水果品质光学无损检测技术研究进展

　　摘要：在水果产量巨大和需求标准提高的双重影响下，目前亟需研究方便快捷的水果无损检测方法。本文主要介绍机器视觉、近红外光谱检测、拉曼光谱检测和高光谱成像技术共四种光学无损检测技术在水果品质检测中的应用，对水果品质光学无损检测研究历程和发展现状进行归纳整理，同时展望了未来发展方向，为水果品质光学无损检测研究工作提供基础理论参考。

　　关键词：水果，品质，无损检测技术，机器视觉，近红外光谱检测，拉曼光谱检测，高光谱成像技术

　　我国是水果生产大国，水果产量与种植面积均位于世界前列[1-2]。近年来国内水果产业已经成为我国种植业中的第三大支柱产业，与此同时我国水果产量已达到全球生产总量的15%以上[3]。随着经济的发展和社会整体消费水平的提升，消费者对果品品质的要求逐渐提高，在产量巨大和需求标准提高的双重影响下，如何通过方便快捷的水果无损检测手段以实现准确的品质分级是目前水果产业研究学者亟需思考的[4]。传统检测方法是通过人工结合机械进行，存在检测效率低、准确度不高等问题，很难满足生产需求。

　　近年来，无损检测方法因其快速、简便、高效的优点，被国内外学者广泛关注，也越来越多地被应用于水果品质的检测研究中[5]。无损检测技术又称为非破坏性检测，是在不损坏样本的前提下实现品质检测的一种方法。该方法在获取样品信息的同时保证了样品的完整性，检测速度较传统的理化方法有很大提升，且能有效地判断出从外观无法获得的样品内部品质信息。

　　目前常用的无损检测技术大多利用待测物在光学、声学、力学、电磁学等相关物理特性上的表征来实现检测[6]，不同的无损检测技术都有其各自的优点与适用条件，正确认识和总结不同无损检测技术的优点与局限性对水果的检测与生产具有重要意义。水果品质包括外部品质和内部品质，外部品质的主要检测指标包括果实大小、形状、色泽、表面缺陷和损伤等，利用机器视觉技术结合图像处理算法对水果外观品质进行检测是目前国际上正在研究的热点课题[7]。

　　内部品质检测指标包括果实的酸度、甜度、水分、维生素含量、可溶性固形物含量等，可以通过光学、声学、电磁学等相关方法进行检测。但无论对于水果的外部品质或是内部品质，光学无损检测技术包括机器视觉、近红外光谱检测、拉曼光谱检测和高光谱成像技术都可以取得一定检测效果，且目前这些方法均已获得广泛应用[8]。本文将分别介绍这四种光学无损检测技术在水果无损检测中的应用，对其研究历程和发展现状进行归纳整理，同时展望未来发展方向，为水果品质光学无损检测研究工作提供基础理论参考。

　　1机器视觉

　　1.1概述

　　早在上世纪70年代，国外学者就开始将机器视觉技术与图像处理技术结合应用于水果的外部品质无损检测研究中。机器视觉技术是通过摄像机来获取物体图像后，通过结合图像处理技术实现对物体的识别和检测。该技术模仿了人类感官中的视觉，属于一种智能感官仿生技术。因具有高效、无损、分级指标多、检测结果客观准确等优势目前正被广泛地研究和应用。一般来说，机器视觉系统主要由光源、工业摄像机、图像采集卡、图像处理器和显示器等组成图像采集、处理和分析、信息输出这三部分主要内容[9]。设计合理的硬件设备采集样本图像后，选用合适的图像处理算法可以提取得到样本表面的各种特征信息，包括尺寸、形状、颜色及表面缺陷等。

　　1.2分部检测

　　1.2.1图像采集

　　为提高水果无损检测的稳定性，首先必须获取到可提取有效特征信息的水果样本图像。而对于大多数形态为类球形的水果来说，采用机器视觉技术对其进行无损检测过程中需要优先解决的一个重要问题是如何获取果实样本不同面的图像，许多学者通过以下两种基本思路开展研究。

　　1.2.1.1旋转待测果实

　　一种直接的思路是通过调整待测物的位置获取得到多角度图像。美国一家农业科技公司[10]首先设计了一款苹果分拣机械，采用带有滚轮装置的传送带使苹果在运输的过程中进行翻转，同时利用多区域扫描摄像机对全传送带上的大量苹果进行图像采集，再通过多视角图像合成即可得到果实的几乎所有侧面信息。但由于大量苹果的形状与大小各不相同，旋转的速度与方向不一致，通过多区域扫描摄像机可能造成信息的冗余。

　　此外，苹果旋转轴线两端的表面部分摄像机无法采集到，使得分级准确率达不到理想水平。日本新舄大学的科研团队[11]开发了一套完整的图像数据采集系统，系统由旋转平台、电荷耦合摄像机(chargecoupleddevice，CCD)、图像处理器和微型计算机组成。利用旋转平台使置于平台上的苹果发生旋转，每旋转18°时置于侧面的CCD摄像机采集到一幅图像，直至苹果旋转一整周，可获取到共20幅图像。每幅图像仅保留中间部分进行图像合成，可得到一颗苹果的全表面展开图像。

　　该方法可以很好获取到水果的全表面信息，但需人为地将果实一个个放置在旋转平台上，若结合机械臂进行自动化拾取放置会取得不错的效果。土耳其SüleymanDemirel大学的M.M.Sofu团队[12]设计了一种以颜色、大小、重量作为指标的苹果质量检测系统，通过滚筒刷和两台CCD摄像机能够获取苹果四个面的图像。缺陷在于虽然较小的苹果可以很容易地旋转，但较大的苹果可能由于与滚筒形成滚轮结构而不能旋转，因此要获取完整的苹果四面图像是非常困难的。总体来说，通过旋转待测果实进行图像采集稳定性较差，特别是针对形状不规则的水果。

　　1.2.1.2通过镜面反射

　　近年来有部分学者考虑利用镜面反射优化图像采集设备，例如中国农业大学的李庆中团队[13]设计了一套苹果颜色在线检测系统，输送带设计为琴键式结构，每个果框为倒梯形，果框两侧贴有与水平面成45°的两面平面镜，使果实在运输过程中，位于果实正上方的摄像机可以一次获取到每个果实的三面彩色图像，可基本保证颜色检测的全面性要求。王干等[14]设计了一套脐橙采后田间分级系统，基于机器视觉能够获取脐橙的尺寸、表面缺陷数量及缺陷面积，对果品进行自动分级。

　　为了获取脐橙表面信息同时减少镜面反射，选择条形无频闪发光二极管(light-emittingdiode，LED)光源前光照明和漫反射光照，通过在暗箱顶部和两侧各设置相机，结合安装有辊轮-齿轮装置的传送带使脐橙在图像采集区域不断旋转，利用可编程逻辑控制器(ProgrammableLogicController，PLC)控制完成对同一个脐橙9副不同面图像的采集。以上研究表明，通过镜面反射获取果实多面图像可行性较高，在稳定性上表现也相对较好。截至目前，虽然基于机器视觉的水果外观品质检测有着精确、高效的优点，但在图像采集方面还存在一定不足，合理的检测系统设计，既便于得到全面的表面信息，同时能提高检测效率。

　　1.2.2前景分割

　　球状的水果在集中光源的照射下容易造成表面亮度不均匀，如何将果实前景从背景中分割出来是在获取特征之前的一个重要课题。密歇根州立大学的Mizushima和Lu[15]提出了一种基于线性支持向量机(SupportVectorMachine，SVM)和Otsu阈值分割算法的自适应颜色分割方法，使用线性SVM计算得到图像在RGB空间中的最佳分离超平面，从而生成灰度图像。通过在水果边界区域附近找到的最小阈值估计得到最佳阈值，解决了由于光照不均难以准确完成前景分割的问题。

　　上海交通大学与北京农业智能装备研究中心[16]合作设计了一套使用自动亮度校正的苹果缺陷检测系统，利用朗伯定律即果实对象中央部分与边缘部分的吸光强度不同分别对两部分进行亮度校正，结合相关向量机(RelevanceVectorMachine，RVM)分类器较好地解决了因亮度分布不均以及真实缺陷与茎、花萼之间存在相似性而难以检测出准确缺陷区域的问题。伊朗库尔德斯坦大学Baigvand团队[17]针对无花果设计了一套基于机器视觉的分级系统，质量分级指标选用颜色、尺寸和开裂尺寸，结合无花果加工专家对样本进行的真实等级确定，将无花果质量分为5个等级。该系统选用RGB空间中的B通道图像，采用Otsu阈值分割算法，结合形态学图像处理方法，分割出无花果目标区域，得到RGB图像掩膜用于后续提取颜色特征。

　　试验结果表明，该系统对无花果进行分级的总精度高于95%，平均速度为90kg/h，可以实现对无花果品质的实时检测。王干等[14]在脐橙采后田间分级系统中，为了完整分割出脐橙的目标区域，根据脐橙外观颜色特点同样采用了RGB颜色空间，通过R分量图像减去B分量图像，得到前后景差异明显的灰度图像，以此实现前景分割。前景分割与边缘检测效果息息相关，有时在果实不规则形状或周边环境的干扰下，边缘检测效果达不到预期，这就需要学者们对算法再做创新，进一步增强检测系统的稳定性与适应性。

　　1.2.3尺寸检测

　　水果的外形尺寸是果实检测的一项重要依据，一般来说可以通过图像处理计算平均果径大小或最大横截面直径来提取相关尺寸指标。中国农业大学的籍保平教授[18]用苹果图像的直径、轴向或径向的最大尺寸作为尺寸指标，可以达到基本的检测精度要求。陈艳军等[19]设计了一套基于机器视觉技术的苹果分选系统，在提取图像中苹果轮廓后，提出以苹果轮廓线上两点之间的最大距离或以最大横切面直径这两种理论模型作为苹果的尺寸分级指标，使用VC编程分别建立模型。

　　试验结果表明，利用轮廓线上最大两点间距离对苹果进行大小分级的正确率达93.3%，利用最大横切面直径进行分级的正确率为87.1%，证明用果品图像轮廓线上点的最大距离作为尺寸分级指标效果较好，且分机效率最高可达12个/s，达到水果在线分选商品化应用的基本要求。但由于全套设备体积较大，成本较高，暂时未能得到广泛应用。

　　王干等[14]在脐橙采后田间分级系统中，根据国家脐橙分级标准以最小果径作为分级依据，通过最小外接矩形法得到图像中脐橙对象最长轴和最短轴，结合相机标定结果与脐橙实际尺寸等级，建立了图像中脐橙对象轴长与脐橙实际大小之间的相关模型，以此获得脐橙尺寸预测结果。试验结果表明，对脐橙尺寸的检测误差小于3%，对单幅图片的平均检测时间小于30ms，可以实现脐橙的田间分级检验。而沈阳农业大学的石瑞瑶等[20]设计了一套苹果品质在线分级系统，系统采用阈值分割算法完成前景分割后，使用逐像素遍历法提取得到苹果的外部轮廓，计算重心到外边缘轮廓各个像素点的距离，并取其平均值作为果径特征，试验结果表明系统分级准确率达95%。

　　1.2.4形状检测

　　果品的外观形状也是影响水果品质的重要因素之一，成熟水果的外形各异，有时很难用具体的某一种形状来进行说明。Momin等[23]研究了一种以芒果几何形状作为分级指标的芒果自动分级技术，提出了一种基于区域全局阈值颜色分割处理算法。算法采用HSI颜色空间，结合中值滤波和形态学分析获取得到芒果在图像中表现出的投影面积、周长和圆度特征值。

　　与灰度图像相比，基于区域的全局阈值颜色分割方法可以获得更多像素级别的信息，并搜索具有相似像素特征值的像素。在获取特征部分，系统通过计算图像中对象边界内的像素数及连接对象轮廓的边界像素数，分别与图像分辨率值相乘得到投影面积和周长。系统将芒果分为三个等级，试验结果表明，选择投影面积和费雷特直径作为分级指标可以实现97%的识别准确率，选择周长或圆度也可实现芒果分级要求，但准确性较差。该方法通过适当调整可以应用于其他水果的形状检测。

　　大连交通大学黄辰等[24]在研究基于图像特征融合的苹果在线分级方法时，采用凸度即目标像素个数与目标最小凸包像素个数的比值，结合傅里叶描述子补充轮廓信息进而描述苹果形状的规则程度，建立的分级模型分级准确率可达95%。石瑞瑶等[20]在苹果品质在线分级检测系统的设计中，把苹果横径与纵径的比值作为果形评判指标，数值越接近1说明果品形状越接近球形，从而量化苹果果形特征，试验结果表明系统分级准确率达95%，说明横纵比可以用于提取果形特征。Peng等[25]针对苹果、香蕉、柑橘、杨桃、梨和火龙果这六种水果对多类水果的识别进行了研究，利用形状不变矩等方法对果品的颜色和形状特征进行综合提取。该设计首先采用Otsu阈值分割算法和Canny边缘检测算子完成果品的前景分割和边缘特性提取。

　　在形状特征提取方法上，该设计采用计算图像中目标面积与目标外接圆面积之比提取果品的二维特征，同时通过提取目标轮廓的形状不变矩来描述果品的三维特征，最后采用SVM分类算法完成具体类别的识别。该系统对不同水果种类的识别率在80%~95%范围内，在水果识别分类的适应性上有较好的表现。以上研究表明，利用机器视觉检测果品形状可以通过提取果品二维特征来进行，结合傅里叶描述子或形状不变矩等传统算法，都可以在特定对象上取得不错的识别效果。

　　1.2.5颜色检测

　　颜色是衡量水果外部品质的一个重要指标，高品质的水果一般具有着色好且均匀的特征。此外，果实颜色也间接反映了水果的成熟度和内部品质，若要从水果的外观判断其成熟度，一般需要与颜色检测结合起来，通过不同颜色空间的转换可以快速获取果实表面颜色信息。

　　颜色空间是用一种数学方法形象化地表示颜色，目前在图像处理中广泛使用的颜色空间主要有RGB颜色空间、HSI颜色空间和Lab颜色空间等：RGB颜色空间采用物理三基色红(Red)、绿(Green)、蓝(Blue)表示，因其物理意义清晰，适合彩色显像管工作，但这一系统并不适应人的视觉特点;HSI颜色空间采用色调(Hue)、色饱和度(Saturation)和亮度(Intensity)来描述颜色，通常把色调和饱和度通称为色度，用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于颜色处理和识别，机器视觉技术为模仿人的视觉系统经常采用HSI颜色空间;Lab颜色空间是基于人眼对颜色的感觉，用亮度(Light)和色差来描述颜色分量，同样可以用数字化方法描述人的视觉感官，而不受参考的设备模型干扰。

　　目前最常使用的颜色空间是最适应人类视觉特点的HSI颜色空间。李庆中团队[13]利用HSI颜色空间中的色度图像对苹果颜色进行检测与分级，团队通过观察和比对样本的色度直方图，将果实表面色度分为7个频度，并以此作为苹果颜色分级的特征参数。但只从色度图像来实现颜色检测难以避免外部环境光线的干扰，不利于颜色检测结果稳定输出。中国农业大学冯斌等[26]选用HSI颜色空间分析研究了不同色度的水果，结合各色度点的累计特性和空间分布特性，以各色度在水果表面分布的分形维数作为特征对果实进行分级，同时建立了卷积神经网络(convolutionalneuralnetwork，CNN)识别模型。试验结果表明，模型分级准确率达95%。同时，分形维数在各等级间有明显的变化规律，可以作为着色分级特征对水果进行实时分类。

　　江苏大学的赵杰文团队[27]同样选择HSI颜色空间进行红枣的颜色识别，设计系统提取色度的均值和均方差作为红枣的颜色特征值，以此区别正常色度的红枣及个别整体或局部颜色偏暗的缺陷枣，使用SVM分类方法，识别准确率高达96.2%。浙江大学的饶秀勤等[28]研究了按脐橙表面颜色进行分级的方法，该研究通过HSI颜色空间，提出了基于H分量面积加权直方图的脐橙表面颜色特征提取方法，结合主成分分析(PrincipalComponentAnalysis，PCA)方法，对水果表面曲率变化引起的检测误差进行补偿。

　　试验结果表明，分级误差为1.75%，取得不错的检测效果。意大利学者Cavallo等[29]在葡萄无损检测系统的研究中，通过提取场景中的HSI颜色特征信息，针对两个白葡萄品种分别进行了验证试验，交叉验证得到分类准确率分别达到92%和100%。该系统大幅简化了硬件配置与处理过程中的人工干预程度，更利于应用于实际自动化生产中。

　　但从另一个角度上来看，直接在RGB颜色空间内处理图像可以进一步简化算法，Arakeri等[30]通过检测番茄的缺陷与成熟度设计了一款分级系统，系统使用RGB颜色空间，从番茄图像中提取R、G、B值通过实验选择的阈值进行成熟度判断，建立CNN预测模型，对成熟度的预测准确率达96.47%。黄辰等[24]在基于图像特征融合的苹果分级方法研究中选用RGB分量值，包括R分量均值与方差、G分量均值与方差、平均灰度等5个参数值来表征苹果颜色分布特征，也取得不错的识别效果。

　　伊朗学者Azarmdel等[31]设计了一套桑葚成熟度分级专家系统，该系统从R，B，b*和Cr四个参数中提取桑葚的颜色和纹理特征，以此作为人工神经网络(artificialneuralnetwork，ANN)模型的输入，结合SVM算法可以实现98.26%的分级准确率。以上研究表明，HSI颜色空间由于与人类视觉感官高度相似而被广泛应用于多项颜色检测研究中，选用RGB颜色空间则由于其适用于机器工作在一定程度上可以简化算法。因此，在对不同的检测对象进行检测试验时，出于检测目的的不同，可以考虑试用多种颜色空间对图像进行处理，必定能寻找到适用于特定检测对象的某种颜色空间。

　　2光谱检测技术

　　2.1近红外光谱检测

　　2.1.1概述

　　红外线波段是人眼不可视波段，近红外光谱检测技术是利用波长为700～1100nm的电磁波来分析样品的结构和组成等信息，从而实现样品的无损检测。该技术在水果品质检测中有许多优良的性能，已知碳氢化合物(糖、酸、水、维生素等)在近红外波段有不同的吸收峰，基于这一理论基础可以建立许多相关模型服务于各项研究。近红外光谱分析技术是近年来发展最快、应用最广的水果内部品质无损检测方法，可以精确检测水果内部的糖度、酸度、可溶性固形物含量、维生素含量等，具有适应力强，对人体无害，操作简单等优点。

　　2.1.2应用方向

　　2.1.2.1内部成分检测

　　近红外光谱检测技术可应用于水果糖度、酸度、pH及可溶性固形物含量等内部品质成分的检测。印度学者Jha等[38]使用近红外光谱分析技术研究了多个品种苹果的甜度、酸度以及酸甜比模型，该模型选用900~1700nm的波长范围，采用了偏最小二乘回归(partialleastsquaresregression，PLS)和多元线性回归(Multiplelinearregression，MLR)两种统计学方法。试验结果表明使用MLR建立的模型预测准确率较高，甜度、酸度以及酸甜比的预测模型多重相关系数分别为0.887、0.890和0.893，该模型基本可以实现不同品种苹果内部品质指标的无损检测。

　　孙炳新等[39]将近红外光谱分析技术应用于检测苹果pH的研究中，学者选用波长范围为643.26~985.11nm的近红外透射光谱仪对苹果样本进行光谱扫描，建立起红富士苹果有效酸度的预测模型。模型相关系数为0.925，性能较稳定，可以对不同储藏期的苹果pH进行快速无损检测。王转卫等[40]建立了发育后期苹果内部品质和其近红外光谱特性之间的关系模型。

　　试验方法具体为利用近红外漫反射技术测量发育后期三个月内富士苹果在833~2500nm波长范围内的光谱特性，并通过测量得苹果样本的可溶性固形物含量、硬度、pH以及含水量4种苹果内部理化指标，分析了单一波长下苹果的吸光强度与其各项内部品质指标之间的相关关系。试验结果表明，前后者之间的线性相关性均较弱，但通过极限学习机(extremelearningmachine，ELM)算法结合PCA统计方法进行数据降维，试验最终可建立预测该品种苹果可溶性固形物含量和pH的最优模型，预测结果较为稳定。

　　广东省农业科学院徐赛团队[41]采用可见光和近红外光谱技术(visibleandnear-infraredspectroscopy，VIS/NIR)对沙田柚中的水分和可溶性固形物进行快速无损检测，试验通过遗传算法(geneticalgorithm，GA)进行特征提取，结合PLSR建立模型。该模型对验证集样本的检测准确率达100%，成功将光谱技术应用于厚皮大果的品质无损检测上，试验结果表明通过VIS/NIR检测柚子的水分含量和可溶性固形物含量是充分可行的。以上研究结果表明，近红外光谱检测技术可用于水果内部成分检测，且在碳氢化合物如糖、酸、水等成分的检测效果上有着显著优势。

　　2.2拉曼光谱检测

　　2.2.1概述

　　拉曼光谱技术是一门基于拉曼散射效应而发展起来的光谱分析技术，通过分子的振动或转动获得待测物的结构、对称性、电子环境等分子信息。目前拉曼光谱在水果检测中的应用大多与激光技术相结合，激光技术是利用由受激发射的光放大产生辐射产生的激光以完成质量检测。近年来随着激光技术的不断成熟，拉曼光谱技术已逐步应用于工农业生产与检测的多个领域，主要实现对待测物外部品质的检测。与常规化学分析技术相比，拉曼光谱技术具有无损、快速、环保、灵敏度高、无需制备试样、无需消耗化学试剂、所需样品量少等特点，可直接通过分析待测物的拉曼峰位、峰强、线型、线宽及谱线数目达到从分子水平对样品进行定性、定量和结构的分析[46-47]。在水果检测中，拉曼光谱主要应用于检测水果外表面轻微损伤、新鲜度、成熟度及表面农药残留等。

　　3结语与展望

　　除了以上详细介绍的四种光学无损检测技术外，还有很多无损检测技术正在水果检测中被广泛应用：基于气体传感器技术的电子鼻能够通过获取水果的气味信息对气体或挥发性成分做定性或定量的检测，正被研究应用于水果的成熟度和新鲜度检测;利用水果介电特性的介电特性检测技术对果品的检测适应性较强，可对水果新鲜度、机械损伤、糖度和硬度等进行检测识别;利用X射线对待测物内部透射成像的X射线成像技术对水果的内部结构变化敏感，能直观反映水果密度、含水率及内部缺陷等品质特征;通过计算组织中氢质子数量信息的核磁共振技术在水果内部品质，特别是成熟度和内部缺陷上也有一定应用[63-65]。

　　各种无损检测技术都有其各自的适用范围与优点，正确认识不同无损检测技术的特点与局限性对水果的检测与生产具有重要意义。对于机器视觉而言，该技术对果实内部品质特征的检测存在一定局限性，则可以在外部检测中充分发挥其快捷客观的优势，将其应用于大批量或高质量要求的生产实践中，为水果产业解放生产力、加快分拣效率提供保障。

　　农业方向专利申请知识：水果削皮器怎么申请实用新型专利

　　而对于光谱检测技术，未来可根据具体的检测对象要求，寻找最佳的检测波长等参数，减少数据量，设计对应的光谱图像系统，在不降低精度的前提下，降低成本和节约时间。综合来看，各种检测技术功能不同，但单一的检测技术已经无法满足对水果品质的全面检测，采用多源信息融合的方式可以全方面多角度地获取水果品质相关特征信息，对无损检测的精度及稳定性会有很大提升。现有的无损检测多源信息融合大多聚焦于水果大小、形状、颜色等外部特征，对水果内部品质检测技术的融合应用仍然较少，多源信息融合是水果品质无损检测技术发展的必然趋势。但与此同时，多源信息融合必定会造成数据量过大，在数据的传输与处理上会花费更多的时间。这需要研究人员再做深入的试验研究，大致可以从完善模型算法、优化硬件结构与数据降维这几个方面进行考虑。

　　参考文献

　　[1]谭俊杰,杨尚东,周柳强,等.基于中国—东盟水果贸易的广西优质柑橘产业发展策略探析[J].南方农业学报,2020,51(2):470-476.TanJunjie,YangShangdong,ZhouLiuqiang,etal.High-qualitycitrusindustrydevelopmentstrategiesofGuangxibasedonChina-ASEANfruittrade[J].JournalofSouthernAgriculture,2020,51(2):470-476.

　　[2]翁鸣.中国农产品进出口现状及其特点[J].国际贸易,2013(6):30-35.WengMing.CurrentsituationandcharacteristicsofimportandexportofagriculturalproductsinChina[J].Intertrade,2013(6):30-35.

　　[3]巴勒江·马迪尼也提,布娲鹣·阿布拉.中国水果出口贸易的比较优势及影响因素分析[J].世界农业,2019(7):57-68.BaljanMadeniet,BuajanAbela.AnalysisofcomparativeadvantagesandrelatedfactorsofChinesefruitexporttrade[J].WorldAgriculture,2019(7):57-68.

　　作者：马佳佳1，王克强2