基于高光谱成像与POA-CDGSA-Net的猕猴桃跨品种早期冷害无损检测研究

针对猕猴桃跨品种早期冷害难以肉眼识别、传统模型泛化性差的问题，江苏大学团队创新性提出结合高光谱成像(HSI)与POA优化的混合深度网络(CDGSA-Net)，通过CNN-DotGRU-SelfAttention架构实现特征多层次提取，模型测试集准确率达99.17%，为农产品冷害无损检测提供了高精度通用解决方案。

　　

猕猴桃作为我国南北广泛种植的经济水果，其低温贮藏易引发冷害，但早期症状隐蔽且品种间差异显著，传统检测依赖破坏性取样和人工观察，效率低下。现有光学技术如近红外光谱(NIRS)和拉曼光谱存在空间分辨率低、对早期微小变化不敏感的局限。江苏大学团队在《Postharvest Biology and Technology》发表的研究，通过高光谱成像(HSI)结合创新深度学习模型，实现了猕猴桃跨品种早期冷害的高精度识别。

研究采用400-1000 nm波段HSI采集三个绿心猕猴桃品种（翠香、瑞玉、徐香）冷害数据，开发了集成卷积神经网络(CNN)、点积门控循环单元(DotGRU)和自注意力机制(SA)的CDGSA-Net模型，并引入鹈鹕优化算法(POA)自动调参。技术核心包括：1）双通道点积注意力机制增强特征关联；2）ResNet连接提升原始特征提取；3）GRU处理光谱序列依赖性；4）SA机制动态加权特征重要性。

样本制备
研究选取无病虫害、大小均一的猕猴桃样本，在0℃/90%RH贮藏后转移至20℃模拟货架期，每周取样建立5个冷害阶段数据集，共1200组数据按8:1:1划分训练集/验证集/测试集。

结果与讨论
POA-CDGSA-Net模型在测试集上acc、prec、rec、spec和F1分别达99.17%、99.17%、99.26%、99.79%和99.20%，显著优于传统机器学习(ML)和深度学习(DL)模型。CNN层成功捕捉冷害局部特征，DotGRU解决了光谱序列长程依赖问题，SA机制则强化了特征间非线性关系。

结论
该研究首次将HSI与POA-CDGSA-Net结合应用于猕猴桃跨品种冷害检测，模型通过CNN局部特征提取、DotGRU时序建模和SA全局特征增强的三阶段处理，实现了99%以上的分类精度。Jun Sun团队的工作为农产品采后生理病害检测提供了可推广的技术框架，其方法学创新尤其体现在：1）DCDP注意力机制提升跨品种特征敏感性；2）POA优化使超参数搜索效率提升40%；3）端到端架构避免传统特征选择偏差。这项成果对减少果蔬采后损失、推动智慧农业发展具有重要实践价值。