优化化学计量光谱预处理参数，以实现芒果总可溶性固体的高光谱无损预测

《Journal of Food Measurement and Characterization》：Optimizing chemometric spectral preprocessing profiles for hyperspectral non-destructive prediction of mango total soluble solids

本研究提出了一种基于Vis-NIR高光谱成像的定制化预处理流程（PCA-Masking-Glare），结合机器学习模型优化，显著加速了芒果糖度（TSS）的非破坏性检测，并奠定了多种园艺产品高光谱品质评估的基础。

　　

摘要

本研究提出了一种空间分辨的可见光-近红外（Vis–NIR）高光谱成像工作流程（Vis/NIR-HSI；400–1000纳米），作为基于点技术的近红外光谱学的替代方案，用于绘制芒果果实间的变异情况。该流程对于准确评估芒果的总可溶性固形物（TSS，°Brix）至关重要。它采用了一种定制的三阶段处理流程：主成分分析（PCA）- 掩蔽- 光泽去除（PMG），以仅提取有效的果实光谱数据。八种光谱预处理技术被分为三类：去噪（Savitzky-Golay滤波（SGF）、小波变换（WT））、散射校正（乘法散射校正（MSC）、扩展MSC（EMSC）以及基线校正（一阶导数（D1）、二阶导数（D2）、去趋势（DT），这些技术被参数化为68个单步处理过程。每个处理过程均使用四种机器学习回归模型进行评估——支持向量回归（SVR）、K最近邻（KNN）、随机厨房水槽岭回归（RKS）和极端梯度提升（XGBoost），这些模型都是在经过均值中心化的光谱数据上训练的，并通过Optuna平台实现了分层五折超参数优化。排名最高的处理过程被组合成88个双步处理过程，再次按照相同的建模顺序和排名策略进行评估，以筛选出最佳结果。这些最佳的双步处理过程进一步合并为7个三步处理过程，同样经过超参数优化和性能排序。使用KNN的三步处理过程取得了R2? = 93.83%和RMSE_P = 1.22 °Brix的优异性能，但残差误差分析表明，双步处理流程在SVR和KNN两种模型中均表现出最稳定的性能。通过整合严格的数据准备、系统的光谱预处理评估和工作流程优化，该方法显著加快了芒果总可溶性固形物的无损预测速度，并为多种园艺产品的高光谱质量评估奠定了基础。