基于强化学习的光谱增强智能(RISE)算法：柑橘糖度无损检测的高光谱特征选择新方法

针对高光谱数据维度灾难和传统特征选择方法易陷局部最优的问题，研究人员提出基于深度Q网络(DQN)的强化学习特征选择算法RISE。该研究通过马尔可夫决策过程建模，在柑橘糖度预测中筛选出19个特征波段，在PLSR模型上取得R2=0.84、RPD=2.51的优异性能，较CARS、BOSS算法更具普适性，为农产品品质无损检测提供了创新技术路径。

　　

柑橘作为全球三大经济果树之一，其糖度直接决定果实风味和市场价值。传统折射仪检测方法存在破坏样本、耗时费力等缺陷，而高光谱成像技术虽能获取388.34–1036.34 nm范围内256个波段的光谱数据，却面临"维度灾难"——高度相关的波段信息导致计算复杂度激增，传统方法如竞争性自适应重加权采样(CARS)和自举软收缩(BOSS)易陷局部最优，且需人工调参。

针对这一瓶颈，来自中国的研究团队创新性地将强化学习引入高光谱分析领域，提出光谱增强强化智能(RISE)算法。该研究以120个糖度6.40–10.81 °Brix的"春见"柑橘(Citrus reticulata 'Chun Jian')果肉样本为对象，通过建模马尔可夫决策过程，利用深度Q网络(DQN)自主学习最优波段组合策略。研究发现RISE筛选的19个特征波段在偏最小二乘回归(PLSR)模型中预测性能(R2=0.84，相对预测偏差RPD=2.51)显著优于CARS(9波段)和BOSS(10波段)，并在支持向量回归(SVR)、随机森林和XGBoost等模型中保持稳定。相关成果发表于《Journal of Food Composition and Analysis》。

关键技术
研究采用深度强化学习框架，将波段选择转化为序列决策问题；采集云南产"春见"柑橘的高光谱数据(256波段)；通过PLSR、SVR等模型验证特征有效性；对比CARS、BOSS等传统算法；实现糖度空间分布可视化。

研究结果

特征波段提取结果
RISE算法筛选的波段在可见光(400–700 nm)和近红外(700–1000 nm)区域呈连续分布，涵盖与糖类分子振动相关的特征谱区。相较之下，BOSS算法选择的离散波段集中在400–500 nm蓝光区和700–900 nm近红外区，而CARS算法偏好500–600 nm黄绿光区和800–950 nm近红外区。

模型预测性能
在PLSR模型中，RISE算法预测集R2达0.84±0.02，较CARS(R2=0.81)和BOSS(R2=0.80)提升显著。特别值得注意的是，RISE在SVR模型中取得最高预测精度(R2=0.85)，且所有模型的RPD值均超过2.4，表明其具备优秀的泛化能力。

糖度空间分布特征
基于RISE算法的糖度热力图显示，柑橘果实糖度呈由外向内递减的梯度分布，这与果实维管束运输规律相符，证实了该算法在空间解析方面的生物学合理性。

结论与意义
该研究首次将深度强化学习成功应用于农产品品质高光谱检测，突破传统方法在自适应性和全局搜索能力的局限。RISE算法通过自主学习的动态策略，有效捕捉光谱波段间复杂相关性，其筛选的19个特征波段不仅包含糖类特征吸收区，还涉及与质地相关的散射特征区。研究提出的技术路径为开发便携式柑橘品质检测设备奠定基础，对实现农产品精准分级、提升市场竞争力具有重要实践价值。未来研究可进一步探索该算法在其他果蔬品质检测中的迁移应用潜力。