TỔNG QUAN về ĐÁNH GIÁ CHẤT LƯỢNG TRÁI cây BẰNG PHƯƠNG PHÁP KHÔNG PHÁ hủy

Đánh giá chất lượng và phân loại trái cây bằng phương pháp không phá hủy đang được quan tâm nhiều trong những năm gần đây. Nhằm định hướng nghiên cứu về lĩnh vực phân tích chất lượng không phá hủy và đề xuất các đối tượng trái cây tiềm năng cho những nghiên cứu trong tương lai, 140 công trình đánh giá chất lượng trái cây không phá hủy thuộc cơ sở dữ liệu Scopus trong giai đoạn từ năm 2016 đến tháng 6 năm 2021 đã được thống kê và phân tích. Từ đó, mức độ quan tâm đối với các loại trái cây, phương pháp và kết quả tốt nhất tương ứng với từng phương pháp cũng được xác định. Kết quả nghiên cứu cho thấy, phương pháp phân tích quang phổ khả kiến – cận hồng ngoại đang được đặc biệt quan tâm. Bên cạnh xoài và táo là hai loại trái cây được quan tâm hàng đầu, các nghiên cứu cũng nên tập trung vào các loại trái cây tiềm năng thuộc nhóm có mức độ quan tâm thấp hơn vì số lượng công bố khoa học liên quan có thể chưa đáp ứng được nhu cầu thực tế. Đặc biệt, phát triển công nghệ phân tích không phá hủy phù hợp và đặc thù với giống cùng khu vực trồng cũng nên xem xét cho các đối tượng trái cây có chỉ dẫn địa lý và giá trị kinh tế cao.

A REVIEW ON FRUIT QUALITY ASSESSMENT

BY NON-DESTRUCTIVE METHODS

Nguyen Chanh Nghiem 1* , Nguyen Phuoc Loc 1,2 , Nguyen Hoang Dung 1 , Nguyen Chi Ngon 1

1

Can Tho University

2

Kien Giang Vocational College

methods have received much focus in recent years To provide guidelines for research on non-destructive methods and suggest promising fruits of interest for future research, 140 research papers on non-destructive fruit quality assessment from Scopus database in the period of 2016 - June 2021 were selected for detailed analysis The levels of interest for various kinds of fruits and non-destructive approaches with the corresponding best performance were determined The results showed that Visible-Near Infrared spectroscopy is gaining much interest Besides mango and apples which gain the most research interest, fruits that attracted less research interest should be promising research object because less research publications might imply an unsatisfied need of non-destructive assessment of fruit quality Particularly, non-destructive technologies should be developed appropriately to assess the quality of a geographical indication fruit of high economic value

KEYWORDS

Non-invasive

Non-destructive

Fruit quality

Quality evaluation

Quality classification

TỔNG QUAN VỀ ĐÁNH GIÁ CHẤT LƯỢNG TRÁI CÂY

BẰNG PHƯƠNG PHÁP KHÔNG PHÁ HỦY

Nguyễn Chánh Nghiệm 1* , Nguyễn Phước Lộc 1,2 , Nguyễn Hoàng Dũng 1 , Nguyễn Chí Ngôn 1

1 Trường Đại học Cần Thơ

2 Trường Cao đẳng nghề Kiên Giang

ph h y ng qu n t m nhi u trong nh ng n m g n y h m ịnh h ớng nghiên cứu v lĩnh vực phân tích ch t l ng không phá

h y v xu t ối t ng trái cây ti m n ng ho nh ng nghiên cứu trong t ng l i, 140 ng trình nh gi h t l ng trái cây không phá h y thuộ sở d liệu S opus trong gi i o n t n m

2016 n th ng 6 n m 2021 c thống kê và phân tích T ó,

mứ ộ qu n t m ối với các lo i tr i y, ph ng ph p v k t quả tốt nh t t ng ứng với t ng ph ng ph p ũng x ịnh K t quả nghiên cứu cho th y, ph ng ph p ph n t h qu ng ph khả ki n – cận hồng ngo i ng ặc biệt quan tâm Bên c nh xoài và táo

là hai lo i tr i y qu n t m h ng u, các nghiên cứu ũng nên tập trung vào các lo i trái cây ti m n ng thuộc nhóm có mứ ộ quan tâm th p h n vì số l ng công bố khoa học liên quan có thể h p ứng c nhu c u thực t ặc biệt, phát triển công nghệ phân tích không phá h y phù h p v ặc thù với giống cùng khu vực trồng ũng nên xem xét ho ối t ng trái cây có chỉ dẫn ịa lý và giá trị kinh t cao

TỪ KHÓA

Kh ng x m l n

h ng ph h y

Ch t l ng tr i y

nh gi h t l ng

h n lo i h t l ng

DOI: https://doi.org/10.34238/tnu-jst.4673

*

Corresponding author Email: ncnghiem@ctu.edu.vn

1 Giới thiệu

Trong nhi u n m g n y, ng với sự t ng tr ởng m nh m v sản l ng lo i n ng sản nói hung v tr i y nói riêng, v n h t l ng v n to n thự ph m ng y ng qu n

t m trên to n u [1] ể p ứng nhu c u xu t kh u các lo i trái cây, nhi u chỉ tiêu liên qu n n

cả ch t l ng nội nh th nh ph n h t r n h t n SS , h m l ng vật h t kh , ộ hu

A , v v… v ả hỉ tiêu h t l ng ên ngo i nh k h , hình ng, ộ ứng, m u s , ộ óng, mứ ộ khi m khuy t mặt u qu n t m ối với các chỉ tiêu bên ngoài, việ nh

gi th ờng th công và cảm quan, vì th dễ dẫn u thi u ồng bộ v ch t l ng, m t nhi u thời

gi n nh gi hỉ tiêu nội quả th ng th ờng c n phá h y mẫu nên ảnh h ởng n hiệu quả kinh t , không thể ảm bảo ch t l ng c a t t cả mẫu v ũng m t nhi u thời gian Vì th , tự ộng hó trong nh gi h t l ng b ng các ph ng ph p kh ng ph h y c quan tâm phát triển cho cả ch t l ng nội quả và ch t l ng bên ngoài c a nhi u lo i trái cây [2]

Dự trên sở d liệu Scopus v ng trình nh gi h t l ng trái cây không phá h y, bài báo này trình bày k t quả nghiên cứu t ng quan, thống kê v mứ ộ quan tâm c a các

ph ng ph p kh ng ph h y khác nhau c áp dụng trong gi i o n t th ng 01 n m 2016 n

ng y 01 th ng 6 n m 2021 rên sở ó, k t quả tốt nh t t c khi áp dụng ph ng ph p phân tích không phá h y kh nh u v ối t ng tr i y ng qu n t m ũng c trình y y l sở ể x ịnh xu h ớng v ối t ng trái cây ti m n ng ho nh ng nghiên cứu trong t ng l i

2 Mức độ quan tâm đối với các phương pháp phân tích không phá hủy

Hình 1 biểu diễn tỷ lệ công bố v ph ng ph p ph n t h kh ng ph h y ể nh gi ch t

l ng trái cây dự trên sở d liệu công bố khoa học c S opus trong gi i o n 2016-2021 Tỷ

lệ trên ũng thể hiện mứ ộ qu n t m nh nghiên ứu v ph ng ph p kh ng ph

h y kh nh u t quả khảo sát cho th y, có bốn ph ng pháp có tỷ lệ cao, trong ó ph ng pháp quang ph và thị giác máy tính dẫn u v mứ ộ quan tâm với tỷ lệ l n l t là 52,86% và 29,29% Xét theo thời gian công bố, h i ph ng ph p n y ng y ng c quan tâm với số l ng lớn ng trình c công bố trong h i n m 2020, 2021 (Hình 2)

H nh Tỷ lệ công bố về các phương pháp phân tích

h ng phá h khác nhau dựa trên kết quả khảo sát

tr n i áo từ cơ sở dữ liệu khoa học Scopus từ

n đến 01/06/2021

H nh Số lượng công bố về đánh giá chất lượng

trái cây bằng phương pháp h ng phá h thống

kê từ Scopus trong giai đoạn 2016-2021 Dữ liệu

tính đến 01/06/2021

Dựa vào k t quả khảo sát trên, bài báo tập trung phân tích t ng quan v bốn ph ng ph p phân tích không phá h y, ph bi n l ph ng ph p qu ng ph (vùng ánh sáng khả ki n và cận hồng ngo i), thị giác máy tính, khứu gi iện tử v ph n t h ặ t nh m Số l ng ng trình

0 1

1 0 1

2

6 3

0

2 1 3 1

10 8 13

3 7

12

9 11

22

13

0 5 10 15 20 25

Đo hiê ̣u ứng Doppler Laser Cộng hưởng từ hạt nhân và X-ray CT

Âm học Khứu giác điện tử

Thị giác máy Quang phổ (VIS-NIR)

thống kê trong 140 i o theo thời gian và hiệu quả tốt nh t c ghi nhận ối với các

ph ng ph p n y c thống kê ở Bảng 1

2.1 Công nghệ đặ

h ng ph p kh ng ph h y ựa trên công nghệ ặc tính âm họ p ụng kh sớm

th ng qu việ nh gi một số th ng số truy n ẫn ể x ịnh mối qu n hệ ịnh l ng với ộ

h n, ộ ứng v ặ t nh liên qu n n h t l ng kh tr i y p ứng m th nh ũng

sử ụng ể ph n lo i ộ tr ởng th nh, ộ h n tr i y ng nghệ n y ũng ó thể

c áp dụng ể o ộ r ng ruột tr i y nh ối với h u) v x ịnh khi m khuy t

ên trong quả [3], [4] thuật n y ó u iểm l gi th nh th p, ộ nh y v khả n ng p ứng cao Tuy nhiên, nó ó một số h n h nh t ịnh l m t nhi u thời gi n v ễ ị nhiễu t m i

tr ờng xung qu nh, nh ng quả ó k h th ớ lớn nh h u kh ng nên p ụng vì hiệu quả truy n m kh ng o [5] n n , k thuật n y n xem xét n trọng h n ối với hệ thống nhận ng, nh gi h t l ng trự tuy n tr i y vì v n tố ộ v nhiễu n y,

ng nghệ n y nh gi l i nh ng iểm, xu h ớng t ng l i trong nh gi h t l ng tr i

y, ó nhi u h ớng ể ph t triển thêm nh họ s u, ph n t h liệu hiệu quả h n [6]

đ ệ

hứu gi iện tử l một trong nh ng giải ph p kh ng ti p x gi th nh th p p

với nh ng lo i tr i y ó ặ t nh o h h p nh xo i thì việ p ụng khứu gi iện tử x ịnh gi i o n h n quả s u khi thu ho h với hiệu quả o i u c n l u ý khi p dụng ph ng ph p n y l v n hiệu chu n cảm bi n cho phù h p với mùa vụ v ảm bảo tố ộ

l y mẫu ph h p [5], [12], [13]

ng 1 Các phương pháp phân tích h ng phá h trong giai đoạn 2016-2021 theo Scopus

* Tính từ / / đến 01/06/2021

**

R 2 : Hệ số ác đ nh co ici nt o t r inattion 2

p

R đ chính ác ự đoán hệ số tương quan A cc :

đ chính ác phân loại

hị gi m y l một ph ng ph p ph n t h kh ng ph huỷ ph i n trong ph ng ph p

kh ng ti p x ể nh gi h t l ng tr i y th ng qu ặ tr ng ngo i hình h ng th ờng,

ph ng ph p thị gi m y t nh c áp dụng dựa trên máy học (nh hu n luyện m ng n ron,

m y vé -t h tr th y vì hỉ sử dụng ph ng ph p xử lý ảnh n thu n ể tìm r ặ tr ng

h u h nh ệnh trên vỏ, màu s c, khuy t iểm b mặt [25]–[27] h y gi m s t qu trình h n ên trong th ng qu hình ảnh ên ngo i [28]

ối với nh gi h t l ng nội quả, ph ng ph p n y gặp một số h n h v i hỏi có sự

t ng qu n gi a các chỉ tiêu ch t l ng nội quả ối với biểu hiện hình thái c a trái Một số thông

Phương pháp Số lượng công trình công bố theo năm Kết qu tốt nhất đạt được **

2016 2017 2018 2019 2020 2021 *

ng nghệ ặ

t nh m họ

1 1 1 2 4 2 R = 0,99 [14]; R 2 = 0,86 [15];

Acc = 83,2% [16]

hứu gi iện tử 1 2 5 1 3 2 R 2 = 99,33% [8]; R 2 = 0,54–1,0 [13];

R 2 = 83,3% –99,85% [12];

hị gi m y 1 4 8 7 15 2 Acc = 100% [17]; Acc = 0,979% [18]

u ng ph

S-NIR)

p

R = 0,896 [20];

Acc = 99,17% [21]; Acc = 100% [22]–[24]

số ch t l ng nội quả nh ộ h n, ộ t ng tr ởng ớ l ng th ng qu k h tr i khi n trên y ể h ớng n khả n ng thu ho h tự ộng khi quả t ộ tr ởng th nh nh t ịnh [29]

ặc biệt, nhi u nghiên cứu cho th y khả n ng k t h p thị giác máy tính với ph ng ph p ph n

[30], [31]

Nhìn chung, thị gi m y t nh c ứng dụng ph bi n trong lĩnh vực phân lo i trái cây dựa vào các tiêu chí bên ngoài Ứng dụng thị gi m y t nh ể dự o n h y nh gi tiêu h h t

l ng bên trong gặp một số h n ch và c n l u ý n mứ ộ t ng qu n gi a các tiêu chí nội quả với ặc tính bên ngoài c a trái Ví dụ iển hình v màu s c cho th y nhi u lo i quả nh xo i

v u da xanh có màu vỏ kh ng i ng kể qu trình h n v th y i màu trong thịt quả iễn ra

2

h ng ph p ph n t h kh ng ph h y dựa trên quang ph cận hồng ngo i c nghiên cứu ứng dụng trong suốt một thời gian dài Dựa trên số liệu thống kê g n y, ó n 80% ứng dụng thuộ lĩnh vực trồng trọt sử dụng ph cận hồng ngo i ng ể nh gi v nghiên ứu

v trái cây [32] Vì ph hồng ngo i có các thông tin v các liên k t quan trọng C–H, O–H và N–

H, ph cận hồng ngo i chứ ựng thông tin quan trọng c a các vật ch t h u , n thi t cho

nh gi h t l ng nội quả c a trái cây [33]

Chỉ tiêu h t l ng nội quả qu n t m nhi u nh t l ộ ngọt ảng 2 vì ộ ngọt liên quan mật thi t n quá trình chín c tr i y, một hỉ tiêu ng ời tiêu ng qu n t m nhi u nh t

Bên c nh ộ ngọt, nhi u nghiên cứu qu n t m n h m l ng vật h t kh , th ng số liên quan

n h m l ng tinh ột t h lũy trong thịt quả ể x ịnh thời iểm thu ho ch tối u [34], [36]–[38]; nhờ ó ảm bảo ch t l ng trái khi chín và tối u thời gian bảo quản o ó, ớc

l ng h m l ng vật ch t khô thu hút nhi u công trình nghiên cứu g n y h n [39]–[43]

Nhi u chỉ tiêu ch t l ng nội quả khác và ít ph bi n h n ũng ó thể ớ l ng b ng

vỏ khi áp dụng ph ng ph p này và c n có sự chọn lựa phù h p một trong h ộ thu ph ận hồng ngo i ph bi n Ba ch ộ n y l h ộ phản x khu h t n refle t n e mo e; th ờng áp dụng ể x ịnh tính ch t b mặt), ch ộ truy n dẫn tr nsmitt n e mo e; th ờng áp dụng ể phân tích các thành ph n nội quả) và ch ộ phản x t ng t inter t n e mo e; ph h p ể phân tích thành ph n nội quả ở g n lớp vỏ) Trong ba ch ộ này, ch ộ phản x t ng t l h

ộ h u ích và khả thi trong việ nh gi h t l ng nội quả c phản ánh t ph n thịt ngay

ới vỏ quả [46]

Cùng với sự phát triển c a công nghệ và sự r ời c a các thi t bị cảm bi n siêu ph , thông tin siêu ph ng c quan tâm nhi u h n khi p ụng hiệu quả các giải thuật r t tr h ặ tr ng hay máy họ , v ể gi p giảm ng kể k h th ớc d liệu, v a gi l i ặ tr ng qu n

ể trích xu t ặ tr ng s thu hút nhi u quan tâm khi các thi t bị cảm bi n siêu ph có giá thành

th p h n v trở nên ph bi n h n

Các chỉ tiêu chất lượng

h ng ph p kh ng ph h y non- estru tive metho i khi n gọi l ph ng ph p

kh ng x m l n non-invasive method ó nh ng u iểm lớn l kh ng l m h hỏng mẫu ph n

t h, ó thể c thực hiện nhanh, có hệ thống v ồng bộ nên r t ph h p ho xu h ớng nh

gi , ph n lo i h t l ng r u quả thời gian thực

ng c đ quan tâ các thông số ng đánh giá chất lượng trái câ được quan tâ trong các c ng

bố khoa học giai đoạn 2016 – 2021

Các thông số chất lượng được

quan tâm

Nh m trái cây: mức độ quan tâm ( ) Tổng mức độ

quan tâm (%)

ộ ngọt rix , h m l ng h t

r n h t n SS h y t ng ch t

r n hòa tan (TSS)

o i: 9,29; t o: 8,57; o 4,23; xu n o, mận:

3,57; lê, quả mọng: 2,86; m, h u: 2,14;

huối: 2,11; hu , quả kiwi, ớt hu ng: 1,43;

h nh y, u, v ng, nho: 0,71

48,57

u s o: 7,14; xo i: 6,34; huối: 5,71; m: 3,57;

quả mọng, xu n o: 2,86; hu , , mận,

ởi lê, ớt hu ng, o: 2,14; nho, u, h nh

y, m ng ụt, khóm, v ng: 0,71

46,43

ộ ứng irmness o: 6,43; xo i: 3,57; o: 2,86; mận, quả

mọng: 2,14; h u, : 1,43; hu , m, nho, lê, huối, quả kiwi, u, xu n o: 0,71

25,71

m l ng vật h t kh ) o i: 6,43; : 3,57; t o: 2,14; o: 1,43; nho,

quả kiwi, mận, ởi, xu n o, ớt hu ng: 0,71

17,86

m l ng xit, hu n ộ xit

(TA)

o i: 3,57; quả mọng: 2,86; t o: 2,14; m, u:

1,43; mận, xu n o, h nh y, ớt hu ng: 0,71

14,29

i th m Arom v h t ễ

y h i u: 2,14; huối, o: 1,43; t o, m, lê, quả mọng, h nh y, v ng: 0,71

9,29

h u: 1,41; o, mận: 0,71

8,57

o, : 0,71

7,14

Vitamin A, C, E, K1, B9; ; h m

l ng t nin uả mọng: 2,86; xo i, m: 1,43; t o: 0,71

6,43

ộ h n huối: 1,43; xo i, , h u, xu n o, h nh

y, m ng ụt: 0,71

5,71

h t l ng, hỉ số h t l ng nội

(IQI)

m l ng Fructose, glucose,

sucrose

Bên c nh các chỉ tiêu phân lo i ch t l ng ên ngo i nh k h th ớc, hình dáng, khi m khuy t b mặt,… h t l ng tr i y c quy t ịnh bởi các ph m ch t nội quả nh ộ ngọt, ộ

hu , ộ ứng firmness , h m l ng vật h t kh ,… th ng số ng ể nh gi

ch t l ng trái cây trong các công bố khoa họ gi i o n 2016-2021 c thống kê ở Bảng 2 K t quả thống kê cho th y màu s c là thông số ên ngo i c quan tâm nhi u nh t Vì màu s c

th ng th ờng là k t quả ặ tr ng ho tr i h n, v ó t ng qu n nh t ịnh với các ph m ch t

tr i nh u tr , h ng th m, ộ h n, h t inh ng [48], [49] Màu s c trái có thể c dùng

ể phân lo i h y nh gi h t l ng trái cho một số tr ờng h p cụ thể nh ph t hiện v t ệnh trên vỏ m, nhận i t mứ ộ h hỏng nội quả th ng qu nhận ng mứ ộ khi m khuy t ên ngo i, ph n lo i mứ ộ khi m khuy t trên quả xo i [26], [50], [51]

Thông số nội quả c quan tâm nhi u nh t l ộ ngọt dự v o h m l ng ch t r n hòa tan (Soluble Solid Content, vi t t t SSC) hay t ng ch t r n hòa tan (Total Soluble Solids, vi t t t là TSS) Một số l ng lớn nghiên cứu ũng qu n t m n h m l ng vật ch t khô (Dry Matter, vi t

t t l vì ó mối liên hệ mật thi t với SS [34], [38], [52] ộ tr ởng th nh sinh lý a quả

có thể nh gi th ng qu v th ờng t ng qu n thuận với tỉ lệ thịt quả h y h m l ng tinh bột nh gi ng ộ tr ởng thành sinh lý giúp thu ho h ng thời iểm nhờ ó giảm thiệt

h i kinh t trong tr ờng h p h n ch quả chín dẫn n giảm khả n ng vận huyển, r t ng n thời

4 Đối tượng

ể ịnh h ớng cho các nghiên cứu ứng dụng ph ng ph p kh ng ph h y trong t ng l i,

mứ ộ qu n t m ối với các lo i tr i y c phân tích và thống kê ình 3 iểu diễn mứ

ộ qu n t m t th p n o t ng ứng t tr i s ng phải ng ố khoa học thuộ sở d liệu Scopus, thống kê t 140 i o trong gi i o n 2016-2021 liên qu n n các lo i quả thuộc nhóm 25 lo i quả ó gi trị th ng m i o nh t v ph i n theo liệu thống kê ng n

thể phân các lo i tr i y qu n t m nghiên ứu nhi u thành ba nhóm Nhóm c quan tâm nhi u nh t l xo i v t o, ó mứ ộ qu n t m t ng ứng là 35,71% và 30,71%, cách xa so với nhóm thứ hai gồm quả mọng, chuối, o với mứ ộ quan tâm t 14,28 n 16,42 hóm thứ ba với mức

ộ quan tâm th p h n trong khoảng 9,24%-11,42% bao gồm m, xu n o, mận v ứ ộ quan tâm th p ối với lo i tr i n l i ới 9%) u ó có thể cho th y, các công trình nghiên cứu v các lo i tr i n y ó thể c áp dụng, p ứng c ph n nào nhu c u thực t v công nghệ phân

tích không phá h y, ặc biệt trong gi i o n sau thu ho ch

Hình 4 biểu diễn mứ ộ quan tâm theo thời gian c a chín lo i quả thuộ nhóm c quan tâm nhi u nh t K t quả cho th y, mặ xo i ó t ng mứ ộ qu n t m lớn nh t trong gi i o n khảo sát, t o qu n t m nhi u h n trong thời gian g n y t 2019) Số liệu ũng ho th y

có sự qu n t m ặc biệt ối với o v m v ó sự quan tâm nh t ịnh ối với chuối trong thời gian g n y i u ó ho th y, nh ng n ớc có khí hậu phù h p trồng xoài, cam và chuối nh Việt Nam nên tập trung nghiên cứu công nghệ không phá h y nh m nh gi h t l ng các lo i

tr i n y ể ó óng góp h u ích cho công nghệ phân tích không phá h y và góp ph n phát triển kinh t , xã hội

H nh c đ quan tâ c a các c ng tr nh li n

quan đến các loại quả c giá tr từ đến 2021 H nh 4 c đ quan tâ c a các c ng tr nh li n quan đến các loại quả c giá tr theo thời gian từ

đến 01/06/2021 M c đ quan tâm từng loại quả được sắp xếp t ng ần từ trái sang phải

Do sự khác biệt v giống và khu vực trồng, ph m ch t nội quả, ặ tr ng mặt v ặc tính sinh tr ởng c a các lo i trái cây có thể khác nhau Vì th , ph ng ph p ph n t h kh ng ph

2.14 2.852.85 3.57

4.28 5 5.71 5.71 6.427.14 9.28 10.71 11.42 11.42 14.28 14.28 16.42

30.71 35.71

Kh ác Kh

M ăn

g c ục ư ởi

Dư

àn g

Qu k

iw i Cha

nh Nho Ớt ch

uô Dư

ấu Dâ u

Cà C

a Lê ơMậ n

Xu ân

đ ào Ca m Đà o Ch uố i

Qu m ọn g Tá o Xo ài

0

5

10

15

20

25

30

35

40

1.42

0.71 0.71

1.42

7.14

2.85

0 2.14 2.14

0.71

4.28 3.57 3.57

10.71

0.71 2.14 2.14

0.71

3.57 4.28 7.14

2.14 3.57

0.71 0

5

3.57

0.71 2.85 2.85

7.85

5

3.57 8.57

1.42

0

5.71

1.42

0

12.14

6.42

5

3.57

0.71 2.14 3.57 2.85

Xu ân

đ ào Cam Đà o Ch uố i

Qu m ọn g Tá o Xo ài 0

2 4 6 8 10 12 14

2016 2017 2018 2019 2020 2021

h y, ặc biệt l ph ng ph p dựa trên phân tích quang ph có thể kh ng ph h p ể áp dụng

ph quát cho nhi u tr ờng h p (ví dụ nh kh giống cùng vùng trồng trọt, hay cùng giống khác vùng trồng trọt) Thông tin thống kê v h m l ng vật ch t kh trong ảng 3 l một ví dụ cho

th y sự kh iệt liên qu n n m vụ, giống v v ng trồng ối với một số lo i trái cây có giá trị kinh t o i u ó ho th y sự c n thi t c a việ nh gi l i ph ng ph p kh ng ph h y

ể ảm bảo tính khả thi và hiệu quả ối với các giống cây, khu vực trồng khác nhau thông qua việc xác ịnh các thông số hệ thống phù h p, xu t giải thuật cải ti n, hiệu chu n giải thuật với

bộ d liệu ặ tr ng a giống cây, khu vực trồng, ể có tính khả thi và hiệu quả trong triển khai ứng dụng

ng 3 Chỉ số chất lượng n i quả c a t số quả phụ thu c nhiều yếu tố như giống, vùng trồng v a vụ

Loại qu và giống Khu vực trồng/thu mua Chỉ số chất lượng nội qu

o i oney ol orthern erritory v entr l ueensl n , DM = 17,7% [40]

o i eitt orthern erritory v entr l ueensl n , DM = 14,9% [40]

o i y r e orthern erritory v entr l ueensl n , DM = 17,2% [40]

o i y ne orthern erritory v entr l ueensl n , DM = 14,7% [40]

o ntosh Ithaca, New York DMC1 = 150,4 – 153,9 [58]

o e eli ious Ithaca, New York DMC = 196,7 – 203,6 [58]

1

DMC: Dry Matter Content (g kg -1 )

5 Kết qu và bàn luận

Thông qua việc khảo sát và phân t h ng trình nh gi h t l ng trái cây b ng ph ng pháp không phá h y dự trên sở d liệu khoa họ S opus trong gi i o n 2016 n 6/2021, nghiên cứu giới thiệu t ng quan bốn ph ng ph p kh ng ph h y c quan tâm nhi u nh t là

ph ng ph p dựa trên công nghệ ặc tính âm học, khứu gi iện tử, thị giác máy và quang ph Với xu h ớng t ng nh nh v số công trình công bố trong thời gian g n y, ph n t h qu ng ph

có thể trở th nh ph ng ph p c quan tâm nhi u nh t trong t ng l i g n Bên c nh táo và

xo i l h i ối t ng qu n t m ặc biệt, nhóm trái cây có mứ ộ quan tâm th p h n ũng

có thể l ối t ng nghiên cứu ti m n ng ặc biệt, các nghiên cứu nh gi kh ng ph h y ối với xoài, chuối v m nên t ng ờng t i n ớc có khí hậu nhiệt ới nh iệt m ể nâng cao giá trị xu t kh u các lo i trái này, góp ph n phát triển kinh t - xã hội Qua việc khảo sát

h m l ng vật ch t kh ối với một số lo i trái cây theo giống và khu vực trồng, nghiên cứu ũng cho th y khả n ng thông số ch t l ng nội quả có thể th y i tùy theo giống và khu vực trồng y l sở cho việc nghiên cứu phát triển hay cải ti n ph ng ph p ph n t h kh ng phá h y ể phù h p với một số lo i trái cây có giá trị kinh t cao

TÀI LIỆU THAM KHẢO/ REFERENCES

[1] H El- esery, o, n A A omohr , “Appli tions of on-destructive Technologies for

Agri ultur l n oo ro u ts u lity nspe tion,” Sensors, vol 19, no 4, p 846, Feb 2019

[2] O h uh n, S kshmi, A n ey, vi, op l n, n Sh rm , “ on-destructive

u lity onitoring of resh ruits n eget les,” Def Life Sci J., vol 2, no 2, p 103, May 2017 [3] A Wiktor et al., “A ousti emission s tool to ssess the changes induced by pulsed electric field in

pple tissue,” Innov Food Sci Emerg Technol., vol 37, pp 375–383, Oct 2016

[4] o, Y Yu, o, n W ng, “ irmness pre i tion n mo eling y optimizing ousti evi e

for watermelons,” J Food Eng., vol 168, pp 1–6, Jan 2016

[5] ie n Wei, “ eview on the re ent progress of non-destructive detection technology for internal

qu lity of w termelon,” Comput Electron Agric., vol 151, no 15, pp 156–164, Aug 2018

[6] C Ding, Z eng, W ng, ui, n W i, “A ousti vi r tion te hnology: ow r promising

fruit qu lity ete tion metho ,” Compr Rev Food Sci Food Saf., vol 20, no 2, pp 1655–1680, Mar

2021

[7] A k n Yumus k, “ l ssifi tion of E-Nose Aroma Data of Four Fruit Types by ABC-Based

eur l etwork,” Sensors, vol 16, no 3, p 304, Feb 2016

[8] X Yang et al., “ pi n on-Destructive Detection of Compression Damage of Yellow Peach Using

n Ele troni ose n hemometri s,” Sensors, vol 20, no 7, p 1866, Mar 2020

[9] B Farneti et al., “ evelopment of new phenotypi ro m p to improve str w erry rom se on ire t inje tion m ss spe trometry,” Acta Hortic., vol 1309, no 1309, pp 971–978, Apr 2021

[10] R Beghi, S Buratti, V iovenz n , S ene etti, n ui etti, “Ele troni nose n visi le-near

infr re spe tros opy in fruit n veget le monitoring,” Rev Anal Chem., vol 36, no 4, pp 1–24,

Dec 2017

[11] S u, u, eren e, n Zh ng, “ isi le/ne r nfr red Reflection Spectrometer and Electronic Nose Data Fusion as an Accuracy Improvement Method for Portable Total Soluble Solid

ontent ete tion of Or nge,” Appl Sci., vol 9, no 18, p 3761, Sep 2019

[12] S Sriv st v n S S ist p, “ on-destructive sensing methods for quality assessment of on-tree

fruits: review,” J Food Meas Charact., vol 12, no 1, pp 497–526, Mar 2018

[13] S Sriv st v n S S ist p, “ t pro essing ppro hes n str tegies for non-destructive fruits

qu lity inspe tion n uthenti tion: review,” J Food Meas Charact., vol 12, no 4, pp 2758–

2794, Dec 2018

[14] M Vanoli et al., “ ime- and spatially-resolved spectroscopy to determine the bulk optical properties

of „ r e urn‟ pples fter ripening in shelf life,” Postharvest Biol Technol., vol 168, no June, p

111233, 2020

[15] ishr , E Woltering, n El, “ mprove pre i tion of „ ent‟ m ngo firmness uring ripening

by near-infrared spectroscopy supporte y interv l p rti l le st squ re regression,” Infrared Phys Technol., vol 110, no June, p 103459, 2020

[16] im n Woo, “ re i tion of w termelon sweetness using refle te soun ,” J Korea Converg Soc., vol 11, no 8, pp 1–6, 2020

[17] M.-J Villaseñor-Aguilar et al., “A turity Estim tion of ell epper psi um nnuum y Artifi i l ision System for u lity ontrol,” Appl Sci., vol 10, no 15, p 5097, Jul 2020

[18] K Dittakan, N Theera-Ampornpunt, n oo li m, “ on-destructive Grading of Pattavia

ine pple using exture An lysis,” in 2018 21st International Symposium on Wireless Personal Multimedia Communications (WPMC), Nov 2018, pp 144–149

[19] E rques, S e reit s, imentel, n squini, “ apid and non-destructive etermin tion of qu lity p r meters in the „ ommy Atkins‟ m ngo using novel h n hel ne r

infr re spe trometer,” Food Chem., vol 197, pp 1207–1214, Apr 2016

[20] V Cortés, C Ortiz, N Aleixos, J Blasco, S Cubero, and P lens, “A new intern l qu lity in ex for

mango and its prediction by external visible and near-infr re refle tion spe tros opy,” Postharvest Biol Technol., vol 118, pp 148–158, Aug 2016

[21] Yu, , hen, i, Y i, n i, “ on estructive identification of pesticide residues on

the Hami melon surface using deep feature fusion by Vis/NIR spectroscopy and 1D- ,” J Food Process Eng., vol 44, no 1, pp 1–12, Jan 2021

[22] V Cortés, J Blasco, N Aleixos, S Cubero, and P Talens, “ isi le n e r-Infrared Diffuse efle t n e Spe tros opy for st u lit tive n u ntit tive Assessment of e t rine u lity,”

Food Bioprocess Technol., vol 10, no 10, pp 1755–1766, Oct 2017

[23] S rolm sje , Z ñig Espinoz , n S S nk r n, “ e r infr re spe tros opy to pre i t itter pit

evelopment in ifferent v rieties of pples,” J Food Meas Charact., vol 11, no 3, pp 987–993,

Sep 2017

[24] We ing, Wright, S r uf, ek, n White, “ he ppli tion of ‐ NIRS for

the ete tion of ruises n the pre i tion of rot sus epti ility of „ ss‟ vo o fruit,” J Sci Food

Agric., vol 99, no 4, pp 1880–1887, Mar 2019

[25] S K Behera, S Sangita, A K Rath, and P K Sethy, Automatic Classification ofMango Using Statistical Feature and SVM, vol 41, Singapore: Springer Singapore, 2019

[26] ulo n r os, “Autom ti ngo ete tion using m ge ro essing nd

HOG-S ,” in Proceedings of the 2018 VII International Conference on Network, Communication and Computing - ICNCC 2018, 2018, pp 211–215

[27] A Ayllon, ruz, en oz , n om s, “ ete tion of Over ll ruit turity of

Local Fruits using onvolution l eur l etworks hrough m ge ro essing,” in Proceedings of the 2nd International Conference on Computing and Big Data - ICCBD 2019, 2019, pp 145–148

[28] C A Jaramillo-Acevedo, W E Choque-Valderrama, G E Guerrero-Álvarez, and C A

Meneses-Es o r, “ ss vo o ripeness l ssifi tion y mo ile evi es using igit l im ge pro essing n

A metho s,” Int J Food Eng., vol 16, no 12, Sep 2020

[29] Z W ng, W lsh, n erm , “On-Tree Mango Fruit Size Estimation Using RGB- m ges,”

Sensors, vol 17, no 12, p 2738, Nov 2017

[30] S E A e yo, shim, A n, n fi, n oll z e, “ re i tion of qu lity ttri utes

n ripeness l ssifi tion of n n s using opti l properties,” Sci Hortic (Amsterdam)., vol 212,

no 2016, pp 171–182, Nov 2016

[31] emizk n, At n, üyük n, n ner, “Effi y ev lu tion of ultr soun tre tment

on the postharvest storability of white nectarine by both physicochemical and image processing

n lyses,” Postharvest Biol Technol., vol 154, pp 41–51, Aug 2019

[32] tt neo n Stell ri, “ eview: Spe tros opy s Suit le ool for the nvestig tion of the

orti ultur l iel ,” Agronomy, vol 9, no 9, p 503, Sep 2019

[33] nley, “ e r-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of

iologi l m teri ls,” Chem Soc Rev., vol 43, no 24, pp 8200–8214, 2014

[34] A Pissard et al., “Ev lu tion of h n hel ultr -compact NIR spectrometer for rapid and estru tive etermin tion of pple fruit qu lity,” Postharvest Biol Technol., vol 172, p 111375, Feb

2021

[35] or , Spri igo, Ayk s, itsuyuki, A oln go, n erreir , “ on-invasive quantification of vit min , itri i , n sug r in „ lên i ‟ or nges using infr re

spe tros opies,” J Food Sci Technol., vol 58, no 2, pp 731–738, Feb 2021

[36] Y p, W A ern n o, S renn n, y sen , n oorey, “ he effe ts of n n

ripeness on qu lity in i es for puree pro u tion,” LWT, vol 80, pp 10–18, Jul 2017

[37] N T I Samamad, L P D Ribeiro, M M de Almeida Lopes, R Puschmann, and E de Oliveira Silv , “ e r infr re spe tros opy, suit le tool for f st phenotyping – The case of cashew genetic

improvement,” Sci Hortic (Amsterdam)., vol 238, no February, pp 363–368, Aug 2018

[38] ungpi h y pi het, h yothee, gle, huwijitj ru, n üller, “ o ust S

models for non-destructive prediction of posth rvest fruit ripeness n qu lity in m ngo,” Postharvest Biol Technol., vol 111, no 1111, pp 31–40, Jan 2016

[39] A Wen el, Un erwoo , n W lsh, “ turity estim tion of m ngoes using hyperspe tr l

imaging from a ground based mobile platform,” Comput Electron Agric., vol 155, no October, pp

298–313, Dec 2018

[40] An erson, W lsh, Su e i, n yes, “A hieving ro ustness ross se son,

location and cultivar for a NIRS model for intact mango fruit dry matter ontent,” Postharvest Biol Technol., vol 168, no June, p 111202, Oct 2020

[41] ishr , oger, rini, A i n olillo, n utle ge, “ U -GUI: A graphical user interface for correcting external influences in multi-batch near infrared experiments related to

fruit qu lity pre i tion,” Postharvest Biol Technol., vol 175, p 111414, May 2021

[42] P Osinenko et al., “Appli tion of non-destructive sensors and big data analysis to predict physiological storage disorders and fruit firmness in „ r e urn‟ pples,” Comput Electron Agric.,

vol 183, p 106015, Apr 2021

[43] I S Minas, F Blanco- ipollone, n Sterle, “A ur te non-destructive prediction of peach fruit

internal quality and physiological maturity with a single scan using ne r infr re spe tros opy,” Food Chem., vol 335, no February 2020, p 127626, Jan 2021

[44] usumiy ti, A A un w r, n Suh n y, “ st n ont tless ssessment of int t m ngo fruit

qu lity ttri utes using ne r infr re spe tros opy S ,” IOP Conf Ser Earth Environ Sci., vol

644, no 1, p 012028, Jan 2021

[45] N T Anderson, K W lsh, lynn, n W lsh, “A hieving ro ustness ross se son, location and cultivar for a NIRS model for intact mango fruit dry matter content II Local PLS and

nonline r mo els,” Postharvest Biol Technol., vol 171, p 111358, Jan 2021

[46] A S Franca and L M L Nollet, Spectroscopic Methods in Food Analysis Boca Raton, FL: CRC

Press, Taylor & Francis Group, 2017: CRC Press, 2017

[47] J S Barrera, A Echavarría, C Madrigal, and J Herrera- mirez, “ l ssifi tion of hyperspe tral

im ges of the interior of fruits n veget les using 2 onvolution l neuron l network,” J Phys Conf Ser., vol 1547, no 1, p 012014, May 2020

[48] S uner , l s o, Amigo, S u ero, lens, n Aleixos, “Use of hyperspe tr l

tr nsmitt n e im ging to ev lu te the intern l qu lity of ne t rines,” Biosyst Eng., vol 182, pp 54–

64, Jun 2019

[49] S S eulk r n S S rve, “An Autom te om to u lity r ing using lustering se

Support e tor hine,” in 2018 3rd International Conference on Communication and Electronics Systems (ICCES), Oct 2018, pp 1128–1133

[50] Wei n Y u, “A hine e rning etho for the ete tion of rown ore in the hinese

Pear Variety Huangguan Using a MOS-Based E- ose,” Sensors, vol 20, no 16, p 4499, Aug 2020

[51] Y Zh ng, W S ee, i, Zheng, n A itenour, “ on-destructive recognition and

l ssifi tion of itrus fruit lemishes se on nt olony optimize spe tr l inform tion,”

Postharvest Biol Technol., vol 143, pp 119–128, Sep 2018

[52] Y Xiao et al., “A omprehensive investig tion of st r h egr tion pro ess n i entifi tion of

tr ns ription l tiv tor 6 uring n n fruit ripening,” Plant Biotechnol J., vol 16, no 1,

pp 151–164, Jan 2018

[53] W n, ill is, A e , en r , n S ure u, “A new ppli tion of spectroscopy to describe and predict purees quality from the non- estru tive pple me surements,”

Food Chem., vol 310, p 125944, Apr 2020

[54] FAO, “ jor ropical Fruits Market Review," p 9213, 2020 [Online] Available: http://www.fao.org/3/ca9213en/ca9213en.pdf [Accessed December 25, 2020]

[55] AOS A , “ ot l worl tr e in non-traditional agricultural exports, by value - fruits,” 2020 [Online] Available: http://www.fao.org/3/y5445e/y5445e0l.htm Total [Accessed Dec 25, 2020] [56] inh l, “Using ry tter s e sure of turity & u lity in ngos,” p 2020, 2019 [Online] Available: https://felixinstruments.com/blog/using-dry-matter-as-a-measure-of-maturity-quality-in- mangos/ [Accessed Dec 23, 2020]

[57] l key, “Ev lu tion of vo o fruit m turity with port le ne r-infr re spe trometer,”

Postharvest Biol Technol., vol 121, pp 101–105, Nov 2016

[58] Y Zh ng, o k, Y Al Shoffe, n W tkins, “ on-destructive prediction of soluble solids

and dry matter concentrations in apples using near-infr re spe tros opy,” Acta Hortic., no 1275, pp

341–348, Mar 2020