
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于可解释特征的机器学习框架,用于通过形态几何特征来区分不同品种的普通话( Mandarin)
《Journal of Food Measurement and Characterization》:An interpretable trait-based machine learning framework for mandarin varietal discrimination using morphogeometric signatures
【字体: 大 中 小 】 时间:2026年06月06日 来源:Journal of Food Measurement and Characterization 3.3
编辑推荐:
摘要准确且无损的品种鉴别对于柑橘产品的可追溯性、质量保证和市场区分至关重要。本研究旨在开发一种可解释、稳健且低成本的机器学习框架,利用形态几何特征实现柑橘(Citrus reticulata)品种的无损鉴别。研究确定了四个易于测量的形态学特征作为核心指标:果实宽度、果实长度、果实
准确且无损的品种鉴别对于柑橘产品的可追溯性、质量保证和市场区分至关重要。本研究旨在开发一种可解释、稳健且低成本的机器学习框架,利用形态几何特征实现柑橘(Citrus reticulata)品种的无损鉴别。研究确定了四个易于测量的形态学特征作为核心指标:果实宽度、果实长度、果实体积和果实纵向周长。真实测量数据通过人工采集,并与X射线计算机断层扫描(CT)结果进行了严格验证,两者之间的一致性非常高(R2 = 0.974–0.999;MAPE = 0.4–2.1%)。无监督学习技术,包括主成分分析(PCA)和均匀流形逼近与投影(UMAP),被应用于来自三个商业品种(Honey、Orah和Yunnan)的357个果实的数据集,结果显示出明显的表型聚类。基于层次密度的空间聚类算法(HDBSCAN)实现了高聚类纯度(Orah品种的聚类纯度达到99%)。随后采用了监督学习方法,其中随机森林分类器在当前数据集的独立测试集上实现了100%的准确率,逻辑回归和支持向量机也表现出相似的优异性能。通过SHapley加性解释(SHAP)技术分析模型可解释性,发现“实际长度”和“实际周长”是最具影响力的特征。这些结果表明,仅使用简单的低成本形态学测量即可实现准确的品种鉴别,无需依赖复杂的成像或基因组数据。然而,在大规模商业化应用之前,还需要在多个地区、不同季节以及遗传相关的栽培品种中进行更广泛的验证。所提出的框架为柑橘产品的商业鉴定和育种应用提供了一种实用、可解释且可扩展的解决方案。
准确且无损的品种鉴别对于柑橘产品的可追溯性、质量保证和市场区分至关重要。本研究旨在开发一种可解释、稳健且低成本的机器学习框架,利用形态几何特征实现柑橘(Citrus reticulata)品种的无损鉴别。研究确定了四个易于测量的形态学特征作为核心指标:果实宽度、果实长度、果实体积和果实纵向周长。真实测量数据通过人工采集,并与X射线计算机断层扫描(CT)结果进行了严格验证,两者之间的一致性非常高(R2 = 0.974–0.999;MAPE = 0.4–2.1%)。无监督学习技术,包括主成分分析(PCA)和均匀流形逼近与投影(UMAP),被应用于来自三个商业品种(Honey、Orah和Yunnan)的357个果实的数据集,结果显示出明显的表型聚类。基于层次密度的空间聚类算法(HDBSCAN)实现了高聚类纯度(Orah品种的聚类纯度达到99%)。随后采用了监督学习方法,其中随机森林分类器在当前数据集的独立测试集上实现了100%的准确率,逻辑回归和支持向量机也表现出相似的优异性能。通过SHapley加性解释(SHAP)技术分析模型可解释性,发现“实际长度”和“实际周长”是最具影响力的特征。这些结果表明,仅使用简单的低成本形态学测量即可实现准确的品种鉴别,无需依赖复杂的成像或基因组数据。然而,在大规模商业化应用之前,还需要在多个地区、不同季节以及遗传相关的栽培品种中进行更广泛的验证。所提出的框架为柑橘产品的商业鉴定和育种应用提供了一种实用、可解释且可扩展的解决方案。