光学特性在果蔬品质无损检测中的研究进展

孙晓林，周童童，孙志忠，李占明，胡栋*

（1.浙江农林大学光机电工程学院，浙江 杭州 311300；2.浙江农林大学数学与计算机科学学院，浙江 杭州 311300；3.江苏科技大学粮食学院，江苏 镇江 212004）

随着社会的不断发展，人们的生活水平也不断提高，水果、蔬菜等农产品的品质与安全也顺势成为当代社会关注的热点问题。为满足消费者需求及保障果蔬质量，需要对其进行必要的品质检测。果蔬品质大致分为外部品质与内部品质，外部品质指标包括形状、尺寸、颜色、表面缺陷等，内部品质指标包括可溶性固形物含量（solublesolid contents，SSC）、酸度、硬度、含水率等。

果蔬组织属于混浊介质，光在其中传播时，经吸收和多次散射，从组织中穿出时携带了与组织内部有关的信息。因此，通过测量组织的光学特性实现果蔬组织的品质检测是可行的。近年来，众多专家学者们基于光在生物组织中的分布、传播、吸收散射等光学理论，利用时间分辨（timeresolved，TR）[1]、频域（frequencydomain，FD）[2]、空间分辨（spatialresolved，SR）[3]、空间频域成像（spatial-frequency domain imaging，SFDI）[4]和积分球（integratingsphere，IS）[5]技术测量果蔬组织的光学特性参数，实现了果蔬组织的SSC、成熟度、表面缺陷、腐烂等内外部品质的无损检测。

本文主要针对TR、FD、SR、SFDI和IS五种光学测量技术在果蔬品质无损检测中的测量及应用进行综述，首先阐述其光学特性测量原理和技术特点，然后总结其在果蔬组织光学特性测量和品质检测方面的应用情况，最后讨论其未来挑战和研究方向，为进一步研究与应用提供参考。

1 光学特性简介

光在果蔬组织中的传输过程复杂，会发生吸收、散射、反射和透射等多种现象。果蔬组织的结构、成分和形态大不相同，导致其光学特性也不尽相同。一般来说，样品的吸收光谱由其成分的性质和浓度决定，在特定波长处的吸收系数可以提供糖类物质、水、叶绿素等含量的信息，而散射特性则与其结构相关，可用散射系数评价硬度等结构指标，为利用光学特性实现果蔬品质无损检测提供了可能性[6]。

果蔬组织的光学特性参数主要包括吸收系数（absorption coefficient，μa）、散射系数（scattering coefficient，μs）和各项异性因子（anisotropy factor，g）[7]。μa表示组织体内单位路径中一个光子被吸收的概率，反映了果蔬组织中分子的原子能级信息；μs表示组织体内单位路径中一个光子被散射的概率，反映了果蔬组织结构的显微不均匀性；g则是一个无量纲参数，表征组织中光分布的不均匀性和前向散射的概率，取值范围为[-1，1]，大部分食品和农产品组织的g在[0.7，0.9]。当g值为1时，表示完全向前散射，g值为0表示完全同向散射，g值为-1则表示完全向后散射。为减少变量，简化光传输问题，引入由μs和g推导得到的光学特性参数，即约化散射系数（reduced scattering coefficient，μs'），其中μs'=μs（1-g）。

2 光学特性测量及其应用现状

2.1 时间分辨与频域技术

2.1.1 原理及特点

TR技术是一种使用低强度光的非破坏性光学技术。在时间分辨测量中，用窄脉冲光照射待测量的浑浊介质；由于光子在组织传播过程中发生吸收和散射现象，漫反射脉冲被衰减、展宽和延迟。光子在组织中传输的距离越长，信号衰减就越严重，逸出组织的时间也越滞后。通过测量组织表面某一位置在不同时间的信号，便可得到随时间变化的时间分辨光谱；结合相应的光传输模型和逆向算法，可反演得到组织的μa和μs'[8]。

因组织对光的吸收和散射，系统检测到的光与入射光具有不同的相位和幅度。FD和TR技术通过傅里叶变换实现两者的相互转换，即两者所测信号包含的信息等效，但频域技术要求检测探头和样品表面要接触良好。在FD中，光源经高频调制后进入样本组织，通过获得不同径向位置处的幅值变化量和相位延迟角，再结合漫射近似方程的分析解获得光学特性参数[9]。FD所用系统价格昂贵，多用于生物医学领域[10]。

2.1.2 应用

SSC和硬度是决定果蔬品质和适宜采后贮藏条件的重要指标。通过与光学特性相结合建立模型，可实现果蔬组织的品质预测。Cubeddu等[1]测量了650 nm～1 000 nm范围内苹果、桃子、猕猴桃和西红柿的μa和μs'，结果表明，μa曲线主要由水和叶绿素的光谱特征决定，而μs'随着波长的增加逐渐减小。Lurie等[11]分别研究了0、4℃贮藏时不同货架期油桃的μa和μs'与硬度、冻伤的关系，结果表明，成熟度与670 nm下的μa有明显关系，数值越低越成熟；冻伤则与780 nm下的μa相关。Tijskens等[12]和 Zerbini等[13]测量 670 nm 处油桃的光学特性，发现可用μa评价油桃果肉的软化及预测成熟度。Seifert等[14]通过试验发现：在整个发育期内，苹果和李子的μs'分别变化了14.7%和41.5%。Nicolaï等[15]对梨进行了连续波和时间分辨近红外反射光谱测量，构建光学特性参数与硬度、SSC的预测模型。Cubeddu等[16]测量了610 nm～700 nm处3种苹果的吸收和散射光谱，发现同一品种的不同果实和同一苹果不同部位的散射性质存在差异，不同品种间光学特性存在明显差异。

TR技术不仅可以检测整果，还可以检测切片和干果的光学特性以及是否产生内部褐变。Cortellino等[17]根据670 nm处苹果果片的μa递减规律将其分为未成熟、中等成熟和完全成熟三个等级，加工成熟度均匀的水果可获得具有均匀质地的鲜切产品。Rizzolo等[18]利用TR技术获得670 nm处苹果干切片的吸收系数，确定了其显微结构特征、加工条件和果实成熟度与脆度之间的关系。Vanoli等[19]试验时发现670、780 nm处褐变苹果的μa高于正常苹果，μs'则相反；苹果的光学特性不仅随内部褐变的发展而变化，还与年份、施肥处理和贮藏条件等有关。

FD技术也可实现光学特性的测量，但在食品和农业工程领域应用不多。李江涛等[2]在研究频域近红外光学成像法检测内部病变苹果的光学特性参数时，结合三维重构技术并进行模拟仿真，用吸收系数对比度噪声比评价重构效果，探究适合苹果内部病变检测的最佳激光调制频段以及苹果不同病变程度、病变大小和病变程度对重构精度的影响，为提高频域近红外光学成像无损检测苹果内部病变的检测精度奠定基础。表1总结了TR技术测量果蔬组织光学特性及其具体应用的情况。

表1 基于时间分辨技术的果蔬光学特性测量及其应用Table 1 Optical property measurement and application of fruits and vegetables based on time resolved techniques

2.2 空间分辨技术

2.2.1 原理及特点

当连续光源垂直入射到半无限大介质表面时，可以认为组织体内的光分布是一种与时间无关的稳态分布。果蔬组织是多组分的强散射介质，当光进入样品后，其漫反射随着与入射光源的距离增加而下降。因此通过在不同空间位置上放置检测器得到光强随距离的变化情况，就能得到与吸收和散射相关的信息，通过测量组织表面漫反射实现果蔬组织的μa和μs'测量。

按照所用检测器不同，SR技术可分为基于光纤探头的空间分辨光谱法、基于单色成像的空间分辨法（monochromaticimaging-basedSR，MISR）与基于高光谱的空间分辨光谱法（hyperspectralimaging-basedSRS，HISRS）。其中基于光纤探头的空间分辨光谱法又可以分为基于平移台的空间分辨光谱法（translationstageSRS，TSSRS）与基于光纤阵列的空间分辨光谱法（fiber-arrayprobeSRS，FASRS）。相较于时间分辨和频域技术，空间分辨光谱技术所用仪器简单、操作简便、波长覆盖范围相对较宽。

2.2.2 应用

果干在食品加工市场上有着重要地位，除营养价值丰富外，其独特的食用口感也是人们热衷购买的原因之一。Nguyen等[3]对干燥至恒重的苹果切片进行500nm～1000nm内的空间分辨反射（spatially-resolved reflectance spectroscopy，SRS）方法测量，结果表明，苹果切片的μa和μs'与显微结构信息和品质参数有很强的关联性，可尝试将该技术应用于干燥果干的在线监测过程。

为更好地探究光学特性与果蔬品质的关系，学者们开发了不同的空间分辨系统，经试验验证后均有较好的效果。Trong等[20]搭建了基于光纤探头的接触式空间分辨光谱测量装置，用于测量400 nm～1 000 nm不同货架期苹果的光学特性，结果表明，基于吸收系数光谱构建的偏最小二乘（partial least square，PLS）模型对苹果品质属性具有良好的预测性能。Hu等[21]基于空间分辨漫反射技术建立双光纤光学探针系统，用于测量梨的光学特性，发现在不同的测量表面，随着波长的增加，μs'逐渐减小，μa发生波动。刘志存等[22]以稳态空间分辨光谱技术为基础设计了农产品光学特性参数检测系统，分别测量了富士苹果和番茄的光学特性参数。王爱臣[23]利用光学特性分析仪（opticalpropertyanalyzer，OPA）的空间分辨高光谱成像系统结合优化的序贯方法测量芒果果皮果肉的光学特性参数，发现果皮的μs'普遍高于果肉。黄玉萍等[24]使用多通道空间分辨系统测量550 nm～1 300 nm内番茄的光学特性，并建立PLS模型，以预测硬度、SSC和pH值，结果表明与μs'相比，基于μa光谱能更好地对SSC和pH值进行预测[25]。同时，他们将测得的光学特性用于番茄颜色等级的判别，识别率达到98.9%，高于传统Vis/NIR光谱[26]；建立了偏最小二乘判别分析（partial least squares discrimination analysis，PLSDA）模型，用于判别番茄的成熟度，结果表明，当番茄被分为三个成熟度等级时，基于表面和内部颜色特征的番茄成熟度识别率相近，均在94%左右。

SRS技术测得的光学特性可用于果蔬的病害和擦伤检测。Sun等[27]对健康和被真菌感染的桃子进行空间分辨反射光谱测量，发现μs'值随着桃病害严重程度的增加而下降，且675 nm处的μa和μs'可用于桃病害的早期检测。Lu等[28]使用基于高光谱成像的空间分辨技术测量苹果的光学特性，发现正常果的μs'高于擦伤果，且随时间的推移，其值不断减小，增强散射特征测量的光学系统将更适合于擦伤检测。Mollazade等[29]利用空间分辨光散射成像技术检测粉状苹果，粉状苹果的μs'在650 nm和980 nm处分别显著降低和增加，在这两处建立的人工神经网络分类模型能分别以76%和82%的分类精度区分粉状和非粉状苹果。为确定洋葱腐烂及其严重程度检测的特征波长，Sun等[30]利用空间分辨透射系统，对不同位置腐烂的洋葱进行不同维度的扫描，发现两个波长下透射率的空间分布测量，对洋葱内部腐烂物的位置和程度变化很敏感。

SRS技术测得的光学特性可用于果蔬组织色素、水分含量等指标预测。Vanoli等[31]对成熟后不同货架期的苹果采用时间分辨反射光谱（time-resolved reflectance spectroscopy，TRS）和SRS两种方式测量组织光学特性，结果表明，TRS测得的μa与果肉的色素和水分含量关系较大，TRS和SRS均能跟踪苹果成熟过程，但SRS测得的结果受果皮中色素影响较大，且只能探测到果皮下较浅的位置。Askoura等[32]获得嘎啦苹果的空间分辨后向散射图像，使用扩散理论模型拟合散射剖面，反演μa和μs'值，并与蒙特卡罗模拟结果进行对比，推断μa可能被高估，μs'变化缓慢并与硬度呈负相关。Cen等[33]使用扩散模型结合逆向算法从空间反射分布图中提取出515 nm～1 000 nm内桃的μa和μs'光谱，果实软化过程中μs'逐渐减小，μa与μs'组合建立的PLS模型预测相关性更好。表2中总结了SR技术在果蔬光学特性测量及其应用的情况。

表2 基于空间分辨技术的果蔬光学特性测量及其应用Table 2 Optical property measurement and application of fruits and vegetables based on spatial resolved technique

2.3 空间频域成像技术

2.3.1 原理及特点

SFDI是一种宽视场、非接触的扩散光学成像技术，通过获取空间调制光的漫反射实现果蔬组织的吸收系数和约化散射系数测量。将不同空间频率、不同相位的稳态正弦灰度平面光照射到浑浊介质上，通过相机采集样本表面的漫反射图像，结合相应的光传输模型即可计算得到组织光学特性参数。SFDI技术最早由Cuccia等[34]在2005年用于测量浑浊介质的μa和μs'值，后被应用于生物医学领域[35]，得到了广泛的研究与关注，目前已受到越来越多食品工程研究者的青睐，在果蔬等农产品光学特性检测中崭露头角[36]。

2.3.2 应用

在果蔬行业，损伤和缺陷会降低果蔬的市场价值，造成重大的经济损失。SFDI技术在不损伤或不影响检测对象物理化学性质的前提下，获取果蔬品质信息并分析评价。Anderson等[37]首次将SFDI技术用于检测金冠苹果的擦伤，量化擦伤的严重程度，分别获得0.06 J和0.314 J能量作用下苹果擦伤组织在650 nm～980 nm下的吸收和散射图像，比较后发现不同区域的μs'有较大差异，可清晰辨别擦伤区域和未擦伤区域。Hu等[4]构建了SFDI系统，采集空间频域图像，通过解调计算得到苹果光学特性，结果表明，内部褐变苹果的μa远高于正常苹果组织，说明SFDI技术在苹果组织内部褐变表征方面具有潜力。胡栋[38]进一步改进空间频域成像系统，优化参数拟合算法，测得苹果、猕猴桃和芒果果皮果肉组织的光学特性参数，结果表明，三种果蔬果皮和果肉组织的μa大小与色素等成分含量相关，μs'的大小与硬度等物理特性相关；果皮组织的μa和μs'普遍高于果肉组织，猕猴桃表现尤为明显。He等[39]使用校正后的SFDI成像系统用于梨的损伤检测，通过比较μs'的变异系数值，很好地区分正常梨和损伤梨，正确率分别达到100%与98.3%。表3中总结了SFDI技术在水果光学特性测量中的具体应用。

表3 基于空间频域成像技术的水果光学特性测量及其应用Table 3 Optical property measurement and application of fruits based on spatial-frequency domain imaging technique

2.4 积分球技术

2.4.1 原理及特点

IS技术可实现光学特性的离体测量，操作简单、精度高，是一种公认的光学特性准确测量方法。但因其测定时需将样品做切片处理，因此不能将其归为无损检测技术类别中。这是IS与上述四种技术的本质区别。积分球内表面涂有硫酸钡等高反射材料，反射率均匀且高达98%，设置成镂空孔的中空球体，可满足不同测量需求。当光进入球体内部后，经内表面的高反射材料进行多次漫反射，入射光在球体内表面均匀分散，消减了被测样品和检测器件之间的受光面不均匀及测量过程中偏振带来的不良影响，形成一个理想的朗伯体。基于此，积分球技术能准确测量出薄片组织的漫反射率Rd和漫透射率Td，结合反向倍增（inverse adding doubling，IAD）算法可反演得到 μa和 μs'。

IS技术分为单积分球（singleintegratingsphere，SIS）技术和双积分球（doubleintegratingsphere，DIS）技术。SIS试验时仅用一个积分球，需改变样品的放置位置，分别测量Rd和Td，试验时间较长[40]；而DIS有两个积分球且在同一水平线上，使用时将样品放在两球中间，可同时测量Rd和Td，但在两球交界处会出现“串音”问题，即测量得到的全反射/全透射可能包含部分从透射/反射积分球反射/透射回来的光，使得到的样品组织反射率和透射率均高于实际值[41]。

目前为止，IS技术已用于测量猕猴桃[42]、蓝莓[43]、苹果[44]和马铃薯[45]等果蔬组织的光学特性及其品质检测。

2.4.2 应用

IS技术可准确测量果蔬组织的光学特性，为后续研究与试验提供理论依据和参考价值。Saeys等[44]用SIS测得三种苹果的光学特性平均值，结果表明，μs'随波长的增加单调减少，果皮组织的散射比果肉大约多3倍，说明后续研究中应考虑果肉和果皮两个模型。Van Beers等[46]则使用DIS系统测量了500 nm～1 850 nm的三种苹果成熟过程中果皮皮层的光学特性，发现大多数色素存在于果皮中；所有品种在成熟过程中，苹果皮层的散射系数都有所降低。Fang等[42]设计搭建了自动式单积分球系统，研究猕猴桃在632.8 nm处的光学特性，发现猕猴桃果肉、种子和种子基部的μa和μs'存在显著差异。Sun等[47]对4种橘类水果的不同组织进行了光学特性测量，不同组织的μs差异明显，物种间μs和g的差异小于不同组织间的差异。López-Maestresalas等[45]使用DIS系统测量了500 nm～1 900 nm的马铃薯块茎组织的光学性质，因样品主要由水组成，在600nm～1 400 nm内其μa光谱接近水的μa光谱，μa值较大；未完全将吸收和散射特性完全分离测量，其μs'值被低估；对各向异性因子的估计值很高（＞0.94），证明马铃薯组织高度前向散射。为更好地理解光在洋葱中的传播，Wang等[48]使用SIS系统测量632.8 nm处两个品种的干皮和肉质组织的光学特性，发现洋葱干皮比肉质组织具有更高的μa和μs'，且其光学特性与品种有关。Tomer等[49]则使用SIS系统测量洋葱的光学特性，并将其吸收特性与水分、叶绿素相结合，在测量范围内给出了洋葱组织吸收的最佳估计。

利用IS技术测得光学特性，并建立其与SSC和硬度的关系模型，可实现果蔬等农产品的成熟度和品质预测。Rowe等[50]探究苹果在400 nm～1 050 nm间的光学特性和硬度的关系，发现随着水果变软，散射系数降低。马晨等[51]研究水蜜桃储藏过程中μa和μs'变化规律，发现硬度和原果胶指数与散射性质的相关性较高（r≥0.965）。何学明[52]设计并改进自动积分球系统，测量400 nm～1 150 nm内梨的光学特性，并建立与梨的SSC和硬度的预测模型，二者验证集决定系数R2v分别为0.40与0.44，表明用μa和μs'预测梨的相关理化指标是可行的。Liu等[53]利用单积分球获得猕猴桃从盛花期至成熟期的μa和μs'，发现μa主要与SSC和水分含量有较强的相关性，μs'与果胶指数及显微结构参数相关性更好。Fang等[54]测量苹果在贮藏过程中的光学特性，并与SSC、可溶性总糖、果糖、蔗糖和葡萄糖含量进行相关分析，发现μa和μs'均与SSC呈正相关，SIS技术可用来评估苹果的品质。Wei等[55]使用自动单积分球系统获取苹果在25℃和0℃下400 nm～1 050 nm的μa和 μs'，发现随着贮藏时间的延长，μa和 μs'随 SSC 和可溶性糖含量的下降而下降。谢丹丹等[56]测定草莓的μa和μs'，试验发现μa与SSC呈负相关，与含水率呈正相关，基于μa构建的模型具有最好的预测SSC和含水率的能力，利用吸收特性可以更好地预测草莓的内部品质。

纯天然无添加剂的水果越来越受人们的欢迎，但在购买水果时，仅凭肉眼无法判断果蔬是否为纯天然。谢丹丹[57]用单积分球系统探究草莓的光学特性、吡效隆（forchlorfenuron，CPPU）浓度及其内部品质的相关性关系，发现CPPU会显著增加草莓的单果重，550 nm～850 nm 和 950 nm～1 650 nm 内 μa和 μs'的平均相对误差分别为7.23%和9.48%，说明积分球系统对草莓膨大果的正确识别和草莓品质的检测有足够的能力。同样地，Liu等[58]研究了CPPU对生长期和贮藏期猕猴桃光学特性的影响规律，发现在果实的生长期，猕猴桃果肉在970 nm和1 190 nm的μa具有识别正常果和膨大果的潜力，而在1 190 nm处的μs'具有识别用不同浓度CPPU处理后的猕猴桃的潜力。

IS技术也可用于水果组织的损伤识别。吴小华等[59]采用SIS系统测量了无损和不同程度轻微损伤苹果的光学特性，并基于支持向量机和概率神经网络理论建立了分类模型，两者的最高识别准确率均在98%以上。Zhang等[60]使用DIS研究了400 nm～1 050 nm内不同损伤程度的苹果果肉光学特性，结合主成分分析法和支持向量机对苹果损伤程度进行分类和预测，准确率高达92.5%。Zhang等[43]则首次报道了不同程度擦伤的蓝莓果皮和果肉的光学特性，并利用蒙特卡洛模拟光子与水果组织的相互作用，表明930 nm～1 400 nm比500 nm～800 nm具备更强的蓝莓擦伤检测能力。表4中总结了基于IS技术的果蔬光学特性测量及其具体应用。

表4 基于积分球技术的果蔬光学特性测量及其应用Table 4 Optical property measurement and application of fruits and vegetables based on integrating sphere technique

3 总结与展望

时间分辨、频域、空间分辨、空间频域成像和积分球技术在果蔬组织光学特性测量及其品质检测领域均表现出各自的优势，但也存在不足。TR技术和FD技术仪器较贵，覆盖光谱区域较窄，要求检测器与待测样品接触良好；SFDI技术检测时间较长，效率有待提高，限制其在食品和果蔬检测中的广泛应用。IS技术虽然通常作为参考方法用于评价其他方法的测量精度，但该方法属于有损测量；在测量农产品组织的光学特性时，通常对样本进行破坏性的切片取样，破坏了组织的物理结构。

因地域差异，果蔬种类繁多，内部结构和理化性质各不相同，无法建立一个统一的光学特性测量标准以供参考，往往要查阅大量文献寻找已知的参数甚至重复前人的工作，耗时耗力。此外，诸多学者们利用不同技术搭建的光学测量系统及数值分析方法得到的结果有所差别，即使是同一技术、同一类样本，试验过程中也会出现原因不一的误差，例如设备中使用的光源、样本保存的环境以及实验操作步骤等都会对结果产生一定的影响。因此，要想使这些光学检测技术在果蔬检测领域中应用更加广泛，要做的工作还很多。

在今后的研究中，需提高光学特性测量的准确性，不仅要在测量技术和方法上进行提升，也要进一步研究并完善光传输理论及其他相关模型，进而建立更为标准的试验平台；结合计算机技术探索更稳定高效的数据处理算法，缩短试验时间、降低试验成本，从而提高参数测量的准确性。此外，还需加强对已有数据的甄别、统计、总结及分析能力，建立一套具备准确性、权威性及系统性的光学特性测量标准体系，使得学者们在今后的光学特性测量过程中有据可依。