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.

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 Can Tho University Kien Giang Vocational College 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 Trường Đại học Cần Thơ Trường Cao đẳng nghề Kiên Giang 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 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 ti m n ng ho nh ng nghiên cứu t ng l i, 140 ng trình nh gi h t l ng trái không phá h y thuộ sở d liệu S opus gi i o n t n m 2016 n th ng n m 2021 c thống kê phân tích T ó, mứ ộ qu n t m ối với lo i tr i y, ph ng ph p v k t tốt nh t t ng ứng với t ng ph ng ph p ũng x ịnh K t 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 táo hai lo i tr i y qu n t m h ng u, nghiên cứu ũng nên tập trung vào lo i trái ti m n ng thuộc nhóm có mứ ộ quan tâm th p h n số l ng cơng bố khoa học liên quan 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 khu vực trồng ũng nên xem xét ho ối t ng trái có dẫn ịa lý giá trị kinh t cao DOI: https://doi.org/10.34238/tnu-jst.4673 * Corresponding author Email: ncnghiem@ctu.edu.vn http://jst.tnu.edu.vn 158 Email: jst@tnu.edu.vn 226(11): 158 - 167 TNU Journal of Science and Technology Giới thiệu Trong nhi u n m g n y, ng với t ng tr ởng m nh m v sản l ng lo i n ng sản nói 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 to n u [1] ể p ứng nhu c u xu t kh u lo i trái cây, nhi u tiêu liên qu n n 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 m khuy t mặt u qu n t m ối với tiêu bên ngoài, việ nh gi th ờng th cơng cảm quan, th dễ dẫn u thi u ồng v ch t l ng, m t nhi u thời gi n nh gi hỉ tiêu nội th ng th ờng c n phá h y mẫu nên ảnh h ởng n hiệu kinh t , ảm bảo ch t l ng c a t t mẫu v ũng m t nhi u thời gian Vì th , tự ộng hó nh gi h t l ng b ng ph ng ph p kh ng ph h y c quan tâm phát triển cho ch t l ng nội ch t l ng bên c a nhi u lo i trái [2] Dự sở d liệu Scopus v ng trình nh gi h t l ng trái không phá h y, báo trình bày k t nghiên cứu t ng quan, thống kê v mứ ộ quan tâm c a ph ng ph p kh ng ph h y khác c áp dụng gi i o n t th ng 01 n m 2016 n ng y 01 th ng n m 2021 rên sở ó, k t tốt nh t t c 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 ti m n ng ho nh ng nghiên cứu t ng l i Mức độ quan tâm phƣơng pháp phân tích khơng phá hủy Hình 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 dự sở d liệu công bố khoa học c S opus gi i o n 2016-2021 Tỷ lệ ũng thể mứ ộ qu n t m nh nghiên ứu v ph ng ph p kh ng ph h y kh nh u t khảo sát cho th y, có bốn ph ng pháp có tỷ lệ cao, ó ph ng pháp quang ph thị giác máy tính dẫn u v mứ ộ quan tâm với tỷ lệ l n l t 52,86% 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 h i n m 2020, 2021 (Hình 2) Số lƣợng công tr nh đã công bố 25 Đo hiêụ ƣ́ng Doppler Laser Cộng hƣởng từ hạt nhân X-ray CT Âm ho ̣c Khứu giác điện tử Thị giác máy Quang phổ (VIS-NIR) 20 22 15 13 11 10 10 33 1 0 2016 H nh Tỷ lệ cơng bố phương pháp phân tích h ng phá h khác dựa kết khảo sát tr n i áo từ sở liệu khoa học Scopus từ n đến 01/06/2021 13 12 11 2017 00 2018 00 2019 1 2020 000 2021 H nh Số lượng công bố đánh giá chất lượng trái phương pháp h ng phá h thống kê từ Scopus giai đoạn 2016-2021 Dữ liệu tính đến 01/06/2021 Dựa vào k t khảo sát trên, 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 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 http://jst.tnu.edu.vn 159 Email: jst@tnu.edu.vn 226(11): 158 - 167 TNU Journal of Science and Technology ph thống kê 140 i o theo thời gian hiệu tốt nh t ng ph p n y c thống kê Bảng c ghi nhận ối với 2.1 Công nghệ đặ h ng ph p kh ng ph h y ựa cơng nghệ ặc tính âm họ p ụng kh sớm th ng qu việ nh gi 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 m khuy t ên [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, ó 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 ó k h th lớn nh h u kh ng nên p ụng hiệu 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 n tr i y 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 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 h n [6] đệ hứu gi iện tử l nh ng giải ph p kh ng ti p x gi th nh th p p ụng nhi u lo i nh o, lê, u, t o, xo i, hu [7]–[11] h ng qu việ sử ụng ảm i n ể o y h i 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 cách hiệu 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 việ p ụng khứu gi iện tử x ịnh gi i o n h n s u thu ho h với hiệu o i u c n l u ý 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 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) giai đoạn 2016-2021 theo Scopus Số lƣợng cơng trình công bố theo năm 2016 2017 2018 2019 2020 2021* 1 2 11 12 17 15 23 Kết qu tốt 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 ** R : Hệ số ác đ nh co ici nt o t r inattion R p2 đ ác ự đốn hệ số tương quan Acc: đ ác phân loại hị gi m y l ph ng ph p ph n t h kh ng ph huỷ ph i n 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 máy học (nh hu n luyện m ng n ron, m y vé -t h tr th y hỉ sử dụng ph ng ph p xử lý ảnh n thu n ể tìm r ặ tr ng h u h nh ệnh vỏ, màu s c, khuy t iểm b mặt [25]–[27] h y gi m s t qu trình h n ên 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 số h n h v i hỏi có t ng qu n gi a tiêu ch t l ng nội ối với biểu hình thái c a trái Một số thơng http://jst.tnu.edu.vn 160 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 158 - 167 số ch t l ng nội nh ộ h n, ộ t ng tr ởng l ng th ng qu k h tr i n y ể h ớng n khả n ng thu ho h tự ộng 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 nh SS , ộ h n, ộ ứng [4], [30], [31] Nhìn chung, thị gi m y t nh c ứng dụng ph bi n lĩnh vực phân lo i trái dựa vào 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 gặp số h n ch c n l u ý n mứ ộ t ng qu n gi a tiêu chí nội với ặc tính bên ngồi c a trái Ví dụ iển hình v màu s c cho th y nhi u lo i nh xo i v u da xanh có màu vỏ kh ng i ng kể qu trình h n v th y i màu thịt iễn h ng ph p ph n t h kh ng ph h y dựa quang ph cận hồng ngo i c nghiên cứu ứng dụng suốt thời gian dài Dựa 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 [32] Vì ph hồng ngo i có thơng tin v liên k t quan trọng C–H, O–H N– H, ph cận hồng ngo i ựng thông tin quan trọng c a vật ch t h u , n thi t cho nh gi h t l ng nội c a trái [33] Chỉ tiêu h t l ng nội qu n t m nhi u nh t l ộ ảng ộ liên quan mật thi t n trình chín c tr i y, 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 thịt ể x ịnh thời iểm thu ho ch tối u [34], [36]–[38]; nhờ ó ảm bảo ch t l ng trái chín 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 tiêu ch t l ng nội khác ph bi n h n ũng ó thể 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 áp dụng ph ng ph p c n có chọn lựa phù h p 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 thành ph n nội quả) ch ộ phản x t ng t inter t n e mo e; ph h p ể phân tích thành ph n nội g n lớp vỏ) Trong ba ch ộ này, ch ộ phản x t ng t l h ộ h u ích khả thi việ nh gi h t l ng nội c phản ánh t ph n thịt ới vỏ [46] Cùng với phát triển c a công nghệ r ời c a thi t bị cảm bi n siêu ph , thông tin siêu ph ng c quan tâm nhi u h n p ụng hiệu 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 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 thi t bị cảm bi n siêu ph có giá thành th p h n v trở nên ph bi n h n Các tiêu chất lƣợng h ng ph p kh ng ph h y non- estru tive metho i 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 nhanh, có hệ thống v ồng nên r t ph h p ho xu h ớng nh gi , ph n lo i h t l ng r u thời gian thực http://jst.tnu.edu.vn 161 Email: jst@tnu.edu.vn 226(11): 158 - 167 TNU Journal of Science and Technology ng c đ quan tâ thông số ng đánh giá chất lượng trái câ quan tâ c ng bố khoa học giai đoạn 2016 – 2021 Các thông số chất lƣợng đƣợc quan tâm ộ 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 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, mọng: 2,86; m, h u: 2,14; huối: 2,11; hu , 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; 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, mọng: 2,14; h u, : 1,43; hu , m, nho, lê, huối, kiwi, u, xu n o: 0,71 o i: 6,43; : 3,57; t o: 2,14; o: 1,43; nho, kiwi, mận, ởi, xu n o, ớt hu ng: 0,71 o i: 3,57; 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, mọng, h nh y, v ng: 0,71 o, hu , nho, 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, 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 tiêu phân lo i ch t l ng ên ngo i nh k h th ớc, hình dáng, m khuy t b mặt,… h t l ng tr i y c quy t ịnh ph m ch t nội 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 công bố khoa họ gi i o n 2016-2021 c thống kê Bảng K t thống kê cho th y màu s c thông số ên ngo i c quan tâm nhi u nh t Vì màu s c th ng th ờng k t ặ tr ng ho tr i h n, v ó t ng qu n nh t ịnh với 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 c dùng ể phân lo i h y nh gi h t l ng trái cho số tr ờng h p cụ thể nh ph t v t ệnh vỏ m, nhận i t mứ ộ h hỏng nội th ng qu nhận ng mứ ộ m khuy t ên ngo i, ph n lo i mứ ộ m khuy t xo i [26], [50], [51] Thông số nội c quan tâm nhi u nh t l ộ 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 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 http://jst.tnu.edu.vn 162 Email: jst@tnu.edu.vn 226(11): 158 - 167 TNU Journal of Science and Technology t tl ó mối liên hệ mật thi t với SS [34], [38], [52] ộ tr ởng th nh sinh lý a nh gi th ng qu v th ờng t ng qu n thuận với tỉ lệ thịt 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 tr ờng h p h n ch 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 số lo i trái nh xo i, kiwi ó thể nh gi ể phân lo i thông qua DM [40], [45] Đối tƣợng ể ịnh h ớng cho nghiên cứu ứng dụng ph ng ph p kh ng ph h y t ng l i, mứ ộ qu n t m ối với lo i tr i y c phân tích thống kê ình 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 gi i o n 2016-2021 liên qu n n lo i thuộc nhóm 25 lo i ó gi trị th ng m i o nh t v ph i n theo liệu thống kê ng n h ng liệu trự n t ng l ng thự th giới [54], [55] K t thống kê cho th y phân 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 35,71% 30,71%, cách xa so với nhóm thứ hai gồm 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 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 cho th y, cơng trình nghiên cứu v lo i tr i n y ó thể c áp dụng, p ứng c ph n nhu c u thực t v công nghệ phân tích khơng phá h y, ặc biệt gi i o n sau thu ho ch Hình biểu diễn mứ ộ quan tâm theo thời gian c a chín lo i thuộ nhóm c quan tâm nhi u nh t K t cho th y, mặ xo i ó t ng mứ ộ qu n t m lớn nh t gi i o n khảo sát, t o qu n t m nhi u h n thời gian g n y t 2019) Số liệu ũng ho th y có qu n t m ặc biệt ối với o v m v ó quan tâm nh t ịnh ối với chuối thời gian g n y i u ó ho th y, nh ng n ớc có khí hậu phù h p trồng xoài, cam chuối nh Việt Nam nên tập trung nghiên cứu công nghệ không phá h y nh m nh gi h t l ng lo i tr i n y ể ó óng góp h u ích cho cơng nghệ phân tích khơng phá h y 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 X oà Tá m ọn g M 0 2.85 u 0 3.57 3.57 2.14 2.14 0.71 3.57 2.85 2.14 1.42 00 X Mơ uâ ậ n n đa C ̀o am Đ 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 n Ớ N h tc h h o D uôn ƣa g hâ ́u C Dâ u C hu a Lê 3.57 C hu ối 1.42 0.71 0.71 H nh c đ quan tâ c a c ng tr nh li n quan đến loại c giá tr từ đến 2021 3.57 2.85 2.14 2.14 2.14 đa ̀o 4.28 3.57 2.85 2.852.853.57 2.14 1.42 0.4 0.71 4.28 4.28 < 0.71 5.71 6.427.14 5.71 3.57 ận 10 Q 11.42 11.42 10.71 9.28 5.71 X uâ n 15 7.14 6.42 Đ 16.42 14.28 14.28 7.85 7.14 am 20 8.57 C 25 Mức độ quan tâm ( ) Mức độ quan tâm ( ) 30 H nh c đ quan tâ c a c ng tr nh li n quan đến loại c giá tr theo thời gian từ đến 01/06/2021 M c đ quan tâm loại xếp t ng ần từ trái sang phải Do khác biệt v giống khu vực trồng, ph m ch t nội quả, ặ tr ng mặt v ặc tính sinh tr ởng c a lo i trái khác Vì th , ph ng ph p ph n t h kh ng ph http://jst.tnu.edu.vn 163 Email: jst@tnu.edu.vn 226(11): 158 - 167 TNU Journal of Science and Technology h y, ặc biệt l ph ng ph p dựa phân tích quang ph kh ng ph h p ể áp dụng ph quát cho nhi u tr ờng h p (ví dụ nh kh giống vùng trồng trọt, hay giống khác vùng trồng trọt) Thông tin thống kê v h m l ng vật ch t kh ảng l ví dụ cho th y kh iệt liên qu n n m vụ, giống v v ng trồng ối với số lo i trái có giá trị kinh t o i u ó ho th y 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 hiệu ối với giống cây, khu vực trồng khác thông qua việc xác ịnh thông số hệ thống phù h p, xu t giải thuật cải ti n, hiệu chu n giải thuật với d liệu ặ tr ng a giống cây, khu vực trồng, ể có tính khả thi hiệu triển khai ứng dụng ng Chỉ số chất lượng n i c a Loại qu 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 t số phụ thu c nhiều yếu tố 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) Kết qu bàn luận Thông qua việc khảo sát phân t h ng trình nh gi h t l ng trái b ng ph ng pháp không phá h y dự sở d liệu khoa họ S opus 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 ph ng ph p dựa cơng nghệ ặc tính âm học, khứu gi iện tử, thị giác máy quang ph Với xu h ớng t ng nh nh v số công trình cơng bố thời gian g n y, ph n t h qu ng ph trở th nh ph ng ph p c quan tâm nhi u nh t t ng l i g n Bên c nh táo xo i l h i ối t ng qu n t m ặc biệt, nhóm trái có mứ ộ quan tâm th p h n ũng l ối t ng nghiên cứu ti m n ng ặc biệt, 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 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 số lo i trái theo giống khu vực trồng, nghiên cứu ũng cho th y khả n ng thông số ch t l ng nội th y i tùy theo giống 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 số lo i trái 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 http://jst.tnu.edu.vn 164 Email: jst@tnu.edu.vn 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] http://jst.tnu.edu.vn 165 Email: jst@tnu.edu.vn 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 , 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 http://jst.tnu.edu.vn 166 Email: jst@tnu.edu.vn 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 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 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-maturityquality-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 http://jst.tnu.edu.vn 167 Email: jst@tnu.edu.vn ... Số lượng công bố đánh giá chất lượng trái phương pháp h ng phá h thống kê từ Scopus giai đoạn 2016-2021 Dữ liệu tính đến 01/06/2021 Dựa vào k t khảo sát trên, báo tập trung phân tích t ng quan. .. of Science and Technology ng c đ quan tâ thông số ng đánh giá chất lượng trái câ quan tâ c ng bố khoa học giai đoạn 2016 – 2021 Các thông số chất lƣợng đƣợc quan tâm ộ rix , h m l ng h t r n... bốn ph ng pháp có tỷ lệ cao, ó ph ng pháp quang ph thị giác máy tính dẫn u v mứ ộ quan tâm với tỷ lệ l n l t 52,86% 29,29% Xét theo thời gian công bố, h i ph ng ph p n y ng y ng c quan tâm với