基于可解释机器学习的库尔勒香梨脆度评价：高采样率下机械-声学信号同步分析

本研究针对水果质地评价中脆度指标难以客观量化的问题，创新性地采用51,200 Hz高采样率同步采集库尔勒香梨穿刺过程中的机械-声学信号，通过数据级融合策略模拟人类感知行为。研究人员提取26种特征建立XGBoost预测模型，结合SHAP分析筛选出14个正向特征，最终模型预测精度达RP 2 =0.92，为水果品质无损检测提供了新方法。

　　

脆度作为水果质地的核心指标，直接影响消费者购买决策和食用体验。库尔勒香梨（Pyrus bretschneideri Rehd.）以其独特脆爽口感闻名，但现有国家标准仅以硬度作为品质分级依据，无法真实反映消费者感知的"脆度"这一复合感官特性。传统感官评价存在主观性强、重复性差等问题，而现有仪器检测方法受限于500 Hz低采样率，难以捕捉高频声学信号，且机械与声学信号异步采集导致信息关联性丢失。更关键的是，既往研究多采用特征级融合策略，未能模拟人类大脑对触觉-听觉的跨模态整合机制。

针对这些技术瓶颈，来自石河子大学的研究团队在《Current Research in Food Science》发表创新成果。研究设计了一套包含材料试验机、专业麦克风和动态信号分析仪的同步采集系统，在51,200 Hz超高采样率下获取穿刺过程中的力-声信号。通过最大-最小归一化处理实现机械与声学信号的数值统一，采用数据级融合生成复合信号曲线。从300个不同成熟度（0-35天）的梨样本中提取圆柱形试样，结合扫描电镜（SEM）观察微观结构变化，由10名训练有素的评审员进行1-6分制感官评分。研究提取统计特征（18个）、分形维数（4个）和熵特征（4个）共26个参数，建立BPNN、RF、SVR和XGBoost四种预测模型，并运用SHAP（Shapley Additive Explanations）方法解析特征重要性。

微观结构与信号特征关联分析显示，脆梨（0天）具有完整细胞结构和紧密排列的细胞壁，对应力-声曲线呈现多峰值和高振幅；而粉质化梨（35天）细胞结构坍塌，信号曲线趋于平缓。数据级融合曲线成功保留了机械曲线的趋势特征和声学曲线的峰值信息，为揭示脆度变化机制提供了可视化证据。

模型性能比较表明XGBoost表现最优（R_P
²
=0.87，RPD=2.93）。SHAP分析发现熵特征和分形维数特征对模型贡献度最高，其中近似熵（Approximate entropy）、模糊熵（Fuzzy entropy）和Minkowski维数等14个正向特征贡献了80%以上的精度提升。剔除12个负向特征后，优化模型性能显著提升（R_P
²
=0.92，RMSEP=0.32，RPD=3.66）。

该研究创新性地实现了三大突破：首次在水果检测中应用51,200 Hz同步采集技术覆盖人耳听觉全频段；创建模拟人类感知的数据级融合策略；通过可解释机器学习筛选关键特征。相比既往研究，预测精度提高5.75%，为开发便携式水果品质检测设备奠定了方法学基础。研究提出的技术路线可扩展至其他果蔬的质地评价，对推动农产品标准化生产和品质育种具有重要实践价值。未来研究可进一步探索脆度与甜度的协同优化，以更好地满足消费者对水果综合感官品质的需求。