荧光高光谱成像结合深度学习在柑橘瘀伤分类中的应用研究

为解决柑橘采后瘀伤难以通过肉眼识别的问题，研究人员采用365 nm紫外光激发的荧光高光谱成像技术，结合决策树(DT)、支持向量机(SVM)、偏最小二乘判别分析(PLS-DA)和深度学习模型(ResNet50/EfficientNetB0/MobileNet)，实现了瘀伤柑橘的高精度分类（测试集准确率100%），为自动化分选技术奠定基础。

　　

柑橘作为全球广泛消费的水果，其采后瘀伤问题严重影响品质和消费者选择。传统RGB图像检测方法对无明显色差的瘀伤区域识别困难，耗时且效率低下。针对这一挑战，韩国国立农业科学院的Moon S. Kim团队在《Postharvest Biology and Technology》发表研究，创新性地将荧光高光谱成像与深度学习结合，开发了一套高效分类系统。

研究采用365 nm紫外光源激发柑橘样本，采集420-730 nm范围内65个波段的荧光高光谱图像。通过对比传统多元数据分析（DT/SVM/PLS-DA）与深度学习模型（ResNet50/EfficientNetB0/MobileNet）的性能，发现基于9个主成分图像的ResNet50模型表现最优，训练组、验证组和测试组准确率分别达99.65%、100%和100%。GradCAM热图可视化进一步验证了模型对瘀伤区域的精准定位能力。

关键技术方法

1. 样本制备：选用韩国济州岛产"Satsuma"柑橘，通过4℃冷藏自然筛选474个样本（含瘀伤/正常组）
2. 成像系统：365 nm紫外光激发，65波段（420-730 nm）荧光高光谱采集
3. 预处理：暗/白校正、光谱预处理（SNV/MSC等）、感兴趣区域(ROI)提取
4. 模型构建：对比DT/SVM/PLS-DA与ResNet50/EfficientNetB0/MobileNet性能

研究结果

1. 样本特性分析：瘀伤柑橘平均重量（69.98±6.08 g）略低于正常组（71.03±6.51 g），但尺寸无显著差异
2. 模型性能对比：ResNet50模型显著优于传统方法，测试集达100%准确率
3. 可视化验证：GradCAM热图成功定位瘀伤区域，证实模型的可解释性

结论与意义
该研究首次实现全三维高光谱数据直接输入深度学习模型（无需人工ROI提取），突破了传统光谱分析的限制。相比可见光成像技术，荧光高光谱能捕捉瘀伤导致的细微生化变化（如维生素C降解），为采后无损检测提供了新范式。研究成果可直接应用于柑橘自动化分选生产线，对提升水果产业经济效益具有重要实践价值。未来研究可扩展至其他易损水果的早期损伤检测领域。