基于可解释特征与可见/近红外信息融合的黑化香榧籽粒鉴别研究

本研究针对黑化香榧籽粒因假种皮污染导致食用价值降低的市场乱象，提出了一种融合可见/近红外光谱(VIS/NIRS)与SHAP可解释性分析的快速无损检测方法。通过双光谱仪数据特征级融合构建SVM模型，实现了黑化籽粒96.10%的判别准确率，为香榧品质控制提供了创新技术方案。

　　

香榧作为中国特有的经济作物，其籽粒富含营养且风味独特，但采收后的后熟处理过程中，假种皮腐败产生的挥发性油脂渗入籽粒会导致"黑化香榧"现象。这类籽粒不仅产生令人不悦的异味，其外观还与正常籽粒高度相似，不法商贩通过剥除外壳以次充好，严重扰乱市场秩序。传统人工检测和机器视觉技术对去壳后的黑化籽粒束手无策，亟需开发新型快速无损检测技术。

浙江农林大学的研究团队创新性地采用双波段可见/近红外光谱仪(400-1000nm和900-1700nm)采集样品光谱数据，结合SHAP(Shapley Additive exPlanations)可解释性特征选择方法，首次建立了黑化香榧籽粒的光谱鉴别体系。研究发现，Spectrometer II(900-1700nm)模型判别准确率达93.51%，优于Spectrometer I的88.31%；通过特征级数据融合构建的SVM(Support Vector Machine)模型，在预测集上获得93.55%灵敏度、97.83%特异性和96.10%准确率，相关指标较单光谱仪模型提升2.59-8.70%。该成果发表于《Journal of Food Composition and Analysis》，为香榧品质智能分选装备研发提供了关键技术支撑。

研究采用的主要技术包括：1)双波段VIS/NIRS光谱采集；2)多元散射校正(MSC)、标准正态变量变换(SNV)等光谱预处理；3)SHAP可解释性特征选择；4)SVM建模与特征级数据融合。实验样本包含115个黑化和115个正常香榧籽粒，均采自浙江绍兴诸坞村。

【Samples】
研究选用浙江绍兴产香榧，通过形态特征筛选115对黑化与正常样本，所有样品均去除假种皮和外壳，保留完整籽粒用于光谱检测。

【Analysis of morphological differences】
形态学分析显示，黑化籽粒外壳呈炭黑色，内皮为墨绿色；正常样品外壳棕黄，内皮黑中泛黄。但去壳后两者颜色差异显著减小，肉眼难以区分。

【Conclusion】
研究证实NIRS技术可有效鉴别黑化香榧籽粒，SHAP方法筛选的特征波长主要集中在油脂和芳香族化合物特征吸收区。特征级融合模型性能显著优于单光谱仪模型，其中1450nm附近特征峰与油脂羟基伸缩振动相关，可作为关键鉴别指标。

该研究首次将可解释人工智能技术引入香榧品质检测领域，不仅解决了去壳籽粒的黑化鉴别难题，其提出的"光谱特征-SHAP解释-SVM建模"技术路线，为其他坚果品质无损检测提供了范式。研究成果对规范香榧市场、保障消费者权益具有重要意义，相关技术已申请专利保护。未来可进一步开发便携式检测设备，推动该技术在实际生产中的应用落地。