用于检测和监测真菌果腐的非侵入性成像技术:综述,重点关注热带和亚热带水果

《Food Control》:Non-invasive imaging technologies for fungal fruit-rot detection and monitoring: a review with emphasis on tropical and subtropical fruit

【字体: 大 中 小 】 时间:2026年10月24日 来源:Food Control 7.0

编辑推荐:

  摘要全球对热带和亚热带水果的需求正在增加。这一趋势给跨长供应链的真菌性果实腐烂管理带来了越来越大的压力。尽管严格的抗真菌处理和优化的储存条件对于抑制真菌性果实腐烂至关重要,但在商业条件下它们无法完全防止感染。因此,一种能够检测早期真菌性果实腐烂发展的高通量检测方法对于防止储存过程

  

摘要

全球对热带和亚热带水果的需求正在增加。这一趋势给跨长供应链的真菌性果实腐烂管理带来了越来越大的压力。尽管严格的抗真菌处理和优化的储存条件对于抑制真菌性果实腐烂至关重要,但在商业条件下它们无法完全防止感染。因此,一种能够检测早期真菌性果实腐烂发展的高通量检测方法对于防止储存过程中批次内部的传播至关重要。本综述研究了四种用于果实收获后腐烂检测和监测的非侵入性成像技术:(1)在包装线上的实时分选和检测;(2)通过物理化学前兆早期检测无症状感染;(3)定量监测单个果实中腐烂程度的变化;(4)真菌定殖和相关宿主组织变化的时空监测。我们将主要果实腐烂(特别是炭疽病和脐端腐烂)引起的物理化学和微观结构变化与疾病进展过程中的成像对比度联系起来。我们比较了高光谱、紫外荧光、X射线、磁共振和热成像技术,基于它们的对比机制、穿透深度以及适用于不同检测和监测目标的能力。然后,我们讨论了有效成像策略中的模式选择、多模态融合以及机器学习和深度学习方法。然而,工业应用仍然受到通量、对生物和环境变化的鲁棒性、设备成本以及跨品种、生产区域和季节的模型验证限制的制约。

引言

由于营养价值高、用途多样、外观吸引人且风味独特,热带和亚热带地区的水果越来越受到全球关注。收获后的真菌性果实腐烂是全球水果市场面临的最严重风险之一。特别是由Colletotrichum属菌种引起的炭疽病,以及通常与Botryosphaeriaceae真菌家族病原体相关的脐端腐烂,是全球收获后损失的主要原因。虽然整个收获后链条中的真菌感染造成的经济损失各不相同,且记录不详,但据估计通常达到收获产量的30-50%(Bautista-Ba?os, 2014)。温暖潮湿的条件、不当的收获后处理以及对杀菌剂使用的限制(包括监管禁令)、小农的经济障碍以及抗性菌株的出现,都加剧了真菌性果实腐烂的发生和严重程度(Bautista-Ba?os, 2014; Dofuor et al., 2023; Law et al., 2025)。
在检测真菌性果实腐烂时,效率、可靠性和早期检测至关重要。这是因为即使在无症状阶段,感染也可能在批次内部传播,从而导致显著的收获后损失(Ghanei Ghooshkhaneh & Mollazade, 2023; Gómez-Sanchis et al., 2008; Seehanam et al., 2024)。然而,由于仅涉及微妙或内部的生理变化,早期检测腐烂发展通常具有挑战性。这在果皮厚或内部结构复杂的果实中尤为明显,例如感染了脐端腐烂的鳄梨或患有黑心病的石榴(Matsui et al., 2022; Munera et al., 2025)。因此,研究人员正在积极探索识别无症状或视觉上无法检测到的感染的方法,从而减少收获后损失并保持果实质量。此外,还需要在空间和时间尺度上对果实生理和疾病进展进行非侵入性监测,以评估质量控制策略并更好地理解完整果实中的真菌定殖(Matsui et al., 2026)。
非侵入性成像技术可以支持收获后果实腐烂检测和监测的四个目标。这些包括:(1)实时分选和检测,实现快速准确的收获后筛查;(2)早期检测无症状感染,以便在储存期间识别受感染的果实,防止批次内部污染;(3)定量监测单个果实中腐烂程度的变化,便于非破坏性地评估收获后干预的效果和持久性;(4)真菌定殖和相关宿主组织变化的时空监测,从而为真菌感染和宿主防御反应提供机制见解。
已经应用了多种成像技术来检测和监测真菌性果实腐烂。这些技术包括高光谱成像(HSI)(Fazari et al., 2021; Siripatrawan & Makino, 2024; Velásquez et al., 2024)、紫外(UV)荧光成像(Kondo et al., 2009)、X射线(Gadgile et al., 2017; Matsui et al., 2022)、磁共振成像(MRI)(Goodman et al., 1996; Zhang & McCarthy, 2012)和热成像(Pathmanaban, Gnanavel, Anandan, et al., 2023)。每种成像方式都依赖于与穿透深度、目标现象、空间分辨率和数据维度相关的不同对比机制,并在测量速度、成本和适用领域方面存在实际权衡。Nicola? et al.(2014)比较了这些实际特性,尽管最近的技术进步不断推动了一些界限的转变,但总体框架仍然适用。还必须考虑操作员的安全问题,因为某些测量方法涉及电离辐射和其他需要适当屏蔽和保护措施的危害(Kotwaliwale et al., 2014)。
有效应用成像技术不仅需要了解成像技术本身,还需要了解宿主水果的特性和真菌感染策略。宿主水果的形态会限制特定成像方式的适用性,并影响采集参数的选择。例如,在果皮厚的果实中,内部质量评估尤其具有挑战性(Arendse et al., 2018)。此外,结构和物理化学性质在储存过程中是空间异质的并且动态变化的(Lan et al., 2025; Nicola? et al., 2023)。此外,某些病原体通过特定的进入点(如脐端、气孔或伤口)进行定殖,因此这些部位是检测的关键目标(Bautista-Ba?os, 2014)。
现有的综述分别讨论了相关主题:真菌性果实腐烂的生物学(Bautista-Ba?os, 2014; Karunanayake & Adikaram, 2020)、单独的成像方式(Pathmanaban, Gnanavel, Anandan, et al., 2023)、厚皮商品的非破坏性评估(Arendse et al., 2018)以及测量原理的多模态比较(Nicola? et al., 2014)。然而,缺乏针对特定水果、疾病和目标的综合指导来选择适当的成像方式。本综述填补了这一空白,将腐烂引起的组织变化与每种成像方式的对比机制和实际限制联系起来,涵盖了收获后果实腐烂检测和监测的四个目标。
本综述重点关注热带和亚热带水果的真菌疾病,同时也包括关于温带水果、卵菌感染和生理紊乱的相关研究(尽管直接证据有限)。如图1所示,第2节涵盖了宿主水果和真菌疾病,第3节回顾了成像方式,第4节按检测或监测目标组织了策略,第5节提供了模式选择的比较框架,并进一步考虑了数据融合和机器学习/深度学习方法。本综述排除了可见光RGB成像和缺乏空间分辨率的非成像方法。关于基于声学、介电和挥发物质的传感技术,读者可以参考J. Liu et al.(2025);关于检测和识别病原微生物本身的方法,请参阅Assudani et al.(2026)。

部分片段

主要热带和亚热带水果的真菌性果实腐烂

了解每种真菌性果实腐烂相关的物理化学和结构变化对于选择适当的成像方式至关重要。真菌损害取决于病原体、宿主水果和环境条件之间的相互作用,这通常被称为“疾病三角”。真菌可以通过三种主要途径进入果实:角质层穿透、自然开口和伤口感染,尽管有些病原体能够采用其他方式

非侵入性成像技术

本节回顾了能够非侵入性地检测和/或监测果实组织内部或表面真菌性果实腐烂发展的主要成像技术。对于每种技术,提供了相应的表格,总结了真菌疾病类型、测量配置、分析方法以及可检测的症状或组织变化。尽管本综述重点关注热带和亚热带水果,但也讨论了温带水果的相关研究

收获后果实腐烂检测和监测的四个目标

本节探讨了第3节中回顾的成像方式如何应对第2节中描述的真菌疾病带来的收获后挑战。讨论围绕四个目标展开,这些目标涵盖了从商业应用到基础研究的连续范围,每个目标都对成像性能提出了不同的要求:最高的通量和在操作限制下的稳健分类,以实现实时分选和检测(第4.1节);对

成像方式和数据分析的选择与整合

本节将第2节“主要热带和亚热带水果的真菌性果实腐烂”、第3节“非侵入性成像技术”和第4节“收获后果实腐烂检测和监测的四个目标”整合在一起,讨论了模式选择(第5.1节),随后简要介绍了多模态数据融合(第5.2节)和机器学习/深度学习(第5.3节)——这两种支持技术可能会塑造该领域的近期发展。

结论

本综述将主要收获后真菌性果实腐烂的生物学与非侵入性成像的对比机制和实际限制结合起来,涵盖了从商业应用到基础研究的四个目标:实时分选和检测、无症状感染的早期检测、腐烂程度的定量监测以及真菌定殖的时空监测。第5.1节的比较评估揭示了三个要点。首先,

CRediT作者贡献声明

Takahiro Matsui:撰写——审稿与编辑,撰写——初稿,研究,资金获取,概念化。Kento Koyama:撰写——审稿与编辑,监督,研究,概念化

未引用的参考文献

Cantre et al., 2014; Li et al., 2022; Pathmanaban et al., 2023.

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

数据可用性声明

数据可根据请求提供。

生成式AI使用声明

在准备本工作时,作者使用了Claude (Anthropic)、ChatGPT (OpenAI) 和 DeepL (DeepL SE) 来收集和组织数据,并改进语言和措辞。作者审查并编辑了所有AI辅助的输出,并对出版物的内容负全责。

资金声明

本研究得到了JSPS KAKENHI补助金的支持(编号:26KJ0396)。

利益冲突声明

不存在需要声明的利益冲突。
Takahiro Matsui|Kento Koyama
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号