. Image Processing Concepts Methodologies Tools & Applications, 2012, 2(3): 44-58.
[13] GAIKWAD D, KARANDE K, DESHPANDE H. Detection of Diseases and grading in pomegranate fruit using digital image processing[J]. International Journal of Electronics, Electrical and Computational System, 2017, 11(6): 54-59.
[14] DUBEY S R, JALAL A S. Detection and classification for apple fruit diseases using support vector machine and chain code[J]. International Research Journal of Engineering and Technology, 2015, 2: 2097-2104.
[15] JHURIA M, KUMAR A, BORSE R. Image processing for smart farming: detection of disease and fruit grading[C]// 2013 IEEE Second International Conference on Image Processing (ICIIP-2013).Piscataway, NJ, USA:IEEE Press, 2013: 521-526. DOI:10.1109/iciip.2013.6707647.
[16] 韩东海, 涂润林, 刘新鑫, 等. 鸭梨黑心病与其果皮颜色、硬度和糖度的方差分析[J]. 农业机械学报, 2005, 36(3): 71-74.
[17] RONG Dian , RAO Xiuqin, YING Yibin. Computer vision detection of surface defect on oranges by means of a sliding comparison window local segmentation algorithm[J]. Computers and Electronics in Agriculture, 2017, 137: 59-68. DOI:10.1016/j.compag.2017.02.027.
[18] RONG Dian, YING Yibin, RAO Xiuqiu. Embedded vision detection of defective orange by fast adaptive lightness correction algorithm[J].Computers and Electronics in Agriculture, 2017, 138: 48-59.DOI:10.1016/j.compag.2017.03.021.
[19] 温芝元, 曹乐平. 椪柑果实病虫害的傅里叶频谱重分形图像识别[J]. 农业工程学报, 2013, 29(23): 159-165. DOI:10.3969/j.issn.1002-6819.2013.23.022.
[20] 温芝元, 曹乐平. 基于补偿模糊神经网络的脐橙不同病虫害图像识别[J]. 农业工程学报, 2012, 28(11): 152-157. DOI:10.3969/j.issn.1002-6819.2012.11.025.
[21] 周水琴. 基于核磁共振成像的梨果品质无损检测方法研究[D]. 杭州: 浙江大学, 2013: 79-119.
[22] GONZALEZ J J, VALLE R C, BOBROFF S, et al. Detection and monitoring of internal browning development in ‘Fuji’ apples using MRI[J]. Postharvest Biology and Technology, 2001, 22(2): 179-188.DOI:10.1016/s0925-5214(00)00183-6.
[23] HERNÁNDEZ-SÁNCHEZ N, HILLS B P, BARREIRO P, et al.An NMR study on internal browning in pears[J]. Postharvest Biology and Technology, 2007, 44(3): 260-270. DOI:10.1016/j.postharvbio.2007.01.002.
[24] 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. DOI:10.1016/j.postharvbio.2016.10.010.
[25] 周水琴, 应义斌, 商德胜. 基于形态学的香梨褐变核磁共振成像无损检测[J]. 浙江大学学报(工学版), 2012, 46(12): 2141-2145.DOI:10.3785/j.issn.1008-973X.2012.12.002.
[26] 张建锋, 何勇, 龚向阳, 等. 基于核磁共振成像技术的香梨褐变检测[J]. 农业机械学报, 2013, 44(12): 169-173; 147. DOI:10.6041/j.issn.1000-1298.2013.12.028.
[27] 王淼, 张晶, 贺妍, 等. 基于低场核磁共振的柑橘汁胞粒化评级[J]. 农业工程学报, 2016, 32(7): 290-295. DOI:10.11975/j.issn.1002-6819.2016.07.041.
[28] KRASZNI M, MAROSI A, LARIVE C K. NMR assignments and the acid-base characterization of the pomegranate ellagitannin punicalagin in the acidic pH-range[J]. Analytical and Bioanalytical Chemistry,2013, 405(17): 5807-5816. DOI:10.1007/s00216-013-6987-x.
[29] MARCONE M F, WANG S, ALBABISH W, et al. Diverse food-based applications of nuclear magnetic resonance (NMR) technology[J].Food Research International, 2013, 51(2): 729-747. DOI:10.1016/j.foodres.2012.12.046.
[30] JIE D F, XIE L J, RAO X Q, et al. Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an online detection system[J]. Postharvest Biology and Technology, 2014, 90: 1-6. DOI:10.1016/j.postharvbio.2013.11.009.
[31] NICOLAÏ B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review[J]. Postharvest Biology and Technology, 2007,46(2): 99-118. DOI:10.1016/j.postharvbio.2007.06.024.
[32] NICOLAÏ B M, THERON K I, LAMMERTYN J. Kernel PLS regression on wavelet transformed NIR spectra for prediction of sugar content of apple[J]. Chemometrics and Intelligent Laboratory Systems,2007, 85(2): 243-252. DOI:10.1016/j.chemolab.2006.07.001.
[33] MANIWARA P, NAKANO K, BOONYAKIAT D, et al. The use of visible to near infrared spectroscopy for evaluating passion fruit postharvest quality[J]. Food Engineering, 2014, 143: 33-43.DOI:10.1016/j.jfoodeng.2014.06.028.
[34] XING Juan, GUYER D. Detecting internal insect infestation in tart cherry using transmittance spectroscopy[J]. Postharvest Biology and Technology, 2008, 49(3): 411-416. DOI:10.1016/j.postharvbio.2008.03.018.
[35] XING Juan, GUYER D. Comparison of transmittance and reflectance to detect insect infestation in Montmorency tart cherry[J]. Computers and Electronics in Agriculture, 2008, 64(2): 194-201. DOI:10.1016/j.compag.2008.04.012.
[36] TEERACHAICHAYUT S, TERDWONGWORAKUL A,THANAPASE W, et al. Non-destructive prediction of hardening pericarp disorder in intact mangosteen by near infrared transmittance spectroscopy[J]. Journal of Food Engineering, 2011, 106(3): 206-211.DOI:10.1016/j. jfoodeng.2011.05.007.
[37] 韩东海, 刘新鑫, 赵丽丽, 等. 苹果水心病的光学无损检测[J]. 农业机械学报, 2004, 35(5): 143-146.
[38] 韩东海, 刘新鑫, 鲁超, 等. 苹果内部褐变的光学无损伤检测研究[J].农业机械学报, 2006, 37(6): 86-88; 93.
[39] 章林忠, 蔡雪珍, 方从兵. 近红外光谱定量和定性分析技术在鲜食葡萄果实无损检测中的应用[J]. 浙江农业学报, 2018, 30(2): 330-338. DOI:10.3969/j.issn.1004-1524.2018.02.21.
[40] BLANCO M, VILLARROYA I. NIR spectroscopy: a rapid-response analytical tool[J]. Trends in Analytical Chemistry, 2002, 21(4): 240-250. DOI:10.1016/s0165-9936(02)00404-1.
[41] MAGWAZA L S, OPARA U L, TERRY L A, et al. Evaluation of Fourier transform-NIR spectroscopy for integrated external and internal quality assessment of Valencia oranges[J]. Journal of Food Composition and Analysis, 2013, 31: 144-154. DOI:10.1016/j.jfca.2013.05.007.
[42] MAGWAZA L S, FORD H D, CRONJE P J R, et al. Application of optical coherence tomography to nondestructively characterise rind breakdown disorder of ‘nules Clementine’ mandarins[J].Postharvest Biology and Technology, 2013, 84: 16-21. DOI:10.1016/j.postharvbio.2013.03.019.
[43] SANAEIFAR A, ZAKIDIZAJI H, JAFARI A, et al. Early detection of contamination and defect in foodstuffs by electronic nose: a review[J]. TrAC Trends in Analytical Chemistry, 2017, 97: 257-271.DOI:10.1016/j.trac.2017.09.014.
[44] LI C Y, HEINEMANN P, SHERRY R. Neural network and Bayesian network fusion models to fuse electronic nose and surface acoustic wave sensor data for apple defect detection[J]. Sensors and Actuators:B. Chemical, 2007, 125(1): 301-310. DOI:10.1016/j.snb.2007.02.027.
[45] PAN Leiqing, ZHANG Wei, ZHU Na, et al. Early detection and classification of pathogenic fungal disease in post-harvest strawberry fruit by electronic nose and gas chromatography-mass spectrometry[J].Food Research International, 2014, 62: 162-168. DOI:10.1016/j.foodres.2014.02.020.
[46] LI Changying, KREWER G W, JI Pingsheng, et al. Gas sensor array for blueberry fruit disease detection and classification[J]. Postharvest Biology and Technology, 2010, 55(3): 144-149. DOI:10.1016/j.postharvbio.2009.11.004.
[47] 孔繁荣, 郭文川. 发育后期苹果的介电特性与理化特性的关系[J]. 食品科学, 2016, 37(9): 13-17. DOI:10.7506/spkx1002-6630-201609003.
[48] 张立彬, 胥芳, 周国君, 等. 苹果的介电特性与新鲜度的关系研究[J].农业工程学报, 1996, 12(3): 186-190.
[49] EURINGA F, RUSSB W, WILKE W, et al. Development of an impedance measurement system for the detection of decay of apples[J]. Procedia Food Science, 2011, 1: 1188-1194. DOI:10.1016/j.profoo.2011.09.177.
[50] 王若琳, 王栋, 任小林, 等. 基于电学特征的苹果水心病无损检测[J]. 农业工程学报, 2018, 34(5): 129-136. DOI:10.11975/j.issn.1002-6819.2018.05.017.
[51] 李芳, 蔡骋, 马惠玲, 等. 基于生物阻抗特性分析的苹果霉心病无损检测[J]. 食品科学, 2013, 34(18): 197-202. DOI:10.7506/spkx1002-6630-201318040.
[52] 马海军, 冯美, 张继澍. 100 Hz~3.98 MHz下苹果虎皮病果实电特性研究[J]. 农业机械学报, 2010, 41(11): 105-109.
[53] 马海军, 宋长冰, 张继澍, 等. 电激励信号频率对红点病苹果采后电学特性影响[J]. 农业机械学报, 2009, 40(10): 97-101; 96.
[54] 王思玲. 基于无损法的苹果水心病判别和货架寿命预测的研究与评价[D]. 杨凌: 西北农林科技大学, 2015: 16-20.
[55] 蔡骋, 李永超, 马惠玲, 等. 基于介电特征选择的苹果内部品质无损分级[J]. 农业工程学报, 2013, 29(21): 279-287. DOI:10.3969/j.issn.1002-6819.2013.21.035.
[56] GÓMEZ-SANCHIS J, GÓMEZ-CHOVA L, ALEIXOS N, et al.Hyperspectral system for early detection of rottenness caused by Penicillium digitatum in mandarins[J]. Journal of Food Engineering,2008, 89(1): 80-86. DOI:10.1016/j.jfoodeng.2008.04.009.
[57] GELADI P, BURGER J, LESTANDER T. Hyperspectral imaging:calibration problems and solutions[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 72(2): 209-217. DOI:10.1016/j.chemolab.2004.01.023.
[58] FOLCH-FORTUNY A, PRATS-MONTALBÁN J M, CUBERO S,et al. VIS/NIR hyperspectral imaging and N-way PLS-DA models for detection of decay lesions in citrus fruits[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 156: 241-248. DOI:10.1016/j.chemolab.2016.05.005.
[59] QIN Jianwei, BURKS T F, KIM M S, et al. Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 168-177. DOI:10.1007/s11694-008-9043-3.
[60] QIN Jianwei, BURKS T F, RITENOUR M A, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2):183-191. DOI:10.1016/j.jfoodeng.2009.01.014.
[61] XING Juan, GUYER D, ARIANA D, et al. Determining optimal wavebands using genetic algorithm for detection of internal insect infestation in tart cherry[J]. Sensing Instrumentation for Food Quality Safety, 2008, 2(3): 161-167. DOI:10.1007/s11694-008-9047-z.
[62] LORENTE D, ALEIXOS N, GÓMEZ-SANCHIS J, et al. Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks[J]. Food and Bioprocess Technology, 2011, 6(2): 530-541. DOI:10.1007/s11947-011-0737-x.
[63] HAFF R P, SARANWONG S, THANAPASE W, et al. Automatic image analysis and spot classification for detection of fruitfly infestation in hyperspectral images of mangoes[J]. Postharvest Biology and Technology, 2013, 86: 23-28. DOI:10.1016/j.postharvbio.2013.06.003.
[64] SUN Ye, XIAO Hui, TU Sicong, et al. Detecting decayed peach using a rotating hyperspectral imaging testbed[J]. LWT-Food Science and Technology, 2018, 87: 326-332. DOI:10.1016/j.lwt.2017.08.086.
[65] 刘思伽, 田有文, 张芳, 等. 采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测[J]. 食品科学, 2017, 38(8):277-282. DOI:10.7506/spkx1002-6630-201708043.
[66] 蔡健荣, 王建黑, 陈全胜, 等. 波段比算法结合高光谱图像技术检测柑橘果锈[J]. 农业工程学报, 2009, 25(1): 127-131.
[67] 张保华, 黄文倩, 李江波, 等. 用高光谱成像和PCA检测苹果的损伤和早期腐烂[J]. 红外与激光工程, 2013, 42(S2): 279-283.
[68] 翁海勇, 岑海燕, 何勇. 直接校正算法的柑橘溃疡病高光谱模型传递[J]. 光谱学与光谱分析, 2018, 38(1): 235-239. DOI:10.3964/j.issn.1000-0593(2018)01-0235-05.
[69] 黄锋华, 张淑娟, 杨一, 等. 油桃外部缺陷的高光谱成像检测[J]. 农业机械学报, 2015, 46(11): 252-259. DOI:10.6041/j.issn.1000-1298.2015.11.034.
[70] 李江波, 王福杰, 应义斌, 等. 高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J]. 光谱学与光谱分析, 2012, 32(1): 142-146.DOI:10.3964/j.issn.1000-0593(2012)01-0142-05.
[71] 李江波, 饶秀勤, 应义斌, 等. 基于高光谱成像技术检测脐橙溃疡[J]. 农业工程学报, 2010, 26(8): 222-228. DOI:10.3969/j.issn.1002-6819.2010.08.038.
[72] DALE L M, THEWIS A, BOUDRY C, et al. Hyperspectral imaging applications in agriculture and agro-food product qualityand safety control: a review[J]. Applied Spectroscopy Reviews, 2013, 48(2): 142-159. DOI:10.1080/05704928.2012.705800.
[73] SHUKLA A, KOT R. An overview of hyperspectral remote sensing and its application in various disciplines[J]. IRA-International Journal of Applied Sciences, 2016, 5(2): 85-90. DOI:10.21013/jas.v5.n2.p4.
Recent Progress in Technologies for Non-destructive Detection of Fruit Diseases and Pests
乔世成, 田有文, 何宽, 等. 水果病虫害无损检测技术研究进展[J]. 食品科学, 2019, 40(11): 227-234. DOI:10.7506/spkx1002-6630-20180529-399. http://www.spkx.net.cn
QIAO Shicheng, TIAN Youwen, HE Kuan, et al. Recent progress in technologies for non-destructive detection of fruit diseases and pests[J]. Food Science, 2019, 40(11): 227-234. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20180529-399. http://www.spkx.net.cn