芒果品质无损检测技术研究进展

刘彩华，李 曦，朱正杰，包竹君，谢晓娜，杨郑州，王 赟，刘 芳

（百色学院农业与食品工程学院，广西百色 533000）

芒果与柑橘、香蕉、葡萄、苹果并称世界五大水果，素有“热带果王”之美誉，含有糖、蛋白质、类胡萝卜素和维生素A等多种营养物质，深受人们喜爱。芒果原产于亚洲南部热带地区，现已广泛分布于热带、亚热带地区[1]。在国内，芒果主要分布在海南、广西和四川，在广东、福建、云南、台湾等地也有种植。主产区均有其特色品种，如海南主产贵妃芒、台农、水仙芒、金煌芒等，广西特色品种为桂七芒和紫花芒，四川主要生产凯特芒[2]。

芒果品质主要包括产品外观与内在品质。外观品质主要包括果实形状、果实大小、组织缺陷、果皮色泽等，内在品质包括可溶性糖、可滴定酸、可溶性固形物、糖酸比、胡萝卜素等[3-5]。对芒果品质进行评价和分级，有利于芒果采后科学处理。品质较高的芒果进行销售或储存，品质较低的芒果进行深加工处理，对提高芒果经济价值和产业链发展具有重要的意义。芒果品质评价的最常用方法主要是感官评价，针对果实外观品质进行。这种方法易受评价员自身主观性、经验、身体因素及外部环境等多种因素影响，并且常因感官疲劳而导致准确率降低[6]。实际上，最影响芒果风味的是其内在品质因子，如可溶性糖和有机酸的组成成分、含量及糖酸比，在不同品种芒果中具有较明显的差异，最能体现芒果的价值和市场接受度[4]。针对内在品质因子的传统评价方法主要是理化检测，能准确得出各品质因子的含量，但是该方法工作量大，具有破坏性，无法满足大批量芒果品质快速检测的需求，且易造成果实浪费[7-9]。近年来有发展针对可溶性糖含量和总有机酸的快速检测方法，如糖度计、糖酸仪等，但是这些快检仪器也需要破坏芒果取得果汁进行检测。

多种无损检测技术的出现，为芒果品质的快速检测、成熟度预测以及产后分级，提供了有效的解决方案。无损检测技术不破坏被测对象，而是利用样品对光、电、声、磁、热等独特的“指纹”反应特征，采用特定的快速检测设备，结合软件处理、化学计量学等方法，实现对其外在和内在品质特性进行无损检测[3,9]。目前，多种无损检测技术用于芒果品质的检测研究，如计算机视觉技术、可见/近红外光谱技术、高光谱成像技术、电子鼻技术以及超声波检测技术等[6-11]，用于对芒果果面缺损、体积、重量、果实颜色、形状、产量预估、品质分类、成熟度、腐烂程度、可溶性固形物、糖度、酸度、pH、果实硬度、β-胡萝卜素和花青素含量等指标进行检测。但是对于国内外芒果品质无损检测技术的最新研究进展，还缺乏相应的报道。

本文论述了近年来国内外芒果品质无损检测技术的研究进展，总结了不同检测技术的主要应用方向，比较了国内外研究现状的差异，进一步分析了存在的问题，展望了两种主要技术——计算机视觉技术和可见/近红外光谱检测技术未来的发展趋势，以期为进一步提高无损检测技术的精度，拓宽其应用范围提供参考。

1 计算机视觉技术——外在品质检测

计算机视觉技术以计算机和图像获取为工具，通过相机采集水果图片，利用图像处理和分析技术进行处理，提取出水果大小、形状、颜色和表面缺陷等外部品质特征，再利用模式识别和分级技术，实现对水果外观品质的综合评价和分级[12]。计算机视觉技术主要在果面坏损、品质分级、产量预估、品种鉴别等方面研究较多。

1.1 检测芒果重量和果面坏损

果面坏损和重量是最常用的水果品质分级指标。20世纪末，王江枫等[13]设计了一套检测系统，由图像获取部分、解码器、图像采集卡、监视器、计算机等组成，对果面坏损的检测准确率达76%以上，对果重的检测准确率达92%以上。张立华[14]利用计算机视觉技术结合模糊c-均值聚类算法对芒果表面缺陷进行检测和分类，检测结果与肉眼评价结果基本吻合。张烈平等[15]结合计算机视觉技术和BP神经网络算法，对芒果斑痕和碰伤缺陷进行检测，创建了3层BP神经网络模型，对芒果缺陷识别的准确率达85.5%以上。刘静等[16]应用视觉系统开发模块对芒果表面缺陷进行检测，经过图像预处理，再利用面积标定法获得表面缺陷图像。试验结果表明，计算机视觉检测结果与人工检测结果误差小于0.3%。Pham等[17]利用k均值算法在L*a*b*空间中根据欧氏颜色距离将原始图像分割成区域块，再采用最小生成树的合并方法，迭代地将相似区域合并成新的同构区域，从而实现对坏损区域图像进行分割。在与人眼观察对比和处理时间方面，均显示较好的结果。Ashok等[18]对芒果可见缺陷的特征提取方法进行了对比研究，通过顺序前向选择算法提取最相关特征，用广义线性模型分类器设计神经网络（neural network，NN），评价了不同输出激活函数如线性、logistic和softmax对分类器的性能影响，结果表明对果面坏损的检测交叉验证性能精度分别为90.09%、90.26%和90.26%。徐玉琼等[19]通过芒果灰度图像来区分正常果面和缺陷果面，表皮损伤区域呈黑色或褐色，与正常果面灰度有明显区别，通过阈值设定分割出缺陷区域。但是由于果梗的影响，容易造成误判，影响判断结果的精准度。张光龙[20]对芒果二维缺陷（晒伤、病斑及黑斑）和三维缺陷（凹陷、划痕等机械损伤）的计算机视觉检测进行了研究，利用数据滤波降噪，结合缺陷部分的像素面积与点云数据值映射，即得出二维缺陷区域的物理面积；通过直方图均衡化，Canny算子边缘检测，再进行“闭运算”和“空洞填充”处理得到二值图像，通过图像处理计算病斑像素面积与实际物理值映射，得到病斑的物理面积。结果显示缺陷部位面积检测的相对误差小于2.0%。Kumari等[21]研究了图像分割算法和分类器对坏损芒果和健康芒果分类准确率的影响。所建立方法结合了模糊k均值聚类算法和基于反向传播的判别分类器（backpropagation based discriminant classifier，BBDC），而k-均值以及模糊c均值聚类方法，以及BPNN和朴素贝叶斯分类器（decision table and naïve bayes classifier，DTNB）方法均作为对比。结果显示所建立的方法具有最高精度，对等级C的坏损芒果的分类准确率达到99.68%。

在芒果果面坏损检测的研究中，国外研究者（如印度、韩国）更关注于图像处理算法和模型建立方法的研究，但国内专注于算法比较的研究报道较少。随着研究的发展，研究者更倾向于综合果面缺陷与果面大小、形状、颜色等多种特征，构建更为准确的分级依据，应用于芒果品质分级。

1.2 芒果品质分级

随着生活水平提高，消费者对水果的可食用品质提出了更高的要求和期望。我国虽然是芒果生产大国，但为了应对进口芒果的冲击，提升国产芒果品质及检测水平，快速精准鉴别芒果品质，有助于推动芒果产业可持续发展，增强国产芒果的市场竞争力[2,10]。计算机视觉技术应用于芒果品质检测的研究如表1所示。

表1 计算机视觉技术在芒果品质分级中的应用Table 1 Application of computer vision technology in mango quality grading

2006年，孙树亮[22]利用计算机视觉技术结合不同算法，依据芒果颜色、大小进行分类，发现线性函数法在样本数量大时有较好分类效果，准确率达95.31%。李国进等[12]基于计算机视觉和使用粒子群算法优化后的极限学习神经网络模型，依据芒果大小、形状、颜色、表面缺陷等综合特征对芒果进行分级，与单纯极限学习神经网络模型、传统BP和支持向量机模型相比，具有更高的分级精度。Sa’ad等[23]联合傅里叶描述符法，通过芒果形状进行分级。应用判别分析（discriminant analysis，DA）和支持向量机（support Vector machine，SVM）建模时，分级准确率分别能达到98.3%和100%；应用圆柱近似分析法（cylinder approximation analyses method）估测芒果体积和质量，重量分级法精度为95%。Ibrahim等[24]设计了基于机器视觉和压片法的芒果在线分拣设备，主要关注长度、宽度、高度、重量等物理特性，结果显示对芒果形状的判断准确率达到92%，基于芒果重量的分级准确率为94%，证实该系统在芒果自动分选中具有一定的潜力。Makino等[25]利用色彩浓度（chroma）22和色彩角（hue angle）52°对红色果皮进行筛选，建立了依据果皮颜色的芒果分级方法。同时研究了花青素浓度与色彩角之间的关系，推测计算机视觉技术可用于预估花青素含量。Nandi等[26]利用支持向量机方法对芒果成熟度进行预测，利用多属性决策系统对芒果品质进行预测，再利用模糊增量学习算法（fuzzy incremental learning algorithm）对芒果进行分级，分级准确率达87%，预测重复率达100%。辛华健[27]以大小、颜色和表面缺陷为芒果品质参数，建立了BP神经网络模型，芒果品质分级准确率超过93%。向阳等[28]针对芒果形状不规则的问题，通过柔性翻面机采集芒果正反面图像，提出了一种基于迁移学习的卷积神经网络模型，依据果皮颜色、果肉硬度和果肉颜色制定芒果成熟度标准，用于芒果成熟度的分级，平均准确率达96.72%。芒果大小、果形、颜色、表面缺陷面积四种特征常作为综合特征应用于芒果分级的研究。近年来，徐玉琼等[19]利用Canndy算子和BP神经网络建立芒果分级模型，分级平均准确率达到90%。张光龙[20]采用BP神经网络和支持向量机（SVM）算法分别建立分级模型，结果表明基于改进的粒度支持向量机（GSVM）算法分级效果好、准确率高（＞90%），在此基础上建立了基于流水线的芒果智能化分级系统。Anurekha等[29]结合图像处理与自适应神经模糊推理系统GANFIS（genetic adaptive neuro fuzzy inference system），依据芒果质地进行分级。

应用计算机视觉技术对芒果品质进行分级，研究热点主要集中于图像处理技术和分级模型算法的改进，这也是影响计算机视觉技术对芒果分级的准确率的重要影响因素。此外，模型的建立依据，逐渐由颜色、重量等单个特征参数向结合了芒果大小、形状、颜色、表皮缺陷等多参数的综合特征发展，使建立的模型分级依据更准确。近年来，除了理论研究外，越来越多的研究关注到智能检测系统的建立和应用，而这也是计算机视觉技术能实际应用于生产的关键所在。

1.3 芒果产量预估

芒果自然生境下的目标检测研究，对芒果精准种植中的智能喷施、生长监测、产量预估和劳动力需求预测等具有重要的实际意义。计算机视觉技术为水果自动检测提供了一种有效的手段。

Payne等[30]利用机器视觉检测技术，结合RGB和YCbCr颜色分割以及纹理分割方法，通过计算合成斑点数，来估测收获前3周的芒果产量。但是随着芒果树上果实增多，或者拍摄时有直接阳光照射，模型的有效性会下降。薛月菊等[31]提出了果园场景下未成熟芒果的改进YOLOv2检测方法，利用基于回归的YOLOv2算法，设计了带密集连接的Tinyyolo网络结构，并利用标注遮挡或重叠芒果的前景区域样本来加强前景区域特征学习，结合数据扩增和多尺度策略训练网络，改进了YOLOv2芒果目标检测网络，测试集准确率达97.02%。熊俊涛等[32]提出了一种基于无人机的树上芒果视觉检测技术，结合深度学习技术和YOLOv2模型，测试了绿色芒果的识别正确率，对芒果产量进行预估试验。结果表明不同光照条件下识别正确率为87.18%～3.42%，产量估计平均误差为12.79%。

1.4 品种鉴别

利用计算机视觉技术也可以实现芒果品种的鉴别。Behera等[33]利用k均值聚类和灰度共生矩阵对13个参数（如对比度、相关性、均匀性、均值、平滑度、峰度、标准差、方差等）进行评价，再利用SVM算法进行训练，通过匹配训练集和测试集的特征，从而实现对不同品种芒果的鉴别。Sahana等[34]首次通过同时提取水果图像的形态特征（如面积、周长、偏心度、形心等）和傅里叶特征（灰度图像经傅里叶变换后的均值和标准差），再利用决策树和朴素贝叶斯算法对水果进行分类。但是目前只能对不同品种的水果进行鉴别，如对芒果与苹果的鉴别，对同种水果不同亚类的鉴别还有待进一步研究。Anurekha等[35]利用遗传自适应神经模糊推理系统（genetic adaptive neuro fuzzy inference s ystem，GANFIS），以芒果的颜色、形状、纹理为特征，首先对芒果进行分类鉴别，再进行品质分级，结果显示该方法的敏感性达到98.05%，特异性达到97.39%，正确率达到99.18%。Hasna等[36]利用机器视觉技术，结合卷积神经网络（convolutional neural network，CNN）和深度学习算法，通过深度输入图像的层可视化满足系统准确性，建立了基于芒果幼苗叶片的芒果品种鉴别方法，模型准确率为78.65%。芒果品种鉴定主要依据芒果的形态特征差异来实现，而基于芒果叶片的鉴别方法，更有利于芒果种植人群早期对芒果品种进行准确判断。

计算机视觉技术在芒果果面坏损、品质分级、产量预估和品种鉴别中的研究较为丰富。国外研究者主要关注于图像处理算法和模型建立方法的研究，多采用k均值聚类、SVM、判别分析、神经模糊算法，近年来也将基于反向传播的判别分类器（BBDC）、BBP神经网络（BPNN）和朴素贝叶斯分类器DTNB应用于芒果品质的研究中。而国内主要采用建立BP神经网络算法来建立分级模型。建立的不同分级模型对芒果品质分级的准确率均在85%以上。针对芒果产量预估的研究，国内基于深度学习和YOLOv2算法，具有更高的准确率。而针对不同芒果品种的鉴别，国外主要通过果实形态分辨来实现，最新发展了基于叶片特征的鉴别技术。但是国内目前针对芒果品种的快速鉴别研究还未见报道。

1.5 存在问题

计算机视觉技术主要基于对芒果图像进行分析，只能对芒果的物理特征进行检测（表1），而与芒果的内在品质特性关联性不强，因此判断结果并不全面。此外，计算机视觉技术的图像分析主要依赖算法处理、算法自身的缺陷，如对颜色的误判、对微小或模糊特征的遗漏、对芒果不规则边缘的错误识别等，会导致判别的准确率下降。此外，计算机视觉技术对复杂多样的环境抗干扰性差，如不同光照条件、或不同生长环境，均会影响其品质评价的准确性。

2 可见/近红外光谱检测技术——内在品质检测

可见/近红外光谱检测技术主要基于生物分子对光的吸收特性。由于几乎所有生物大分子和功能基团能在380～2500 nm范围内形成稳定的光谱图，主要包括O-H、C-H、N-H键的振动吸收。因此，可见/近红外光谱技术广泛用于分析领域，具有分析速度快、无需样品预处理、非破坏性、无污染等特点。通过结合化学计量学方法，能无损检测水果的多个外在和内在品质指标，如硬度、色泽、可溶性固形物、糖度、酸度、维生素等[8,37]。检测系统主要由光源、光源光纤和接收光纤、光谱仪、载物台和处理软件构成。

2.1 对芒果采后品质的无损检测

利用可见/近红外光谱检测技术，可以实现对芒果采后多个内在品质参数的预测，如糖度、酸度、可溶性固形物、pH和维生素含量等，如表2所示。

表2 可见/近红外光谱技术在芒果品质检测中的应用Table 2 Application of VIS/NIR spectroscopy technology in mango quality detection

虞佳佳等[38]利用近红外光谱技术结合偏最小二乘法和遗传算法优化神经网络技术（GA-BP），建立了芒果糖度和酸度的预测模型，结果显示相关系数分别为0.85409和0.83699，具有较好的预测能力。屠振华等[39]利用偏最小二乘回归法，建立了芒果可溶性固形物和硬度的近红外定量分析模型，结果发现可溶性固形物的预测效果更好，相关系数达到0.8629，而硬度的预测只能基本满足要求。Jha等[40]建立了印度芒果可溶性固形物和pH的预测模型，结果显示对校正集和确认集，可溶性固形物的复相关系数分别达到0.782和0.762，pH的复相关系数为0.715和0.713，具有较好的预测功能。曹霞等[41]比较了主成分回归法、偏最小二乘法和BP神经网络法建立的近红外模型对糖度的预测能力，结果表明偏最小二乘法建立的模型预测能力较好，对糖度的预测相关系数能达到0.97659。近红外光谱法也用于对芒果6种主要化学成分（葡萄糖、蔗糖、柠檬酸、苹果酸、淀粉和纤维素）进行建模预测。结果表明利用这6种成分的二阶导谱，能建立最好的偏最小二乘回归模型，决定系数R2达到0.99，并且对葡萄糖和蔗糖的预测最佳有效波长范围是900～1000 nm，苹果酸和柠檬酸的是800～1000 nm，淀粉的是900～1000 nm，纤维素的是800～1000 nm[42]。近红外光谱-反射模式结合线性回归模型用于泰国出口芒果的成熟度和品质指标（果皮和果肉颜色、可溶性固形物含量（TSS）、滴定酸度（TA）、TSS:TA）预测，结果表明其近红外反射率随芒果成熟度增加而增加，且与干固含量呈正相关、与果实硬度呈负相关，对可溶性固形物含量预测精确度达到99%[43]。Cortés等[44]分别利用可见/近红外分光光度计和光谱色度仪测量Osteen芒果的反射光谱，通过最小二乘法建立3种不同的回归模型，联合“可溶性固形物含量”和“硬度和果肉色度”，建立了芒果内在品质指标（internal quality index），结果显示全光谱测量具有较好的预测性（R2=0.833～0.879）。

可见近红外光谱检测技术也可用于芒果内部维生素含量的预测。反射光谱法结合标准正态变量变换方法，建立偏最小二乘法模型，结果表明，模型对芒果的β-胡萝卜素具有最好的预测能力（确定系数R2＞0.800），且长波段的近红外光谱预测性能更好[45]。Munawar等[46]利用台式傅里叶变换红外光谱（1000～2500 nm）系统测量芒果的吸收光谱，再经多元散射校正（multiplicative scatter correction，MSC）和逆趋势校正（de-trending，DT）处理光谱图像，再利用偏最小二乘回归建立预测模型，对维生素C的预测值与实际测量值的相关系数r为0.86。基于积分球的增强型近红外光谱数据集用于预测芒果总酸度和维生素C含量。结果表明增强的近红外数据集可以用于快速、有效、无损的预测芒果内部品质[46]。

综上可以看出，芒果可溶性固形物、糖度、酸度是最常用于可见/近红外光谱预测的内在品质参数，而偏最小二乘法是最常用的建模算法。随着研究的发展，预测模型的相关系数越来越高，预测性能发展更好，如表2所示。因此，建立基于上述内在品质的可见/近红外光谱预测模型，对芒果品质分级，具有重要的指导意义。

对比国内外的研究现状可以看出，国外在利用可见/近红外光谱技术无损检测芒果糖度、酸度、可溶性固形物等品质参数方面，一直进行着持续研究，近年来还逐步发展了芒果中维生素含量的预测方法。此外，还建立了基于可见/近红外光谱技术的芒果成熟度预测模型，对芒果的科学采摘、采后加工储藏具有一定的指导意义。光谱预处理技术也从最初的一阶、二阶光谱衍生，发展到利用多元散射校正和逆趋势校正等技术。在预测模型建立方面，偏最小二乘法一直是最主要的算法。而国内在近5年内，针对芒果品质的可见/近红外光谱无损检测技术的研究，已鲜有报道。由于芒果属于中国南方的特色水果，芒果产业是地方支柱产业之一。发展基于可见/近红外光谱的芒果品质无损检测技术，有利于提高中国芒果的品质和市场竞争力，值得进一步深入研究。

2.2 对芒果成熟度的预测

可见/近红外光谱技术除了用于对成熟芒果的内在品质进行预测外，还能对芒果成熟过程中不同内在品质因素的变化进行预测。

Subedi等[48]利用可见-短波近红外光谱法（500～1050 nm）结合偏最小二乘法对芒果成熟过程的干物质含量、可溶性固形物含量、可溶性糖和淀粉含量进行了预测。结果发现模型可用于预测不同成熟期芒果的干物质含量，以及成熟芒果的可溶性固形物含量，而不能预测可溶性糖和淀粉含量。Izneid等[49]建立了一种便携式近红外光检测系统，通过将透过芒果的近红外光信号转变为电信号，实现对不同成熟期的芒果的检测。Jha等[50]结合近红外光谱法（1200～2200 nm）和偏最小二乘法建立模型，对芒果成熟指数Im进行预测，对校准模型和验证模型的多元相关系数分别为0.74和0.68，且1600～1800 nm波段的光谱具有较好的预测效果。近红外光谱法建立的芒果后熟期品质预测模型稳健性受到采摘年份的影响，3年的采摘数据建立的预测模型比较合适[51]。手持型近红外光谱仪也用于对芒果品质的无损检测研究中，预测模型对成熟过程中可溶性固形物的预测能力最好，确定系数达到0.92，预测均方根误差为0.55°Brix[52]。

利用可见/近红外光谱技术对芒果成熟度进行预测，在国外研究较多，国内的研究报道还较为缺乏。不同品质参数中，可溶性固形物仍是最准确的预测因子，而综合参数“成熟指数Im（基于可溶性固形物含量、干物质含量以及可滴定酸度含量计算得到）”的预测准确性，还有待进一步研究。

2.3 存在问题

可见/近红外光谱检测技术主要依赖于光进入果实后再经反射、透射或半透射后带出果实内部的信息，但是光在果实中的透射或反射受到入射光强、芒果品种、检测部位、入射角度、果皮厚度、光滑度、果皮颜色等因素影响，因此，一方面会限制光带出的信息量，另一方面也导致模型的稳健性和适用性受到影响。其次，建立模型前，需要对大量样品进行检测分析来对模型进行校准和验证，工作量相对较大。此外，模型预测精度问题一直是实际应用中的难题，主要来源于模型适应性、噪声去除、传感器漂移和模式识别最优解几个方面。因此，模型偏差最小化是研究的关键问题之一。

3 其他无损检测技术

芒果品质的无损检测中，除了基于芒果外在品质的计算机视觉检测技术，以及基于芒果内在品质的可见/近红外光谱检测技术，还发展了基于芒果气味响应的电子鼻检测技术，基于芒果声学响应的超声波检测技术，综合了成像与光谱检测的高光谱检测技术，以及不同检测技术的联用。此外，还发展了基于加速度传感的机械抓手设备。

芒果散发的气味可用于成熟度和腐烂程度的检测。李敏等[53]利用电子鼻检测芒果的气味响应，同时测定芒果可溶性固形物和可滴定酸度，利用偏最小二乘法PLS和BP神经网络分别建立了预测模型。结果发现两种模型的相关系数均大于91%，预测性能均较好。

芒果介电特性也用于成熟和腐烂程度的检测。廖宇兰等[54]利用智能LCR测量仪和平板电极系统，采用不同频率参数，测试芒果不同成熟度和腐烂程度的介电特性。结果发现用100 Hz测定芒果介电特性可获得最好的效果。芒果储存第7 d开始腐烂时，等效电容升至最大值，等效电感、阻抗等达到最低值。Yahaya等[55]对芒果成熟阶段的介电特性进行了研究。在微波频率0.2～5 GHz下，测量芒果介电常数和损耗因子，同时测量芒果水分含量。通过比较，发现未成熟芒果的ε’值为19～24，而成熟芒果和过熟芒果的ε’值均为16～21。国内外利用介电特性对芒果品质进行检测的研究报道，近年来已较少。

浦宏杰等[56]利用基于快速气象色谱仪的电子鼻检测芒果挥发性物质，同时测定表皮黑斑覆盖率，通过建立高斯模型，对腐烂程度的预测准确率可达90%以上。潘俊洋等[57]构建了一种基于DSP6437开发板的芒果品质检测平台，将味觉传感器与视觉检测相结合，实现对芒果大小、成熟程度、腐烂程度的判断分类，具有平台体积小、运行稳定的特点。

超声波检测方法也用于芒果分级检测中。通过对回波信号构建模型，可对芒果分级[58]。但是振动声学技术只适用于具有一定硬度或脆度的水果检测，对于质地柔软、不耐敲击，或果皮果肉硬度差异较大的水果实用性较差[9]。

高光谱技术（380～1000 nm）用于青熟芒果储藏期品质的检测。模型能预测花青素含量和可溶性固形物含量，相关系数分别达到0.88和0.73[59]。但是高光谱由于同时采集有图像信息和光谱信息，因此，数据处理量很大，处理速度较慢[11]。

计算机视觉技术联合比色传感器阵列分析（colorimetric sensor array）技术也被用于芒果品质的无损检测。主要检测指标包括芒果硬度和可溶性固形物含量。支持向量机分类模型用于芒果品质的定量描述。结果显示对训练集和预测集的准确率分别达到98.75%和97.50%，表明该集成技术可用于预测芒果品质[60]。

此外，基于内嵌加速传感器的机械抓手设备也被用于芒果品质的检测，通过建立偏最小二乘回归模型，对芒果硬度和成熟指数的相关系数分布达到0.925和0.937[61]。

4 展望

经过数年的发展，芒果无损检测已经有了很大的进展，多种无损检测技术应用于芒果品质的分级、成熟度的检测、产量预估、品种鉴定等。其中，计算机视觉技术和可见/近红外光谱检测技术应用最为广泛，未来研究将着重在这两个方面。发展趋势主要包括：

4.1 检测设备便携化、操作简单化

目前针对芒果品质无损检测的诸多研究仍停留在实验室阶段，较少应用于实际生产中。主要是因为芒果无损检测设备较为复杂，需要多台设备联用。对分散种植的农民来说，使用操作起来具有一定困难。因此，便携式芒果无损检测设备的开发是未来的发展趋势之一，特别是针对内在品质检测的便携式可见/近红外光谱检测仪。

4.2 多种无损检测技术的联合应用

芒果品质包含外观品质和内部品质。目前无损检测技术大多只针对某一类指标进行检测，由于方法本身的缺陷，检测和预测结果不一定准确。因此，联合不同无损检测技术，如近红外光谱法和机器视觉检测，可实现对外在物理品质和内在理化品质的同时检测，建立芒果内在品质和外在品质的检测模型，实现多指标同时检测的目标，建立更为全面的芒果检测技术[50]。

4.3 稳健模型建立和模型在线更新

由于无损检测技术的基础在于设备，因此如何提高设备稳定性将是未来需解决的问题之一。其次，检测精度也十分依赖于算法和模型建立，将最新的数据处理、模型建立和模型迁移算法应用于芒果品质无损检测中，提高模型的稳健性和泛化能力，结合互联网技术和云平台技术，操作平台实现手机等移动端使用[11]，实现模型在线更新和升级。

4.4 芒果全生产过程质量控制指导

无损检测技术应用于芒果采后品质分级，固然能起到控制果品质量的作用。但芒果品质源于生产，将无损检测技术应用于芒果采前生产过程控制，如土壤微量元素及营养元素检测、病虫害早期监测、最佳采收期预测等，将有助于实现芒果全生长过程的质量控制，指导相应预防性控制措施的实施，从生产全过程保证芒果品质。

5 总结

本文主要对国内外芒果品质无损检测技术的研究进展进行了简要介绍。计算机视觉技术基于芒果外在品质特点，主要应用于芒果果面坏损检测、品质分级、产量预估和品种鉴别等方面，而可见/近红外光谱检测技术基于芒果内在品质因子，主要应用于芒果的采后品质分级和成熟度预测。由于计算机视觉技术主要依靠图像处理，模型精确度与算法密切相关，因此发展更为精确的图像处理技术和分级模型算法是未来发展要点之一。芒果品质分级设备的建立是实现产业化应用的关键，因此，如何建立高速、智能的芒果自动分级系统，是未来研究的重点任务之一。可见/近红外光谱技术由于受到系统和检测方式的限制，模型稳健性和适用性较低，检测速度相对较慢，因此在批量检测应用方面可能并不适用。但是发展便携式光谱检测设备，再集成计算机视觉等其他无损检测技术，对芒果贮藏品质进行监测，有利于指导芒果分级储藏和储后科学处理。此外，未来通过种植地原位检测，还可实现芒果成熟度预测、芒果营养状态监测、病虫害早期监测等，有助于实现芒果全生长过程的质量控制，结合芒果品质大数据和云平台技术，有利于促进芒果全生产过程的数字化、智能化发展。