蘋果內外品質在線無損檢測分級系統設計與試驗

李 龍，彭彥昆，李永玉

（中國農業大學工學院，國家農產品加工技術裝備研發分中心，北京 100083）

0 引 言

中國是世界上最大的蘋果產出國和消費國[1]。隨著人們生活水平的提高以及蘋果產量的增長，傳統的人工分級的方法越來越不能滿足人們對新鮮蘋果的要求，且傳統的人工對蘋果的檢驗方法存在破壞性、耗時、成本高以及主觀性強的缺點[2]。經過幾十年的發展，機器視覺技術在農業自動化領域中得到了廣泛的應用，具有實時、客觀、無損的優點[3-6]。但其只能檢測出農產品的外部品質信息，比如說大小、顏色等，而不能反映農產品的內部信息。近紅外光譜分析技術也是一種應用非常廣泛的無損檢測技術，它能夠快速無損地對果蔬內部品質參數做出預測[7-11]，但不能兼顧外部品質。目前中國市場上現存的蘋果無損檢測設備功能比較單一，主要分為內部成分檢測和外部特征信息檢測2種，且結構比較復雜，價格昂貴，一般適用于大型企業，并不能適用于廣大農戶[12-13]。

國外的水果自動化檢測分級設備已經比較先進[14]，1992年Alle Electronics公司在圣佛朗西斯科展覽會上就展示了可分選水果、蔬菜、果仁的裝置，裝置應用機器視覺技術，能夠準確識別移動速度為 2.9 m/s、面積為1 mm2的缺陷[15]。McGlone等[16]利用所搭建的近紅外漫透射在線檢測系統，對比了2種系統，確定了LAS系統對于檢測蘋果內部褐變精度較高。Matthias等[17]，利用自行搭建的可控制蘋果旋轉的裝置，采集了蘋果樣本在1 000～2 500 nm下的漫反射光譜曲線，減小了樣本的預測誤差，但檢測的速度較慢。國內關于水果自動化分級研究起步較晚，但發展速度較快。Sun等[18]利用近紅外光譜分析技術，對在線檢測翠冠梨可溶性固形物的運動速度進行了優化，結果表明，當樣本的運動速度為0.3 m/s下預測效果最好。劉燕德等[19]利用漫透射原理實現了豐水梨的套網無損在線檢測，其中對于36個驗證樣本，分級的正確率達到了94.4%。趙娟等[20]利用自行搭建的機器視覺在線檢測平臺，實現了對蘋果的外部缺陷的檢測。歐陽愛國等[21]應用近紅外漫透射光譜檢測技術實現了對不知火雜柑可溶性固形物的在線檢測，研究所建立的偏最小二乘模型，預測集相關系數為0.956，預測集均方根誤差為0.380。劉燕德等[22]通過采集健康鴨梨和有黑心病鴨梨的可見/近紅外漫透射光譜，建立3種判別模型，其中偏最小二乘判別模型效果最好，檢測正確率為100%，檢測速度為5個/s。郭志明等[23]利用近紅外漫反射光譜技術開發了蘋果品質在線檢測系統，試驗表明，對于蘋果可溶性固形物，蟻群算法建立起的模型效果最優，預測集相關系數為0.935 8，預測集均方根誤差為0.261 9。李江波等[24]基于照度-反射模型實現了對臍橙表面缺陷的檢測，檢測正確率超過 99%。目前研究大多是對水果的內部品質或者外部品質進行研究，指標較為單一，且部分機械結構較為復雜，價格較貴，國內針對蘋果內外品質同時檢測設備研究較少。

針對現有蘋果分級設備存在的指標單一、機械結構復雜且成本較高的問題。本文基于圖譜融合技術研制了小型便于移動的蘋果在線檢測分級系統。該系統可對蘋果的外觀和內部品質綜合進行評定，并且具有體積小，結構簡單且自動化程度高的優點，可滿足農戶以及中小型果蔬加工企業的需求。

1 硬件設計

1.1 總體結構設計

本研究所設計的小型便于移動式蘋果在線檢測系統主要由啞鈴式滾子、機器視覺外部品質檢測模塊、近紅外內部品質檢測模塊以及控制系統組成。其中控制系統包括計算機、光電傳感器 1～4、單片機和光電傳感器。整機尺寸為1 600 mm×500 mm×1 500 mm，其結構如圖1所示。

圖1 蘋果內外品質在線檢測分級系統示意圖Fig.1 Apple internal and external quality inspection and classification system diagram

工作原理如圖 2所示。啞鈴式滾子位于傳送帶的上方并與傳送帶有一定的壓力，而由于兩者摩擦力的作用啞鈴式滾子可在前進的同時完成自轉。蘋果在啞鈴式滾子的支撐下經過機器視覺外觀檢測模塊時，由于蘋果和啞鈴式滾子之間摩擦力，蘋果在前進的過程中也可完成自轉。上位機軟件觸發相機采集每個蘋果不同運動狀態的 3幅圖像，再由自行設計的自動分割合成算法融合每個蘋果的 3幅圖像的檢測信息，綜合進行評判。機器視覺部分主要對蘋果的大小信息以及外觀有無碰傷進行檢測。外觀品質檢測完成后，蘋果繼續向前運動，當經過近紅外內部品質檢測機構時，由上位機軟件完成對蘋果的光譜信息的采集以及模型帶入。隨后，上位機軟件融合機器視覺檢測的蘋果外觀品質信息和近紅外模塊檢測的蘋果內部品質信息，并綜合圖譜信息對蘋果做出等級評價。最終，上位機軟件將等級信息傳遞給分級模塊，控制電機動作完成分級。為提高分級效率，在系統運行的過程中，分級動作并行執行。

圖2 蘋果內外品質在線檢測分級系統工作流程圖Fig.2 Apple internal and external quality inspection and classification system workflow diagram

1.2 基于機器視覺的外部品質檢測系統模塊設計

蘋果在進入到機器視覺檢測模塊時，由鏈傳動帶動向前運動的同時完成自轉，每個樣本采集不同運動狀態下的 3幅圖像，盡可能的避免了由于啞鈴式滾子的遮擋而導致外觀品質提取不完整的問題。機器視覺系統模塊主要對蘋果的大小信息以及外部是否有碰傷進行檢測，為了增大樣本與背景之間的對比度，對光源的選擇設計了試驗探究。

1.2.1 機器視覺光源的確定

試驗樣品為產自山東棲霞市的棲霞紅富士蘋果，樣品于北京美廉美超市采購，共40個，其中有碰傷的樣本為20個其余為無碰傷樣本。

圖 3a為利用現有的高光譜檢測系統所采集到的 40個蘋果有碰傷位置和無碰傷位置的平均反射率光譜曲線，圖3b所示為無碰傷位置處的反射率光譜減去有碰傷位置處的反射率光譜得到的差值光譜曲線。其中，波長點 730 nm處，兩者的差異最大，并且從圖 3c所示的730 nm下的樣本圖像可以得到，碰傷部位可以很好的和無碰傷部位以及背景區分出。730 nm處于紅光波段，故系統所采用的機器視覺光源為波長 730 nm的紅色 LED光源。

圖3 蘋果有無碰傷光譜和圖像對比Fig.3 Spectral and image contrasts of bruised and no bruised apples

1.2.2 機器視覺外部品質檢測模塊總體結構

機器視覺外部品質檢測模塊主要由相機，上光源，下光源，支架，皮帶傳動模塊以及暗箱模塊組成，其總體結構如圖 4所示。其中，上光源主要用于照亮蘋果的上部，由于蘋果是一種類球形水果，相機在采集過程中，會出現中間亮四周暗的現象，故布置有下光源起到補光的作用。上光源由 4條 LED條形光源組成，總功率為64 W，下光源由4條LED燈條組成，總功率為16 W。

圖4 機器視覺檢測模塊結構圖Fig.4 Machine vision inspection module structure diagram

1.3 基于近紅外光譜的內部品質檢測系統模塊設計

1.3.1 近紅外光譜采集布置方式

近紅外內部品質檢測系統模塊用于檢測蘋果的可溶性固形物的含量，并以此評價蘋果的內部品質等級。其整體結構主要包括2個對稱布置的10 W鹵鎢燈杯（歐司朗MR11鹵鎢燈），用于安裝近紅外探頭的近紅外探頭支架，暗箱以及光譜儀（Ocean Optics USB2000+）組成。暗箱主要起到遮擋環境光的作用，聚焦透鏡用于匯聚反映蘋果內部品質的反射光信息。為了提高近紅外內部品質檢測系統模塊對蘋果可溶性固形物含量的檢測精度，基于反射率光譜對光源和探頭的布置方式做了相應試驗探究，對比了將探頭和光源布置在上和布置在下的建模效果并將其試驗結果作為內部品質檢測系統模塊的設計依據，其中近紅外整體結構如圖5所示，圖5a為將探頭和光源布置在下，圖5b為將探頭和光源布置在上。

圖5 近紅外檢測模塊結構圖Fig.5 Near infrared detection module structure diagram

試驗樣品為產自山東棲霞市的棲霞紅富士蘋果，樣品于北京美廉美超市采購，共70個，用于對蘋果可溶性固形物的檢測研究，其中隨機選取53個作為校正集建立模型，17個作為預測集驗證模型效果。從表1所示的基于原始光譜建立的偏最小二乘模型的效果來看，將探頭布置在下所采集的光譜對蘋果可溶性固形物的預測效果明顯較好，其預測集相關系數為0.903 1，預測集均方根誤差為0.519 0%。故在設計時采用圖5a的將探頭和光源布置在下的方式。

表1 近紅外光源探頭不同布置方式建模效果對比Table 1 Comparison of modeling effects of different arrangements of light source and probes

1.3.2 近紅外檢測模塊傳動方式的設計

在近紅外檢測模塊部分，由于整機的傳動方式以鏈傳動為主，而近紅外檢測部分的鏈傳動無支撐部分比較長，鏈傳動本身有一定的垂度會造成蘋果經過近紅外檢測模塊時產生上下抖動，進而影響反射率光譜的采集。故在近紅外檢測模塊的后方布置一對鏈條支撐輪用以避免由于鏈條垂度過大而造成的抖動問題。其結構如圖 6所示，主要由傳送鏈條、近紅外檢測結構下暗箱、軸承座以及支撐鏈輪組成。可解決由于鏈條抖動帶來的檢測誤差。

圖6 鏈條支撐輪布置方式Fig.6 Chain support wheel arrangement

1.4 控制系統設計

控制系統主要實現控制整機的啟動和關閉，觸發檢測，以及控制分級模塊完成分級動作的功能，其組成如圖7所示。主要由計算機、STC15單片機、繼電器、光電傳感器、電機以及串口模塊組成。通過點擊上位機軟件的開始檢測按鈕，控制繼電器吸合，整機上電開始動作。光電傳感器1用于感應蘋果的到位信號，當蘋果到達檢測位置時，光電傳感器通過 STC15單片機向上位機發送檢測命令觸發檢測。上位機軟件完成對圖像以及光譜信息處理后，融合蘋果的內外品質信息，對等級做出評判。當蘋果繼續運動到判定等級的對應料斗位置時，相應光電傳感器通過 STC15單片機觸發分級電機動作，完成分級。其中，由于RS485通訊距離遠且抗干擾能力強[25-26]，考慮到系統復雜的工作環境，故加入RS232轉RS485模塊，整機的通訊接口采用RS485標準方式傳輸。

圖7 控制系統組成圖Fig.7 Control system composition diagram

1.5 分級模塊的設計

分級模塊主要由步進電機為凸輪提供動力，電機自轉一圈完成一次動作。凸輪驅動撥指做抬起和撥出的動作，將蘋果樣本從啞鈴式滾子上推入料斗中完成分級動作。該結構控制和機械結構簡單且成本較低。為了避免撥指動作時對蘋果造成損傷，在撥指的前端布置厚度為5 mm的橡膠皮墊。并且在料斗的底部也同樣布置有5 mm的橡膠皮墊。其中，分級模塊結構圖如圖8所示。

圖8 分級模塊結構圖Fig.8 Grading module structure diagram

2 人機交互軟件的設計

人機交互軟件主要完成對采集到的蘋果圖像信息和光譜信息進行處理和融合，并在界面中顯示的功能，其界面組成如圖 9所示。蘋果內外品質在線檢測分級系統軟件是在Windows平臺上開發。在機器視覺外觀品質檢測部分，主要基于 OpenCV庫編寫相應算法，可檢測樣本的大小以及有無碰傷。在近紅外檢測部分，主要利用C++科學計算庫（GNU scientific library, GSL）編寫光譜處理程序，并帶入模型得出內部品質的預測結果。最后融合蘋果的圖譜信息，綜合評判蘋果的等級并在界面上顯示檢測結果。

圖9 計算機軟件界面圖Fig.9 Computer software interface diagram

3 系統整機試驗

3.1 試驗樣本

驗證試驗樣品為產自山東省棲霞市的紅富士蘋果，于北京美廉美超市采購。其中，對于機器視覺外部品質檢測部分，無碰傷樣本為100個，有碰傷樣本同樣為100個，共 200個蘋果。對于近紅外內部品質檢測部分，樣本共63個，并隨機選取47個蘋果為校正集用于在線模型的建立，16個蘋果為驗證集，用于驗證模型的預測效果。為了消除溫度的影響蘋果購買后置于室溫 24 h，然后進行光譜采集，并根據 NY/T2637-2014[27]測定蘋果的可溶性固形物的含量用于分析。試驗得出，整機對單個蘋果的檢測時間為0.71 s。

3.2 機器視覺模塊檢測算法試驗

當蘋果到達機器視覺檢測位時，軟件首先將所采集到的圖像進行分割和合成，確保合成后的圖像包含盡可能多的單個蘋果樣本的外觀品質信息。隨之對合成后包含單個蘋果 3個運動狀態下的圖像進行高斯濾波，濾除噪點，再利用大津法[28-29]進行二值化處理。二值化圖像首先進行輪廓提取完成有無碰傷的判斷，當判斷為有碰傷時，直接剔除樣本不再后續處理。最終對無碰傷的樣本輪廓進行圓擬合處理，利用擬合圓直徑來評判蘋果的大小。

圖10為在線檢測中有碰傷蘋果的檢測效果圖。其中圖 10a為單個蘋果3個不同運動狀態的合成圖，圖 10b為QTSU法二值化后的圖像，圖10c為蘋果及傷痕輪廓提取圖，當輪廓大于 3個時，上位機軟件自動判斷該蘋果為有碰傷樣本，并向下位機發送剔除指令。

圖10 有碰傷蘋果檢測效果圖Fig.10 Bruised apple detection effect diagram

蘋果碰傷檢測算法驗證結果見表2，從表2試驗結果來看，對于蘋果的碰傷檢測200個樣本188個判斷正確，總體正確率為 94%，其中有碰傷樣本和無碰傷樣本的檢測正確率分別為91%和97%。

表2 蘋果碰傷檢測算法驗證結果Table 2 Apple bruised detection algorithm verification results

對上述無碰傷的50個蘋果樣本再進行圓擬合處理，利用擬合圓直徑來評價蘋果的大小指標，通過擬合圓直徑得到蘋果 3個運動狀態下的尺寸，再以其均值作為蘋果的大小檢測結果。圖11為無碰傷蘋果的大小檢測效果圖。其中圖11a為無碰傷蘋果3個運動狀態合成圖，圖11b為大津法二值化后的圖像，圖11c為圓擬合圖像。

圖11 無碰傷蘋果大小檢測效果圖Fig.11 No bruised apple size detection effect diagram

蘋果實際尺寸由游標卡尺測得，從圖12所示的蘋果大小檢測的結果來看，其測量值和真實值的相關系數 r為0.964 6，均方根誤差RMSE為2.281 mm。綜合試驗結果，機器視覺外觀品質檢測算法可滿足本系統的需要。

3.3 近紅外檢測模塊試驗

模型的預測效果以校正集相關系數rc、預測集相關系數 rp校正集均方根誤差 RMSEc、和預測集均方根誤差RMSEp評判模型的好壞，試驗為在線條件下采集的蘋果反射率光譜曲線，其原始光譜如圖13所示。其中反射率的計算方法為公式（1）。

式中R1為樣品的光譜反射率，%；I為樣品的反射光譜強度，cd；Iw為白參考的反射光譜強度，cd；Ib為黑參考的反射光譜強度，cd。

圖12 蘋果大小檢測效果Fig.12 Apple size detection result

圖13 蘋果原始光譜Fig.13 Original apple spectrum

在建模方法中分別對比了原始光譜利用偏最小二乘建模（original-partial least squares，Original-PLS）、競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）[30-32]篩選特征波長再進行偏最小二乘建模（CARS-partial least squares，CARS-PLS）以及連續投影算法（successive projections algorithm，SPA）[33-35]篩選特征波長再進行偏最小二乘建模（successive projections algorithm-partial least squares，SPA-PLS）3種建模方式。建模結果見表3。

表3 可溶性固形物建模效果比較Table 3 Comparison effect of soluble solids content model

從表3所示的建模結果來看，以CARS-PLS模型最優，其中校正集相關系數為0.950 8，校正集均方根誤差為0.342 6%，預測集相關系數為0.949 2，預測集均方根誤差為 0.448 7%，這表明競爭性加權自適應算法可在提高模型預測效果的基礎上，簡化模型，變量的數目從原1 777個下降到了108個。圖14為蘋果校正集和預測集的模型效果，其中圖14a為校正集，圖14b為預測集。

圖14 可溶性固形物驗證試驗結果Fig.14 Soluble solids content validation test results

4 結 論

1）基于靜態試驗對比和驗證，設計了可用于檢測蘋果內外部品質的在線無損檢測系統，該系統主要包括有啞鈴式滾子、機器視覺檢測系統模塊、近紅外內部品質檢測系統模塊、分級模塊以及控制系統。

2）機器視覺外觀品質檢測部分，為了增加蘋果有碰傷部位和無碰傷部位之間的對比度，根據所采集的40個樣本有碰傷部位和無碰傷部位之間的光譜差異，確定在730 nm處光譜的差異最大，并以此為依據選定了730 nm波長下的紅色光源作為機器視覺模塊的光源部分。在此基礎上設計了機器視覺外觀檢測算法，其中為了減少果托對蘋果的遮擋，設計有皮帶輸送模塊使得蘋果在前進的過程中完成自轉。為獲得蘋果整個表面的品質信息，相機共采集單個蘋果樣本3個運動狀態下的圖像。之后，對包含單個蘋果 3個不同運動狀態下的合成圖像依次經過高斯濾波，大津法二值化以及輪廓提取處理。當該蘋果判斷為有碰傷樣本時，直接向下位機發送剔除指令。當該蘋果判斷為無碰傷樣本時，繼續對提取輪廓進行圓擬合處理并以擬合圓直徑來得到蘋果的大小品質信息。

3）近紅外內部品質檢測部分主要用于對蘋果的可溶性固形物進行檢測，對比了將光源和探頭布置在上和布置在下的建模效果。從建模效果來看，將探頭和光源布置在下檢測效果較好，基于原始光譜所建立的偏最小二乘模型校正集的預測集相關系數為0.903 1，預測集均方根誤差為0.519 0%。

4）基于OpenCV視覺庫以及GSL科學計算庫，利用C/C++語言編寫了上位機軟件。主要完成對圖像信息和光譜信息的處理和融合，并根據等級信息控制分級模塊分級。

5）對系統的性能進行試驗驗證，其中機器視覺外觀品質檢測部分，對于蘋果有無碰傷檢測正確率為94%，大小檢測的相關系數為0.964 6，均方根誤差為2.281 mm。近紅外內部品質檢測部分，對于蘋果內部可溶性固形物含量所建立模型的校正集相關系數為0.950 8，校正集均方根誤差為0.342 6%，預測集相關系數為0.949 2，預測集均方根誤差為 0.448 7%。單個蘋果的檢測時間為 0.71 s。

本研究根據靜態條件下采集的圖像和光譜信息，通過前期試驗，設計了可用于蘋果內外品質同時檢測分級的在線系統。整機尺寸小，結構簡單。可滿足廣大農戶和中小型企業的需求。

[參 考 文 獻]

[1] 陳學森，韓明玉，蘇桂林，等. 當今世界蘋果產業發展趨勢及我國蘋果產業優質高效發展意見[J]. 果樹學報，2010，27(4)：598－604.Chen Xuesen, Han Mingyu, Su Guilin, et al. Discussion on today’s world apple industry trends and the suggestions on sustainable and efficient development of apple industry in China[J]. Journal of Fruit Science, 2010, 27(4): 598－604.(in Chinese with English abstract)

[2] 劉燕德. 水果糖度和酸度的近紅外光譜無損檢測研究[D].杭州：浙江大學，2006.Liu Yande. Study on Methods of Nondestructive Measurement of Sugar Content and Acidity in Fruits Using Near-infrared Spectroscopy[D]. Hangzhou: Zhejiang University, 2006. (in Chinese with English abstract)

[3] 王福娟. 機器視覺技術在農產品分級分選中的應用[J]. 農機化研究，2011，33(5)：249－252.Wang Fujuan. Application of computer vision technique in farm produce classification and selection[J]. Journal of Agricultural Mechanization Research, 2011, 33(5): 249－252.(in Chinese with English abstract)

[4] 陳艷軍，張俊雄，李偉，等. 基于機器視覺的蘋果最大橫切面直徑分級方法[J]. 農業工程學報，2012，28(2)：284－288.Chen Yanjun, Zhang Junxiong, Li Wei, et al. Grading method of apple by maximum cross-sectional diameter based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(2): 284－288. (in Chinese with English abstract)

[5] 李理，殷國富，劉柯岐. 田間果蔬采摘機器人視覺傳感器設計與試驗[J]. 農業機械學報，2010，41(5)：152—157，136.Li Li, Yin Guofu, Liu Keqi. Design and experiments of vision sensor for harvest robots in field[J]. Transactions of The Chinese Society for Agricultural Machinery, 2010, 41(5):152－157, 136. (in Chinese with English abstract)

[6] 張茅. 計算機技術在現代農業中的應用[J]. 農業工程學報，2011，1(4)：26－28.Zhang Mao. Application of computer technology in modern agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011,1(4): 26－28. (in Chinese with English abstract)

[7] 劉燕德，應義斌，傅霞萍. 近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J]. 光譜學與光譜分析，2005，25(11)：1793－1796.Liu Yande, Ying Yibin, Fu Xiaping. Study on predicting sugar content and valid acidity of apples by near/infrared diffuse reflectance technique[J]. Spectroscopy and Spectral Analysis, 2005, 25(11): 1793－1796. (in Chinese with English abstract)

[8] 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]. Jounal of Food Process Engineering, 2015,38(4): 309－319.

[9] 樊書祥，黃文倩，張保華，等. 便攜式蘋果糖度光譜檢測儀的設計與試驗[J]. 紅外與激光工程，2014，43(增刊1)：219－224.Fan Shuxiang, Huang Wenqian, Zhang Baohua, et al. Design and experiment on portable apple soluble solidscontent spectrometer[J]. Infrared and Laser Engineering, 2014,43(Supp.1): 219—224. (in Chinese with English abstract)

[10] 郭志明，陳全勝，張彬，等. 果蔬品質手持式近紅外光譜檢測系統設計與試驗[J]. 農業工程學報，2017，33(8)：245－250.Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)

[11] 王加華，孫旭東，潘璐，等. 基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J]. 光譜學與光譜分析，2008(9)：2098－2102.Wang Jiahua, Sun Xudong, Pan Lu, et al. Discrimination of brownheart and watercore of apples based on energy spectrum of visible/near infrared transmittance[J]. Spectroscopy and Spectral Analysis, 2008(9): 2098－2102. (in Chinese with English abstract)

[12] 王瑞慶，徐新明，馮建華，等. 果實品質無損傷檢測研究進展[J]. 果樹學報，2012，29(4)：683－689.Wang Ruiqing, Xu Xinming, Feng Jianhua, et al. An overview of nondestructive determination technology of fruit quality[J]. Journal of Fruit Science, 2012, 29(4): 683－689.(in Chinese with English abstract)

[13] 潘圓媛，劉燕德，孫旭東. 水果內部品質近紅外動態在線檢測研究進展[J]. 激光與紅外，2010，40(8)：805－810.Pan Yuanyuan, Liu Yande, Sun Xudong. Research progress of on-line detection of fruit quality using near infrared spectroscopy[J]. Laser and Infrared, 2010, 40(8): 805－810.(in Chinese with English abstract)

[14] 王東亭. 基于大通量分級系統的臍橙質量安全追溯技術與裝置[D]. 杭州：浙江大學，2015.Wang Dongting. Technology and Instrument for Quality and Safety Traceability of Navel Oranges Using a High Throughput Sorting System[D]. Hangzhou: Zhejiang University, 2015. (in Chinese with English abstract)

[15] 高海生，趙希艷，李潤豐. 果蔬采后處理與貯藏保鮮技術研究進展[J]. 農業工程學報，2007(2)：273－278.Gao Haisheng, Zhao Xiyan, Li Runfeng. Review of postharvest treatment and preservation technologies of fruit and vegetable[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2007(2): 273－278. (in Chinese with English abstract)

[16] 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 and Technology, 2005, 37(2): 142－151.

[17] Matthias S, Christian W H. Automatic sample rotation for simultaneous determination of geographical origin and quality characteristics of apples based on near infrared spectroscopy(NIRS)[J]. In Vibrational Spectroscopy, 2014, 72: 97－104.

[18] Sun T, Lin H, Xu H, et al. Effect of fruit moving speed on predicting soluble solids content of 'Cuiguan' pears (Pomaceae pyrifolia Nakai cv.Cuiguan) using PLS and LS-SVM regression[J]. Postharvest Biology and Technology, 2009,51(1): 86－90.

[19] 劉燕德，吳明明，孫旭東，等. 豐水梨套網無損在線檢測方法研究[J]. 光譜學與光譜分析，2017，37(8)：2546－2550.Liu Yande, Wu Mingming, Sun Xudong, et al. Study on nondestructive detection with net for intact hosui pear by online spectroscopy[J]. Spectroscopy and Spectral Analysis,2017, 37(8): 2546－2550. (in Chinese with English abstract)

[20] 趙娟，彭彥昆，Sagar Dhakal，等. 基于機器視覺的蘋果外觀缺陷在線檢測[J]. 農業機械學報，2013，44(增刊1)：260－263.Zhao Juan, Peng Yankun, Sagar Dhakal, et al. On-line detection of apple surface defect based on image processing method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.1): 260－263. (in Chinese with English abstract)

[21] 歐陽愛國，吳明明，王海陽，等. 不知火雜柑可溶性固形物在線檢測模型建立及優化[J]. 光譜學與光譜分析，2017，37(5)：1497－1501.Ouyang Aiguo, Wu Mingming, Wang Haiyang, et al.Establishment and optimization of online model for detecting soluble solids content in hybrid “skiranui tangerine” citrus[J].Spectroscopy and Spectral Analysis, 2017, 37(5): 1497－1501. (in Chinese with English abstract)

[22] 劉燕德，李軼凡，龔志遠，等. 鴨梨黑心病可見/近紅外漫透射光譜在線檢測[J]. 光譜學與光譜分析，2017，37(12)：3714－3718.Liu Yande, Li Yifan, Gong Zhiyuan, et al. The discrimination of blackheart pears research based on visible/near-infrared diffuse transmission spectrum on-line detector[J]. Spectroscopy and Spectral Analysis, 2017, 37(12): 3714－3718. (in Chinese with English abstract)

[23] 郭志明，黃文倩，陳全勝，等. 近紅外光譜的蘋果內部品質在線檢測模型優化[J]. 現代食品科技，2016，32(9)：147－153.Guo Zhiming, Huang Wenqian, Chen Quansheng, et al.Model optimization for the on-line inspection of internal apple quality by shortwave near-infrared spectroscopy[J].Modern Food Science and Technology. 2016, 32(9): 147－153. (in Chinese with English abstract)

[24] 李江波，饒秀勤，應義斌. 基于照度-反射模型的臍橙表面缺陷檢測[J]. 農業工程學報，2011，27(7)：338－342.Li Jiangbo, Yao Xiuqin, Ying Yibin. Detection of navel surface defects based on illumination-reflectance model[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(7): 338－342. (in Chinese with English abstract)

[25] 耿立中，王鵬，馬騁，等. RS485高速數據傳輸協議的設計與實現[J]. 清華大學學報(自然科學版)，2008(8)：1311－1314.Geng Lizhong, Wang Peng, Ma Cheng, et al. Design and implement of RS485 high speed data communications protocol[J]. Journal of Tsinghua University (Science and Technology), 2008(8): 1311－1314. (in Chinese with English abstract)

[26] 楊頎，孟志強，彭永進. 基于 MAX1044和 MAX485的RS232—RS485轉換器[J]. 湖南大學學報(自然科學版)，2002(增刊 1)：84－88.Yang Qi, Meng Zhiqiang, Peng Yongjin. Converter Between RS232 and RS485 based on MAX1044 and MAX485[J].Journal of Hunan University(Natural Sciences Edition),2002(Supp.1): 84－88. (in Chinese with English abstract)

[27] 中華人民共和國農業部. 水果和蔬菜可溶性固形物含量的測定折射儀法：NY/T 2637—2014[S]. 中國：中國標準出版社，2015.

[28] 趙曉霞，張鐵中，陳兵旗，等. 自然環境下桃子圖像分割算法[J]. 農機化研究，2009，31(2)：107－111.Zhao Xiaoxia, Zhang Tiezhong, Chen Bingqi, et al. Study on the segmentation algorithm for peach in natural scene[J].Journal of Agricultural Mechanization Research, 2009, 31(2):107—111. (in Chinese with English abstract)

[29] 袁欣智，江洪，陳蕓芝，等. 一種應用大津法的自適應閾值水體提取方法[J]. 遙感信息，2016，31(5)：36—42.Yuan Xinzhi, Jiang Hong, Chen Yunzhi, et al. Extraction of water body information using adaptive threshold value and QTSU algorithm[J]. Remote Sensing Information, 2016,31(5): 36－42. (in Chinese with English abstract)

[30] 孫通，許文麗，林金龍，等. 可見/近紅外漫透射光譜結合CARS變量優選預測臍橙可溶性固形物[J]. 光譜學與光譜分析，2012，32(12)：3229－3233.Sun Tong, Xu Wenli, Lin Jinlong, et al. Determination of soluble solids content in navel oranges by Vis-NIR diffuse transmission spectra combined with CARS medthod[J].Spectroscopy and Spectral Analysis, 2012, 32(12): 3229－3233. (in Chinese with English abstract)

[31] 劉燕德，姜小剛，熊松盛，等. 基于CARS算法的臍橙果園土壤有機質近紅外檢測[J]. 中國農機化學報，2016，37(2)，240－244.Liu Yande, Jiang Xiaogang, Xiong Songsheng, et al. Using CARS to predict the content of soil organic matter based on Vis-NIR spectra[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(2): 240－244. (in Chinese with English abstract)

[32] 劉燕德，施宇，蔡麗君，等. 基于CARS算法的臍橙可溶性固形物近紅外在線檢測[J]. 農業機械學報，2013，44(9)：138－144.Liu Yande, Shi Yu, Cai Lijun, et al. On-line NIR detection model optimization of soluble solids content in navel orange based on CARS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 138－144. (in Chinese with English abstract)

[33] 袁瑩，王偉，褚璇，等. 光譜特征波長的SPA選取和基于SVM 的玉米顆粒霉變程度定性判別[J]. 光譜學與光譜分析，2016，36(1)：226－230.Yuan Ying, Wang Wei, Chu Xuan, et al. Selection of characteristic wavelengths using SPA and qualitative discrimina of mildew degree of corn kernels based on SVM[J]. Spectroscopy and Spectral Analysis, 2016, 36(1):226－230. (in Chinese with English abstract)

[34] 廖宜濤，樊玉霞，成芳，等. 連續投影算法在豬肉 pH值無損檢測中的應用[J]. 農業工程學報，2010，26(增刊1)：379－383.Liao Yitao, Fan Yuxia, Cheng Fang, et al. Application of successive projections algorithm to nondestructive determination of pork pH value[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(Supp.1): 379—383. (in Chinese with English abstract)

[35] 李江波，郭志明，黃文倩，等. 應用CARS和SPA算法對草莓 SSC含量 NIR光譜預測模型中變量及樣本篩選[J].光譜學與光譜分析，2015，35(2)：372－378.Li Jiangbo, Guo Zhiming, Huang Wenqian, et al. Nearinfrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J].Spectroscopy and Spectral Analysis, 2015, 35(2): 372－378.(in Chinese with English abstract)