编辑推荐：
为解决哈密瓜采后贮藏运输中早期霉变检测难题，研究人员探索 RGB 转高光谱图像（HSI）用于串珠镰孢菌侵染早期霉变检测。引入二维相关光谱提取 13 通道敏感变量，Sim-MST++ 重建效果佳，分类模型准确率达 92%，为农食检测提供新方法。
在瓜果贮藏运输的漫长旅途中，哈密瓜常常面临着看不见的 “敌人”—— 病原微生物的侵袭。这些微小的破坏者会悄悄引发霉变，不仅让香甜的果实品质下降，还可能带来食品安全隐患。目前，哈密瓜早期霉变检测主要依赖人工识别和生化分析，这些方法要么靠经验、耗时长，要么操作复杂，难以快速准确地评估果实的整体病害程度。如何在不破坏果实的前提下，低成本、高效率地识破早期霉变的 “伪装”，成为了摆在科研人员面前的重要课题。
为了攻克这一难题，来自国内的研究人员开展了一项颇具创新性的研究，相关成果发表在《Food Control》。他们将目光投向了高光谱图像（HSI）技术，这种技术兼具光谱和机器视觉的优势，能同时获取图像和光谱数据，在农产品霉变检测中潜力巨大。但高光谱成像设备成本较高，限制了其广泛应用。于是，研究人员另辟蹊径，探索利用 RGB 图像重建高光谱图像的方法，试图为早期霉变检测找到一条低成本之路。
研究人员主要采用了以下关键技术方法：首先进行样本制备，采集 50 个新疆石河子市炮台镇两个田地的哈密瓜样本（品种为西州蜜 25 号），经处理后用于后续实验；引入二维相关光谱分析（2D-COS）技术，提取敏感光谱变量；运用改进的 Sim-MST++ 等 12 种先进的光谱重建（SR）模型进行高光谱图像重建，并通过 SSIM、t-SNE 等进行评估，同时构建 3D-Dilated 注意力卷积神经网络（3D-DACNN）用于霉变检测分类。
样本制备与数据采集
研究人员采集了 50 个哈密瓜样本，品种为西州蜜 25 号，于 2024 年 7 月 19 日在中国新疆石河子市炮台镇的两个田地收集，每个样本成熟度为 80%。样本经清洁、酒精消毒后，置于恒温（25℃）恒湿（30%）的农产品质量安全检测实验室 12 小时，随后进行病原接种等操作，获取不同霉变程度（健康期、无症状期、霉变期）的样本，同时采集其 HSI 和 RGB 数据。
敏感光谱变量提取
通过二维相关光谱分析（2D-COS）技术，研究人员从众多光谱数据中提取出 13 个敏感光谱特征波长，仅占总波长的 2.8%，显著降低了数据冗余问题，为后续的光谱重建奠定了基础。
光谱重建模型评估
在光谱重建模型评估中，对改进的 Sim-MST++ 和 11 种先进的重建算法进行了比较。通过多元可视化、SSIM（结构相似性指数）和 t-SNE（t 分布随机邻域嵌入）评估重建一致性，利用综合质量属性系统（PSNR-Params-FLOPS）确定最佳重建模型。结果显示，Sim-MST++ 表现优于其他模型，其 MRAE（平均相对绝对误差）为 0.0446，RMSE（均方根误差）为 0.0158，PSNR（峰值信噪比）为 36.27，SSIM 为 0.9333，展现出良好的重建效果。
霉变检测分类模型构建
研究人员构建了 3D-DACNN 模型，并与 1D-CNN 和 2D-CNN 模型进行比较，基于原始 HSI 和重建 HSI 数据对哈密瓜霉变程度进行评估。结果表明，基于 Sim-MST++ 重建数据集的分类模型准确率达到 92%，显示出该方法在哈密瓜早期霉变检测中的有效性。
这项研究表明，基于改进 Sim-MST++ 重建模型结合 3D-DACNN 的方法，在哈密瓜串珠镰孢菌侵染早期霉变检测中具有显著可行性。通过二维相关光谱分析提取关键光谱变量，结合先进的光谱重建技术和深度学习模型，实现了低成本、高效的早期霉变检测。该研究为农产品质量安全检测提供了新的思路和方法，有望在实际生产中推广应用，为哈密瓜等农产品的贮藏运输安全保驾护航，助力农食领域的质量与安全检测技术迈向新台阶。
