《Applied Food Research》：HySANet: A Hyperspectral Attention Network for Automated Tomato Defect Classification
编辑推荐：
本研究针对番茄表面缺陷人工检测效率低、易漏检的难题，创新性地提出了一种融合高光谱成像（HSI）与深度学习的自动分类框架HySANet。通过支持向量机（SVM）背景分割、主成分分析（PCA）光谱降维，并结合混合2D-3D卷积神经网络（CNN）与卷积块注意力模块（CBAM），该模型在810个樱桃番茄样本上实现了97.69%的分类准确率，显著优于传统机器学习与RGB深度学习方法，为智慧农业无损质检提供了可靠解决方案。
番茄作为全球广泛消费的园艺作物，不仅富含番茄红素、β-胡萝卜素、维生素C等抗氧化物质，还具有低糖特性，对预防慢性疾病和促进健康具有重要意义。然而，番茄采后易因环境变化、机械损伤等产生裂纹、瘀伤、疤痕等表面缺陷，这些缺陷虽不影响食用，却会显著降低商品价值和消费者接受度。目前，番茄缺陷检测主要依赖人工视觉检查，这种方法劳动强度大、效率低，且对细微裂纹（如发丝状裂缝）的漏检率高，导致品质标准不统一。尽管基于RGB成像和卷积神经网络（CNN）的方法在果实分级中取得一定进展，但由于仅能捕获可见光范围内的反射信息，难以检测早期或细微缺陷。
为突破RGB成像的局限性，本研究团队在《Applied Food Research》上发表了题为“HySANet: A Hyperspectral Attention Network for Automated Tomato Defect Classification”的研究论文，提出了一种名为HySANet（高光谱注意力网络）的自动缺陷分类框架。该框架将高光谱成像（HSI）与深度学习相结合，通过混合2D-3D CNN架构和注意力机制，实现了对番茄表面缺陷的高精度、无损检测。
本研究采用的高光谱成像系统（Specim FX10相机）在400-1000 nm光谱范围内采集224个连续波段的数据，通过SVM算法去除背景和镜面反射区域，并利用PCA进行光谱降维。构建的HySANet模型包含2D-CNN分支（提取空间特征）和3D-CNN分支（提取光谱-空间特征），并嵌入卷积块注意力模块（CBAM）以自适应增强缺陷相关特征。模型在810个樱桃番茄样本（包括正常、损伤和视觉不吸引三类）上进行训练与测试，采用准确率（ACC）、Kappa系数、AUC等多指标评估性能。
3.1. 高光谱图像预处理
通过SVM分类器成功分离番茄区域与背景，并基于PCA3生成伪彩色图像突出表面特征。ROI（感兴趣区域）提取将每个番茄独立分割，形成200×200像素×224波段的图像立方体。经PCA降维后，保留前三个主成分（PCA3，方差贡献率约95%）作为模型输入，在保证信息量的同时显著降低计算复杂度。
3.2. YOLOv11结果
作为基线模型，YOLOv11s在RGB图像上对番茄进行检测，准确率达91.67%。但其依赖可见光信息，对细微缺陷的识别能力有限，凸显了高光谱数据在捕捉表面细微变化方面的优势。
3.3. 高光谱注意力网络（HySANet）结果
在PCA3配置下，HySANet的分类准确率高达97.69%，Kappa系数为95.36%，AUC达98.46%，均显著优于单一2D-CNN（90.50%）、3D-CNN（91.98%）及SE-Net（93.84%）等基线模型。结果表明，双分支结构有效融合了空间与光谱信息，而CBAM注意力机制进一步提升了模型对缺陷特征的聚焦能力。
3.4. 模型组分的消融研究
消融实验显示，单独使用2D-CNN或3D-CNN时准确率分别为90.50%和91.98%，而双分支结合后性能提升至96.83%，加入CBAM后最终达到97.69%。同时，PCA3配置（97.69%）优于PCA5（94.56%），说明保留过多主成分可能引入噪声，适度降维更有助于提升模型判别力。
研究表明，HySANet通过高光谱成像与注意力深度网络的有机结合，成功实现了番茄表面缺陷的高精度分类。该框架不仅克服了RGB成像对细微缺陷不敏感的局限，还通过混合卷积结构与注意力机制优化了特征提取效能。在实验室条件下，模型对包括微裂纹在内的表面缺陷展现出强鲁棒性，为农产品无损质检提供了新技术路径。未来研究可面向复杂田间环境优化模型适应性，并推动轻量化设计以实现实时边缘计算部署，进一步拓展其在智能农业质量控制系统中的应用潜力。
