摘要：我國林果資源豐富，目前林果產量居全球首位，但針對林果采摘與加工的機械化采摘技術以及果品分選技術較為落后，嚴重制約了我國林果資源的發展。文中對近些年出現的林果采收機械與采收技術進行梳理，分析機械化采收后林果品質無損檢測的關鍵技術與方法，并對林果采摘技術與品質檢測技術的研究方向進行展望，旨在為研究林果機械化采摘與智能分選提供參考。

　　關鍵詞：林果采摘，機械采摘，機器視覺，品質分選

　　林果方向論文投稿刊物：河北林果研究創刊于1986年，是由河北省教育廳主管，河北農業大學主辦的農業類雜志。本刊為中國科技核心期刊，曾獲全國高校優秀學報、河北省高校優秀學報、河北省優秀科技期刊，被國內多家權威性文獻檢索機構收錄。

　　我國富產林果，但是采摘機械的發展水平卻較為落后，仍以人工采收為主，這一過程占用著大量的勞動力資源，約為整個生產過程的35%~45%[1]。采摘效率低下，作業周期長，難以滿足市場要求。由于不同品質的林果價格差異較大，因此急需通過采收后分選來提高產品價值，進而提高我國林果產業的競爭力。目前我國林果采摘和分選主要以人工作業為主[2]，隨著勞動力成本的快速增長，這部分費用在整個林果生產過程中的占比也隨之增長。因此，必須開發出適合我國林果產業規模的采收和分級機械，提高作業效率，降低生產成本，從而提高我國林果產業的國際競爭力。

　　1林果機械采收技術研究現狀

　　相對國內采收機械而言，國外研究起步較早、技術發展快、自動化水平高，其果園采收技術已比較成熟。國內采收機械的研究起步相對較晚，目前仍以人工采收為主，采收技術的研發尚有較大的發展空間。目前機械采收方法使用較為廣泛的有機械振動式采收和氣力式采收，近些年隨著圖像采集與處理技術的興起用于采收的機器人也在逐步研發應用中。

　　1.1機械振動式

　　機械振動采摘的原理是通過給果樹施加一定頻率和振幅的機械振動，使果實受到加速運動產生慣性力。當果實受到的慣性力大于果實與果枝間結合力時，果柄斷裂，果實下落。機械振動的效率與頻率、振幅、夾持位置等因素有關，適用于諸如蘋果、梨等大、中型水果的采摘，也適用于諸如青梅、核桃和山楂等小型林果的采摘[3]。意大利生產的SR-12搖樹機，樹枝在夾持器夾住的情況下，推搖裝置以一定頻率的振動使得果實脫離果樹并掉落到接果布盤中心，可以應用于核桃、橄欖等堅果和球果的采摘。美國Orchard公司設計的沖擊波式采種機，通過液壓鉗夾持樹枝，激振器產生振動使得果實脫落。美國BEI公司在藍莓采摘機研究設計領域處于領先地位，其LBTHarvester，BEITracksBlueberryHarvester和RotaryHarvester等系列振動式藍莓采摘機在美國應用廣泛。

　　美國Oxbo公司研究的6420自走式橄欖收獲機，采用雙點支撐式振動將橄欖振落，在經過清洗后分離雜質，完成橄欖的收獲。美國農業部阿帕拉契亞水果研究站Peterson等[4]開發的蘋果收獲機器人系統，采用液壓缸式振動頭、接果篷和圖像系統結合的方式實現果實的振動脫落和采收，但自動果枝識別定位準確率較低，僅為10%。王長勤等[5]設計了一款針對銀杏、核桃等常見林果的偏心式林果采收機，建立了偏心式林果振動采收動力學模型，并進行了核桃采收實驗，得到的平均采凈率為89.5%～92.6%，但是若振幅過大，則會對果樹樹干造成損傷。

　　劉進寶[6]針對南疆地區樹形較矮、種植密度大、作業環境差的果樹，設計了一款通過對果樹主干施加振動進行采果的偏心振動式林果采摘機，但由于果樹的多樣性，需要針對每一種果樹進行大量實驗來進一步優化激振力。羅鋼[7]通過仿真建模研究柑橘樹冠振動作業效果，對樹冠振動簡化模型進行動力學分析，基于分析結果開發了一套簡易的樹冠振動收獲機，但對于能否應用于其他果樹還需要進一步擴大試驗范圍。散鋆龍[8]以杏樹為研究對象，建立了對稱雙偏心式振動激勵下的杏樹采收機模型，得到在不同振動激勵下杏樹不同位置的振動響應狀態模型，并確定了在各檢測點具有最大加速度的振動頻率。

　　耿雷等[9]借鑒國外藍莓采收機設計經驗，設計了一款適合我國藍莓種植規模的牽引式藍莓采收機，由兩側指排通過交替拍打藍莓樹枝給樹枝施加振動，使果實落下，與人工采摘相比，機器采摘效率是人工的12.67倍，且果實平均破損率為8.3%，果實采凈率高達96.9%，青果脫落率為9.7%。徐允飛[10]設計了一款手持式小漿果采收器，通過提供振動的梳刷棒與果樹主枝間隙碰撞，從而實現對小漿果的機械采收，采收率為92.4%，采收后果枝基本無損傷。機械振動是實現林果采摘的常用方式，但是振動控制的精度會受到樹葉、樹枝、樹干和土壤等因素的影響，因此要精確描述振動系統的動力學控制方程非常困難。

　　1.2氣力式

　　氣吸式采摘的原理是當采摘頭吸口處的吸力大于果柄結合力時，果實脫落并被吸入采收裝置內，最終經出風口排出。相較于振動式采收，氣吸式采收具有采摘效率高、傷果少、雜質少、作業方便等優點。氣吹式采摘是使果實在氣流吹動作用下產生慣性力，當慣性力大于果柄結合力時，果實脫離樹枝并落入收集裝置，實現氣力采摘，氣吹式采摘具有采收效率高的優點，但功率消耗大，易損傷樹葉和小樹枝。20世紀60年代，Whinney等[11]研究了氣力式柑橘采收機，收獲效率可達5.7kg/s，并對過量氣流給樹冠造成的損傷進行了研究。

　　日本近藤等[12]研制的一種氣吸式草莓采摘機器人，因減少了與果實表皮的接觸，所以果實的損傷率得到有效降低，該采摘機器人對成熟果實的采摘成功率為100%，但一些未成熟的果實也會被采下。為了避免草莓損傷，愛媛大學設計的草莓采摘機器人采用了氣吸式末端執行器來實現草莓的無損采摘，但部分未成熟果實也會被采下。張韻[13]在分析國內外氣力式收獲機發展現狀以及氣吸過程運動受力的基礎上，對氣吸式收獲機的采摘頭進行了重點研究，確定了扁圓形采摘頭的理論最優參數，為研發氣吸式小漿果收獲機提供了技術依據和方法。由于氣吸式末端執行器有可能將成熟果實周圍未成熟的果實采摘下來，對其研究尚需進一步改善和提高;相較于機械振動式采摘裝置，氣吸式作業效率不高，所以在規模化采收中應用較少。

　　1.3采摘機器人

　　最初的振搖式采收機器人存在效率低且對果蔬破壞性較大的缺點。一些早期研究工業機器人的國家將電子、計算機、人工智能等先進技術融合到采摘機器人當中，為采摘機器人朝著多樣化、智能化方向發展作出了重要貢獻[14]。采摘機器人的主要功能是識別、定位與抓取果實，其次是在采摘果實過程中減少對果實的損傷。隨著研究的不斷深入，圖像處理技術與控制理論的發展也為采摘機器人向智能化方向發展創造了條件。

　　20世紀80年代，日本東京大學開發的一款由兩指加持、切刀剪切的黃瓜采摘機器人末端執行器，通過實驗證明了其有效性，但該采摘機器人不能采摘過彎的果實。RoyHarrell[15]于1987年設計的柑橘采摘機器人，由于受到液壓驅動系統精度低和果實圖像分割難度大的影響，實際試驗結果很不理想。1996年日本學者近藤直等[16]基于莖葉和黃瓜紅外反射的差異性研發了一臺黃瓜采摘機器人，并利用果柄接觸傳感器進行果柄檢測，但由于黃瓜的外形受莖葉的影響較大，所以實際采摘成功率不是很理想。同年荷蘭農業環境工程研究所[17](IMAG)研制的一款黃瓜采摘機器人，具有多功能、模塊化的特點，能夠利用機器視覺對工作范圍內的黃瓜進行檢測識別，并能在一定程度上評價果實的成熟度，作業速度為10s/根，但尚不能滿足商用產品的各種要求。美國Energid技術公司開發的柑橘采摘機，采用視覺導引，并結合蛙舌式末端執行器，果實采摘成功率在98%以上[18]。

　　丁加軍等[19]設計了一款能采摘多種球狀果實的采摘機器人末端執行器，可在不損傷果皮的情況下采摘不同硬度的果實，通用性強，但難以采摘成束生長的果實。Davidson[20]為減少采摘的整個周期，提出水果采集雙機器人協同工作的概念，并開發了具有8個自由度的機器人揀選系統，將拾取放置的平均循環時間減少50%以上，但在此過程中水果和樹冠會受到一定的損傷。為了提高采摘機器人的定位精確率和效率，羅陸鋒等[21]通過改進聚類圖像分割和點線最小距離約束，提出一種新的葡萄采摘機器人采摘點定位方法，該定位方法的平均定位時間為0.3467s，定位準確率為88.33%，然而針對不同品種的葡萄難以設計出統一的圖像分割算法。Davidson等[22]設計了一個機器人采集系統，該系統可以在通過機器視覺實現水果定位后，對水果進行線性處理，并復制人工采摘過程，但對每個水果的采摘速度明顯慢于人工采摘速度。

　　Ahlin等[23]通過仿真模擬，設計出在未知蘋果樹結構情況下的雙機械臂協作采摘蘋果機器人，利用空隙空間的路徑導航方法，解決了蘋果因遮擋產生的漏摘現象。陽涵疆等[24]針對油茶果采摘機械臂的混聯結構，提出了雙階段避障路徑規劃算法，可有效地為混聯采摘機器人機械臂進行避障路徑規劃，但是串聯機械臂尚未擁有全局避障能力。對采摘機器人的研究主要集中在末端執行器的路徑規劃以及林果的精確定位2個方面，現有圖像識別和定位算法僅限于具有明顯相似特征的某一類林果，且受采摘環境的影響很大。因此，大多數采摘機器人仍處在實驗驗證階段，采摘機器人的實用性和普及性仍不高。

　　2林果品質無損檢測分選技術研究現狀

　　林果品質指標包括林果的外在品質和內在品質，林果品質的高低會影響林果的價格。近年來，機器視覺方法在農產品檢測上的應用日益廣泛。果實品質的無損檢測技術主要有2種方法，一是檢測水果本身的化學發光或紅外線放射的能量，另一種是測量水果對能量輸入輸出的變化。光學檢驗和力學檢驗是常用的2種無損傷檢測方法。

　　2.1外在品質檢測

　　林果的外在品質檢測包括對林果的果形、大小、表面光潔度以及表面缺陷等方面的檢測。對林果的外在品質進行檢測，可以在進行精深加工前對林果進行初步的檢測分級。項輝宇等[25]基于視覺檢測技術，利用Halcon的圖像處理方法對待測區域的蘋果大小、缺陷以及顏色進行品質檢測，該檢測方法可以實現低速條件下的檢測，但不能對蘋果進行全面的信息采集，不能保證蘋果品質整體的完好性。針對水果表面缺陷具有多樣性和復雜性的特點，容典[26]提出臍橙表面缺陷快速多閾值邊緣分割法以及臍橙表面灰度局部閾值快速分割算法，并設計了一種基于低成本嵌入式機器視覺的臍橙缺陷自動檢測系統，該系統在蘋果7個/s的速度下檢測正確率為95.8%。

　　弋偉國等[27]基于嵌入式平臺實現了對枸杞圖像信息的高速采集，搭建了對枸杞大小、形狀、顏色這3個指標無損檢測的雙目視覺檢測分級系統，得到系統分級準確率為88%，分級速度為80個/s。Wu等[28]利用高光譜圖像技術，對鮮棗常見的損傷進行檢測，利用主成分分析(PCA)技術提取了400~1000nm和978~1568nm波段下的特性波長，通過建立獨立軟模式類簇法模型來識別鮮棗的不同損傷，其識別效果達到93.5%以上。Chen等[29]研究了核桃表面的黑胚粒、發霉、裂紋識別方法，準確率分別達到95.6%、96.7%和98.5%。Cho等[30]利用高光譜成像、方差分類分析和PCA技術對有開裂的圣女果進行無損檢測，其缺陷檢測率大于99%。Lee等[31]利用近紅外高光譜成像實現梨的物理損傷檢測。HoonsooLeel等[32]以番茄為對象，利用高光譜近紅外反射圖像系統、隱含狄利克雷分布(LDA)和支持向量機(SVM)，實現了對有疤痕和無疤痕番茄的有效判別，判別準確率分別為94.6%和96.4%。

　　水果表面的圖像信息既可以反映水果的外觀信息，也能反映其內部品質，因此可以將水果表面圖像信息作為水果分級的一個依據。但是目前基于表面成像的機器視覺分選作業仍存在獲取表面信息不全面、不準確和信息解讀有歧義等問題。

　　2.2內在品質檢測

　　對于林果內在品質檢測的研究，目前主要是通過近紅外光譜、高光譜、多光譜圖像的分析與處理進行內部物理特征(硬度、糖度)和化學特征(如酸度、揮發性鹽基氮)的定位、定性、定量分析。近紅外光譜分析技術是一種非常廣泛的無損檢測技術，它能夠快速、無損地對果實內部品質參數做出預測[33-35]。李龍等[36]基于靜態條件設計了一款蘋果內外品質檢測分級系統，可以利用機器視覺以及近紅外內部品質模塊對蘋果進行檢測，單個蘋果檢測時間為0.71s。謝一顧[37]利用常規品質分析數據對冰糖橙果實原始光譜進行反復校正并驗證，確定無損傷檢測糖酸度的準確性，并在分級線上應用。趙茂程等[38]利用高光譜成像技術對青梅酸度進行檢測，該方法運行快速且不用破壞果實，預測集均方根誤差為0.0706。

　　曹瑾[39]通過采集487個青梅的光譜數據，檢測青梅的pH值，得出青梅pH值的非線性模型，預測結果更適應青梅酸度無損檢測。李帷韜等[40]在半監督學習條件下，基于深度集成學習方法，對3000幅相似的青梅圖像進行實驗，得到高達98.26%的平均識別率。曹仲達[41]針對可見光對青梅分級存在的問題以及分類器泛化能力較差的情況，建立了一款基于深度學習算法的青梅品級智能反饋認知模型，但是不能適用于無標簽數據。Wei[42]等對400~1000nm波段下的光譜數據進行分析，實現了對柿子成熟度的判別，所建立的線性模型判別精度為95.3%。

　　Sun等[43]采用多光譜圖像檢測蘋果硬度，其模型相關系數R和RMSEP分別為0.87和7.17，預測精度較高。Magwaza等[44]以柑橘為對象，對其葡萄糖、果糖和蔗糖含量利用高光譜成像技術進行檢測，并基于特定波段光譜數據建立了PLS回歸模型，模型預測相關系數RP分別為0.88、0.90和0.83。目前的研究大多數是對水果內部品質或外部品質進行研究，內在品質檢測設備尚存在指標單一、機械結構復雜且成本較高等問題，難以滿足農戶以及中小型林果加工企業的需求。因此，建立外在品質與內在品質檢測關系的研究仍有很大的空間。

　　3林果采摘和分級技術發展方向

　　我國具有豐富的林果資源，但我國在果品資源利用上存在采收不及時、效率低，以及果品加工形式單一、結構形式單一等缺陷，在國際市場上沒有形成競爭優勢。發展機械化采摘，并通過現代化手段對林果進行自動化、智能化分選，是我國果品融入國際市場的有效手段。目前林果采摘機械及品質檢測已在多種林果采收和分選中得到應用，但是仍存在著一些不足：1)目前我國林果采摘仍以人工為主，在對林果進行品質分選時不能準確、客觀地評價果實品質。2)在對大批量果實進行檢驗時，較高的分選精度往往伴隨著較高的系統整體費用，分選設備的性價比是影響設備實際應用程度的重要因素。

　　3)當前基于機器視覺技術的果實品質檢測系統受到光照不均勻、采集圖像不完整等因素的影響，造成檢測結果有偏差。4)由于林果采收后需要進行及時的品質檢測和分選，目前國內在林果采收、檢測、分選一體化方面的研究和應用較少。

　　根據目前存在的問題，提出以下3點研究建議：

　　1)建立果實品質評價系統。建立一個完整的果實評價系統，不僅可以準確客觀地評價果實品質，也可以為林果品質分選提供依據，通過因子分析法、聚類分析法和主成分分析法來解決果實評價指標間信息重疊問題。另外，由于同一林果不同品種之間存在著差異，所以在建立果實評價系統時要充分考慮主要形狀分布特征，采用客觀、標準統一的概率分級，使得果實評價系統具有足夠的代表性，結果更為科學、準確。

　　2)提高分選設備性價比并開展通用性研究。分選設備費用較高是影響分選技術實際應用和發展的因素之一，相較于大規模采收，將智能分選應用于小規模采收存在成本較高、普適性較低的問題。因此，建議通過改進現有算法，加強林果分選通用裝備的研制，從而在一定程度上降低分選成本;另外，建議加大林果規模化種植程度以適應機械化采摘，并提高分選的性價比。

　　3)加強采收檢測分選一體化、智能化研究。隨著機器視覺、深度學習技術在實際林果分選應用中的深入，以及對林果品質分選需求的提高，林果采收、檢測、分選一體化、智能化是今后的研究方向和熱點。目前，規模化種植與采收林果不可避免地會造成林果的損傷，從而對林果品質造成影響，所以及時采收與檢測分選可以有效地提高林果品質的優良率。另外，依靠人工進行林果檢測分選易受經驗等主觀因素的影響。因此，將更符合人類行為認知的深度學習算法應用到林果檢測分選中，可以有效提高林果檢測分選的智能化水平，從而有助于加快林果商品化處理進程。

　　參考文獻

　　[1]林歡,許林云,宣言,等.林果振動加速度響應振型試驗[J].林業工程學報,2016(1):100-104.

　　[2]劉金南.基于振動機理的采收機研究現狀及發展趨勢[J].農業技術與裝備,2018(3):84-85.

　　[3]王海濱.藍莓植株多自由度系統振動建模及仿真研究[D].哈爾濱:東北林業大學,2014.