苹果无损检测和品质分级技术研究进展及展望

曹玉栋 祁伟彦 李娴 李哲敏

摘   要：中国苹果总产量高，但出口量占比低，高端苹果市場多被进口苹果所占领，主要原因是缺乏果品品质分级精选技术与装备，采摘后处理自动化程度低，大部分果品未经加工或简单粗加工后进入消费市场，果品品质不稳定，大大降低了市场竞争力。本文分别对苹果品质无损检测和分级技术的现状进行了研究进展分析，并对其发展进行了展望。苹果无损检测技术主要包括光谱、电特性、CT、色谱、电子鼻和计算机视觉技术，针对各种技术的功能特点和优缺点，提出了发展基于新型传感器技术的苹果气味检测方法;苹果品质分级则主要采用基于机器视觉的多特征分级方法，苹果品质无损检测技术与分级技术的有机结合是苹果品质分级技术的发展方向，同时这对于提高苹果产业竞争力具有促进作用。整体而言，中国苹果品质无损检测和分级技术发展需求紧迫，检测新技术如采用纳米科学、生物技术和人工智能方法的传感器技术及产品在苹果无损、品质分级检测方面具有巨大潜力，多技术的融合如集成电、光、气和计算机视觉等实时、高效、高精度的苹果品质分级系统可能是提高苹果分级品质和提升苹果产业竞争力的重要发展方向。

关键词：苹果品质;无损检测;品质分级;传感器技术

中图分类号：S-1                  文献标志码：A             文章编号：201906-SA011

曹玉栋， 祁伟彦， 李   娴， 李哲敏. 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 Y， Qi W， Li X， Li Z. Research progress and prospect on non-destructive detection and quality grading technology of apple[J]. Smart Agriculture， 2019， 1（3）： 29-45. （in Chinese with English abstract）

1  引言

改革开放40年来，中国苹果产业发展迅猛，栽培面积和区域逐步稳定和集中，产量稳步增长，栽培面积和产量早已位居世界首位[1]。近10年来，中国苹果产量直线上升，效益逐年提高[2]。但在出口领域，苹果的出口比例仅占生产总量的1.5%左右。国内的苹果以本国消费为主，在国际苹果市场上缺乏竞争力，只有部分出口到一些不发达的国家和地区。造成这种现象的原因除了苹果的种植品种不合理、农药残留较高外，还在于中国的苹果的品质检测和品质分级技术较为落后，导致果品品质参差不齐，总体质量不高[3]。因此，苹果品质无损检测及精选分级对于提升中国苹果竞争力具有重要意义。

苹果品质包括内部和外部品质。苹果果实大小、形状、色泽、表面缺陷和损伤是外部品质的主要检测指标。苹果内部品质检测指标包括果实的酸度、含糖量、维生素、水分、纤维素、可溶性固形物、品质内部缺陷等。在众多评价苹果品质的相关概念里，感官质量被认为是对消费者最终接受度最重要的影响之一[4]。苹果品质无损检测是当前品质检测技术研究的重点[5]，同时苹果品质检测技术也是苹果的品质鉴定和分级的重要技术支撑。本文主要对当前苹果无损检测技术的研究和发展现状进行归纳整理，同时针对果品分级的发展动态进行评述，并基于苹果产业发展态势和需求，对苹果品质无损检测和苹果分级技术的发展方向进行了展望。

2  苹果无损检测技术

果品无损检测是在不损坏果品的前提下，利用水果的光学、物理和生物等特性实现对内部品质及表面缺陷（缺陷的类型、尺寸、形状、数量、位置、性质分布和其变化等）的评价[5]。苹果无损检测技术有光谱、电特性、CT、气相色谱—质谱技术和电子鼻技术等。苹果的无损检测技术是苹果品质分级的重要依据，各种无损检测技术具有各自检测特点，正确认识和总结不同无损检测技术的优缺点，对果品品质判定和果品精选分级具有重要意义。

2.1  光谱检测技术

光谱技术是果品内部质量检测中应用最广泛的技术，利用果品对光的吸收、散射、反射和投射等特性得到的光谱信息，从而对果品内部品质（硬度、脆度、酸甜度）、内部病变（水心病、褐腐病、霉心病、果实褐变）以及外部损伤等情况进行无损检测，具有检测速度快、操作简便、精确度较高、非破坏性的特点。光谱分析法主要有近红外光谱、拉曼光谱和高光谱成像检测技术等[6]。

2.1.1  近红外光谱技术

近红外光谱（Near-infrared Spectroscopy，NIRS）是介于可见光谱区和中红外光谱区之间的电磁波，波长范围为780～2526nm[6]。NIRS技术结合人工智能算法，可以实现苹果的内部品质和苹果病害的有效检测。

在检测苹果的内部品质方面，孙炳新等[7]采用NIRS技术在643.26～985.11nm的波长范围内建立了红富士苹果脆度和有效酸度的预测模型，模型相关系数分别达到0.941和0.925。Jha等[8]在900～1700nm近红外波长范围检测苹果内部品质，分别采用最小二乘法（Least Squares，LS）和多元线性回归（Multiple Linear Regression，MLR）建立苹果含糖量、酸度、酸甜比的模型，其中MLR模型得到的预测结果较好，其多重相关系数分别为0.887、0.890、0.893，实现对苹果的含糖量和酸甜比等指标的无损检测。王转卫

等[9]利用NIRS技术测量了发育后期3个月内“富士”苹果在833～2500nm波长范围内的光谱特性，结合化学计量学方法建立了预测可溶性固形物含量（Soluble Solid Content，SSC）、硬度、pH值和含水率的最小二乘支持向量机和极限学习机模型，并分析了主成分分析（Principal Component Analysis，PCA）、连续投影算法和无信息变量消除法等3种降维方法对模型预测性能的影响，从而获得了对苹果不同检测对象的最佳模型方法。Zude等[10]利用声学脉冲共振频率传感器和小型VIS /NIR光谱仪检测对800个Idared和Golden Delicious苹果在货架期的果肉硬度和SSC特征进行检测，对两种苹果品种的预测分级准确性分别为93%和99%。宫元娟[11]应用USB2000+可见/近红外光线光谱仪对寒富苹果内部品质信息在线检测进行可行性研究，应用偏最小二乘法（Partial Least Squares，PLS）对寒富苹果的SSC、总酸度及硬度做出相应的预测模型，有效地检

测了寒富苹果的SSC、总酸度及硬度。因此，通过NIRS技术并结合有效的算法，可以实现对苹果的果肉硬度、酸甜比、SSC等内部指标的无损检测。

NIRS技术还可以实现对苹果病害的检测。果品内部缺陷如褐腐病、水心病的内部理化特性与正常苹果差异较大，引起病果的光谱能量吸收和散射与正常果不同[12]，李顺峰等[13]利用NIRS技术结合PCA和Fisher判别函数对苹果霉心病进行检测，其正确判别率达到89.9%。McGlone等[14]运用两种在线红外光谱检测模型对Braeburn苹果的内部组织褐变进行检测，结果表明，大孔径光谱仪可以有效检测果品内部的褐变程度。这表明了NIRS在苹果的内部品质缺陷无损检测方面的潜力。

综合来看，NIRS技术具有适应性强、操作简单无污染、非破坏性分析、在线快速分析、成本低和易实现自动化等优点，被普遍用于水果内部品质的无损检测。但该技术的实现及准确性需要建立具体模型，并需要大量有代表性的特征值和大量已知的样品数据进行有效训练，所以模型的建立较为复杂、计算模式建立繁琐、定量分析精度不高，检测精度需进一步探讨。

2.1.2  拉曼光谱技术

拉曼光谱是通过分子的振动或转动获得其结构、对称性、电子环境等分子信息，拉曼光谱又称为“指纹谱”。通过分析其拉曼峰位、峰强、线型、线宽及谱线数目达到从分子水平对样品进行定性、定量和结构的分析[15]。拉曼光谱技术主要应用于对苹果外部品质进行检测。

拉曼光谱技术可以实现苹果外观损伤的高准确率检测。如陈思雨等[16]采用拉曼光谱结合化学计量方法对苹果早期轻微损伤进行鉴定：采用Savitzky-Golay卷积对原始拉曼光谱进行平滑去噪处理，结合有效算法进行校正，并用非线性的支持向量机（Support Vector Machine， SVM）回归算法建立分类判别模型。在采用Kemard-Stone（KS）法划分训练集和验证集后，苹果外部损伤的分类准确率可达到97.8%。高晓阳等[17，18]研发了基于拉曼光谱的苹果实时无损自动检测分级系统样机，通过设计的LabVIEW虚拟仪器控制系统实时完成苹果分级，实验结果表明该分级检测系统对无擦伤、轻擦伤和重擦伤苹果组的分级平均准确率分别为100%、99%和97%。

拉曼光譜技术也可以用于检测苹果表面的农药残留量。Fan等[19]应用表面增强拉曼光谱（Surface Enhanced Raman Spectroscopy，SERS）与化学计量学方法相结合，实现了对苹果中痕量卡巴胺农药残留量的定量分析。Dhakald等[20]开发具有785nm激光激发源的拉曼光谱系统，检测到有机磷（毒死蜱）农药残留量在苹果表面的最小限度为6.69mg/kg 。

拉曼光谱检测技术准确性高，无损快速且高效。拉曼光谱检测多适用于苹果的外部损伤和农药残留检测，但在建立拉曼光谱模型时，需要进行大量数据检测及数据分析过程，前期工作比较复杂，无法实时快速获取苹果外部品质信息。

2.1.3  高光谱成像技术

高光谱图像技术（Hyperspectral Image，HI）是一种集成传统光谱技术和二维成像技术于一体的无接触式检测技术，通过对获取待测物的光谱信息和图像信息进行分析提取，实现对待测物的快速无损检测，目前可实现对苹果病害和一些苹果内外部品质特征的检测[6]。

HI技术可以有效检测炭疽病、苦痘病、黑腐病、褐斑病、风伤、水心病等苹果常见病害。刘思伽等[21]利用HI，通过改进流形距离筛选700nm、904nm有效特征波段，利用特征波段的光谱相对反射率建立BP（Back Propagation）神经网络模型，对具有炭疽病、苦痘病、黑腐病和褐斑病的病害富寒苹果进行无损检测，病害果的检测率达96.25%。王思玲等[22]通过采集90～170 nm的近红外波段高光谱苹果图像，基于SVM检验的特征选择下对水心病果的正确识别率达到72.0%。Rady等[23]实现了可见光/高光谱成像（400nm）在漫反射模式下对苹果蠹蛾（Cydia Pomonella，CP）侵染的检测和分类的有效性，显示出VIS / NIR高光谱成像作为CP侵染苹果的无损检测的潜力。除检测苹果内部病害外，HI技术还可以对苹果外部损伤进行无损检测。ElMasry等[24]研究了HI（400～1000nm）和人工神经网络（Artificial Neural Network，ANN）技术对红苹果冻害的检测，通过建立高光谱成像系统对苹果图像进行采集和预处理，提取苹果光谱特性，同时开发前馈反向传播人工神经网络（BP-ANN）模型实现对苹果的分类，成功检测由于冷害造成的苹果硬度变化。孙梅等[25]利用HI技术和PCA方法分析了苹果的压伤和风伤，研究发现714 nm波长的高光谱图像更容易分辨风伤。

HI技术还可以获取苹果的硬度、糖度信息，并可以通过检测色泽、表面损伤等信息对苹果进行分级。彭彦昆等[26]将高光谱图像的光谱信息和空间信息结合，采用洛伦兹函数对苹果高光谱的空间散射曲线进行拟合和参数提取，利用PLS和逐步多元线性回归模型对不同拟合参数建立苹果硬度预测模型，相关系数达到0.89。郭俊先等[27]采用HI技术对新疆冰糖心红富士苹果的糖度进行预测分析，通过提取苹果高光谱图像中感兴趣区域的平均光谱，经过白板校正、一阶微分光谱预处理和10个波长的光谱合并，基于多元线性回归方法建立了苹果糖度的预测模型。ElMasry等[28]研究了高光谱成像系统对于McIntosh苹果损伤检测的潜力，开发基于400～1000nm之间的光谱区域的高光谱成像系统，采用PLS和逐步法鉴别分析，该系统可成功区分有损伤的苹果和健全的苹果。Keresztes等[29]使用基于线扫描的高光谱红外（SWIR）及高光谱成像（Hyperspectral Image，HSI）技术的苹果损伤检测系统检测Jonagold、Kanzi和Joly Red苹果品种，苹果品种区分度准确度高达96%;同时利用空间信息对二值图像进行处理，对苹果损伤检测的准确率达到94.4%。除了硬度、糖度信息，HI也可以用来检测苹果的SSC、含水量（Moisture Content，MC）等内部品质特征。Dong等[30]使用高光谱反射成像技术（近红外区域为900～1700nm）评估在13周储存期间的富士苹果的SSC、MC和pH值，结果证明了使用近红外高光谱反射成像技术可同时预测苹果的SSC、MC和pH。

总体而言，HI技术结合了传统光谱检测和二维成像的优点，能够快速准确地对果品的品质病害以及一些内外部品质进行检测，检测精度较高。相比于NIRS和拉曼光谱技术，HI技术具有更丰富的无损检测功能，对苹果内部病害、内部特征和外观品质都具有良好的检测效果。但是目前基于HI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，不适用于水果在线检测。

2.2  介电特性检测技术

不同物体具有不同成分、状态和结构等，对应不同的介电特性参数（电容、电阻、电感及衍生的一些电学特性）。通过介电特性参数差异，可以分析出不同物体的结构及内部信息。苹果内部品质（硬度、糖度、酸度、可溶性固形物等）及内部病变的检测，也可通过介电特性检测技术得到。

介电特性检测技术可以实现对苹果病变（水心病、霉心病和毒蛾虫害）的无损辨别。如王若琳等[31]通过采集秦冠苹果的11个电学指标在100～3.98MHz间13个频率点的特征值，发现水心病引起果品的介电损耗系数、复阻抗相角、串联等效电容和并联等效电容及相对介电常数、损耗因子6个参数在100～10000Hz低频区的观测值高于健康苹果，证明了电学方法能够对水心病果和健康苹果进行有效识别。李芳等[32]运用LCR测试仪在100～3.98MHz频率、1V电压、（20±1）℃恒温条件下测定和比较富士苹果霉心病果和好果的7个阻抗参数变化规律及3个理化品质指标，采用稀疏主元分析筛选出27个非零加载系数的阻抗参数，选取SVM作为分类器，经过10轮交叉验证的分类实验对霉心病果和好果的正确识别率达到94%。同步理化品质测定表明，霉心病果的密度和可溶性固形物含量较于好果呈下降状态。Ikediala等[33]使用开放式同轴线探针技术，在5～55℃、30～3000MHz条件测量四个苹果栽培品种和第三龄CP的介电特性，苹果的介电常数随频率下降而随温度升高而略有下降，介电损耗因子随着射频范围内的温度线性增加，表明使用介电特征检测技术可以很好的识别苹果CP病害。

苹果品质变化与介电特性及力学特性具有一定的相关性。李海峰等[34]研究发现苹果的复阻抗（Z）与水分含量、糖度的决定系数分别达到0.9111和0.9593，苹果果皮强度与水分含量、糖度的决定系数分别达到0.9016和0.9273，均有显著相关性。安慧珍等[35]研究了经1-MCP或乙烯利处理的富士和秦冠苹果在贮藏期间，在0.1～3980kHz范围内10个电学参数的变化，随着频率等增加和贮藏时间的延长，Z值逐渐减小，富士苹果的Z值与可滴定酸含量的相关性达到极显著水平，因此，可利用电学参数和Z值来预测苹果色度的变化。蔡骋等[36，37]以红富士苹果为试材，在室温下贮存得到四种失重率和果心褐变的果实，分别定义为五级新鲜度，采用LCR 阻抗仪测定各等级共424个果实的14个生物阻抗参数在9个频率点下的126个特征值。结果表明50次重复试验的分级正确率平均值为87.90%。孔繁荣和郭文川[38]对发育后期苹果的介电特性与理化特性的关系进行研究，采用同轴探头技术测量发育后期3个月内富士苹果在20～4500MHz间的相对介电常数ε’和介质损耗因子ε”，同時测量苹果果实的生理特性（乙烯释放量和呼吸强度）和内部品质（SSC、硬度、pH值和MC），并分析获得与介电参数之间的关联性：随着果实逐渐发育成熟，ε’和ε”逐渐减小;ε’和ε”与SSC、硬度和pH值在特定的频率范围内存在较好的线性相关性。Castro-Giráldez等[39]对成熟期苹果进行介电测量后发现，介电参数与苹果生理化合物（糖含量，苹果酸）具有线性关系。此外，介电特性检测还可以用来区分不同种类的苹果，如Shang等[40]从10～1800MHz获得了三个品种160个苹果的介电特性，使用PCA和SPA对苹果进行品种分类，分类准确度分别为99.5%和99.0%。

介电特性检测适应性较强，对果品的检测具有灵敏度高、无污染、操作方便、相关设备简单、使用成本低廉和自动化程度高等优点。但是介电特性检测的前期检测准备的过程十分繁琐，模型建立较为复杂，所需的对比数据较多。并且果品在采摘后的生理变化复杂，在介电特性的测量上也将十分复杂，导致检测灵敏度高但精度偏低，这也是未来亟待改进的地方。

2.3  CT检测技术

电子计算机断层扫描（Computed Tomography，CT），是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕果品进行扫描，具有扫描时间快、图像清晰等特点[6]。在农业上，基于X-ray的CT技术也取得了较大发展。

黄滔滔等[41]通过对苹果CT断层扫描图进行灰度分割，在分离出有效果肉区的基础上，建立了基于果肉区CT均值的苹果整体内部品质的无损检测模型，发现苹果的糖度、可滴定酸度、含水质量分数均与果肉区CT均值有较好的线性相关性，其R2值分别为0.8464、0.8233、0.9075，平均预测误差分别小于5.0%、7.4%、3.8%。张京平等[42]通过获取富士苹果内部的CT信息，采用神经网络算法对富士苹果的含水率、含糖量和含酸量的平均预测误差分别为1.75%、5.81 %和0.72%。此后，张京平等[43]还研究了贮藏期内富士苹果内部主要成分与其剖面CT值之间线性关系的变化情况，发现苹果内部pH值及糖度随着贮藏期的增长而增大，而含水率及可滴定酸含量随着贮藏期的增长而降低，同时苹果内部各成分与CT值的线性相关模型随着贮藏时间的变化也发生了相应变化，将贮藏时间参数引入苹果内主要成分含量后该预测模型的平均误差率小于10%，说明利用合理的预测模型结合CT技术进行苹果内部特征无损检测是一种可行的方法。

CT检测技术也可以用来检测苹果的病害，如Herremans等[44]运用高分辨率微CT图像显示水心病苹果的微观结构变化，发现受影响的苹果组织的细胞间隙充满水，基于对图像进行阈值处理的自动图像处理令X射线CT的水心病检测精度为89%。

CT技术应用于苹果无损检测，具有扫描时间迅速、成像清晰等特点，同时具有快速作业的潜质。CT技术在苹果内部和外部品质检测的潜力还有待深入挖掘。但是CT扫描设备机器体量大、技术复杂、购买昂贵、需要专人进行保养维护，限制了该技术的广泛应用。

2.4  气相色谱—质谱技术

气相色谱—质谱（Gas Chromatography-Mass Spectrometry，GC-MS）技术被广泛应用于测定苹果气味组成。GC-MS是基于每个化合物有规律地形成一系列碎片离子与分子离子组合，在磁场（或电场）作用下，按这些离子的质荷比进行扫描记录，运用计算机处理资料，依据每种化合物的色谱保留时间，以及质谱的分子离子与关键碎片离子组成的断裂型式，结合标样或标准谱图，对化合物逐一进行定性鉴定与定量分析[45]。GC-MS是目前苹果香味和气味成分分析检测的最主要的技术手段，一般配合固相微萃取（Solid-Phase Microextraction，SPME）装置提取果品挥发性有机化合物后分析使用。

张博等[46]用SPME提取红王将苹果挥发性成分，采用GC-MS法从中分离并确认出17种化学成分，2-甲基-丁酸己酯、丁酸己酯、α-法呢烯、乙酸己酯、2-甲基-1-丁醇乙酸酯、己酸己酯、2-甲基-丁酸丁酯、乙酸丁酯、丁酸丁酯，共占总检出量的85.9%。

苹果的香味和挥发性化合物风味可以从一定程度上反映苹果的内部品质。利用GC-MS技术，可以通过全面检测苹果气味成分的变化进而分析苹果储藏期品质变化情况，也可以利用不同气味结构成分区分不同苹果品种[47-51]。GC-MS技术还可以用来检测苹果的农药残留情况[52-54]。

GC-MS技术可以实现苹果气味成分的定性与定量分析。但是，苹果表皮对其挥发性物质释放具有一定的阻碍作用，使用GC-MS技术大多需要将苹果进行切片和粉碎处理后获得丰富和大浓度的香气物质，无损检测情况下该技术的准确度和精度受到限制。此外，GC-MS技术的检测步骤复杂，实验产生数据较多，需要大量分析处理，无法直接获取苹果香味物质信息，对于无损检测快速、高效的要求方面有一定局限性。

2.5  电子鼻子技术

基于气体传感器技术的电子鼻主要用于苹果气味特征的识别。电子鼻也称智能仿生嗅觉系统，是通过模拟生物嗅觉功能来实现对检测对象的评价。它由气敏传感器阵列、信号处理和模式识别3部分组成，通过获取气味指纹信息对气体或挥发性成分做定性或定量的检测[55]。电子鼻可以快速、实时监测苹果特征气体及其浓度，并应用于苹果的成熟度和新鲜度鉴别。

在检测苹果贮藏期品质变化方面，张鹏等[56]利用PEN3型便携式电子鼻（Airsense 公司，德国）对不同货架期富士苹果挥发性成分进行检测，结果表明采用线性判别分析法的电子鼻系统可以对不同常温货架期和贮后货架期的富士苹果进行准确判别。李莹等[57]利用PEN3型电子鼻检测低温储藏情况下富士苹果的香气变化情况，并一一对应测定苹果的硬度、可溶性固形物含量和可滴定酸含量，利用载荷分析优化电子鼻传感器阵列，研究发现线性判别分析能够较好地区分苹果的贮藏品质，苹果香气在贮藏60～90d时变化较大;多层感知器神经网络模型对苹果贮藏时间预测准确率均>92.00%;PLS对冷藏苹果硬度和可滴定酸含量的预测效果较优;利用BP神经网络所建立预测模型的决定系数均>0.93。刘志洋等[58]采用电子鼻技术，利用PLS建立苹果贮藏期有机酸、SSC的数学模型，并对回归方法进行统计分析，以找到快速测定苹果贮藏期、贮藏期间总酸和SSC的方法。结果表明电子鼻各单元贡献率总计达到了90.62%，区分效果良好。樊丽等[59]使用PEN3电子鼻和GC-MS技术研究在20 ℃贮藏期间嘎拉苹果芳香品质的变化，通过线性判别分析实现不同贮藏期苹果的有效区分。Saevels

等[60]利用Libra型电子鼻（Elba Island，意大利）结合GC-MS技术对Jonagold苹果的硬度和货架期的新鲜度进行检测，检测的硬度和货架期保质期的可靠度分别为0.95和0.98 。

电子鼻也可以用于苹果新鲜度、成熟度和腐烂程度检测。Valeria等[61]利用物理化学分析和EOS835电子鼻（Sacmi，意大利）对鲜切苹果片保质期进行研究，测量4℃冷藏条件下在空气和N2中的鲜切苹果片的挥发性物质的变化，并与感官评价结果进行比较，研究表明通过多变量分析和PCA，电子鼻能够区分不同储存条件下四个采样时间的样品挥发性物质之间的差异。潘胤

飞[62]研制了一套适合苹果气味检测的电子鼻系统（图1），对超市所购得的好坏苹果各50个进行了检测，从每个传感器曲线中提取了5个特征参数，将其作为PCA的输入向量，检测结果表明该系统可以一定程度上区分好坏苹果，但有部分重叠，该方法和系统还适用于其他的水果。

惠国华等[63]采用便攜式电子鼻系统试验研究了苹果、梨、桃子、李子、葡萄5种水果的腐败过程，采用非线性随机共振技术提取水果霉变程度特征信息，结果表明电子鼻系统可以快速表征水果的腐败过程，这为水果腐败机理研究提供了一种新表征技术手段。Pathange等[64]使用Cyranose 320型电子鼻（Model 320， Cyrano Sciences Inc.，加拿大）通过对淀粉指数和穿刺强度等成熟指数的测定来判断嘎拉苹果的成熟度，依成熟度对苹果分类的准确率为83%。

电子鼻也可以用来检测果品的损伤和病害。如Ren等[65]使用PEN3型电子鼻对富士苹果从不同高度掉落受到的损害程度进行检测，采用的多层感知器神经网络对苹果的分离率达到100%，径向基函数神经网络模型与受损苹果的分类值具有极好的相关性（R2>0.98）。Li等[66]使用Cyranose 320型电子鼻（Sensigent，美国）结合协方差矩阵自适应进化策略，使用PCA进行特征提取，将贝叶斯网络设为分类器，实现对苹果的损伤识别和分类。Jia等[67]使用PEN3型电子鼻检测接种了扩展青霉和黑曲霉的Golden Delicious苹果，通过不同模式识别方法分析从特征传感器获得的数据，建立风味信息和新鲜、发霉苹果的有效预测模型，这也是电子鼻在区分接种不同霉菌的苹果的成功案例。

电子鼻能够对果品所释放的气味整体信息进行快速检测，对果品不同时期的质量进行一个较为准确的判定，如货架期品质、新鲜度、腐烂度、损伤、病害等情况，是无损检测技术中对于苹果香味品质检测方面的有益补充。该检测方法多使用商用的电子鼻产品，结合有效的模式识别算法实现对苹果品质的无损检测。

对于电子鼻技术，传感器的选择起着决定性作用。但合适的传感器和模式识别技术的选择往往较为困难，电子鼻系统中的传感器单元对苹果香味成分不具有针对性，因此需要大量样本数据训练并借助模式识别算法来提高检测的准确率。这也为针对具体检测对象的高性能气体传感器的研制和开发提出了需求，随着传感器技术和纳米技术的快速发展，高灵敏度、柔性的苹果香味传感器发展前景广阔。

2.6  计算机视觉技术

计算机视觉技术是用电子摄影机和电脑对对象进行识别、跟踪和测量等机器视觉，结合图形处理技术，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。20世纪70年代，计算机视觉技术在遥感和生物医学图像处理上获得了成功应用。在此基础上逐步推广到航空航天、工业检测、农业生产等多个领域。计算机视觉用于水果的品质检测具有高效、无损、分级指标多、检测结果客观准确等优点，近年来获得广泛地研究和应用[68]。

计算机视觉技术多用于对苹果的形状、颜色、大小进行的无损检测，再结合各种模型算法，还可以对苹果进行有效分级。但由于计算机视觉技术多用于对苹果的外部品质检测，不足以满足消费升级和产业转型的需求，未来应结合其他的无损检测技术，多技术融合实现对苹果的有效分级。

2.7  苹果无损检测技术小结

基于以上苹果无损检测技术发展现状，将各种的技术特点总结列表如下（表1）。

光谱检测技术可以检测苹果的外部和内部品质，定性分析的准确性较高，但需要复杂建模过程、检测速度慢、定量分析的精度不高;介电特性检测技术主要实现苹果内部品质的检测，检测灵敏度高、成本低，但同样存在建模复杂、需要大量检测样本的问题;CT检测技术适用于苹果内部品质检测，检测速度快，但设备昂贵、维护成本高;GC-MS技术主要用于对苹果的挥发性物质进行检测，无损检测获取信息有限，需要人工操作，对检测的准确性和良好的重复性具有一定影响;电子鼻同GC-MS技术一样，用于对苹果的香味成分进行检测，相比于GC-MS技术，电子鼻具有实时、快速的优势。此外，部分電子鼻产品还可便携使用，但现有电子鼻技术中核心部件气体传感器对于苹果香味物质不具有针对性，因此对检测的准确性和精度受到一定影响。计算机视觉技术检测苹果的某些外部品质特征快速而高效，但是其局限性也很明显——只能检测某些特定的外部品质特征。综合来看，各种检测技术功能不同，但单一的检测技术已经无法满足对苹果品质的全面检测，因此，多技术融合是苹果品质无损技术发展的必然趋势。此外，随着传感器技术的快速发展和纳米科学的蓬勃发展，结合苹果香味特征检测需求，低成本、高性能的气体传感器及其智能检测系统是对电子鼻技术和当前无损检测技术的有益补充，也是智慧果业发展的重要内容。

3  苹果现有分级技术

苹果分级是采摘后根据苹果果品的内外部品质进行归类的过程，分级效果直接影响苹果的存储与销售，对苹果市场的繁荣发展具有重要意义。现有苹果的分级技术包括单特征分级和多特征分级。国内苹果分级现状是单特征和多特征分级并存，但以单特征分级为主，且多特征分级技术的特征指标仍然局限于外部品质。

3.1  单特征分级技术

单特征分级指对果品根据单一特征（如颜色、大小、形状等特征）进行分级。目前市场上采用的苹果分级技术大多为单特征分级技术。

苹果单特征分级主要通过机器视觉方法实现。安爱琴等[69]采用机器视觉的苹果大小自动分级方法，利用CCD摄像机获取苹果的样本图像，应用MATLAB软件编程实现了对样本图像的背景去除、二值化、图像平滑、特征量提取和图像标定等处理，参照苹果分级的国家标准完成了苹果自动分级，分级精度高、速度快。Mizushima等[70]构建了一个低成本的基于机器视觉的苹果分级系统，开发了用于估计苹果形状、大小的图像处理算法，根据最小外接圆直径对Red Delicious、Enpi、Golden Delicious和Jonagold四个品种苹果进行分级，误差为4.30%，处理速度达到4～6个/s。陈卓等[71]搭建了一个利用机器视觉对苹果进行分级的系统，包含了一个图像采集系统，基于MATLAB的编程与处理系统，对市场中在售的红富士苹果进行了效果检测，与人工游标卡尺检测结果进行比较，果径测量平均误差率为1.31%，分级准确率为90%。袁金丽等[72]基于在线群智能的粒子群优化算法和神经计算技术，提出了一种新颖、快速的智能分级方法，对苹果颜色分级的正确率高达98%以上。王建等[73]通过数码相机获取了不同苹果等级的彩色图像，对图像中苹果的着色面积计算并进行分级，准确率为89.80%。Hayrettin和Hilmi[74]通过使用实时机器视觉系统，检测了在RGB、HSV、CIE、XYZ四种不同的色彩空间下，根据表皮颜色将苹果分为四个等级的效果，并依据苹果的大小和颜色两个指标将Golden Delicious、Starking、Jonagold三个苹果品种的595个样品分为4个等级，分级准确率达到99%。陈艳军等[75]针对红富士苹果，采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后，通过行扫描提取出轮廓的方法，对40个苹果进行6 次在线分级试验表明，模型一分级正确率为93.3%，模型二分级正确率为87.1%，双通道分级效率最高可达12个/s。

单特征分级还包括果品果型分级。蔡健荣

等[76]采用主动形状模型的方法对苹果形态进行分级，通过选取36个最佳苹果轮廓特征点数，进行自动标定、校准后，运用PCA法获取不同形状的苹果模型，进行灰度匹配、提取特征参数，对苹果果型的判别准确度高达95%，且直观性强、鲁棒性好、具有较好的灵活性。林开颜等[77]提出一种基于傅里叶变换的水果分级方法，根据给定的分类阈值对水果形状进行分类，并通过对不同水果形状的试验证明了有效性。

单特征分级技术还可与机械技术结合应用。葛纪帅等[78]人研制了基于智能称重的水果分级生产线，通过自动上料机械实现水果的自动上料，即水果能自动输送、疏离、逐个地进入水果托盘中，随后根据设计以称重传感器为核心的称重模块对水果质量信息进行多次采样，得到水果的精确质量。质量信息传送至控制装置，控制装置根据国家标准判定每个水果的等级，发出指令传送给分级执行装置，完成水果的分级。

基于单特征值的苹果分级方法，采用机器视觉方法和模型算法实现，操作上较简单，速度较快，易满足苹果分级快速的要求。采用与机械技术结合的方法，能够低成本、便利的对苹果根据单特征进行分级。但单特征苹果分级方法多局限于苹果的外观、尺寸和重量，无法全面反映苹果的品质信息，无法满足我国苹果产业快速发展下高品质苹果的分级需求。

3.2  多特征分级技术

苹果的多特征分级技术通过融合多种检测技术，实现对果品多种特征的综合性评价分级。多特征分级技术主要采用计算机视觉技术并结合多特征模型对苹果进行分级（如图2）。

李先锋等[80]通过图像处理提取大小、形状、颜色和缺陷4类外观品质特征，用D-S 证据理论的方法进行决策级融合处理，实现苹果的多特征综合分级，对80个测试样本的分级正确率达92.5%，相比于单特征分级，此方法正确识别率高、稳定性好、效果显著。梁明和孟大伟[80]提出了一种基于证据理论的特征融合苹果分级方法，采用了径向基函数（RBF）神经网络对大小、形状、颜色外部特征进行初步分级，获得苹果多特征融合分级结果，该方法自动分级正确率和稳定性更好。Moallem等[81]提出了一种基于计算机视觉的Golden Delicious苹果分级算法，特征提取后采用多层感知器MLP和K-最近邻（KNN），苹果分级识别率分别为92.5%和89.2%。黄叶星和吴荣腾等[82]设计了基于计算机视觉的苹果自动分级系统，通过对苹果图像进行平滑去噪、背景分割、边界提取等预处理，根据HSV模型对苹果图像进行颜色识别;通过重新调整图像大小、填充空洞、计算二值像素点等方法获取苹果的大小;对苹果图像的果梗和缺陷作进一步的检测与区别，该方法在苹果图像缺陷识别率与分级准确率上都具有较好性能。Papageorgiou等[83]开发了一个模糊推理系统和一个自适应神经模糊推理系统，根据果实质量、果肉硬度、SSC和颜色特性对苹果质量进行分类，模型对评估果园2005～2007年数据的评估准确性分别为83.54%、92.73%和96.36%。闫正虎和杨晓京[84]设计了基于颜色和气味多传感器融合的催熟水果检测系统，以昭通金帅苹果为试验对象，分为未成熟、催熟及正常成熟三组，分别利用模糊理论和径向基神经网络两种方法对相关信息进行了模式识别，正确识别率分别为92.63%和93.3%，均可以识别出催熟的金帅苹果。

机器视觉与无损检测技术结合可以更好实现苹果品质分级。郭俊先等[27]采用近红外光谱检测和机器视觉相结合的方法对苹果进行分级，选择721nm波长的图像，通过对图像进行灰度变换、阈值分割，提取苹果分割后区域的面积、充实度、周长、平均灰度等特征，采用二次判别分析分级苹果，验证集苹果分级准确率达到89.5%。

多特征分级特征多、分级准确度高，相比于单特征分级技术更能适应苹果品质提高的需求。计算机视觉技术结合苹果品质无损检测技术，可以更全面实现对苹果品质的有效分级，但当前仍处于起步阶段。此外，现有多特征分级技术，大多聚焦于大小、形状、颜色等苹果的外部特征，对代表果品品质的内部特性检测技术的融合发展仍然受限，多技术的融合是苹果品质高效分级需求的必然发展方向。

4   總结与展望

苹果品质评价的特征多，但目前仍缺乏完善的、系统的苹果品质评价方法及标准。长期以来，我国的苹果品质检测和分级依据多为果实大小、颜色、缺陷等外在品质，对于内在品质重视不足，多种检测技术的融合性和应用亟待发展。经济的发展和生活水平的提高，促使消费者对苹果内在品质如口感、风味、香气等方面提出来更高的要求。发展准确、快速、方便、无损的检测方法是目前品质评价技术发展的方向。此外，随着我国苹果产业的发展，要提高苹果产业的竞争力，必须重视果品高品质培育，同时利用有效的品质检测技术和手段对苹果生长过程进行科学管理及合理监测预警，对采摘后苹果进行精准品质检测与高效分级精选，以及借助科学检测手段提高储藏期苹果品质保持能力。

就检测技术手段而言，随着近红外光谱扫描等图像采集技术和计算机成像等技术的发展，光谱、介电和图像检测技术在苹果固形物、糖含量、酸含量和果实硬度等品质方面的应用得到了较为广泛的应用。但苹果的香味特征检测技术发展较为迟缓，相信随着生物技术的发展和集成化技术的提高以及新型纳米材料的应用，香味传感器技术将在苹果的香味无损检测方面发挥巨大潜力，新型多功能、集成化智能传感器的研发和应用可能是未来苹果香味无损检测的重要甄别手段及发展方向。随着仿生材料、微电子技术、传感器技术和计算机技术的发展，电子鼻将向着集成化、小型化、实用化和智能化的方向发展，相信电子鼻在检测果蔬品质方面的应用前景也将更加广阔。

对于苹果品质分级，单一的计算机视觉技术不足以满足现有苹果产业高品质发展的需求，先进无损检测技术和计算机视觉技术的集成系统，将打破现有的分级特征单一模式。对苹果实施综合考虑内、外部多特征的分级，对影响苹果品质的特征进行全方面的分别，是未来无损检测和品质分级的重要发展方向。依赖苹果多特征的品质分级技术，苹果品质分级体系及评价体系的标准的建立实施，对于苹果产业转型升级、绿色高质发展同样具有重要的意义。

参考文献

[1]   王璇， 刘军弟， 邵砾群， 等. 我国苹果产业年度发展状况及其趋势与建议[J]. 中国果树， 2018（3）： 101-104， 108.

[2]   李志霞， 聂继云， 李静， 等. 我国苹果产业发展分析与建议[J]. 中国果树， 2014（5）： 81-84.

[3]   宋哲， 王宏， 里程辉， 等. 我国苹果产业存在的主要问题、发展趋势及解决办法[J]. 江苏农业科学， 2016， 44（9）： 4-8.

[4]   王静， 张磊， 杨洋， 等. 苹果品质评价指标研究进展[J]. 宁夏农林科技， 2017， 58（02）： 3-5.

Wang J， Zhang L， et al. Research progress of apple quality evaluation index[J]. Ningxia Journal of Agri. and Fores. Sci.&Tech.， 2017， 58（02）： 3-5.

[5]   莫润阳. 无损检测技术在水果品质评价中的应用[J].物理， 2004， 33（11）： 848-851.

Mo R. Nondestructive quality testing of fruit[J]. Physics， 2004， 33（11）： 848-851.

[6]   李志霞， 聂继云. 无损检测技术及其在果品质量安全检测中的应用[J]. 中国农业科技导报， 2013， 15（4）： 31-35.

Li Z， Nie J. Nondestructive testing technologies and its application in fruit quality and safety determination[J]. Journal of Agricultural Science and Technology， 2013， 15（4）： 31-35.

[7]   孙炳新， 匡立学， 徐方旭， 等. 苹果有效酸度的近红外无损检测研究[J]. 食品工业科技， 2013， 34（15）： 298-301.

Sun B， Kuang L， Xu F， et al. Nondestructive measurement of pH in apples using near infrared spectroscopy[J]. Science and Technology of Food Industry， 2013， 34（15）： 298-301.

[8]   Jha S N， Garg R. Non-destructive prediction of quality of intact apple using near infrared spectroscopy[J]. Journal of Food Science & Technology， 2010， 47（2）： 207-213.

[9]   王轉卫， 迟茜， 郭文川， 等. 基于近红外光谱技术的发育后期苹果内部品质检测[J]. 农业机械学报， 2018， 49（5）： 348-354.

Wang Z， Chi Q， Guo W， et al. Internal quality detection of apples during late developmental period based on near-infrared spectral technology[J]. Transactions of the CSAM， 2018， 49（5）： 348-354.

[10]  Zude M， Herold B， Roger J M， et al. Non-destructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life[J]. Journal of Food Engineering， 2006， 77（2）： 254-260.

[11]  宫元娟， 周铁， 屈亚堃. 寒富苹果品质无损检测光谱信息在线分析[J]. 沈阳农业大学学报， 2014， 45（6）： 708-713.

Gong Y， Zhou T， Qu Y. Online Analysis on Hanfu apple quality spectral information based on NDT[J]. Journal of Shenyang Agricultural University， 2014， 45（6）： 708-713.

[12]  孙炳新， 匡立学， 徐方旭， 等. 苹果脆度的近红外无损检测[J]. 食品与发酵工业， 2013， 39（5）： 185-189.

Sun B， Kuang L， Xu F， et al. Study on nondestructive detecting of apple crunchiness by near infrared spectroscopy[J]. Food and Fermentation Industries， 2013， 39（5）： 185-189.

[13]  李顺峰， 张丽华， 刘兴华， 等. 基于主成分分析的苹果霉心病近红外漫反射光谱判别[J]. 农业机械学报， 2011， 42（10）： 158-161.

Li S， Zhang L， Xu F， et al. Discriminant analysis of apple moldy core using near infrared diffuse reflectance spectroscopy based on principal component analysis[J]. Transactions of the CSAM， 2011， 42（10）： 158-161.

[14]  Mcglone V A， Martinsen P J， Clark C J， et al. On-line detection of Brownheart in Braeburn apples using near infrared transmission measurements[J]. Postharvest Biology & Technology， 2005， 37（2）：142-151.

[15]  沈宇， 王风云， 郑纪业， 等. 光谱分析技术在水果品质与安全检测中的应用[J]. 中国农业信息， 2018， 30（3）： 105-112.

Shen Y， Wang F， Zheng J， et al. Application of spectral analysis technology for quality and safety inspection of fruits in China[J]. China Agricultural Informatics， 2018， 30（3）： 105-112.

[16]  陈思雨， 张舒慧， 张纾， 等. 基于共聚焦拉曼光谱技术的苹果轻微损伤早期判别分析[J]. 光谱学与光谱分析， 2018， （2）： 430-435.

Chen S， Zhang S， Zhang S， et al. Detection of early tiny bruises in apples using confocal Raman spectroscopy[J]. Spectroscopy and Spectral Analysis， 2018， （2）： 430-435.

[17]  高晓阳， Paul H， Joseph I. 苹果擦伤拉曼光谱无损检测虚拟系统研究[J]. 农业工程学报， 2005， 21（3）： 130-133.

Gao X， Paul H， Joseph I. Non-destructive apple bruise detection with Raman spectroscopy and its virtual instrumentation[J]. Transactions of the CSAE， 2005， 21（3）： 130-133.

[18]  高晓阳， Paul H， Joseph I. 基于 LabVIEW的苹果擦伤分级系统设计[J]. 农业机械学报， 2006， 37 （4）： 152-154.

[19]  Fan Y， Lai K， Rasco B A， et al. Determination of carbaryl pesticide in Fuji apples using surface-enhanced Raman spectroscopy coupled with multivariate analysis[J]. LWT - Food Science and Technology， 2015， 60（1）： 352-357.

[20]  Dhakal S， Li Y， Peng Y， et al. Prototype instrument development for non-destructive detection of pesticide residue in apple surface using Raman technology[J]. Journal of Food Engineering， 2014， 123： 94-103.

[21]  刘思伽， 田有文， 冯迪，等. 基于高光谱成像的苹果病害无损检测方法[J]. 沈阳农业大学学报， 2016， 47（5）： 634-640.

Liu S， Tian Y， Feng D， et al. Nondestructive detection method of hyperspectral imaging for apple disease[J]. Journal of Shenyang Agricultural University， 2016， 47（5）： 634-640.

[22]  王思玲， 蔡騁， 马惠玲， 等. 基于高光谱成像的苹果水心病无损检测[J]. 北方园艺， 2015（8）： 124-130.

Wang S， Cai C， Ma H， et al. Nondestructive detection of apple watercore based on hyperspectral imaging[J]. Northern Horticulture， 2015（8）： 124-130.

[23]  Rady A， Ekramirad N， Adedeji A A， et al. Hyperspectral imaging for detection of codling moth infestation in GoldRush apples[J]. Postharvest Biology & Technology， 2017， 129：37-44.

[24]  Elmasry G， Wang N， Vigneault C. Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology， 2009， 52（1）： 1-8.

[25]  孙梅， 陈兴海， 张恒， 等. 高光谱成像技术的苹果品质无损检测[J]. 红外与激光工程， 2014， 43（4）： 1272-1277.

Sun M， Chen X， Zhang H， et al. Nondestructive inspect of apple quality with hyperspectral imaging[J]. Infrared and Laser Engineering， 2014， 43（4）： 1272-1277.

[26]  彭彦昆， 李永玉， 赵娟， 等. 基于高光谱技术苹果硬度快速无损检测方法的建立[J]. 食品安全质量检测学报， 2012， 3（6）： 667-671.

Peng Y， Li Y， Zhao J， et al. Establishment of rapid and non-destructive detection method of apple firmness using hyperspectral images[J]. Journal of Food Safety and Quality， 2012， 3（6）： 667-671.

[27]  郭俊先， 饶秀勤， 程国首， 等. 基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究[J]. 新疆农业大学学报， 2012， 35（1）： 78-86.

Guo J， Rao X， Cheng G， et al. Prediction of the sugar degree and grading of Xinjiang Fuji apple by hyper-spectral imaging techniques[J]. Journal of Xinjiang Agricultural University， 2012， 35（1）： 78-86.

[28]  ElMasry G， Wang N， Vigneault C， et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. Swiss Society of Food Science and Technology， 2008， 41： 337-345.

[29]  Keresztes J C， Diels E， Goodarzi M， et al. Glare based apple sorting and iterative algorithm for bruise region detection using shortwave infrared hyperspectral imaging[J]. Postharvest Biology & Technology， 2017， 130： 103-115.

[30]  Dong J， Guo W. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods， 2015， 8（10）： 2635-2646.

[31]  王若琳， 王棟， 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.

Wang R， Wang D， Ren X， et al. Nondestructive detection of apple watercore disease based on electric features[J]. Transactions of the CSAE， 2018， 34（5）： 129-136.

[32]  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.

Li F， Cai C， Ma H， et al. Nondestructive detection of apple mouldy core based on bioimpedance properties[J]. Food Science， 2013， 34（18）： 197-202.

[33]  Ikediala J N， Tang J， Drake S R， et al. Dielectric properties of apple cultivars and codling moth larvae[J]. American Society of Agricultural Engineers， 2000， 43（5）： 1175-1184.

[34]  李海峰， 张燕， 贺晓光， 等. 苹果黄元帅贮藏过程中品质变化与介电特性及力学特性的相关性[J]. 江苏农业学报， 2015（4）： 910-914.

Li H， Zhang Y， He X， et al. Relationship between apple quality and dielectric property and mechanical

property during storage[J]. Jiangsu Journal of Agricultural Sciences， 2015（4）： 910-914.

[35]  安慧珍， 马惠玲， 任小林， 等. 苹果果实贮藏期间电学参数与品质指标的关系[J]. 食品科学， 2013， 34（2）： 298-302.

An H， Ma H， Ren X， et al. Relationship between electrical parameters and quality indexes of apple fruits during storage[J]. Food Science， 2013， 34（2）： 298-302.

[36]  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.

Cai C， Li Y， Ma H， et al. Nondestructive classification of internal quality of apple based on dielectric feature selection[J]. Transactions of the CSAE， 2013， 29（21）： 279-287.

[37]  蔡骋， 李晓龙， 马惠玲， 等. 基于生物阻抗特性的苹果新鲜度无损测定[J]. 农业机械学报， 2013， 44（2）： 147-152.

Cai C， Li X， Ma H， et al. Non-destructive detection of freshness grade for apple fruit based on bio-impedance properties[J]. Transactions of the CSAM， 2013， 44（2）： 147-152.

[38]  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.

Kong F， Guo W. Relationship between dielectric properties and physicochemical properties of apples during late developmental period[J]. Food Science， 2016， 37（9）： 13-17.

[39]  Castro-Giráldez M， Fito P J， Chenoll C， et al. Development of a dielectric spectroscopy technique for the determination of apple （Granny Smith） maturity[J]. Innovative Food Science and Emerging Technologies， 2010， 11（4）： 749-754.

[40]  Shang L， Guo W， Nelson S O. Apple variety identification based on dielectric spectra and chemometric methods[J]. Food Analytical Methods， 2015， 8（4）： 1042-1052.

[41]  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 T， Sun T， Zhang J. Non-destructive detection of internal quality of apple based on CT image[J]. Journal of Zhejiang University （Agriculture and Life Sciences）， 2013， 39（1）： 92-97.

[42]  张京平， 张华， 王会. 富士苹果主要成分的CT无损检测[J]. 农业机械学报， 2008， 39（7）： 99-102.

Zhang J， Zhang H， Wang H. Non-destructive test of Fuji apple's major components by CT[J]. Transactions of the CSAM， 2008， 39（7）： 99-102.

[43]  張京平， 刘孔绚. 基于CT技术的苹果贮藏期内主要成分无损检测[J]. 农业机械学报， 2010， 41（7）： 119-122.

Zhang J， Liu K. Nondestructive test of major internal components for Fushi apple during storage based on CT technology[J]. Transactions of the CSAM， 2010， 41（7）： 119-122.

[44]  Herremans E， Melado-Herreros A， Defraeye T， et al. Comparison of X-ray CT and MRI of watercore disorder of different apple cultivars[J]. Postharvest Biology and Technology， 2014， 87（1）： 42-50.

[45]  辛平， 成娟， 卜金忠， 等. 气质联用法（GC-MS）测定水果中农药残留含量研究[J]. 河北林业科技， 2015， 4（1）： 31-34.

[46]  张博， 辛广， 李铁纯. 固相微萃取气质联用分析红王将苹果香气成分[J]. 食品科学， 2008， 29（10）： 520-521.

Zhang B， Xin G， Li T. Analysis of aromatic constituents of Hongwangjiang apple by using solid phase microextraction and GC-MS[J]. Food Science， 2008， 29（10）： 520-521.

[47]  冯涛， 陈学森， 张艳敏， 等. 4个苹果属野生种果实香气成分HS-GC-MS分析[J]. 中国农学通报， 2010， 26（9）： 250-254.

Feng T， Chen X， Zhang Y， et al. HS-GC-MS analysis of volatile components in four malus wild species fruits[J].Chinese Agricultural Science Bulletin， 2010， 26（9）： 250-254.

[48]  樊丽， 向春燕， 周轲， 等. 利用GC-MS 和电子鼻研究1-MCP 对‘嘎拉’苹果常温贮藏期间芳香物质的影响[J]. 果树学报， 2014， 31（5）： 931-938.

Fan L， Xiang C， Zhou K， et al. Influence of 1-MCP on the aromatic substance emitted by ‘Gala’ apple during storage by using GC-MS and electronic nose technology[J]. Journal of Fruit Science， 2014， 31（5）： 931-938.

[49]  李淑玲， 冯建荣， 李亚兰， 等. 引入石河子地区的苹果品种果实香气成分的GC-MS检测[J]. 新疆农业科学， 2013， 50（6）： 1046-1051.

Li S， Feng J， Li Y， et al. Research on fruit aroma of apple cultivars introduced in Shihezi area[J]. Xinjiang Agricultural Sciences， 2013， 50（6）： 1046-1051.

[50]  段亮亮， 郭玉蓉， 池霞蔚， 等. 澳洲青苹果实不同部位香气成分差异分析[J]. 食品科学， 2010， 31（18）： 262-267.

Duan L， Guo Y， Chi X， et al. Analysis of aromatic components in different tissue parts of granny smith apple[J]. Food Science， 2010， 31（18）： 262-267.

[51]  Young J C， Chu C L G， Lu X， et al. Ester variability in apple varieties as determined by solid-phase microextraction and gas chromatography-mass spectrometry[J]. Journal of Agricultural and Food Chemistry， 2004， 52（26）： 8086-8093.

[52]  Cunha S C， Fernandes J O， Oliveira M B P P. Fast analysis of multiple pesticide residues in apple juice using dispersive liquid-liquid microextraction and multidimensional gas chromatography-mass spectrometry[J]. Journal of Chromatography A， 2009， 1216（51）： 8835-8844.

[53]  李建科， 吳丽华， 孔祥虹. 基质固相分散-气相色谱法测定苹果中的多种农药残留[J]. 中国农业科学， 2008， 41（6）： 1767-1777.

Li J， Wu L， Kong X. Matrix solid-phase dispersion and gas chromatography determination of multi-residue pesticides in apples[J]. Scientia Agricultura Sinica， 2008， 41（6）： 1767-1777.

[54]  Lacassie E， Dreyfuss M F， Daguet J L， M. et al. Multiresidue determination of pesticides in apples and pears by gas chromatography-mass spectrometry[J]. Journal of Chromatography A， 1998， 805： 319-326.

[55]  吴文娟. 检测农产品挥发性气体的电子鼻研究[D].上海： 上海师范大学， 2011.

[56]  张鹏， 李江阔， 陈绍慧. 基于电子鼻判别富士苹果货架期的研究[J]. 食品工业科技， 2015， 36（5）： 272-276.

Zhang P， Li J， Chen S. Discrimination of Fuji apples shelf life by electronic nose[J]. Science and Technology of Food Industry， 2015， 36（5）： 272-276.

[57]  李莹， 任亚梅， 张爽， 等. 基于电子鼻的苹果低温贮藏时间及品质预测[J]. 西北农林科技大学学报： 自然科学版， 2015， 43（5）： 183-191.

Li Y， Ren Y， Zhang S， et al. Prediction of low-temperature storage time and quality of apples based on electronic nose[J]. Journal of Northwest A & F University （Natural Science Edition）， 2015， 43（5）： 183-191.

[58]  刘志洋， 刘岩. 电子感官结合化学计量学对苹果贮藏期鉴别的研究[J]. 北方园艺， 2017（22）： 137-141.

Liu Y， Liu Y. Determination of apple storage period by using electronic senses and chemometric[J]. Northern Horticulture， 2017（22）： 137-141.

[59]  樊丽， 任小林， 向春燕， 等. 基于电子鼻和GC-MS评价嘎拉苹果采后芳香品质[J]. 食品科学， 2014， 35（22）： 164-168.

Fan L， Ren X， Xiang C， et al. Aroma quality of Gala apple during storage evaluated by electronic nose and gas chromatography-mass spectrometry[J]. Food Science， 2014， 35（22）： 164-168.

[60]  Saevels S， Lammertyn J， Berna A Z， et al. An electronic nose and a mass spectrometry-based electronic nose for assessing apple quality during shelf life[J]. Postharvest Biology and Technology， 2004， 31（1）： 9-19.

[61]  Guarrasi V. Monitoring the shelf-life of minimally processed fresh-cut apple Slices by physical chemical analysis and electronic Nose[J]. Agrotechnol， 2014， 3（1）： 126-131.

[62]  潘胤飛， 赵杰文， 邹小波， 等. 电子鼻技术在苹果质量评定中的应用[J]. 农机化研究， 2004， 5（3）： 179-182.

Pan Y， Zhao W， Zou X， et al. Using electronic nose qualifying apples based on GA-RBF network[J]. Journal of Agricultural Mechanization Research， 2004， 5（3）： 179-182.

[63]  惠国华， 厉鹏， 吴玉玲， 等. 基于电子鼻系统的水果腐败过程表征方法[J]. 农业工程学报， 2012， 28（6）： 264-268.

Hui G， Li P， Wu Y， et al. Characterization method of fruit decay procedure using electronic nose system[J]. Transactions of the CSAE， 2012， 28（6）： 264-268.

[64]  Pathange L P， Mallikarjunan P， Marini R P， et al. Non-destructive evaluation of apple maturity using an electronic nose system[J]. Journal of Food Engineering， 2006， 77（4）： 1018-1023.

[65]  Ren Y， Ramaswamy H S， Li Y， et al. Classification of impact injury of apples using electronic nose coupled with multivariate statistical analyses[J]. Journal of Food Process Engineering， 2018： e12698.

[66]  Li C， 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 & Actuators： B. Chemical， 2007， 125（1）： 301-310.

[67]  Jia W， Liang G， Tian H， et al. Electronic nose-based technique for rapid fetection and recognition of Moldy apples[J]. Sensors， 2019， 19（1526）： 1-11.

[68]  任永新， 单忠德， 张静， 等. 计算机视觉技术在水果品质检测中的研究进展[J]. 中国农业科技导报， 2012， 14（1）： 98-103.

Ren Y， Shan Z， Zhang J， et al. Research progress on computer vision technique in fruit quality inspection[J]. Journal of Agricultural Science and Technology， 2012， 14（1）： 98-103.

[69]  安爱琴， 余泽通， 王宏强. 基于机器视觉的苹果大小自动分级方法[J]. 农机化研究， 2008， 4（1）： 163-166.

An A， Yu Z， Wang H. The method of automatic apple hierarchy based on machine vision[J]. Journal of Agricultural Mechanization Research， 2008， 4（1）： 163-166.

[70]  Mizushima A， Lu R. A low-cost color vision system for automatic estimation of apple fruit orientation and maximum equatorial diameter[J]. Transactions of the ASABE， 2013， 56（3）： 813-827.

[71]  陳卓， 方纪昊， 王太良， 等. 基于机器视觉的苹果分级方法研究[J]. 机电信息， 2018， 30： 156-157.

[72]  袁金丽， 郭志涛， 岳大为， 等. 基于改进的PSO进化神经计算进行苹果颜色快速分级[J]. 河北农业大学学报， 2008， 31（6）： 109-113.

Yuan J， Guo Z， Yue D， et al. Apple color grading at high speed based on improved PSO evolutionary neural computation[J]. Journal of Agricultural University of Hebei， 2008， 31（6）： 109-113.

[73]  王建， 黎绍发. 基于苹果着色面积的计算机视觉分级技术研究[J]. 计算机工程与设计， 2008， 29（14）： 3813-3817.

Wang J， Li S. Study on computer vision grading based on apple coloration area[J]. Computer Engineering and Design， 2008， 29（14）： 3813-3817.

[74]  Hayrettin T， Hilmi K. A real-time apple grading system using multicolor space[J]. The Scientific World Journal， 2014， 2014： 1-10.

[75]  陈艳军， 张俊雄， 李伟， 等. 基于机器视觉的苹果最大横切面直径分级方法[J]. 农业工程学报， 2012， 28（2）： 284-288.

Chen Y， Zhang J， Li W， et al. Grading method of apple by maximum cross-sectional diameter based on computer vision[J]. Transactions of the CSAE， 2012， 28（2）： 284-288.

[76]  蔡健荣， 许月明. 基于主动形状模型的苹果果形分级研究[J]. 农业工程学报， 2006， 22（6）： 123-126.

Cai R， Xu Y. Identification and classification of apple shape based on active shape models[J]. Transactions of the CSAE， 2006， 22（6）： 123-126.

[77]  林开颜， 吴军辉， 徐立鸿. 基于计算机视觉技术的水果形状分级方法[J]. 农业机械学报， 2005， 36（6）： 71-74.

Lin K， Wu J， Xu L. Separation approach for shape grading of fruits using computer vision[J]. Transactions of the CSAM， 2005， 36（6）： 71-74.

[78]  葛纪帅， 赵春江， 黄文倩， 等. 基于智能称重的水果分级生产线设计. 农机化研究， 2012， 34 （1）： 126-130.

Ge J， Zhao C， Huang W， et al. Study on the production line for the fruit grading based on intelligent weighting[J]. Journal of Agricultural Mechanization Research， 2012， 34 （1）： 126-130.

[79]  梁明， 孟大伟. 多特征图像融合的苹果分级方法应用研究[J]. 计算机仿真， 2012， 29（7）： 256-259.

Liang M， Meng D. Application research of apple grading based on multi-feature fusion method[J]. Computer Simulation， 2012， 29（7）： 256-259.

[80]  李先锋， 朱伟兴， 花小朋， 等. 基于D-S 证据理论的决策级多特征融合苹果分级方法[J]. 农业机械学报， 2011， 42（6）： 188-192.

Li X， Zhu W， Hua X， et al. Multi-feature decision fusion method based on D-S evidence theory for apple grading[J]. Transactions of the CSAM， 2011， 42（6）： 188-192.

[81]  Moallem P， Serajoddin A， Pourghassem H. Computer vision-based apple grading for golden delicious apples based on surface features[J]. Information Processing in Agriculture， 2016： S2214317315300068.

[82]  黃叶星， 吴荣腾. 基于计算机视觉的苹果自动分级技术[J]. 福建电脑， 2017， 5（1）： 24-25.

[83]  Papageorgiou E I， Aggelopoulou K， Gemtos T A， et al.

Development and evaluation of a fuzzy inference system and a neuro-fuzzy inference system for grading apple quality[J]. Applied Artificial Intellegence， 2018， 32（3）： 253-280.

[84]  闫正虎， 杨晓京. 基于颜色和气味多传感器融合的催熟水果检测系统研究[D]. 昆明： 昆明理工大学， 2013.

Research progress and prospect on non-destructive detection and quality grading technology of apple

Yudong Cao1， Weiyan Qi1， Xian Li1， Zhemin Li2*

（1. Agricultural Information Institute， Chinese Academy of Agricultural Sciences， Beijing 100081， China;

2. Graduate School of Chinese Academy of Agricultural Sciences， Beijing 100081， China）

Abstract： China has high total apple output， but the export volume is low. The high-end apple market is mostly occupied by imported apples. The main reason of this situation is the lack of technologies and equipments for fruit quality classification， and the degree of automation after picking stands low. The apples enter the consumer market without simple roughing processing， and the quality of the apple is unstable， which greatly reduces its market competitiveness. In this paper， the status quo of non-destructive detection and grading technology of apple quality was analyzed， then the development was forecasted. Apple non-destructive detection technology mainly includes spectrum， electrical characteristics， CT， chromatography， electronic nose and computer vision technology. According to the functional characteristics， advantages and disadvantages of various technologies， it is proposed to develop apple odor detection method based on new sensor technology; adopting multi-feature grading method based on machine vision， the combination of apple quality non-destructive testing technology and grading technology can promote the improvement of apple's industrial competitiveness. Overall， the needs of apple quality non-destructive detection and grading technology development in China are urgent. Detections with new technologies such as nanotechnology， biotechnology and artificial intelligence methods of sensor technology and products in apple non-destructive， quality grading detection and multi-technology have great potential. A real-time， efficient， high-precision grading systems in apple quality which integrates electricity， light， gas and computer vision may be an important development direction for improving apple's quality and enhancing the competitiveness of the apple industry.

Key words： apple quality; non-destructive detection; quality grading; sensor technology