基于高光谱成像技术的灵武长枣早期损伤智能评估与分级研究

为解决灵武长枣采后机械损伤难以早期识别的问题，研究人员结合高光谱成像技术（HSI）与深度学习算法，建立了长短期记忆网络（LSTM）模型，实现了不同成熟期枣果损伤等级（准确率92.20%）和损伤时间（93.55%准确率）的高精度分类，并生成损伤分布伪彩图。该研究为水果隐性损伤的快速无损检测提供了新方法。

　　

灵武长枣因其脆嫩多汁的口感备受消费者青睐，但采后机械损伤导致的隐性褐变问题严重制约产业发展。据统计，我国水果运输环节因损伤造成的损失高达20%-30%，而传统人工检测和RGB成像难以捕捉早期损伤。尤其灵武长枣果皮呈深红色，更掩盖了初期褐变特征。现有X射线CT、MRI等技术虽能检测内部损伤，但存在设备昂贵、操作复杂等缺陷。如何实现低成本、高效率的早期损伤检测，成为产业亟待突破的技术瓶颈。

针对这一难题，宁夏的研究团队创新性地将可见-近红外高光谱成像技术（Vis-NIR HSI）与深度学习算法相结合，系统研究了不同成熟期（白熟期、脆熟期、完熟期）灵武长枣的损伤特征。研究采集了180个样本在400-1000nm波段的高光谱数据，采用自举软收缩算法（BOSS）和迭代变量子集优化（IVSO）筛选特征波长，并对比了偏最小二乘判别分析（PLSDA）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等模型的性能。

样本制备与光谱特征分析
通过控制冲击能量（0.5J、1.0J、1.5J）模拟不同损伤等级，发现损伤组织在480nm、600-620nm、700-740nm和830-950nm波段存在显著光谱差异。损伤区域因酶促褐变导致光吸收增强，反射率较正常组织降低15%-20%。

特征波长优选与模型构建
BOSS算法筛选的21个特征波长（含550nm叶绿素特征峰和970nm水分子吸收带）最具代表性。LSTM模型在损伤等级识别中表现最优，校正集和验证集准确率分别达92.20%和87.80%，较传统PLSDA模型提升约12%。

损伤时间判别与可视化
基于特征波长的简化LSTM模型对2小时内损伤的识别率高达96%，损伤时间分类准确率达93.55%。通过像素级分析生成的伪彩图，可直观展示损伤位置与程度的空间分布。

该研究首次实现了多成熟期枣果早期损伤的精准判别，证实LSTM模型在时序光谱数据分析中的优越性。所建立的BOSS-IVSO-LSTM技术框架，为水果采后品质智能检测提供了新范式。研究成果发表于《Food Control》，对推动特色农产品高值化加工具有重要意义。未来可进一步优化模型轻量化设计，以适应生产线实时检测需求。