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

TNU Journal of Science and Technology

226(11): 158 - 167

A REVIEW ON FRUIT QUALITY ASSESSMENT
BY NON-DESTRUCTIVE METHODS
Nguyen Chanh Nghiem1*, Nguyen Phuoc Loc1,2, Nguyen Hoang Dung 1, Nguyen Chi Ngon1
1

Can Tho University
Kien Giang Vocational College

2

ARTICLE INFO
Received:

20/6/2021

Revised:

15/7/2021

Published:

21/7/2021

KEYWORDS
Non-invasive
Non-destructive
Fruit quality

Quality evaluation
Quality classification

ABSTRACT
Quality assessment and grading of fruits using non-destructive
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.

TỔNG QUAN VỀ ĐÁNH GIÁ CHẤT LƢỢNG TRÁI CÂY
BẰNG PHƢƠNG PHÁP KHÔNG PHÁ HỦY
Nguyễn Chánh Nghiệm1*, Nguyễn Phƣớc Lộc1,2, Nguyễn Hồng Dũng1, Nguyễn Chí Ngơn1
1

Trường Đại học Cần Thơ
Trường Cao đẳng nghề Kiên Giang

2

THÔNG TIN BÀI BÁO
Ngày nhận bài:

20/6/2021

Ngày hồn thiện:

15/7/2021

Ngày đăng:

21/7/2021

TỪ KHĨA
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

TÓM TẮT
nh gi h t l ng v ph n lo i tr i y ng ph ng ph p kh ng
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 khơng phá
h yv
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 cơng bố khoa học liên quan có thể h
p
ứng
c nhu c u thực t
ặc biệt, phát triển cơng nghệ phân tích
khơng 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.

DOI: />*

Corresponding author. Email:

158

Email:


226(11): 158 - 167

TNU Journal of Science and Technology

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 ngồi, việ
nh
gi th ờng th cơng 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 khơng 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 khơng phá h y kh nh u v
ối t ng tr i y ng
qu n t m ũng
c
trình y
yl
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 phƣơng pháp phân tích khơng phá hủy
Hình 1 biểu diễn tỷ lệ cơng 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 cơng bố trong h i n m 2020, 2021 (Hình 2).

Số lƣợng các cơng tr nh đã cơng bố

25

Đo hiêụ ƣ́ng Doppler Laser
Cộng hƣởng từ hạt nhân và X-ray CT
Âm ho ̣c
Khứu giác điện tử
Thị giác máy
Quang phổ (VIS-NIR)

20

22

15
13
11
10
9

10

8
7
6
5

4
3

33

2
1 1
0

0
2016

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

13

12

3

2
1 11
0
2017

1
00
2018

1
00
2019

1

1
0
2020

000
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 khơng 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


159

Email:


226(11): 158 - 167

TNU Journal of Science and Technology

ph

thống kê trong 140 i o theo thời gian và hiệu quả tốt nh t
ng ph p n y
c thống kê ở Bảng 1.

c ghi nhận ối với các

2.1. Công nghệ đặ
h ng ph p kh ng ph h y ựa trên cơng 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].
đệ
hứu gi
iện tử l một trong nh ng giải ph p kh ng ti p x gi th nh th p
p
ụng trên nhi u lo i quả nh
o, lê, u, t o, xo i,
hu [7]–[11] h ng qu việ sử ụng
ảm i n ể o sự y h i trong mối t ng qu n với ộ h thịt
tr i y [10]. u ó, ng y
thu ho h tối u ó thể
x

ịnh một cách hiệu quả và nhanh chóng [7] ối với gi i o n
sau thu ho ch, khứu gi
iện tử ũng ó thể
c áp dụng ể nh gi ộ h n tr i y [10] ối
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
Phƣơng pháp
ng nghệ ặ
t nh m họ
hứu gi
iện tử
hị gi m y
u ng ph
SNIR)

trong giai đoạn 2016-2021 theo Scopus

Số lƣợng cơng trình cơng bố theo năm
2016 2017 2018 2019 2020 2021*
1
1
1
2
4

2
1

2

5

1

3

2

1
7

4
11

8
12

7
17

15
23

2
8

Kết qu tốt nhất đạt đƣợc**
R = 0,99 [14]; R2 = 0,86 [15];
Acc = 83,2% [16]
R2 = 99,33% [8]; R2 = 0,54–1,0 [13];
R2 = 83,3% –99,85% [12];
Acc = 100% [17]; Acc = 0,979% [18]
R = 0,92 [19]; R p2 = 0,896 [20];
Acc = 99,17% [21]; Acc = 100% [22]–[24]

*

Tính từ / /
đến 01/06/2021.
** 2
R : Hệ số ác đ nh co ici nt o t r inattion

R p2 đ chính ác ự đốn

hệ số tương quan Acc:

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


160

Email:


TNU Journal of Science and Technology

226(11): 158 - 167

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
tích quang ph ể việ
nh gi
hỉ tiêu ch t l ng nội quả nh SS , ộ h n, ộ ứng [4],
[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 ngồi. 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 ngồi 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 q trình chín c tr i y, một hỉ tiêu
ng ời tiêu ng qu n t m nhi u nh t
hỉ tiêu n y ũng phụ thuộc vào mứ ộ tr ởng th nh sinh lý v thời iểm thu ho ch [34], [35].
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 cơng 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
ph ng ph p ph n t h ph cận hồng ngo i [40], [44], [45]. Tuy nhiên, c n l u ý n ộ dày c a
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
trọng cho việ
nh gi , ph n lo i quả với ộ h nh x
o [47]. Vì th , v n áp dụng máy học
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 lƣợng
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.

161

Email:


226(11): 158 - 167

TNU Journal of Science and Technology
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 lƣợng đƣợc
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)
us

ộ ứng

irmness

ml

ng vật h t kh

)

m l ng xit, hu n ộ xit
(TA)
i th m Arom v
h t ễ
yh i
ộp
ộ tr ởng th nh

turity

Vitamin A, C, E, K1, B9;
l ng t nin
ộ hn

;h m

rọng l ng; khối l ng riêng
h t l ng, hỉ số h t l ng nội
(IQI)
h th ớ Size
rở kh ng Ω
m l ng tinh ột St r h
m l ng Fructose, glucose,
sucrose
l ng thuố ảo vệ thự vật

Nh m trái cây: mức độ quan tâm (

)

Tổng mức độ
quan tâm (%)

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
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
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
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
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
u: 2,14; huối, o: 1,43; t o, m, lê, quả
mọng, h nh y,

v ng: 0,71
o,
hu , nho, quả mọng, xu n o: 1,43;
h u: 1,41; o, mận: 0,71
o i: 2,14;
h u: 1,43;
hu , m; huối,
o, : 0,71
uả mọng: 2,86; xo i, m: 1,43; t o: 0,71

48,57

huối: 1,43; xo i, ,
h u, xu n o, h nh
y, m ng ụt: 0,71.
o, m, lê, o, mận, xu n o: 0,71.
o i: 1,43; : 0,71

5,71

o i, quả mọng: 0,71
huối: 1,43
o, huối: 0,71
ởi: 0,71

1,43
1,43
1,43
0,71

v ng: 0,71

46,43

25,71

17,86
14,29
9,29
8,57
7,14
6,43

4,29
2,14

0,71

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


162

Email:


226(11): 158 - 167

TNU Journal of Science and Technology

t tl
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
gi n l u tr v thời h n sử ụng s u thu ho h [41], [53]. Vì th , ch t l ng một số lo i trái cây
nh xo i, kiwi ó thể
nh gi ể phân lo i thơng qua DM [40], [45].
4 Đối tƣợng
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
h ng liệu trự tuy n
t hứ
ng l ng thự th giới [54], [55]. K t quả thống kê cho th y có
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 cơng 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 cơng nghệ phân
tích khơng 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.
14

40

2016

2017

2018

2019

2020

2021

35.71

12.14

35

12
10.71

30.71
10

3.57

0.71 0.71 0.71

1.42
0.71
0.71

1.42

i

o

0

X
oà

0

Tá

0

m
ọn
g

M

0 0

2.85

u

0 0

3.57 3.57

2.14 2.14

0.71

0

3.57
2.85

2.14
1.42

0 00

0

X Mơ
uâ ậ
n n
đa
C ̀o
am
Đ
à
Q Ch o
u u
m ối
ọn
g
Tá
X o
oà
i

K
há
M Kh c
ăn m
g
cu
D ƣ c̣
ƣa ở
Q va i
u ̀ ng
k
C iwi
ha
n
Ớ N h
tc h
h o
D uôn
ƣa g
hâ
́u
C Dâ
à u
C
hu
a
Lê

3.57

C
hu
ối

1.42

0.71
0.71

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

3.57

2.85
2.14
2.14

2.14

đa
̀o

4.28 5

3.57

2.85

ơ

0

2.852.853.57
2.14
1.42
0.4 0.71

5
4.28 4.28

2

< 0.71

5

5.71 6.427.14
5.71

5

3.57

ận

10

5

4

Q

11.42
11.42
10.71
9.28

5.71

X
uâ
n

15

7.14
6.42

6

Đ
ào

16.42
14.28 14.28

7.85
7.14

am

20

8.57

8

C

25

Mức độ quan tâm ( )

Mức độ quan tâm ( )

30

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


163

Email:


226(11): 158 - 167

TNU Journal of Science and Technology

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
Loại qu và giống
o i Calypso

o i ensington ri e
o i Calypso
o i ensington ri e
Xoài Ataulfo
o i Tommy Atkins
o i Ataulfo
o i oney ol
o i eitt
o i
y r e
o i
y ne
uerte
Hass
o
ntosh
o e eli ious
o uji
1

t số quả phụ thu c nhiều yếu tố như giống, vùng trồng v

Khu vực trồng/thu mua

Nam Úc
Nam Úc
Brazil
Brazil
Mexico
orthern erritory v

orthern erritory v
orthern erritory v
orthern erritory v
Nam Phi
Nam Phi
Ithaca, New York
Ithaca, New York
Ithaca, New York

entr
entr
entr
entr

l
l
l
l

ueensl
ueensl
ueensl
ueensl

n
n
n
n

,

,
,
,

a vụ

Chỉ số chất lƣợng nội qu
DM = 16,5% [56]
DM = 16,5% [56]
DM > 16,5% [56]
DM > 16,5% [56]
DM = 14,6 – 16,4% [56]
DM = 14,0% [56]
DM = 16,9 – 20% [56]
DM = 17,7% [40]
DM = 14,9% [40]
DM = 17,2% [40]
DM = 14,7% [40]
DMmin = 20% [57]
DMmin = 23% [57]
DMC1 = 150,4 – 153,9 [58]
DMC = 196,7 – 203,6 [58]
DMC = 167,9 – 198,2 [58]

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 cơng 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 cơng 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
yl
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


164

Email:


TNU Journal of Science and Technology

226(11): 158 - 167

pple tissue,” Innov. Food Sci. Emerg. Technol., vol. 37, pp. 375–383, Oct. 2016.
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
[4]



165

Email:

TNU Journal of Science and Technology

226(11): 158 - 167

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 HOGS
,” 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. MenesesEs 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 nonestru 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 , “ oninvasive 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.


166

Email:


TNU Journal of Science and Technology

226(11): 158 - 167

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:
[Accessed December 25, 2020].
[55] AOS A , “ ot l worl tr e in non-traditional agricultural exports, by value - fruits,” 2020
[Online]. Available: 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: 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.



167

Email: