采后水果品质因种类不同而存在差异，并在分选、包装、运输和贮藏过程中持续变化。因此，建立一种高效、客观且对果实机械损伤小的分级方法，对于确保产品一致性、降低市场价格波动和减少供应链损耗具有重要意义。本文系统阐述了不同种类水果的分级规范、检测技术、处理算法、结构设计及实际应用。研究综合运用机器视觉（machine vision）、可见-近红外光谱（visible-near-infrared spectroscopy, Vis/NIR）、高光谱成像（hyperspectral imaging）、X射线成像（X-ray imaging）、声学与力学检测、电子鼻（electronic nose）及多传感器融合技术，对果实外部特征、内部品质和隐性缺陷进行检测。在算法层面，研究涵盖了传统机器学习（conventional machine learning）、深度学习（deep learning）、迁移学习（transfer learning）及轻量化实现方法。该领域研究已从依据尺寸、重量和颜色进行分级，发展为对成熟度、汁液含量、硬度、内部缺陷及货架期的综合评价。此外，单一检测装置正逐步集成为包含供料、分离、检测、分级、换向、包装和数据管理在内的完整系统。然而，当前应用仍受限于分级标准与可测量结果之间的差异、跨品种及跨批次泛化能力的不足，以及多传感器实时协同的困难。系统需在生产速度、机械损伤与成本之间保持平衡。未来需重点关注品质描述标准化、多源信息融合策略、自适应轻量化模型开发、模块化结构设计及端到端可追溯性保障。解决上述问题将推动采后水果分级从实验室精确识别向可靠、经济且大规模的商业应用转变。
采后水果分级技术研究综述：品质标准、无损检测、智能算法与装备集成
1. 引言
水果作为全球生鲜供应链中的重要商品，具有高度易腐性和异质性。采后果实仍持续进行呼吸、蒸腾、成熟和萎蔫等代谢活动，同时受到分选、包装、运输、贮藏和销售过程中的挤压、冲击、振动及温湿度变化的影响，导致水分流失、软化、机械损伤和微生物腐败，降低可销售数量并造成资源浪费。因此，有必要依据可测量的品质特征进行及时、客观且一致的分级，以实现产品标准化、差异化定价、合理包装与物流配置，并减少供应链损耗。
水果分级范围已从单一指标（如直径、重量、颜色）扩展至多维度品质特征，包括表面缺陷、成熟度、可溶性固形物含量（soluble solids content, SSC）、酸度、硬度、干物质含量、内部病害及货架期。人工分级受操作者能力、疲劳程度、主观标准和工作条件影响，难以在高速作业中保持决策一致性。基于孔径、辊距或重量的机械分级系统虽可提高生产率，但仅依据少数物理参数进行分选，无法准确检测隐性缺陷和内部品质差异。近年系统综述表明，水果品质评价研究聚焦于机器学习、深度学习和机器视觉系统，研究重点正从离线分类精度对比转向多属性检测、实时处理和工业环境适应性。
外部品质检测方面，采用RGB、多光谱和三维成像的机器视觉系统可非接触获取果实尺寸、形状、颜色、纹理和表面缺陷信息。传统方法主要依赖阈值分割、颜色空间变换和手工特征，对背景变化、光照波动、果实朝向和缺陷尺寸的鲁棒性较差。相比之下，卷积神经网络（convolutional neural network, CNN）、目标检测器和实例分割模型可从大量图像数据中学习层次化特征，增强对不同品质等级中各类缺陷的识别能力。然而，外部品质无法完全表征果实的食用品质或贮藏风险，外观完好的果实仍可能存在甜度不足、硬度下降、内部褐变、虫害或初期腐烂。因此，可见-近红外光谱、高光谱成像、X射线成像、声学传感、介电测量和电子鼻等无损检测技术被用于评估化学成分、组织结构、成熟度和潜在缺陷，并日益与化学计量学和智能算法相结合。
现代水果分级装备已不再是孤立的检测模块，而是集供料与清洗、单果化、姿态控制、稳定图像或光谱采集、智能分类、分选执行和数据管理于一体的机电信息系统。装备性能不仅取决于算法精度，还受吞吐量、果实旋转与遮挡、运动模糊、光照稳定性、传感器成本、卫生维护要求及机械损伤控制等因素制约。因此，实验室条件下的高精度并不必然转化为生产线上的稳定分级性能。
智能水果分级仍面临若干共性挑战：品种、产地、季节、成熟度和贮藏条件相关的生物学变异削弱了模型跨批次泛化能力；缺陷与正常色素沉着之间的视觉相似性、内部品质的空间异质性以及高速运动中的信号波动增加了误分类风险；多传感器系统虽提供互补信息，但也带来数据同步、模型复杂度、设备成本和在线计算需求等方面的困难。此外，许多研究仍侧重于实验室数据集上的识别性能，对商业级定义、可靠连续运行、灵活低损伤处理、模型校准与维护以及全生命周期经济性关注不足。
2. 采后水果分级品质标准
采后水果分级应综合考虑商业外观、食用品质、安全性和流通适应性。外部性状包括尺寸、质量、形状、颜色、表面清洁度和可见缺陷；内部性状包括可溶性固形物含量（SSC）、酸度、糖酸比、硬度、干物质、水分和成熟度；安全与缺陷评估涵盖内部褐变、空心组织、冷害或冻害、虫害、霉变和腐烂；流通适应性取决于耐贮性、货架期、成熟度均匀性和抗运输损伤能力。分级系统应超越单一尺寸或质量指标，从多个维度评估品质。
外部属性易于观察、测量快速且便于集成到在线系统，因此仍是商业分级的核心。重量传感器和二维或三维视觉常用于评估果实直径、形状、颜色和表面缺陷。内部属性与风味、质地和成熟度关系更密切，但传统理化检测具有破坏性且仅限于抽样检验。可见和近红外光谱可实现SSC、干物质、硬度和成熟度的快速无损估算。
安全与缺陷指标应优先评估。表面损伤、裂纹和严重腐烂通常可通过视觉检测，但内部褐变、水心病、空腔、潜伏腐烂和早期机械损伤可能无外部迹象，需借助光谱、X射线成像、声学传感、核磁共振或多传感器融合进行检测。此类缺陷不应视为普通等级差异，与腐烂、病害或消费风险相关的果实应在其余果实进行商业分级前予以剔除。
流通适应性指果实包装、贮藏、运输和销售过程中保持品质的能力，其评估考虑成熟度、硬度、货架期、抗冲击和振动能力及水分流失和腐烂风险。实际分级顺序应为：剔除存在安全相关缺陷的果实，按外部品质对剩余果实分选，利用内部属性进行精细化评估，并根据流通性能分配最终等级。流通适应性应表述为与预测剩余货架期、市场目的地和预期损耗降低相关联的分配决策。
3. 采后水果分级关键技术
3.1 机器视觉
机器视觉从RGB、多视角或结构光图像中获取果实直径、形状、颜色、纹理和表面缺陷信息，主要优势在于检测速度快、成本低、非接触操作且易于与输送和剔除装置集成。传统阈值分割、边缘检测和纹理算法在稳定光照和背景下适用于单一任务；而CNN、YOLO检测器和实例分割模型更能应对复杂缺陷、不同果实位置和小目标，但需要具有代表性的标注数据集，并需消除镜面反射、遮挡、运动模糊和跨批次域变化的影响。
研究表明，低成本边缘设备可支持标准化包装线上的快速外部分级。例如，基于EfficientNet和Raspberry Pi的实时视觉系统对苹果和香蕉的测试集准确率分别为99.2%和98.6%，在线准确率分别为96.7%和93.8%；轻量级YOLO-BFD模型对香蕉四个新鲜度等级的分类平均准确率达97.8%，在Jetson Orin NX和Jetson TX2上的检测速度分别为61和29帧/秒。进一步研究表明，常规RGB和多视角成像已从颜色和表面缺陷评估扩展到果形对称性、果串紧实度、定量成熟度评估和品种识别。基于结构光反射的增强成像可进一步揭示常规RGB成像难以可视化的初期腐烂和浅层潜在缺陷。
在线机器视觉分级的主要挑战已从最大化单一数据集精度转向平衡分级标准一致性、跨品种可迁移性、计算需求和产线吞吐量。训练和外部测试数据应涵盖果皮形态、自然色素沉着、缺陷发生率、背景、光照、果实朝向和输送速度等变化。研究应报告独立批次性能、单果处理时间、模型大小和误分类类别。
3.2 近红外光谱
可见-近红外（Vis/NIR）光谱通过O-H和C-H等官能团的吸收和散射响应估算可溶性固形物含量（SSC）、干物质含量、硬度和成熟度。该技术无损、可实现快速单样品测量，可应用于手持仪器或在线分级系统，特别适用于高价值水果的内部品质分级。其主要局限在于测量通常代表局部点信息，且模型性能易受品种、产地、季节、温度、果皮特性和测量位置影响。
研究表明，单次近红外扫描可预测桃的内部品质，干物质和SSC模型的R2值分别达0.98和0.96，RMSEP分别为0.41%和0.58%；便携式400-1000 nm设备预测苹果SSC，独立实验室验证R2为0.764，RMSEP为0.672%，现场数据重校准后对应值为0.690和0.604%。Vis/NIR模型的工程可靠性主要取决于样本变异性的充分覆盖和测量条件的严格控制。校准集应代表产地、温度、贮藏阶段和内部缺陷状态的变异，并通过多批次独立验证、温度补偿、仪器间校准传递和版本化模型更新来维持模型稳定性。商业常规使用还需参考标准校验、光学窗口清洁和漂移监测。
3.3 高光谱成像
高光谱成像在每个像素记录连续光谱，将空间定位与成分响应相结合，可揭示RGB图像中难以辨别的早期瘀伤、腐烂和病害，并绘制缺陷或品质属性的空间分布。该技术适用于高价值水果的潜在缺陷筛查、离线精密检测和信息波长识别，但设备成本、校准要求和数据维度较高。工程部署中通常选择少量特征波长，转移至多光谱相机和轻量级模型，以平衡检测速度和成本。
研究表明，可见-近红外高光谱成像结合两波段比值处理和改进的分水岭分割，对撞击后6、12和24小时苹果的健康果、瘀伤果和全部样品的识别率分别为93.3%、92.2%和92.5%；高光谱荧光成像结合ResNet-50一维卷积神经网络（1D-CNN）区分健康、无症状、感染和感染后草莓，准确率达96.86%。高光谱模型不仅应评估分类精度或回归误差，还应评估其跨品种、跨批次和跨成像条件的稳定性。在大多数当前场景中，全高光谱成像更适合高价值水果、离线审核或波长发现，而非作为主流商业线上RGB或Vis/NIR传感的无条件替代。
3.4 X射线、声学、力学和电子鼻技术
X射线成像利用组织密度差异，适用于识别内部褐变、空腔和虫害等外部不可见缺陷。声学和力学方法通过敲击、振动、压缩或穿刺响应评估硬度、脆度和成熟度，硬件相对简单。电子鼻监测与成熟度、损伤和腐烂相关的挥发性有机化合物指纹，更适合贮藏相关早期预警。X射线成像支持高价值内部检测或检疫；声学和力学传感适用于质地分级；电子鼻适用于批次或贮藏区域监测。共同约束包括设备安全和成本、激励一致性、环境噪声和传感器漂移。
研究表明，基于X射线计算机断层扫描（CT）和单张二维射线照片的模型识别‘Braeburn’苹果内部褐变的准确率均达96%±1%，表明更快且更便宜的二维成像可替代全CT；基于6 cm自由落体冲击的猕猴桃振动响应结合PCA-BPNN模型，将果实分为未熟、成熟和过熟三个阶段，校准集和验证集准确率分别为94.2%和92.1%。X射线成像最适合高价值单果精密检测，声学和力学传感适合输送线上的快速质地分级，电子鼻适合批次或贮藏区域趋势监测。
3.5 多传感器融合
多传感器融合在数据、特征或决策层面整合视觉、光谱、声学、力学或嗅觉信息，实现外观、内部成分和组织状态的同时评估，是从单属性检测走向综合品质分级的关键途径。数据级融合保留最多信息但产生高维输入；特征级融合平衡预测性能和计算需求；决策级融合便于模块化维护。该方法最适合高价值水果、多属性定价和货架期预测，但需要解决同步采集、空间配准、测量尺度差异、数据缺失和系统成本增加等问题。
研究表明，声学图像特征与可见-近红外光谱融合结合SwinT-PLS预测黄肉桃硬度，预测集R2=0.951，RMSEP=0.443 N/mm，RPD=4.339，显著优于单一声学和光谱模型；苹果主声频、主振动频率和质量作为人工神经网络输入后进行决策融合，特征级融合平均提高分类准确率10.84%和10.14%，Dempster-Shafer决策融合最大提高19.8%和12.5%。工程系统应通过消融实验和独立批次验证量化融合增益与单传感器基线的对比，同时报告同步误差、缺失模态鲁棒性、推理时间、单位成本和维护负担。
4. 水果分级数据处理算法
4.1 传统机器学习方法
传统机器学习使用手工提取或选择的结构化特征作为输入，主要包括主成分分析（principal component analysis, PCA）降维、偏最小二乘和偏最小二乘判别分析（partial least squares/partial least squares discriminant analysis, PLS/PLS-DA）回归与分类、K-means聚类、支持向量机和支持向量回归（support vector machine/support vector regression, SVM/SVR）、随机森林和K近邻（K-nearest neighbors, KNN）。这些模型参数较少，可在较小数据集上训练，可解释性更强，适用于颜色、形状、纹理、选定波长和声学参数等低维变量，常作为小样本水果分级、定量光谱预测和新算法的基准。其主要局限在于依赖特征工程，光照变化、缺陷复杂或数据跨品种变异时需要重新进行特征选择或模型校准。
研究表明，从苹果顶、底和侧面图像提取直径、圆度、着色率和缺陷区域，加权K-means聚类分级准确率为93.3%，集成多特征分级准确率超过96%，处理速度达21幅图像/秒；SVM与YOLOv3级联的移动香蕉分级系统中，SVM从颜色和纹理分类成熟度准确率为98.5%，YOLOv3定位表面缺陷准确率为85.7%。传统机器学习最适合样本量有限、特征维度可控且需要可解释决策变量的场景，应进行独立批次或外部验证，并报告特征数量、交叉验证策略、测试集大小和推理时间，防止因小样本划分或特征泄漏而高估模型性能。
4.2 深度学习方法
深度学习从图像或一维光谱中自动学习特征。常见水果分级任务包括整果等级分类、目标和缺陷检测以及像素级分割。CNN适用于成熟阶段或健全/缺陷分类；YOLO和SSD等单阶段模型推理速度快，适合在线定位；Faster R-CNN检测精度高但计算资源需求大；U-Net、DeepLab和BiSeNet可量化缺陷面积；Transformer擅长建模全局关系但通常需要更大数据集和更高计算能力。算法选择取决于所需输出：仅需等级标签时选择分类网络，需确定缺陷位置和面积时分别选择检测和分割网络。
研究表明，基于4320张图像的CNN成熟度模型将Nendran香蕉分为未熟、部分成熟、成熟和过熟四个阶段，准确率达95%；BiSeNet V2语义分割结合剪枝YOLOv4在线分级苹果，BiSeNet V2平均像素准确率达99.66%，单幅图像推理时间9 ms，完整系统在线分级准确率92.42%，F1分数94.31%。
4.3 模型迁移、轻量化设计与在线部署
模型迁移、轻量化设计和在线部署旨在保持算法从实验室数据集到连续分级线的稳定性和效率。迁移学习和域适应利用有限目标域样本纠正品种、季节、仪器或操作环境相关差异，光谱模型常用校准传递和模型更新。剪枝、量化、轻量级骨干网络和知识蒸馏可减少参数量、存储需求和推理延迟。这些算法不应仅以准确率评估，还应报告跨批次性能、模型大小、浮点运算次数（floating-point operations, FLOPs）、边缘设备帧率和实际输送能力。
研究表明，针对可见-近红外苹果成熟度模型的季节性性能退化，通过模型融合和校正，2020年和2021年样本的相关系数分别提高6.8%和10.6%，RMSE分别降低52.2%和32.2%；基于GhostNet骨干、特征融合和知识蒸馏的G-YOLO-NK百香果检测模型平均精度均值达96.4%，仅占7.14 MB，在Jetson Nano上处理11.23帧/秒，模型大小较YOLOv5s减少50.4%。
5. 智能采后水果分级装备与系统架构
智能采后水果分级装备不是独立的检测仪器，而是物料处理、品质传感、数据处理和执行器控制协调运作的集成机电系统。典型流程包括生物与生产背景、分级标准、传感模态、模型开发与验证、产线集成、商业分配和结果反馈。在装备层面，前端决定果实是否清洁、有序且低损伤处理；中间阶段决定信息是否完整一致地获取；下游阶段将等级分配转换为精确的换向动作。除分级精度外，系统评估还应考虑吞吐量、果面覆盖率、控制延迟、机械损伤率、品种变化适应性和维护成本。
5.1 供料与清洗单元
供料与清洗单元执行三项主要功能：连续供果、去除异物和标准化果面状态。常见组件包括料斗和提升带、缓冲水槽、喷淋管、毛刷辊、超声波清洗槽、排水段和风刀。圆形且耐冲击的果实（如苹果和柑橘）可采用刷辊与喷淋组合清洗，而桃、猕猴桃和小浆果更适合低跌落水槽或柔性输送。单元设计应防止架桥、堆叠和高速跌落，同时控制清洗压力、刷辊硬度和干燥风温，避免预处理造成的擦伤或水分流失。清洁度、损伤率和残留水分应作为联合评估标准，并纳入可调节的喷淋、刷洗和风干模块。
5.2 单果化、输送与姿态调整单元
单果化、输送与姿态调整单元将散装果实转化为具有受控间距和姿态的单列流。代表性机构包括差速带、螺旋辊、双锥辊、果杯或托盘、刷辊和悬挂夹持输送。差速带提供高速分离；螺旋辊和双锥辊结合间距控制与果实旋转；果杯便于称重、识别和精确卸料；悬挂输送减少草莓和葡萄等损伤敏感果实与输送表面的接触。机构选择需在果面覆盖率、吞吐量、卡堵风险和冲击损伤之间取得平衡。
研究表明，葡萄串在输送速度0.4-1.0 m/s和加速度6-12 m/s2条件下，悬挂力变化随速度和加速度增加而增大（R2=0.92），与刚性塑料盒碰撞产生最大力变化8.6 N，表明易脱粒的葡萄串需要渐进加速和柔性承接表面；三通道多级螺旋驱动在单通道1和3果/秒速率下，完整果面分别被成像超过4次和至少1.4次，三通道总吞吐量超过9果/秒。
5.3 在线检测单元
在线检测单元包括传感器、照明或激励源、遮光结构、触发器和采集接口。传感器选择应与目标属性匹配：机器视觉适用于尺寸、颜色和表面缺陷；Vis/NIR光谱适用于SSC、干物质含量和成熟度；高光谱成像适用于空间-光谱联合分析；X射线成像适用于空腔、虫害和内部结构异常；称重或力学传感器适用于基于质量和硬度的辅助分级。光路长度、组织穿透深度、果皮厚度、果实朝向、表面水分、温度、光照和输送振动显著影响在线信号。增加更多传感器并非固有有益，应优先考虑遮光、定位、同步触发、日常清洁和定期校准。
研究表明，在线近红外分级系统根据SSC将鲜枣分为三个等级，外部验证样本总体分级准确率86.7%，最优模型RPD为2.8；悬挂夹持输送草莓的在线可见-近红外系统中，1D-CNN-LSTM模型预测SSC的R2p=0.963，RMSEP=0.209 °Brix，RPD=5.332。
5.4 智能分类与控制单元
智能分类与控制单元按照标准流程将传感器数据转换为可执行的分级指令，包括采集、预处理或推理、果实类型识别、等级判定、位置和时间调整以及控制器响应。工控机适用于多视角、多光谱和深度学习计算；控制器提供电机、气缸和电磁执行器的确定性控制；边缘AI设备适用于空间受限或低功耗应用。控制系统应将每个果实ID与编码器位置和距执行站的距离关联。端到端延迟、漏触发率和连续运行稳定性应随离线模型精度一并报告。
研究表明，改进YOLOv5模型部署于自动苹果分级机，算法平均测试集准确率90.6%，推理速度59.63帧/秒，整机在4果/秒吞吐量下分级准确率93%；CNN检测器结合SORT跟踪器在不改造现有输送线的情况下连续关联多个柑橘目标，在线缺陷检测总体准确率93.66%。
5.5 分选执行器
分选执行器根据分配等级和预测到达时间将果实换向。常见机构包括空气喷射、电磁或气动推杆、拨板、翻板或闸门、果杯卸料、多通道换道和机器人柔性抓取。空气喷射响应快但仅适用于小型轻质果实；拨板和翻板适用于苹果和柑橘等中等质量果实；果杯卸料易于与称重和识别协调；柔性机器人抓取适用于高价值、损伤敏感果实，但成本和周期时间较高。接触机构应采用曲面、柔性材料和缓冲跌落，防止检测后执行过程中的二次损伤。由于瘀伤可缩短货架期并成为微生物侵染位点，无损伤率、延迟瘀伤发生率、腐烂发生率和可销售产量应作为共同主要性能指标。
研究表明，鲜枣分级机采用电磁同步执行器，图像处理需50 ms/帧，执行器响应需40 ms，将果实分为五个尺寸等级和一个颜色等级，总体准确率93.7%，无损伤率100%，效率20果/秒，最大产能1400 kg/h；三指柔性抓取器集成力反馈和滑移检测，激活力反馈将苹果抓取损伤率从20%降至0%，带滑移检测的柔性手指在无果皮损伤条件下实现80%抓取成功率。
在集成分级线中，最慢或最不可靠的模块制约整体吞吐量。即使传感器精度很高，若清洗、果实呈现、校准、执行、卫生和维护等其他操作导致停机或果实损伤，其商业价值也有限。因此，整机试验和全生命周期经济评估对评价商业可行性至关重要。
6. 代表性水果类别的应用
6.1 仁果类
以苹果和梨为代表的仁果类水果需同时按外部一致性和一致的内部食用品质进行分级。果实直径、形状、着色率和表面缺陷仍是商业分级的基础，而SSC、硬度、水心病、霉心和贮藏相关内部褐变决定品质定价和贮藏运输适宜性。苹果外部分级工程开发相对成熟，研究已从静态单果识别转向多果并行处理、全表面成像和闭环检测执行。内部品质分级主要关注甜度、硬度和隐性缺陷，可采用Vis/NIR反射或透射光谱获取机器视觉无法观测的信息。梨外部分级与苹果的主要区别在于梨形态不对称且具有明显皮孔和锈斑，单视角轮廓或颜色阈值可能将自然表面纹理误分类为缺陷。梨内部品质评估还需解决不对称果形导致的光谱采样位置不一致以及品种间果皮颜色和石细胞含量差异。
6.2 核果类
以桃、李和杏为代表的核果类水果成熟迅速、软化明显，瘀伤易从表皮向皮下组织扩展。果实直径、底色和着色度可通过机器视觉快速测量，但外部成熟度不一定对应适当的SSC、干物质含量、酸度和硬度。缝合线、绒毛、果粉和自然斑点干扰缺陷识别。此外，新形成的轻微瘀伤通常视觉不可见，可能在分级后随果实继续软化发展为褐变和腐烂。核果类应用应整合外部外观和成熟度分级、内部食用品质预测、早期机械损伤剔除和低接触输送，目标属性根据桃、李、杏的果皮特性和目标市场选择。
6.3 柑橘类
柑橘类包括甜橙、宽皮橘、柚子和葡萄柚，但智能采后分级研究主要集中于橙和宽皮橘。橙子相对较大且果皮紧贴，适合辊式输送连续旋转和多视角外部检测。宽皮橘果皮松散易剥，不仅需评估颜色和表面缺陷，还需评估SSC、浮皮和实蝇侵害。厚柑橘皮虽提高抗运输损伤能力，但衰减可见-近红外向果肉的穿透，可能造成外部着色与内部风味不一致或外观正常与初期腐烂不一致。代表性应用已从基于直径和颜色的分选发展为在线可见缺陷筛查、光谱内部品质验证和潜伏病害虫害剔除的分层策略。
6.4 猕猴桃和芒果
对于呼吸跃变型水果，商业等级不是收获时固定的静态标签，而是由当前成熟度、采后催熟速率和目标销售窗口共同决定。猕猴桃采后迅速软化，可食用硬度窗口狭窄，同批次果实可能在贮藏期间在硬度和糖含量上显著分化。芒果果皮颜色强烈依赖品种，绿色果实可能已生理成熟，而收获时成熟度决定催熟后的甜度、香气和货架期。呼吸跃变型水果的分级应从单一外部一致性发展为包含收获成熟度鉴定、催熟后品质预测和销售窗口分配的序列框架。
