开发了一种新方法和人工智能算法，基于高光谱图像预测鳄梨的采后成熟时间

《Postharvest Biology and Technology》：Development of a new method and an AI algorithm to predict the postharvest ripening time of avocados based on hyperspectral images

本研究通过高光谱成像技术分析哈斯牛油果成熟时间，提出两种波段选择算法（局部前向选择和微λ-λ分析），优化多光谱传感器设计，实现实时监测和供应链效率提升，验证了低成本多光谱传感器的可行性。

　　随着全球对鳄梨（牛油果）需求的不断增长，其在农业和食品工业中的重要性日益凸显。鳄梨富含抗氧化剂、膳食纤维，并且糖含量较低，这使其成为健康食品的热门选择。然而，鳄梨在采摘后的成熟过程存在显著的变异性，这种变异性不仅影响果实的品质，也对供应链效率产生影响。因此，准确评估鳄梨的成熟时间对于优化采摘后物流、减少浪费具有重要意义。本研究通过引入高光谱成像技术，探索了在实际应用中如何实现低成本的多光谱传感器设计，以实现对鳄梨成熟时间的快速、非破坏性预测。

在农业领域，高光谱成像技术因其能够提供高分辨率的光谱信息而被广泛应用于多种作物的品质评估。然而，这种技术也存在一些局限性，例如数据存储和处理的高计算需求、高成本以及无法满足实时应用的快速数据采集要求。为了解决这些问题，本研究开发了两种新的光谱带选择算法，旨在在保持高精度的同时，降低系统复杂度和成本，从而支持多光谱成像在实际农业场景中的应用。通过优化光谱带的选择，这些方法能够将高光谱成像转换为适用于工业应用的多光谱传感器，实现对鳄梨成熟时间的实时监测。

本研究采用了多种预处理方法和采样技术，生成了24个数据集，用于评估不同方法对鳄梨成熟时间预测的效果。实验过程中，鳄梨被放置在定制的3D打印支架上，以确保在光谱成像时，果实表面能够获得相对均匀的光照。通过选择特定的参考波段（如811 nm和646.06 nm），研究人员成功地进行了背景分离和光谱信息提取。同时，通过对光谱数据的归一化处理，进一步提高了数据的稳定性和可比性。实验中还采用了多种分类模型，包括XGBoost、随机森林（Random Forest）和逻辑回归（Logistic Regression），以及部分最小二乘判别分析（PLSDA）作为基准模型，以评估不同方法在分类性能上的表现。

研究结果显示，归一化处理在811 nm波段能有效减少光照变化对光谱数据的影响，而预先定义的采样区域能够显著提高分类的准确性。此外，两种新的光谱带选择算法——局部前向选择算法（LFS）和微波长-波长选择算法（MLBL）——在不同验证方法下表现出色。其中，局部前向选择算法通过动态筛选光谱带，仅需9个波段即可实现92.3%的平衡准确率，而微波长-波长选择算法通过选择最具信息量的两个波段，实现了89.9%的准确率。这些结果表明，通过合理的光谱带选择，可以有效地将高光谱成像技术过渡到多光谱成像，从而支持实时监测和自动化分类。

在多光谱传感器设计中，光谱带的选择是关键因素之一。由于多光谱传感器的波段较宽，相邻波段之间可能会出现信息重叠，导致冗余。因此，研究采用了特定的波段选择策略，以避免这种冗余，同时确保传感器能够捕捉到对分类最具价值的光谱信息。局部前向选择算法在每一步骤中都会去除与当前选择波段相邻的波段，从而确保最终选择的波段不重叠，并且符合多光谱传感器的硬件限制。这种方法在保持高精度的同时，也降低了系统的复杂性和成本。

在实验过程中，研究人员还对不同采样方法进行了评估。通过比较不同采样策略对分类性能的影响，他们发现基于感兴趣区域（ROI）的采样方法在多种模型中表现最佳。这种方法能够更精确地捕捉到与成熟时间相关的光谱特征，从而提高分类的准确性。同时，通过验证不同分类模型在不同数据集上的表现，研究人员发现XGBoost和随机森林在多数情况下表现出更高的准确率，而逻辑回归虽然在某些情况下表现稳定，但在高光谱数据集上需要更多的波段才能达到最佳性能。

实验还揭示了分类误差的主要来源。大多数分类错误出现在实际成熟时间附近的一天范围内，这表明模型能够有效地捕捉到成熟趋势。然而，在多类分类任务中，中间类别的误差相对较大，这可能是由于数据分布不均和模型对中间类别的区分能力不足所致。尽管如此，这些误差在物流管理中并不构成重大问题，因为它们倾向于将果实提前分类，从而降低了在运输过程中过熟的风险。

研究还对比了传统的Covariance Selection（CovSel）方法，发现其在某些情况下表现不如新提出的算法。CovSel方法虽然能够有效减少光谱带的数量，但其选择过程并不明确地优化特定的性能指标，这可能限制了其在实际应用中的适用性。相比之下，局部前向选择算法和微波长-波长选择算法在性能和实用性方面表现出更强的优势。

本研究的成果不仅为鳄梨的成熟时间预测提供了新的方法，也为多光谱成像技术在农业中的应用奠定了基础。通过开发高效的光谱带选择算法，研究人员成功地将高光谱成像技术过渡到多光谱成像，从而降低了系统的复杂性和成本，同时保持了较高的分类准确率。这种技术的推广将有助于实现农业中的自动化分选系统，提高供应链效率，并减少采摘后的浪费。未来的研究可以进一步探索如何在不同生长季节和不同地理位置中优化这些方法，以提高其在更广泛条件下的适用性。此外，研究还可以进一步探讨如何结合人工智能技术，提高光谱数据的处理效率和分类的准确性。