基于LSTM-GRU特征选择与XGBoost-CNN融合的水果成熟度智能检测新方法及其在食品安全中的应用

针对人工催熟水果危害健康且现有检测模型效率低下的问题，本研究创新性地结合LSTM-GRU特征提取、BFO优化器和CXGBN分类器，构建混合深度学习框架。在芒果和苹果数据集上实现精度提升8.3%、召回率提高3.4%，分类延迟降低6.5%，为食品安全检测提供高效解决方案。

　　

水果成熟度检测是保障食品安全和农产品质量的关键环节。当前，使用碳化钙等化学物质的人工催熟手段虽能加速水果上市，但会导致营养流失并残留砷、磷化氢等有害物质。传统检测方法依赖颜色、质地等物理特征，易受人为修饰干扰；而基于ResNet50、VGG16等深度学习的模型又面临计算复杂度高、泛化性差等问题。针对这些挑战，研究人员开发了名为SmartRipen的创新混合模型。

该研究通过整合长短期记忆网络(LSTM)和门控循环单元(GRU)的时序特征提取能力，结合细菌觅食优化算法(BFO)进行特征选择，并创新性地用XGBoost替代传统CNN的全连接层，构建卷积XGBoost网络(CXGBN)。研究采用芒果和苹果的热成像数据集，通过比特平面切片和YCbCr色彩空间转换提取显著性特征，利用LSTM-GRU捕捉时空特征变化，最终通过CXGBN实现分类。

在方法学方面，研究首先采用比特平面切片技术分割水果图像，通过公式S_i=∪(P_r,c⊕2ⁱ)提取不同强度层特征。随后转换至YCbCr色彩空间计算亮度(Y)和色度(C_b, C_r)分量，结合结构特征和熵估计构建显著性图谱。LSTM和GRU分别通过f=var(x_in*U^f+h_t-1*W^f)等公式提取时序特征，BFO则基于方差最大化选择判别性特征。最终分类采用XGBoost目标函数obj(θ)=L(θ)+Ω(θ)进行优化决策。

研究结果显示，该模型在多个关键指标上显著超越传统方法。在准确度方面，模型在150k样本量下达到98.04%，较VGG16(88.25%)、MLP CNN(94.75%)和决策树(94.07%)分别提升10.5%、3.9%和4.5%。精度分析表明，模型有效降低误报率，最高精度达95.85%，比基准模型提高2.5-8.5%。召回率测试中，模型以95.83%的表现证实其捕捉真阳性的能力，这对减少优质水果误判至关重要。

在效率方面，模型展现出优异的实时处理能力。分类延迟测试显示，处理150k图像仅需108.93ms，较对比模型缩短1.5-3.9%。这归功于BFO的特征优化和XGBoost的高效决策机制，使其适合部署在工业级分拣流水线上。

讨论部分指出，该研究的创新点在于：首次将LSTM-GRU融合架构用于水果成熟度时序分析；开发基于方差最大化的BFO特征选择方法；创建CXGBN替代传统CNN分类层。与MobileNet等轻量模型相比，该模型在保持精度的同时解决了序列建模的短板；较Transformer架构更适应边缘计算场景。

该研究的实际意义在于：为农产品质量检测提供自动化解决方案，准确识别人工催熟水果保障食品安全；通过降低6.5%的分类延迟提升产线效率；模型架构对多品类水果的适应性为农业AI应用提供新范式。未来可通过引入Q-Learning强化学习优化动态决策，并整合多光谱数据提升检测维度。论文发表在《Food Physics》，为智能农业与食品物理交叉领域树立了技术标杆。