《LWT》:Early bruise detection in Chinese Pear-Leaf Crabapple based on hyperspectral imaging and deep learning
编辑推荐:
摘要:海棠果(Malus asiatica Nakai)采后品质保持亟需早期损伤的精准检测。本研究开发了一种基于高光谱成像(400 - 1000 nm)的快速无损检测方法。采集了不同冲击能量(0, 0.14, 0.27, 和 0.41 J)下果实为期7天储存期
摘要:海棠果(Malus asiatica Nakai)采后品质保持亟需早期损伤的精准检测。本研究开发了一种基于高光谱成像(400 - 1000 nm)的快速无损检测方法。采集了不同冲击能量(0, 0.14, 0.27, 和 0.41 J)下果实为期7天储存期的高光谱图像。光谱分析表明特定波长区域与损伤诱导的生理变化密切相关。构建了偏最小二乘判别分析(PLS-DA)、支持向量机判别分析(SVM-DA)和一维卷积神经网络(1D-CNN)并进行比较。1D-CNN表现最佳,利用全谱数据验证集总体准确率达89.9%,利用所选特征波长(520 - 560, 625 - 695, 和 710 - 760 nm)在冲击后2小时验证集准确率达91.3%。该简化特征波长模型在显著降低计算复杂度的同时保持了高精度,证明了其在实时分选应用中的潜力。结果表明,高光谱成像结合1D-CNN为海棠果早期损伤提供了一种鲁棒且高效的工具。
论文解读:基于高光谱成像与深度学习的海棠果早期损伤检测研究
研究背景与意义
海棠果(Malus asiatica Nakai)作为中国特有的蔷薇科树种,因其独特的风味和文化价值备受青睐,但其果皮薄、质地脆,在采后处理过程中极易发生机械损伤。损伤不仅直接影响外观和商品价值,更会诱发生理劣变导致经济损失。特别是损伤发生后的最初24小时内,损伤往往局限于表层组织下,肉眼难以察觉,却已启动氧化褐变、细胞膜完整性丧失等一系列生化反应。现有非破坏性检测技术虽在苹果、梨等主要水果上有应用,但针对海棠果这一独特品种的系统研究尚属空白。鉴于其与普通苹果在生化成分上的差异,直接移植现有模型效果不佳。因此,研究人员在《LWT》上发表此项研究,旨在通过高光谱成像(HSI)技术结合深度学习算法,建立针对海棠果的早期损伤检测模型,以解决采后分选中隐性损伤识别难的问题。
关键技术方法
研究人员于2025年7月25日采摘商业成熟度的海棠果,选取200个样本,经消毒清洗后分为健康对照组及三个冲击能量组(0.14 J, 0.27 J, 0.41 J)。样本在25°C、90%相对湿度下储存,并在冲击后2小时及1、3、5、7天五个时间点进行采样。采用反射模式的可见/近红外高光谱系统(380 - 1010 nm)采集图像,经暗电流和白板校正后提取感兴趣区域(ROI)的光谱数据,并应用多元散射校正(MSC)进行预处理。研究构建了偏最小二乘判别分析(PLS-DA)、支持向量机判别分析(SVM-DA)和一维卷积神经网络(1D-CNN)三种模型进行分类,并利用主成分分析(PCA)对理化指标和光谱数据进行降维可视化。
研究结果
3.1 海棠果损伤的生理生化变化
研究人员通过分析损伤面积及颜色(L、a、b值)、硬度、可溶性固形物含量(SSC)、滴定酸含量(TAC)和水分含量发现,冲击后2小时,损伤面积随能量增加而显著增大。随着储存时间延长,轻微损伤组面积略有减小,而重度损伤组则显著扩大,表明内部组织破坏先于外部症状显现。颜色参数方面,损伤组L值显著低于对照组,a*值显著高于对照组,证实了损伤诱导的酶促褐变导致组织亮度下降和红度增加。硬度在所有组别中均呈下降趋势,但中度和重度损伤组因初始细胞壁破裂严重,软化幅度相对较小。值得注意的是,水分含量在损伤初期(2小时)即表现出显著差异,损伤组低于对照组,这与细胞完整性的即时丧失有关。
3.2 海棠果损伤的光谱特征
平均光谱曲线分析显示,在400 - 1000 nm范围内,非损伤样本在520 - 580 nm波段(尤其是550 nm附近)的反射率普遍高于损伤样本。这种反射率的下降归因于损伤组织中的褐变反应,与L*值的下降趋势一致。虽然在近红外区域(700 - 1000 nm)各组间未观察到一致的规律性差异,但可见光谱区的特征变化明确指示了高光谱技术捕捉早期褐变特征的敏感性。
3.3 主成分分析(PCA)
基于理化指标的PCA显示,前两个主成分(PC1和PC2)累计解释了75.5%的方差,其中L*值对PC1贡献最大(载荷-0.544),硬度对PC2贡献显著(载荷-0.588),有效区分了不同损伤程度的组别。基于光谱数据的PCA进一步证实,仅冲击后2小时的原始光谱即可实现非损伤与损伤样本的有效分离。PC负载分析指出520 - 580 nm波段的信号对区分贡献显著。此外,高光谱图像的PCA伪彩色图中,PC3图像不仅能区分损伤与非损伤,还成功识别了早期的轻微损伤,其对应的特征波长集中在625 - 695 nm范围,与叶绿素吸收特征相关。
3.4 海棠果隐性损伤的判别模型
在全光谱建模中,1D-CNN模型表现最优,总体验证准确率达到92.9%,且在冲击后2小时的早期检测中验证集准确率为89.9%,优于PLS-DA(87.8%)和SVM-DA(75.2%)。基于特征波长(520 - 560 nm, 625 - 695 nm, 710 - 760 nm)的建模结果显示,虽然PLS-DA性能大幅下降至69.5%,但1D-CNN模型依然保持了极高的精度,校准集和验证集总体准确率分别达到97.0%和94.8%,其中2小时验证准确率为91.3%。这表明所选特征波长包含了区分损伤等级的核心信息,且大幅降低了模型复杂度。
结论与讨论
该研究成功建立了基于高光谱成像技术的海棠果早期损伤快速无损检测方法。研究表明,冲击损伤会立即诱导L值下降、a值上升及硬度降低等生理生化变化,且510 - 580 nm范围内的光谱反射率变化与组织褐变密切相关。在对比的三种算法中,一维卷积神经网络(1D-CNN)展现出最佳的鲁棒性和分类精度。研究人员确定了520 - 560 nm、625 - 695 nm和710 - 760 nm为核心特征波长区间,基于此简化的1D-CNN模型在冲击后2小时即达到了93.4%(校准)和91.3%(验证)的准确率。这项工作证明了高光谱成像与深度学习融合在海棠果早期隐性损伤检测中的有效性,为特色水果的智能化产后分级提供了可靠的技术途径。未来研究可基于这些关键波长开发便携式多光谱系统,以实现实时在线分选。