检索项:   检索词:    
  世界林业研究  2020, Vol. 33 Issue (3): 20-25  DOI: 10.13348/j.cnki.sjlyyj.2020.0009.y
0

引用本文  

刘阳, 王虹虹, 刘英, 等. 林果机械采收与分选研究进展[J]. 世界林业研究, 2020, 33(3): 20-25.
Liu Yang, Wang Honghong, Liu Ying, et al. Research Progress of Forest-fruit Mechanized Picking and Sorting[J]. World Forestry Research, 2020, 33(3): 20-25.

基金项目

江苏省农业科技自主创新资金项目[CX(18)3071]。

通信作者

刘英,女,博士,教授,主要从事机电一体化研究,E-mail:lying_new@163.com

第一作者

刘阳,男,硕士,主要从事林果采摘与品质分选、机电一体化研究,E-mail:467126007@qq.com

文章历史

收稿日期:2019-08-08
修回日期:2019-11-21
林果机械采收与分选研究进展
刘阳 , 王虹虹 , 刘英 , 杨雨图 , 王德镇     
南京林业大学机械电子工程学院, 南京 210037
摘要:我国林果资源丰富,目前林果产量居全球首位,但针对林果采摘与加工的机械化采摘技术以及果品分选技术较为落后,严重制约了我国林果资源的发展。文中对近些年出现的林果采收机械与采收技术进行梳理,分析机械化采收后林果品质无损检测的关键技术与方法,并对林果采摘技术与品质检测技术的研究方向进行展望,旨在为研究林果机械化采摘与智能分选提供参考。
关键词林果采摘    机械采摘    机器视觉    品质分选    
Research Progress of Forest-fruit Mechanized Picking and Sorting
Liu Yang, Wang Honghong, Liu Ying, Yang Yutu, Wang Dezhen     
College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China
Abstract: China is rich in forest-fruit resources, and the forest-fruit yield now ranks first in the world. However, the mechanized picking technology and fruit sorting technology are relatively backward, which seriously restricts the development of forest-fruit resources in China. This paper reviews the harvesting machinery and technology of forest-fruits in recent years, analyzes the key technologies and methods of nondestructive testing of forest-fruit quality after mechanized harvesting, and prospects the future research direction of forest-fruit picking technology and quality testing technology, aiming to provide the guidance for the research of mechanized picking and intelligent sorting of forest-fruits.
Keywords: forest-fruit picking    mechanical picking    machine vision    quality sorting    

我国富产林果,但是采摘机械的发展水平却较为落后,仍以人工采收为主,这一过程占用着大量的劳动力资源,约为整个生产过程的35%~45%[1]。采摘效率低下,作业周期长,难以满足市场要求。由于不同品质的林果价格差异较大,因此急需通过采收后分选来提高产品价值,进而提高我国林果产业的竞争力。目前我国林果采摘和分选主要以人工作业为主[2],随着劳动力成本的快速增长,这部分费用在整个林果生产过程中的占比也随之增长。因此,必须开发出适合我国林果产业规模的采收和分级机械,提高作业效率,降低生产成本,从而提高我国林果产业的国际竞争力。

1 林果机械采收技术研究现状

相对国内采收机械而言,国外研究起步较早、技术发展快、自动化水平高,其果园采收技术已比较成熟。国内采收机械的研究起步相对较晚,目前仍以人工采收为主,采收技术的研发尚有较大的发展空间。

目前机械采收方法使用较为广泛的有机械振动式采收和气力式采收,近些年随着图像采集与处理技术的兴起用于采收的机器人也在逐步研发应用中。

1.1 机械振动式

机械振动采摘的原理是通过给果树施加一定频率和振幅的机械振动,使果实受到加速运动产生惯性力。当果实受到的惯性力大于果实与果枝间结合力时,果柄断裂,果实下落。机械振动的效率与频率、振幅、夹持位置等因素有关,适用于苹果、梨等大、中型水果的采摘,也适用于诸如青梅、核桃和山楂等小型林果的采摘[3]

意大利生产的SR-12摇树机,树枝在夹持器夹住的情况下,推摇装置以一定频率的振动使得果实脱离果树并掉落到接果布盘中心,可以应用于核桃、橄榄等坚果和球果的采摘。美国Orchard公司设计的冲击波式采种机,通过液压钳夹持树枝,激振器产生振动使得果实脱落。美国BEI公司在蓝莓采摘机研究设计领域处于领先地位,其LBT Harvester,BEI Tracks Blueberry Harvester和Rotary Harvester 等系列振动式蓝莓采摘机在美国应用广泛。美国Oxbo公司研制的6420自走式橄榄收获机,采用双点支撑式振动将橄榄振落,在经过清洗后分离杂质,完成橄榄的收获。

美国农业部阿帕拉契亚水果研究站Peterson等[4]开发的苹果收获机器人系统,采用液压缸式振动头、接果篷和图像系统结合的方式实现果实的振动脱落和采收,但自动果枝识别定位准确率较低,仅为10%。王长勤等[5]设计了一款针对银杏、核桃等常见林果的偏心式林果采收机,建立了偏心式林果振动采收动力学模型,并进行了核桃采收实验,得到的平均采净率为89.5%~92.6%,但是若振幅过大,则会对果树树干造成损伤。刘进宝[6]针对南疆地区树形较矮、种植密度大、作业环境差的果树,设计了一款通过对果树主干施加振动进行采果的偏心振动式林果采摘机,但由于果树的多样性,需要针对每一种果树进行大量实验来进一步优化激振力。罗钢[7]通过仿真建模研究柑橘树冠振动作业效果,对树冠振动简化模型进行动力学分析,基于分析结果开发了一套简易的树冠振动收获机,但对于能否应用于其他果树还需要进一步扩大试验范围。散鋆龙[8]以杏树为研究对象,建立了对称双偏心式振动激励下的杏树采收机模型,得到在不同振动激励下杏树不同位置的振动响应状态模型,并确定了在各检测点具有最大加速度的振动频率。耿雷等[9]借鉴国外蓝莓采收机设计经验,设计了一款适合我国蓝莓种植规模的牵引式蓝莓采收机,由两侧指排通过交替拍打蓝莓树枝给树枝施加振动,使果实落下,与人工采摘相比,机器采摘效率是人工的12.67倍,且果实平均破损率为8.3%,果实采净率高达96.9%,青果脱落率为9.7%。徐允飞[10]设计了一款手持式小浆果采收器,通过提供振动的梳刷棒与果树主枝间隙碰撞,从而实现对小浆果的机械采收,采收率为92.4%,采收后果枝基本无损伤。

机械振动是实现林果采摘的常用方式,但是振动控制的精度会受到树叶、树枝、树干和土壤等因素的影响,因此要精确描述振动系统的动力学控制方程非常困难。

1.2 气力式

气吸式采摘的原理是当采摘头吸口处的吸力大于果柄结合力时,果实脱落并被吸入采收装置内,最终经出风口排出。相较于振动式采收,气吸式采收具有采摘效率高、伤果少、杂质少、作业方便等优点。气吹式采摘是使果实在气流吹动作用下产生惯性力,当惯性力大于果柄结合力时,果实脱离树枝并落入收集装置,实现气力采摘,气吹式采摘具有采收效率高的优点,但功率消耗大,易损伤树叶和小树枝。

20世纪60年代,Whinney等[11]研究了气力式柑橘采收机,收获效率可达5.7 kg/s,并对过量气流给树冠造成的损伤进行了研究。日本近藤直等[12]研制的一种气吸式草莓采摘机器人,因减少了与果实表皮的接触,果实的损伤率得到有效降低,对成熟果实的采摘成功率为100%,但一些未成熟的果实也会被采下。为了避免草莓损伤,爱媛大学设计的草莓采摘机器人采用了气吸式末端执行器来实现草莓的无损采摘,但部分未成熟果实也会被采下。张韵[13]在分析国内外气力式收获机发展现状以及气吸过程运动受力的基础上,对气吸式收获机的采摘头进行了重点研究,确定了扁圆形采摘头的理论最优参数,为研发气吸式小浆果收获机提供了技术依据和方法。

由于气吸式末端执行器有可能将成熟果实周围未成熟的果实采摘下来,对其研究尚需进一步改善和提高;相较于机械振动式采摘装置,气吸式作业效率不高,所以在规模化采收中应用较少。

1.3 采摘机器人

最初的振摇式采收机器人存在效率低且对果蔬破坏性较大的缺点。一些早期研究工业机器人的国家将电子、计算机、人工智能等先进技术融合到采摘机器人当中,为采摘机器人朝着多样化、智能化方向发展作出了重要贡献[14]。采摘机器人的主要功能是识别、定位与抓取果实,其次是在采摘果实过程中减少对果实的损伤。随着研究的不断深入,图像处理技术与控制理论的发展也为采摘机器人向智能化方向发展创造了条件。

20世纪80年代,日本东京大学开发的一款由两指加持、切刀剪切的黄瓜采摘机器人末端执行器,通过实验证明了其有效性,但该采摘机器人不能采摘过弯的果实。Roy Harrell[15]于1987年设计的柑橘采摘机器人,由于受到液压驱动系统精度低和果实图像分割难度大的影响,实际试验结果很不理想。1996年日本学者近藤直等[16]基于茎叶和黄瓜红外反射的差异性研发了一台黄瓜采摘机器人,并利用果柄接触传感器进行果柄检测,但由于黄瓜的外形受茎叶的影响较大,所以实际采摘成功率不是很理想。同年荷兰农业环境工程研究所(IMAG)[17]研制的一款黄瓜采摘机器人,具有多功能、模块化的特点,能够利用机器视觉对工作范围内的黄瓜进行检测识别,并能在一定程度上评价果实的成熟度,作业速度为10 s/根,但尚不能满足商用产品的各种要求。

美国Energid技术公司开发的柑橘采摘机,采用视觉导引,并结合蛙舌式末端执行器,果实采摘成功率在98%以上[18]。丁加军等[19]设计了一款能采摘多种球状果实的采摘机器人末端执行器,可在不损伤果皮的情况下采摘不同硬度的果实,通用性强,但难以采摘成束生长的果实。Davidson [20]为减少采摘的整个周期,提出水果采集双机器人协同工作的概念,并开发了具有8个自由度的机器人拣选系统,将拾取放置的平均循环时间减少50%以上,但在此过程中水果和树冠会受到一定的损伤。为了提高采摘机器人的定位精确率和效率,罗陆锋等[21]通过改进聚类图像分割和点线最小距离约束,提出一种新的葡萄采摘机器人采摘点定位方法,该定位方法的平均定位时间为0.346 7 s,定位准确率为88.33%,然而针对不同品种的葡萄难以设计出统一的图像分割算法。Davidson等[22]设计了一个机器人采集系统,该系统可以在通过机器视觉实现水果定位后,对水果进行线性处理,并复制人工采摘过程,但对每个水果的采摘速度明显慢于人工采摘速度。Ahlin等[23]通过仿真模拟,设计出在未知苹果树结构情况下的双机械臂协作采摘苹果机器人,利用空隙空间的路径导航方法,解决了苹果因遮挡产生的漏摘现象。阳涵疆等[24]针对油茶果采摘机械臂的混联结构,提出了双阶段避障路径规划算法,可有效地为混联采摘机器人机械臂进行避障路径规划,但是串联机械臂尚未拥有全局避障能力。

对采摘机器人的研究主要集中在末端执行器的路径规划以及林果的精确定位2个方面,现有图像识别和定位算法仅限于具有明显相似特征的某一类林果,且受采摘环境的影响很大。因此,大多数采摘机器人仍处在实验验证阶段,采摘机器人的实用性和普及性仍不高。

2 林果品质无损检测分选技术研究现状

林果品质指标包括林果的外在品质和内在品质,林果品质的高低会影响林果的价格。近年来,机器视觉方法在农产品检测上的应用日益广泛。果实品质的无损检测技术主要有2种方法,一是检测水果本身的化学发光或红外线放射的能量,另一种是测量水果对能量输入输出的变化。光学检验和力学检验是常用的2种无损伤检测方法。

2.1 外在品质检测

林果的外在品质检测包括对林果的果形、大小、表面光洁度以及表面缺陷等方面的检测。对林果的外在品质进行检测,可以在进行精深加工前对林果进行初步的检测分级。

项辉宇等[25]基于视觉检测技术,利用Halcon的图像处理方法对待测区域的苹果大小、缺陷以及颜色进行品质检测,该检测方法可以实现低速条件下的检测,但不能对苹果进行全面的信息采集,不能保证苹果品质整体的完好性。针对水果表面缺陷具有多样性和复杂性的特点,容典[26]提出脐橙表面缺陷快速多阈值边缘分割法以及脐橙表面灰度局部阈值快速分割算法,并设计了一种基于低成本嵌入式机器视觉的脐橙缺陷自动检测系统,该系统在苹果7个/s的速度下检测正确率为95.8%。弋伟国等[27]基于嵌入式平台实现了对枸杞图像信息的高速采集,搭建了对枸杞大小、形状、颜色这3个指标无损检测的双目视觉检测分级系统,得到系统分级准确率为88%,分级速度为80个/s。Wu等[28]利用高光谱图像技术,对鲜枣常见的损伤进行检测,利用主成分分析(PCA)技术提取了400~1 000 nm和978~1 568 nm波段下的特性波长,通过建立独立软模式类簇法模型来识别鲜枣的不同损伤,其识别效果达到93.5%以上。Chen等[29]研究了核桃表面的黑胚粒、发霉、裂纹识别方法,准确率分别达到95.6%、96.7%和98.5%。Cho等[30] 利用高光谱成像、方差分类分析和PCA技术对有开裂的圣女果进行无损检测,其缺陷检测率大于99%。Lee等[31]利用近红外高光谱成像实现梨的物理损伤检测。Leel等[32]以番茄为对象,利用高光谱近红外反射图像系统、隐含狄利克雷分布(LDA)和支持向量机(SVM),实现了对有疤痕和无疤痕番茄的有效判别,判别准确率分别为94.6%和96.4%。

水果表面的图像信息既可以反映水果的外观信息,也能反映其内部品质,因此可以将水果表面图像信息作为水果分级的一个依据。但是目前基于表面成像的机器视觉分选作业仍存在获取表面信息不全面、不准确和信息解读有歧义等问题。

2.2 内在品质检测

对于林果内在品质检测的研究,目前主要是通过近红外光谱、高光谱、多光谱图像的分析与处理进行内部物理特征(硬度、糖度)和化学特征(如酸度、挥发性盐基氮)的定位、定性、定量分析。近红外光谱分析技术是一种非常广泛的无损检测技术,它能够快速、无损地对果实内部品质参数做出预测[33-35]

李龙等[36]基于静态条件设计了一款苹果内外品质检测分级系统,可以利用机器视觉以及近红外内部品质模块对苹果进行检测,单个苹果检测时间为0.71 s。谢一顾[37]利用常规品质分析数据对冰糖橙果实原始光谱进行反复校正并验证,确定无损伤检测糖酸度的准确性,并在分级线上应用。赵茂程等[38]利用高光谱成像技术对青梅酸度进行检测,运行快速且不用破坏果实,预测集的均方根误差为0.070 6。曹瑾[39]通过采集487个青梅的光谱数据,检测青梅的pH值,得出青梅pH值的非线性模型,预测结果更适应青梅酸度无损检测。李帷韬等[40]在半监督学习条件下,基于深度集成学习方法,对3 000幅相似的青梅图像进行实验,得到高达98.26%的平均识别率。曹仲达[41]针对可见光对青梅分级存在的问题以及分类器泛化能力较差的情况,建立了一款基于深度学习算法的青梅品级智能反馈认知模型,但是不能适用于无标签数据。Wei [42]等对400~1 000 nm波段下的光谱数据进行分析,实现了对柿子成熟度的判别,所建立的线性模型判别精度为95.3%。Sun等[43]采用多光谱图像检测苹果硬度,其模型相关系数RRP分别为0.87和7.17,预测精度较高。Magwaza等[44]以柑橘为对象,对其葡萄糖、果糖和蔗糖含量利用高光谱成像技术进行检测,并基于特定波段光谱数据建立了PLS回归模型,模型预测相关系数RP分别为0.88、0.90和0.83。

目前的研究大多数是对水果内部品质或外部品质进行研究,内在品质检测设备尚存在指标单一、机械结构复杂且成本较高等问题,难以满足农户以及中小型林果加工企业的需求。因此,对外在品质与内在品质检测关系的研究仍有很大的空间。

3 林果采摘和分级技术发展方向

我国具有丰富的林果资源,但我国在果品资源利用上存在采收不及时、效率低,以及果品加工形式单一、结构形式单一等缺陷,在国际市场上没有形成竞争优势。发展机械化采摘,并通过现代化手段对林果进行自动化、智能化分选,是我国果品融入国际市场的有效手段。目前林果采摘机械及品质检测已在多种林果采收和分选中得到应用,但是仍存在着一些不足:

1)目前我国林果采摘仍以人工为主,在对林果进行品质分选时不能准确、客观地评价果实品质。

2)在对大批量果实进行检验时,较高的分选精度往往伴随着较高的系统整体费用,分选设备的性价比是影响设备实际应用程度的重要因素。

3)当前基于机器视觉技术的果实品质检测系统受到光照不均匀、采集图像不完整等因素的影响,造成检测结果有偏差。

4)由于林果采收后需要进行及时的品质检测和分选,目前国内在林果采收、检测、分选一体化方面的研究和应用较少。

根据目前存在的问题,提出以下3点研究建议:

1)建立果实品质评价系统。建立一个完整的果实评价系统,不仅可以准确客观地评价果实品质,也可以为林果品质分选提供依据,通过因子分析法、聚类分析法和主成分分析法来解决果实评价指标间信息重叠问题。另外,由于同一林果不同品种之间存在着差异,所以在建立果实评价系统时要充分考虑主要形状分布特征,采用客观、标准统一的概率分级,使得果实评价系统具有足够的代表性,结果更为科学、准确。

2)提高分选设备性价比并开展通用性研究。分选设备费用较高是影响分选技术实际应用和发展的因素之一,相较于大规模采收,将智能分选应用于小规模采收存在成本较高、普适性较低的问题。因此,建议通过改进现有算法,加强林果分选通用装备的研制,从而在一定程度上降低分选成本;另外,建议加大林果规模化种植程度以适应机械化采摘,并提高分选的性价比。

3)加强采收检测分选一体化、智能化研究。随着机器视觉、深度学习技术在实际林果分选应用中的深入,以及对林果品质分选需求的提高,林果采收、检测、分选一体化、智能化是今后的研究方向和热点。目前,规模化种植与采收林果不可避免地会造成林果的损伤,从而对林果品质造成影响,所以及时采收与检测分选可以有效地提高林果品质的优良率。另外,依靠人工进行林果检测分选易受经验等主观因素的影响。因此,将更符合人类行为认知的深度学习算法应用到林果检测分选中,可以有效提高林果检测分选的智能化水平,从而有助于加快林果商品化处理进程。

参考文献
[1]
林欢, 许林云, 宣言, 等. 林果振动加速度响应振型试验[J]. 林业工程学报, 2016(1): 100-104. (0)
[2]
刘金南. 基于振动机理的采收机研究现状及发展趋势[J]. 农业技术与装备, 2018(3): 84-85. DOI:10.3969/j.issn.1673-887X.2018.03.035 (0)
[3]
王海滨.蓝莓植株多自由度系统振动建模及仿真研究[D]. 哈尔滨:东北林业大学,2014. http://cdmd.cnki.com.cn/Article/CDMD-10225-1016303873.htm (0)
[4]
PETERSON D L, BENNEDSEN B S, ANGER W C, et al. A systems approach to robotic bulk harvesting of apples[J]. Transactions of the Asae, 1999, 42(4): 871-876. DOI:10.13031/2013.13266 (0)
[5]
王长勤, 许林云, 周宏平, 等. 偏心式林果振动采收机的研制与试验[J]. 农业工程学报, 2012, 28(16): 10-16. DOI:10.3969/j.issn.1002-6819.2012.16.002 (0)
[6]
刘进宝.基于树干振动机理的林果采摘机的设计与分析[D]. 乌鲁木齐:新疆农业大学,2014. http://d.wanfangdata.com.cn/thesis/Y2697777 (0)
[7]
罗钢.柑橘振动采收的仿真与试验研究[D]. 广州:华南农业大学,2016. http://cdmd.cnki.com.cn/Article/CDMD-10564-1016923415.htm (0)
[8]
散鋆龙, 杨会民, 王学农, 等. 振动方式和频率对杏树振动采收响应的影响[J]. 农业工程学报, 2018, 34(8): 10-17. (0)
[9]
耿雷, 郭艳玲, 王海滨. 高丛蓝莓采摘机采摘系统设计与试验[J]. 农业机械学报, 2016, 47(3): 67-74,81. (0)
[10]
徐允飞.手持式小浆果采收器设计与仿真分析[D]. 哈尔滨:东北农业大学,2017. http://cdmd.cnki.com.cn/Article/CDMD-10224-1017144294.htm (0)
[11]
WHITNEY J D, PATTERSON J M. Development of a citrus removal device using oscillating forced air[J]. Transactions of the ASAE, 1972, 15(5): 849-855. DOI:10.13031/2013.38024 (0)
[12]
KONDO N,NINOMIYA K,HAYASHI S, et al. A new challenge of robot for harvesting strawberry grown on table top culture[C]. 2005 ASABE Annual International Meeting,Tampa,2005. https://www.researchgate.net/publication/271420464_A_New_Challenge_of_Robot_for_Harvesting_Strawberry_Grown_on_Table_Top_Culture (0)
[13]
张韵.气吸式小浆果收获机采摘头参数优化与试验研究[D]. 哈尔滨:东北农业大学,2016. http://cdmd.cnki.com.cn/Article/CDMD-10224-1016103410.htm (0)
[14]
李攀.苹果采摘机器人目标识别及轨迹规划[D]. 西安:西安理工大学,2019. https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&filename=1019858405.nh (0)
[15]
HARRELL R. Economic analysis of robotic citrus harvesting in Florida[J]. Transactions of the ASAE, 1987, 30(2): 0298-0304. DOI:10.13031/2013.31943 (0)
[16]
ARIMA S, KONDO N, SHIBANO Y, et al. Studies on cucumber harvesting robot:part 2: manufacture of hand based on physical properties of cucumber plant and basic experiment to harvest[J]. Journal of the Japanese Society of Agricultural Machinery, 1994, 56: 69-76. (0)
[17]
周增产, BONTSEMAJ, VANKOLLENBURG-CRISANL. 荷兰黄瓜收获机器人的研究开发[J]. 农业工程学报, 2001(6): 77-80. (0)
[18]
ALOISIO C,MISHRA R K,CHANG C Y, et al. Next generation image guided citrus fruit picker[C]. 2012 IEEE International Conference on Technologies for Practical Robot Applications (TePRA),Woburn,MA,USA,2012:37-41. (0)
[19]
丁加军, 刘桂芝, 杨文亮. 一种果实采摘末端执行器设计与仿真分析[J]. 农机化研究, 2013, 35(1): 112-115. DOI:10.3969/j.issn.1003-188X.2013.01.028 (0)
[20]
DAVIDSON J R,HOHIMER C J,MO C, et al. Dual robot coordination for apple harvesting[C]. Asabe International Meeting, Washington,2017. https://www.researchgate.net/publication/318728489_Dual_Robot_Coordination_for_Apple_Harvesting (0)
[21]
罗陆锋, 邹湘军, 熊俊涛, 等. 自然环境下葡萄采摘机器人采摘点的自动定位[J]. 农业工程学报, 2015, 31(2): 14-21. DOI:10.3969/j.issn.1002-6819.2015.02.003 (0)
[22]
DAVIDSON J R,SILWAL A, HOHIMER C J, et al. Proof-of-concept of a robotic apple harvester[C]. 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS),Daejeon,Korea,2016:634-639. https://www.researchgate.net/publication/311753662_Proof-of-concept_of_a_robotic_apple_harvester (0)
[23]
AHLIN K J,HU A P,SADEGH N. Apple picking using dual robot arms operating within an unknown tree[C]. 2017 ASABE Annual International Meeting,Spokane, Washington,2017. https://www.researchgate.net/publication/320785255_Apple_Picking_Using_Dual_Robot_Arms_Operating_Within_an_Unknown_Tree (0)
[24]
阳涵疆, 李立君, 高自成. 基于关节构形空间的混联采摘机械臂避障路径规划[J]. 农业工程学报, 2017(4): 63-70. (0)
[25]
项辉宇, 薛真, 冷崇杰, 等. 基于Halcon的苹果品质视觉检测试验研究[J]. 食品与机械, 2016, 32(10): 123-126. (0)
[26]
容典.脐橙表面缺陷的机器视觉快速检测研究及嵌入式系统应用[D]. 杭州:浙江大学,2017. http://cdmd.cnki.com.cn/Article/CDMD-10335-1017071353.htm (0)
[27]
弋伟国, 张冬, 何建国, 等. 基于机器视觉的枸杞检测分级系统[J]. 中国农机化学报, 2015, 36(4): 100-105. (0)
[28]
WU L, HE J, LIU G, et al. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2016, 112: 134-142. DOI:10.1016/j.postharvbio.2015.09.003 (0)
[29]
CHEN F N, CHEN P L, FAN K, et al. Hyperspectral reflectance imaging for detecting typical defects of durum kernel surface[J]. Intelligent Automation & Soft Computing, 2018, 24(2): 351-358. (0)
[30]
CHO B K, KIM M S, BAEK I S, et al. Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery[J]. Postharvest Biology and Technology, 2013, 76: 40-49. DOI:10.1016/j.postharvbio.2012.09.002 (0)
[31]
LEE W H, KIM M S, LEE H, et al. Hyperspectral near-infrared imaging for the detection of physical damages of pear[J]. Journal of Food Engineering, 2014, 130: 1-7. DOI:10.1016/j.jfoodeng.2013.12.032 (0)
[32]
LEE H, KIM M, JEONG D, et al. Detection of cracks on tomatoes using a hyperspectral near-infrared reflectance imaging system[J]. Sensors, 2014, 14(10): 18837-18850. DOI:10.3390/s141018837 (0)
[33]
YUAN L M, SUN L, CAI J R, et al. A Preliminary study on whether the soluble solid content and acidity of oranges predicted by near infrared spectroscopy meet the sensory degustation[J]. Journal of Food Process Engineering, 2015, 38(4): 309-319. (0)
[34]
樊书祥, 黄文倩, 张保华, 等. 便携式苹果糖度光谱检测仪的设计与试验[J]. 红外与激光工程, 2014, 43(增刊1): 219-224. DOI:10.3969/j.issn.1007-2276.2014.z1.037 (0)
[35]
郭志明, 陈全胜, 张彬, 等. 果蔬品质手持式近红外光谱检测系统设计与试验[J]. 农业工程学报, 2017, 33(8): 245-250. (0)
[36]
李龙, 彭彦昆, 李永玉. 苹果内外品质在线无损检测分级系统设计与试验[J]. 农业工程学报, 2018, 34(9): 267-275. (0)
[37]
谢一顾.冰糖橙果实的品质评价与无损伤品质检测分级技术研究[D]. 长沙:湖南农业大学,2016. http://cdmd.cnki.com.cn/Article/CDMD-10537-1017037048.htm (0)
[38]
赵茂程, 杨君荣, 陆丹丹, 等. 基于高光谱成像的青梅酸度检测方法[J]. 农业机械学报, 2017, 48(9): 318-323. (0)
[39]
曹瑾.用于青梅品质检测的非线性模型的建立[D]. 南京:南京林业大学,2018. https://www.ixueshu.com/document/994906362d7885dec59e904c73dff689318947a18e7f9386.html (0)
[40]
李帷韬, 吴四茜, 陶海, 等. 相似青梅品级半监督智能反馈认知方法研究[J]. 电子测量与仪器学报, 2018, 32(9): 187-194. (0)
[41]
曹仲达.基于深度学习的青梅品级智能认知模型及其运行机制研究[D]. 合肥:合肥工业大学,2018. http://cdmd.cnki.com.cn/Article/CDMD-10359-1018218955.htm (0)
[42]
WEI X, LIU F, QIU Z, et al. Ripeness classification of astringent persimmon using hyperspectral imaging technique[J]. Food and Bioprocess Technology, 2014, 7(5): 1371-1380. DOI:10.1007/s11947-013-1164-y (0)
[43]
SUN J, KUNNEMEYER R, MCGLONE A, et al. Multispectral scattering imaging and NIR interactance for apple firmness predictions[J]. Postharvest Biology and Technology, 2016, 119: 58-68. DOI:10.1016/j.postharvbio.2016.04.019 (0)
[44]
MAGWAZA L S, LANDAHL S, CRONJE P J R, et al. The use of Vis/NIRS and chemometric analysis to predict fruit defects and postharvest behaviour of ‘Nules Clementine’mandarin fruit[J]. Food Chemistry, 2014, 163: 267-274. DOI:10.1016/j.foodchem.2014.04.085 (0)