摘要：在水果產量巨大和需求標準提高的雙重影響下，目前亟需研究方便快捷的水果無損檢測方法。本文主要介紹機器視覺、近紅外光譜檢測、拉曼光譜檢測和高光譜成像技術共四種光學無損檢測技術在水果品質檢測中的應用，對水果品質光學無損檢測研究歷程和發展現狀進行歸納整理，同時展望了未來發展方向，為水果品質光學無損檢測研究工作提供基礎理論參考。

　　關鍵詞：水果，品質，無損檢測技術，機器視覺，近紅外光譜檢測，拉曼光譜檢測，高光譜成像技術

　　我國是水果生產大國，水果產量與種植面積均位于世界前列[1-2]。近年來國內水果產業已經成為我國種植業中的第三大支柱產業，與此同時我國水果產量已達到全球生產總量的15%以上[3]。隨著經濟的發展和社會整體消費水平的提升，消費者對果品品質的要求逐漸提高，在產量巨大和需求標準提高的雙重影響下，如何通過方便快捷的水果無損檢測手段以實現準確的品質分級是目前水果產業研究學者亟需思考的[4]。傳統檢測方法是通過人工結合機械進行，存在檢測效率低、準確度不高等問題，很難滿足生產需求。

　　近年來，無損檢測方法因其快速、簡便、高效的優點，被國內外學者廣泛關注，也越來越多地被應用于水果品質的檢測研究中[5]。無損檢測技術又稱為非破壞性檢測，是在不損壞樣本的前提下實現品質檢測的一種方法。該方法在獲取樣品信息的同時保證了樣品的完整性，檢測速度較傳統的理化方法有很大提升，且能有效地判斷出從外觀無法獲得的樣品內部品質信息。

　　目前常用的無損檢測技術大多利用待測物在光學、聲學、力學、電磁學等相關物理特性上的表征來實現檢測[6]，不同的無損檢測技術都有其各自的優點與適用條件，正確認識和總結不同無損檢測技術的優點與局限性對水果的檢測與生產具有重要意義。水果品質包括外部品質和內部品質，外部品質的主要檢測指標包括果實大小、形狀、色澤、表面缺陷和損傷等，利用機器視覺技術結合圖像處理算法對水果外觀品質進行檢測是目前國際上正在研究的熱點課題[7]。

　　內部品質檢測指標包括果實的酸度、甜度、水分、維生素含量、可溶性固形物含量等，可以通過光學、聲學、電磁學等相關方法進行檢測。但無論對于水果的外部品質或是內部品質，光學無損檢測技術包括機器視覺、近紅外光譜檢測、拉曼光譜檢測和高光譜成像技術都可以取得一定檢測效果，且目前這些方法均已獲得廣泛應用[8]。本文將分別介紹這四種光學無損檢測技術在水果無損檢測中的應用，對其研究歷程和發展現狀進行歸納整理，同時展望未來發展方向，為水果品質光學無損檢測研究工作提供基礎理論參考。

　　1機器視覺

　　1.1概述

　　早在上世紀70年代，國外學者就開始將機器視覺技術與圖像處理技術結合應用于水果的外部品質無損檢測研究中。機器視覺技術是通過攝像機來獲取物體圖像后，通過結合圖像處理技術實現對物體的識別和檢測。該技術模仿了人類感官中的視覺，屬于一種智能感官仿生技術。因具有高效、無損、分級指標多、檢測結果客觀準確等優勢目前正被廣泛地研究和應用。一般來說，機器視覺系統主要由光源、工業攝像機、圖像采集卡、圖像處理器和顯示器等組成圖像采集、處理和分析、信息輸出這三部分主要內容[9]。設計合理的硬件設備采集樣本圖像后，選用合適的圖像處理算法可以提取得到樣本表面的各種特征信息，包括尺寸、形狀、顏色及表面缺陷等。

　　1.2分部檢測

　　1.2.1圖像采集

　　為提高水果無損檢測的穩定性，首先必須獲取到可提取有效特征信息的水果樣本圖像。而對于大多數形態為類球形的水果來說，采用機器視覺技術對其進行無損檢測過程中需要優先解決的一個重要問題是如何獲取果實樣本不同面的圖像，許多學者通過以下兩種基本思路開展研究。

　　1.2.1.1旋轉待測果實

　　一種直接的思路是通過調整待測物的位置獲取得到多角度圖像。美國一家農業科技公司[10]首先設計了一款蘋果分揀機械，采用帶有滾輪裝置的傳送帶使蘋果在運輸的過程中進行翻轉，同時利用多區域掃描攝像機對全傳送帶上的大量蘋果進行圖像采集，再通過多視角圖像合成即可得到果實的幾乎所有側面信息。但由于大量蘋果的形狀與大小各不相同，旋轉的速度與方向不一致，通過多區域掃描攝像機可能造成信息的冗余。

　　此外，蘋果旋轉軸線兩端的表面部分攝像機無法采集到，使得分級準確率達不到理想水平。日本新舄大學的科研團隊[11]開發了一套完整的圖像數據采集系統，系統由旋轉平臺、電荷耦合攝像機(chargecoupleddevice，CCD)、圖像處理器和微型計算機組成。利用旋轉平臺使置于平臺上的蘋果發生旋轉，每旋轉18°時置于側面的CCD攝像機采集到一幅圖像，直至蘋果旋轉一整周，可獲取到共20幅圖像。每幅圖像僅保留中間部分進行圖像合成，可得到一顆蘋果的全表面展開圖像。

　　該方法可以很好獲取到水果的全表面信息，但需人為地將果實一個個放置在旋轉平臺上，若結合機械臂進行自動化拾取放置會取得不錯的效果。土耳其SüleymanDemirel大學的M.M.Sofu團隊[12]設計了一種以顏色、大小、重量作為指標的蘋果質量檢測系統，通過滾筒刷和兩臺CCD攝像機能夠獲取蘋果四個面的圖像。缺陷在于雖然較小的蘋果可以很容易地旋轉，但較大的蘋果可能由于與滾筒形成滾輪結構而不能旋轉，因此要獲取完整的蘋果四面圖像是非常困難的。總體來說，通過旋轉待測果實進行圖像采集穩定性較差，特別是針對形狀不規則的水果。

　　1.2.1.2通過鏡面反射

　　近年來有部分學者考慮利用鏡面反射優化圖像采集設備，例如中國農業大學的李慶中團隊[13]設計了一套蘋果顏色在線檢測系統，輸送帶設計為琴鍵式結構，每個果框為倒梯形，果框兩側貼有與水平面成45°的兩面平面鏡，使果實在運輸過程中，位于果實正上方的攝像機可以一次獲取到每個果實的三面彩色圖像，可基本保證顏色檢測的全面性要求。王干等[14]設計了一套臍橙采后田間分級系統，基于機器視覺能夠獲取臍橙的尺寸、表面缺陷數量及缺陷面積，對果品進行自動分級。

　　為了獲取臍橙表面信息同時減少鏡面反射，選擇條形無頻閃發光二極管(light-emittingdiode，LED)光源前光照明和漫反射光照，通過在暗箱頂部和兩側各設置相機，結合安裝有輥輪-齒輪裝置的傳送帶使臍橙在圖像采集區域不斷旋轉，利用可編程邏輯控制器(ProgrammableLogicController，PLC)控制完成對同一個臍橙9副不同面圖像的采集。以上研究表明，通過鏡面反射獲取果實多面圖像可行性較高，在穩定性上表現也相對較好。截至目前，雖然基于機器視覺的水果外觀品質檢測有著精確、高效的優點，但在圖像采集方面還存在一定不足，合理的檢測系統設計，既便于得到全面的表面信息，同時能提高檢測效率。

　　1.2.2前景分割

　　球狀的水果在集中光源的照射下容易造成表面亮度不均勻，如何將果實前景從背景中分割出來是在獲取特征之前的一個重要課題。密歇根州立大學的Mizushima和Lu[15]提出了一種基于線性支持向量機(SupportVectorMachine，SVM)和Otsu閾值分割算法的自適應顏色分割方法，使用線性SVM計算得到圖像在RGB空間中的最佳分離超平面，從而生成灰度圖像。通過在水果邊界區域附近找到的最小閾值估計得到最佳閾值，解決了由于光照不均難以準確完成前景分割的問題。

　　上海交通大學與北京農業智能裝備研究中心[16]合作設計了一套使用自動亮度校正的蘋果缺陷檢測系統，利用朗伯定律即果實對象中央部分與邊緣部分的吸光強度不同分別對兩部分進行亮度校正，結合相關向量機(RelevanceVectorMachine，RVM)分類器較好地解決了因亮度分布不均以及真實缺陷與莖、花萼之間存在相似性而難以檢測出準確缺陷區域的問題。伊朗庫爾德斯坦大學Baigvand團隊[17]針對無花果設計了一套基于機器視覺的分級系統，質量分級指標選用顏色、尺寸和開裂尺寸，結合無花果加工專家對樣本進行的真實等級確定，將無花果質量分為5個等級。該系統選用RGB空間中的B通道圖像，采用Otsu閾值分割算法，結合形態學圖像處理方法，分割出無花果目標區域，得到RGB圖像掩膜用于后續提取顏色特征。

　　試驗結果表明，該系統對無花果進行分級的總精度高于95%，平均速度為90kg/h，可以實現對無花果品質的實時檢測。王干等[14]在臍橙采后田間分級系統中，為了完整分割出臍橙的目標區域，根據臍橙外觀顏色特點同樣采用了RGB顏色空間，通過R分量圖像減去B分量圖像，得到前后景差異明顯的灰度圖像，以此實現前景分割。前景分割與邊緣檢測效果息息相關，有時在果實不規則形狀或周邊環境的干擾下，邊緣檢測效果達不到預期，這就需要學者們對算法再做創新，進一步增強檢測系統的穩定性與適應性。

　　1.2.3尺寸檢測

　　水果的外形尺寸是果實檢測的一項重要依據，一般來說可以通過圖像處理計算平均果徑大小或最大橫截面直徑來提取相關尺寸指標。中國農業大學的籍保平教授[18]用蘋果圖像的直徑、軸向或徑向的最大尺寸作為尺寸指標，可以達到基本的檢測精度要求。陳艷軍等[19]設計了一套基于機器視覺技術的蘋果分選系統，在提取圖像中蘋果輪廓后，提出以蘋果輪廓線上兩點之間的最大距離或以最大橫切面直徑這兩種理論模型作為蘋果的尺寸分級指標，使用VC編程分別建立模型。

　　試驗結果表明，利用輪廓線上最大兩點間距離對蘋果進行大小分級的正確率達93.3%，利用最大橫切面直徑進行分級的正確率為87.1%，證明用果品圖像輪廓線上點的最大距離作為尺寸分級指標效果較好，且分機效率最高可達12個/s，達到水果在線分選商品化應用的基本要求。但由于全套設備體積較大，成本較高，暫時未能得到廣泛應用。

　　王干等[14]在臍橙采后田間分級系統中，根據國家臍橙分級標準以最小果徑作為分級依據，通過最小外接矩形法得到圖像中臍橙對象最長軸和最短軸，結合相機標定結果與臍橙實際尺寸等級，建立了圖像中臍橙對象軸長與臍橙實際大小之間的相關模型，以此獲得臍橙尺寸預測結果。試驗結果表明，對臍橙尺寸的檢測誤差小于3%，對單幅圖片的平均檢測時間小于30ms，可以實現臍橙的田間分級檢驗。而沈陽農業大學的石瑞瑤等[20]設計了一套蘋果品質在線分級系統，系統采用閾值分割算法完成前景分割后，使用逐像素遍歷法提取得到蘋果的外部輪廓，計算重心到外邊緣輪廓各個像素點的距離，并取其平均值作為果徑特征，試驗結果表明系統分級準確率達95%。

　　1.2.4形狀檢測

　　果品的外觀形狀也是影響水果品質的重要因素之一，成熟水果的外形各異，有時很難用具體的某一種形狀來進行說明。Momin等[23]研究了一種以芒果幾何形狀作為分級指標的芒果自動分級技術，提出了一種基于區域全局閾值顏色分割處理算法。算法采用HSI顏色空間，結合中值濾波和形態學分析獲取得到芒果在圖像中表現出的投影面積、周長和圓度特征值。

　　與灰度圖像相比，基于區域的全局閾值顏色分割方法可以獲得更多像素級別的信息，并搜索具有相似像素特征值的像素。在獲取特征部分，系統通過計算圖像中對象邊界內的像素數及連接對象輪廓的邊界像素數，分別與圖像分辨率值相乘得到投影面積和周長。系統將芒果分為三個等級，試驗結果表明，選擇投影面積和費雷特直徑作為分級指標可以實現97%的識別準確率，選擇周長或圓度也可實現芒果分級要求，但準確性較差。該方法通過適當調整可以應用于其他水果的形狀檢測。

　　大連交通大學黃辰等[24]在研究基于圖像特征融合的蘋果在線分級方法時，采用凸度即目標像素個數與目標最小凸包像素個數的比值，結合傅里葉描述子補充輪廓信息進而描述蘋果形狀的規則程度，建立的分級模型分級準確率可達95%。石瑞瑤等[20]在蘋果品質在線分級檢測系統的設計中，把蘋果橫徑與縱徑的比值作為果形評判指標，數值越接近1說明果品形狀越接近球形，從而量化蘋果果形特征，試驗結果表明系統分級準確率達95%，說明橫縱比可以用于提取果形特征。Peng等[25]針對蘋果、香蕉、柑橘、楊桃、梨和火龍果這六種水果對多類水果的識別進行了研究，利用形狀不變矩等方法對果品的顏色和形狀特征進行綜合提取。該設計首先采用Otsu閾值分割算法和Canny邊緣檢測算子完成果品的前景分割和邊緣特性提取。

　　在形狀特征提取方法上，該設計采用計算圖像中目標面積與目標外接圓面積之比提取果品的二維特征，同時通過提取目標輪廓的形狀不變矩來描述果品的三維特征，最后采用SVM分類算法完成具體類別的識別。該系統對不同水果種類的識別率在80%~95%范圍內，在水果識別分類的適應性上有較好的表現。以上研究表明，利用機器視覺檢測果品形狀可以通過提取果品二維特征來進行，結合傅里葉描述子或形狀不變矩等傳統算法，都可以在特定對象上取得不錯的識別效果。

　　1.2.5顏色檢測

　　顏色是衡量水果外部品質的一個重要指標，高品質的水果一般具有著色好且均勻的特征。此外，果實顏色也間接反映了水果的成熟度和內部品質，若要從水果的外觀判斷其成熟度，一般需要與顏色檢測結合起來，通過不同顏色空間的轉換可以快速獲取果實表面顏色信息。

　　顏色空間是用一種數學方法形象化地表示顏色，目前在圖像處理中廣泛使用的顏色空間主要有RGB顏色空間、HSI顏色空間和Lab顏色空間等：RGB顏色空間采用物理三基色紅(Red)、綠(Green)、藍(Blue)表示，因其物理意義清晰，適合彩色顯像管工作，但這一系統并不適應人的視覺特點;HSI顏色空間采用色調(Hue)、色飽和度(Saturation)和亮度(Intensity)來描述顏色，通常把色調和飽和度通稱為色度，用來表示顏色的類別與深淺程度。由于人的視覺對亮度的敏感程度遠強于對顏色濃淡的敏感程度，為了便于顏色處理和識別，機器視覺技術為模仿人的視覺系統經常采用HSI顏色空間;Lab顏色空間是基于人眼對顏色的感覺，用亮度(Light)和色差來描述顏色分量，同樣可以用數字化方法描述人的視覺感官，而不受參考的設備模型干擾。

　　目前最常使用的顏色空間是最適應人類視覺特點的HSI顏色空間。李慶中團隊[13]利用HSI顏色空間中的色度圖像對蘋果顏色進行檢測與分級，團隊通過觀察和比對樣本的色度直方圖，將果實表面色度分為7個頻度，并以此作為蘋果顏色分級的特征參數。但只從色度圖像來實現顏色檢測難以避免外部環境光線的干擾，不利于顏色檢測結果穩定輸出。中國農業大學馮斌等[26]選用HSI顏色空間分析研究了不同色度的水果，結合各色度點的累計特性和空間分布特性，以各色度在水果表面分布的分形維數作為特征對果實進行分級，同時建立了卷積神經網絡(convolutionalneuralnetwork，CNN)識別模型。試驗結果表明，模型分級準確率達95%。同時，分形維數在各等級間有明顯的變化規律，可以作為著色分級特征對水果進行實時分類。

　　江蘇大學的趙杰文團隊[27]同樣選擇HSI顏色空間進行紅棗的顏色識別，設計系統提取色度的均值和均方差作為紅棗的顏色特征值，以此區別正常色度的紅棗及個別整體或局部顏色偏暗的缺陷棗，使用SVM分類方法，識別準確率高達96.2%。浙江大學的饒秀勤等[28]研究了按臍橙表面顏色進行分級的方法，該研究通過HSI顏色空間，提出了基于H分量面積加權直方圖的臍橙表面顏色特征提取方法，結合主成分分析(PrincipalComponentAnalysis，PCA)方法，對水果表面曲率變化引起的檢測誤差進行補償。

　　試驗結果表明，分級誤差為1.75%，取得不錯的檢測效果。意大利學者Cavallo等[29]在葡萄無損檢測系統的研究中，通過提取場景中的HSI顏色特征信息，針對兩個白葡萄品種分別進行了驗證試驗，交叉驗證得到分類準確率分別達到92%和100%。該系統大幅簡化了硬件配置與處理過程中的人工干預程度，更利于應用于實際自動化生產中。

　　但從另一個角度上來看，直接在RGB顏色空間內處理圖像可以進一步簡化算法，Arakeri等[30]通過檢測番茄的缺陷與成熟度設計了一款分級系統，系統使用RGB顏色空間，從番茄圖像中提取R、G、B值通過實驗選擇的閾值進行成熟度判斷，建立CNN預測模型，對成熟度的預測準確率達96.47%。黃辰等[24]在基于圖像特征融合的蘋果分級方法研究中選用RGB分量值，包括R分量均值與方差、G分量均值與方差、平均灰度等5個參數值來表征蘋果顏色分布特征，也取得不錯的識別效果。

　　伊朗學者Azarmdel等[31]設計了一套桑葚成熟度分級專家系統，該系統從R，B，b*和Cr四個參數中提取桑葚的顏色和紋理特征，以此作為人工神經網絡(artificialneuralnetwork，ANN)模型的輸入，結合SVM算法可以實現98.26%的分級準確率。以上研究表明，HSI顏色空間由于與人類視覺感官高度相似而被廣泛應用于多項顏色檢測研究中，選用RGB顏色空間則由于其適用于機器工作在一定程度上可以簡化算法。因此，在對不同的檢測對象進行檢測試驗時，出于檢測目的的不同，可以考慮試用多種顏色空間對圖像進行處理，必定能尋找到適用于特定檢測對象的某種顏色空間。

　　2光譜檢測技術

　　2.1近紅外光譜檢測

　　2.1.1概述

　　紅外線波段是人眼不可視波段，近紅外光譜檢測技術是利用波長為700～1100nm的電磁波來分析樣品的結構和組成等信息，從而實現樣品的無損檢測。該技術在水果品質檢測中有許多優良的性能，已知碳氫化合物(糖、酸、水、維生素等)在近紅外波段有不同的吸收峰，基于這一理論基礎可以建立許多相關模型服務于各項研究。近紅外光譜分析技術是近年來發展最快、應用最廣的水果內部品質無損檢測方法，可以精確檢測水果內部的糖度、酸度、可溶性固形物含量、維生素含量等，具有適應力強，對人體無害，操作簡單等優點。

　　2.1.2應用方向

　　2.1.2.1內部成分檢測

　　近紅外光譜檢測技術可應用于水果糖度、酸度、pH及可溶性固形物含量等內部品質成分的檢測。印度學者Jha等[38]使用近紅外光譜分析技術研究了多個品種蘋果的甜度、酸度以及酸甜比模型，該模型選用900~1700nm的波長范圍，采用了偏最小二乘回歸(partialleastsquaresregression，PLS)和多元線性回歸(Multiplelinearregression，MLR)兩種統計學方法。試驗結果表明使用MLR建立的模型預測準確率較高，甜度、酸度以及酸甜比的預測模型多重相關系數分別為0.887、0.890和0.893，該模型基本可以實現不同品種蘋果內部品質指標的無損檢測。

　　孫炳新等[39]將近紅外光譜分析技術應用于檢測蘋果pH的研究中，學者選用波長范圍為643.26~985.11nm的近紅外透射光譜儀對蘋果樣本進行光譜掃描，建立起紅富士蘋果有效酸度的預測模型。模型相關系數為0.925，性能較穩定，可以對不同儲藏期的蘋果pH進行快速無損檢測。王轉衛等[40]建立了發育后期蘋果內部品質和其近紅外光譜特性之間的關系模型。

　　試驗方法具體為利用近紅外漫反射技術測量發育后期三個月內富士蘋果在833~2500nm波長范圍內的光譜特性，并通過測量得蘋果樣本的可溶性固形物含量、硬度、pH以及含水量4種蘋果內部理化指標，分析了單一波長下蘋果的吸光強度與其各項內部品質指標之間的相關關系。試驗結果表明，前后者之間的線性相關性均較弱，但通過極限學習機(extremelearningmachine，ELM)算法結合PCA統計方法進行數據降維，試驗最終可建立預測該品種蘋果可溶性固形物含量和pH的最優模型，預測結果較為穩定。

　　廣東省農業科學院徐賽團隊[41]采用可見光和近紅外光譜技術(visibleandnear-infraredspectroscopy，VIS/NIR)對沙田柚中的水分和可溶性固形物進行快速無損檢測，試驗通過遺傳算法(geneticalgorithm，GA)進行特征提取，結合PLSR建立模型。該模型對驗證集樣本的檢測準確率達100%，成功將光譜技術應用于厚皮大果的品質無損檢測上，試驗結果表明通過VIS/NIR檢測柚子的水分含量和可溶性固形物含量是充分可行的。以上研究結果表明，近紅外光譜檢測技術可用于水果內部成分檢測，且在碳氫化合物如糖、酸、水等成分的檢測效果上有著顯著優勢。

　　2.2拉曼光譜檢測

　　2.2.1概述

　　拉曼光譜技術是一門基于拉曼散射效應而發展起來的光譜分析技術，通過分子的振動或轉動獲得待測物的結構、對稱性、電子環境等分子信息。目前拉曼光譜在水果檢測中的應用大多與激光技術相結合，激光技術是利用由受激發射的光放大產生輻射產生的激光以完成質量檢測。近年來隨著激光技術的不斷成熟，拉曼光譜技術已逐步應用于工農業生產與檢測的多個領域，主要實現對待測物外部品質的檢測。與常規化學分析技術相比，拉曼光譜技術具有無損、快速、環保、靈敏度高、無需制備試樣、無需消耗化學試劑、所需樣品量少等特點，可直接通過分析待測物的拉曼峰位、峰強、線型、線寬及譜線數目達到從分子水平對樣品進行定性、定量和結構的分析[46-47]。在水果檢測中，拉曼光譜主要應用于檢測水果外表面輕微損傷、新鮮度、成熟度及表面農藥殘留等。

　　3結語與展望

　　除了以上詳細介紹的四種光學無損檢測技術外，還有很多無損檢測技術正在水果檢測中被廣泛應用：基于氣體傳感器技術的電子鼻能夠通過獲取水果的氣味信息對氣體或揮發性成分做定性或定量的檢測，正被研究應用于水果的成熟度和新鮮度檢測;利用水果介電特性的介電特性檢測技術對果品的檢測適應性較強，可對水果新鮮度、機械損傷、糖度和硬度等進行檢測識別;利用X射線對待測物內部透射成像的X射線成像技術對水果的內部結構變化敏感，能直觀反映水果密度、含水率及內部缺陷等品質特征;通過計算組織中氫質子數量信息的核磁共振技術在水果內部品質，特別是成熟度和內部缺陷上也有一定應用[63-65]。

　　各種無損檢測技術都有其各自的適用范圍與優點，正確認識不同無損檢測技術的特點與局限性對水果的檢測與生產具有重要意義。對于機器視覺而言，該技術對果實內部品質特征的檢測存在一定局限性，則可以在外部檢測中充分發揮其快捷客觀的優勢，將其應用于大批量或高質量要求的生產實踐中，為水果產業解放生產力、加快分揀效率提供保障。

　　農業方向專利申請知識：水果削皮器怎么申請實用新型專利

　　而對于光譜檢測技術，未來可根據具體的檢測對象要求，尋找最佳的檢測波長等參數，減少數據量，設計對應的光譜圖像系統，在不降低精度的前提下，降低成本和節約時間。綜合來看，各種檢測技術功能不同，但單一的檢測技術已經無法滿足對水果品質的全面檢測，采用多源信息融合的方式可以全方面多角度地獲取水果品質相關特征信息，對無損檢測的精度及穩定性會有很大提升。現有的無損檢測多源信息融合大多聚焦于水果大小、形狀、顏色等外部特征，對水果內部品質檢測技術的融合應用仍然較少，多源信息融合是水果品質無損檢測技術發展的必然趨勢。但與此同時，多源信息融合必定會造成數據量過大，在數據的傳輸與處理上會花費更多的時間。這需要研究人員再做深入的試驗研究，大致可以從完善模型算法、優化硬件結構與數據降維這幾個方面進行考慮。

　　參考文獻

　　[1]譚俊杰,楊尚東,周柳強,等.基于中國—東盟水果貿易的廣西優質柑橘產業發展策略探析[J].南方農業學報,2020,51(2):470-476.TanJunjie,YangShangdong,ZhouLiuqiang,etal.High-qualitycitrusindustrydevelopmentstrategiesofGuangxibasedonChina-ASEANfruittrade[J].JournalofSouthernAgriculture,2020,51(2):470-476.

　　[2]翁鳴.中國農產品進出口現狀及其特點[J].國際貿易,2013(6):30-35.WengMing.CurrentsituationandcharacteristicsofimportandexportofagriculturalproductsinChina[J].Intertrade,2013(6):30-35.

　　[3]巴勒江·馬迪尼也提,布媧鶼·阿布拉.中國水果出口貿易的比較優勢及影響因素分析[J].世界農業,2019(7):57-68.BaljanMadeniet,BuajanAbela.AnalysisofcomparativeadvantagesandrelatedfactorsofChinesefruitexporttrade[J].WorldAgriculture,2019(7):57-68.

　　作者：馬佳佳1，王克強2