基于介电光谱技术的库尔勒香梨颜色检测方法

《Frontiers in Plant Science》：Colour detection method of Korla fragrant pear based on dielectric spectroscopy technology

介电谱结合特征提取优化机器学习模型预测库尔勒香梨颜色指标。采用矢量网络分析仪和同轴探针在0.1-26.5GHz频段测量介电参数，通过UVE和SPA筛选有效特征变量（分别提取12-18个特征），建立PLSR、SVR和LSSVR预测模型。结果表明SPA-PLSR最优预测L*（R2=0.83），UVE-PLSR最优预测a*（R2=0.85），UVE-PLSR次优预测b*（R2=0.73）。特征提取使RMSE降低10-15%，RPD提升2-3倍，验证了介电谱技术结合机器学习及特征筛选在非破坏性水果品质检测中的有效性。

　　在水果产业中，果实的品质控制是决定其商业价值的关键因素之一。以新疆库尔勒香梨为例，其色泽不仅影响外观美感，还与果实的成熟度、等级划分及市场售价密切相关。因此，快速且准确地检测香梨的色泽对于提升其市场竞争力具有重要意义。当前，传统的目视评估方法存在主观性较强、标准不统一等问题，而机器视觉和色度计等技术虽然在一定程度上提升了检测的客观性，但仍然受到环境光线、设备成本及复杂的数据处理等因素的限制。为了克服这些局限，研究者们开始探索更为高效、非破坏性的检测方法，其中，介电光谱技术因其快速、灵敏、操作简便等优点，逐渐成为水果品质检测领域的重要手段。

介电光谱技术通过测量物体在不同频率下的介电常数（?’）和介电损耗因子（?''）来反映其内部结构和成分变化。在本研究中，研究人员采用矢量网络分析仪与同轴探针技术，对香梨样品在0.1至26.5GHz的频率范围内进行了介电参数测量。通过对比分析介电参数与香梨色泽指标（L*、a*、b*）之间的线性关系，发现单一频率下的相关性较弱，表明需要结合多个频率的数据以提高预测精度。为了解决高维数据带来的冗余和噪声问题，研究引入了两种特征变量提取方法：无信息变量消除（UVE）和逐步投影算法（SPA），以筛选出对色泽预测最有贡献的频率点。

在模型构建方面，研究者分别采用了偏最小二乘回归（PLSR）、支持向量回归（SVR）和最小二乘支持向量回归（LSSVR）三种机器学习算法，建立香梨色泽预测模型。其中，PLSR因其在处理多变量数据和降低变量共线性方面具有优势，被广泛应用于水果品质检测。通过将特征变量提取方法与PLSR模型相结合，研究发现，UVE-PLSR模型在预测a*和b*时表现出更高的准确性和稳定性，而SPA-PLSR模型则在预测L*时效果更佳。这些结果表明，特征变量提取方法能够有效提升模型的预测性能，为香梨色泽的非破坏性检测提供了新的技术路径。

在模型评估方面，研究采用了根均方误差（RMSE）、决定系数（R2）和相对预测偏差（RPD）作为主要评价指标。其中，R2越高、RMSE越低、RPD越大的模型预测能力越强。对于L*的预测，SPA-PLSR模型的R2达到0.83，RMSE为0.866，RPD为2.477，显示出较好的预测效果；而对于a*，UVE-PLSR模型表现更优，R2为0.85，RMSE为0.901，RPD为2.523；而在b*的预测中，UVE-PLSR模型同样表现出色，R2为0.73，RMSE为0.895，RPD为1.973。这些结果不仅验证了特征变量提取方法在提升预测精度方面的有效性，也揭示了不同色泽指标对介电参数的响应差异。

从实际应用的角度来看，介电光谱技术与机器学习算法的结合，为水果品质的在线检测提供了新的可能性。相比于传统的检测方法，这种方法不仅能够避免对果实造成破坏，还能在短时间内完成检测，适用于大规模、连续性的质量监控需求。此外，通过特征变量提取，可以有效减少数据维度，提高模型的泛化能力，同时降低设备成本和数据处理复杂度。这一研究为构建适用于多种水果的通用检测模型奠定了基础，也为香梨等特色水果的质量控制和商业化提供了技术支持。

然而，尽管本研究取得了一定成果，仍存在一些局限性。首先，所使用的香梨样本来源于新疆生产建设兵团第一师阿拉尔市的单一产区，这可能影响模型的普适性和适应性。未来的研究应考虑引入更多不同产地和生长条件下的香梨样本，以增强模型的泛化能力，使其能够适用于更广泛的生产环境。其次，当前研究主要依赖于传统的机器学习算法，未来可探索引入深度学习等新兴技术，以进一步提升检测精度和模型适应性。此外，为了推动该技术的实际应用，还需要开发相应的智能化检测设备，以满足农业生产中对高效、准确检测工具的需求。

本研究的意义不仅在于提出了香梨色泽检测的新方法，还在于为其他水果和蔬菜的品质检测提供了可借鉴的思路和技术框架。通过结合介电光谱技术和特征变量提取方法，研究者成功构建了多个预测模型，并在不同色泽指标上取得了较好的预测效果。这一成果有助于推动水果检测技术向智能化、高效化方向发展，为农业生产和食品加工行业提供科学依据和技术支持。同时，该研究也为后续的水果品质检测方法探索提供了基础，为建立更加精准的检测体系和提升水果商业价值提供了新的方向。

在研究过程中，还发现介电参数与色泽指标之间的相关性存在一定的频率依赖性。例如，对于L*和b*，在部分频率范围内呈现正相关，而在其他频率则为负相关或波动不明显。这表明，单一频率下的介电参数难以全面反映香梨的色泽特征，因此需要结合多个频率的数据进行分析。而通过特征变量提取方法，可以有效筛选出对色泽预测具有显著贡献的频率点，从而提高模型的准确性。这种数据预处理方法不仅有助于减少计算负担，还能增强模型的鲁棒性和预测能力。

研究还指出，不同色泽指标对介电参数的响应存在差异。例如，a*和b*在部分频率下的相关性较弱，而L*则在多个频率下表现出一定的稳定性。这可能与香梨内部的成分分布、水分含量以及细胞结构等因素有关。因此，在实际应用中，可能需要根据不同色泽指标的特点，选择不同的频率范围或特征变量提取方法，以达到最佳的预测效果。此外，研究还强调了模型优化的重要性，未来可以结合更多先进的算法，如深度学习、集成学习等，进一步提升模型的预测精度和适用性。

总体而言，本研究通过将介电光谱技术与机器学习算法相结合，成功构建了香梨色泽预测模型，并验证了特征变量提取方法在提升模型性能方面的有效性。研究结果表明，介电光谱技术具有较高的应用潜力，能够为水果品质检测提供一种快速、准确且非破坏性的解决方案。同时，该研究也为未来的研究指明了方向，即通过引入更多数据源、优化算法和开发智能设备，进一步推动水果检测技术的创新与发展。这一研究不仅对香梨的品质控制具有重要意义，也为其他水果和蔬菜的检测方法提供了新的思路和实践依据。