基于近红外光谱与深度学习的富士苹果产地溯源与可溶性固形物含量(SSC, °Brix)预测

《Foods》:Apple Origin Classification and Sugar Content Prediction of ‘Fuji’ Apples Using Near-Infrared Spectroscopy and Deep Learning

【字体: 大 中 小 】 时间:2026年06月22日 来源:Foods 5.1

编辑推荐:

  准确的苹果产地鉴别及无损内部品质评价对于水果溯源、质量分级及采后管理具有重要意义。以往研究多集中于产地分类,本研究建立了一个双任务近红外光谱(Near-Infrared Spectroscopy, NIRS)框架,集成地理产地分类与富士苹果可溶性固形物含量(S

  
准确的苹果产地鉴别及无损内部品质评价对于水果溯源、质量分级及采后管理具有重要意义。以往研究多集中于产地分类,本研究建立了一个双任务近红外光谱(Near-Infrared Spectroscopy, NIRS)框架,集成地理产地分类与富士苹果可溶性固形物含量(Soluble Solid Content, SSC, °Brix)预测。样本采集自中国三个代表性产区:新疆阿拉尔(Alar, Xinjiang)、山东烟台(Yantai, Shandong)和陕西洛川(Luochuan, Shaanxi)。获取375个苹果的近红外漫反射光谱,生成3000条用于产地分类的光谱样本和750条用于含糖量预测的SSC标定样本。分类任务中,评估了六种深度学习模型,采用标准化全光谱输入且未使用化学计量学前处理,Transformer模型取得最优性能,测试准确率达96.22%。SSC回归任务中,光谱经标准正态变量变换(Standard Normal Variate, SNV)和Savitzky–Golay滤波预处理,深度神经网络(Deep Neural Network, DNN)模型取得最佳预测性能,MAE = 0.5958 °Brix,RMSE = 0.7333 °Brix,R2= 0.8646,Pearson r = 0.9338。结果表明,近红外光谱结合深度学习可同时支持富士苹果产地认证与无损局部组织SSC评估。
论文解读:基于近红外光谱与深度学习的富士苹果产地溯源与糖度(SSC)预测
研究背景与意义
苹果是中国重要的园艺经济作物,其区域品牌化与内在品质属性(如可溶性固形物含量,Soluble Solid Content, SSC,单位°Brix)直接影响市场定价与消费者接受度。目前存在产地冒用及品质不均等问题,损害了区域品牌与消费者信任。现有近红外光谱(Near-Infrared Spectroscopy, NIRS)研究多单独关注产地分类或品质预测,缺乏将产地溯源与内部品质定量预测集成的双任务框架,且端到端深度学习在一维光谱上的架构比较尚待深入。为此,研究人员开展了将地理产地分类与局部组织SSC无损预测相结合的NIRS-深度学习双任务研究,以期为苹果产地认证、品质评价和采后决策提供支持。该论文发表于《Foods》。
主要关键技术方法
研究人员采集中国三个产区(新疆阿拉尔、山东烟台、陕西洛川)各125枚富士苹果共375枚,每果赤道区均布8个采样点采集漫反射NIRS光谱(4000–10,000 cm?1,32次扫描平均),获3000条分类光谱;每果随机选2个点破组织测折射仪SSC值配对光谱得750条回归样本。数据集按产地分层按7:1.5:1.5划训练/验证/测试集。分类任务采用全光谱标准化输入无化学计量学前处理;回归任务光谱先行标准正态变量变换(Standard Normal Variate, SNV)与Savitzky–Golay一阶求导(窗口11,多项式3阶)再标准化。分别独立训练与评估六种深度学习骨架:一维残差网络(1D-ResNet)、一维卷积神经网络(1D-CNN)、长短期记忆网络带注意力(LSTM with Attention)、Transformer、双流网络(1D-ResNet+Transformer特征拼接)及深度神经网络(Deep Neural Network, DNN/多层感知机)。分类输出层为三类logits配交叉熵损失;回归输出层为单神经元配Smooth L1(Huber)加Pearson相关辅助损失。以准确率、Precision/Recall/F1及混淆矩阵评分类,以MAE、RMSE、决定系数(R2)和Pearson相关系数评回归,传统机器学习与偏最小二乘回归(Partial Least Squares Regression, PLSR)作基线。
研究结果
3.1. Origin Classification Results(产地分类结果)
传统基线中随机森林(Random Forest)最高准确率83.78%。六类深度模型中Transformer表现最优,测试集准确率96.22%,新疆、洛川、烟台各类别召回分别约0.91、1.00、0.97;1D-ResNet与DNN均为90.00%;1D-CNN与Dual-Stream分别为85.11%和84.89%(相差仅一例);LSTM仅43.33%(低于他模型但高于随机水平三分之一,归因于未做光谱分块或降维直接处理1557步长序列致优化困难)。归一化混淆矩阵显示洛川样本最易被正确识别,新疆样本与其他两产区略有混淆。研究表明Transformer的自注意力机制能捕获波段间长程依赖关系从而提升产地判别,单纯增加双流架构复杂度未必改善泛化。
3.2. Soluble Solid Content Prediction(可溶性固形物含量预测结果)
经SNV与Savitzky–Golay预处理后,残差多层感知机DNN回归效果最优:MAE = 0.5958 °Brix,RMSE = 0.7333 °Brix,R2= 0.8646,Pearson r = 0.9338;PLSR基线RMSE = 0.8247 °Brix,R2= 0.8288。其余深度学习模型居中,LSTM最弱(R2=0.4793,Pearson r=0.7089)。表明在有限标定样本下DNN可有效拟合光谱与SSC的非线性关系,但更高复杂度架构需更大数据与正则化方能发挥优势。需注意NIRS漫反射信息主要源自果皮及浅层果肉,所测SSC为对应采样点局部组织值而非全果均值。
讨论与结论总结
讨论指出本研究主要贡献在于构建并系统评估了同光谱信息下单任务独立训练的双任务NIRS框架,比较了不同架构归纳偏置在分类与回归上的任务依赖性表现——产地分类Transformer最优(全局波段交互敏感),SSC回归残差DNN最优(经散射校正后全谱非线性映射),证明更大模型复杂度不自动带来更好泛化。洛川样本易区分可能因光谱内聚性更高,新疆与其他区间部分混淆可能与成熟度、SSC分布或采后处理相似致光谱重叠有关(未独立量化验证)。LSTM表现受限系特定输入表征(无分块/卷积嵌入直接逐点递归)而非RNN家族普遍不适用。研究局限含未系统比对待选前处理方法、光谱级划分致同源果光谱可能分入不同子集(建议未来果级分组划分)、缺多种子重复训练与分支消融实验;NIRS检测深度限于表层组织故SSC为局部值。
结论(Conclusion)翻译浓缩:
本研究建立了富士苹果地理产地分类与无损局部组织SSC预测的双任务近红外光谱框架。产地分类中Transformer测试准确率达0.9622;SSC回归中残差DNN表现最佳(MAE = 0.5958 °Brix,RMSE = 0.7333 °Brix,R2= 0.8646,Pearson r = 0.9338)。模型性能具任务依赖性,架构复杂化不一定改善泛化。结果表明,近红外光谱结合任务适配的深度学习模型可为富士苹果产地认证与局部组织品质评估提供可行方案。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号