基于高光谱成像与变分自编码器的'Rojo Brillante'柿果冷藏后硬度分级研究

为解决'Rojo Brillante'柿果冷藏后硬度无损检测难题，西班牙研究人员创新性结合高光谱成像(420-1010 nm)与变分自编码器(VAE)技术，通过卷积VAE提取硬度曲线和图像特征，结合K-means聚类划分硬/中/软三级硬度标准，最终利用6个特征波长(440/460/520/580/660/1000 nm)实现SVM分类准确率81.3%，为开发多光谱在线检测系统奠定基础。

　　

在水果采后品质控制领域，'Rojo Brillante'柿果作为西班牙第二大农产品，其硬度指标直接决定商业价值——采收时需≥40 N才能冷藏，上市时需≥20 N。但传统质构仪检测会破坏样品，声学传感器又易受环境干扰，CT扫描则成本高昂。如何实现快速、精准的无损检测成为产业痛点。

针对这一挑战，西班牙农业研究所(IVIA)的科研团队在《LWT》发表创新研究，首次将高光谱成像(420-1010 nm)与深度学习相结合应用于柿果硬度评估。研究团队采集2380个样本在0-5°C不同冷藏条件下的高光谱数据，通过独创的"卷积变分自编码器(VAE)+聚类分析"技术路线，突破传统回归分析局限。

关键技术包含四大核心：1) 采用线性相关性分析从60个波段中筛选出6个关键波长(440/460/520/580/660/1000 nm)；2) 创新设计双向LSTM结构的VAE模型压缩硬度曲线，数据量减少99.9%；3) 通过K-means和层次聚类(HC)划分硬度等级；4) 构建7维潜在特征的SVM分类器，训练集准确率达85%。

3.1 硬度聚类分析
通过VAE提取的硬度曲线特征显示，K-means与HC聚类均支持三级分类：硬(51 N)、中(23 N)、软(<20 N)，完美匹配产业标准。概率密度分布显示中等硬度样本存在重叠，反映果实软化过程的连续性特征。

3.2 光谱降维
在980 nm水吸收峰和500/680 nm类胡萝卜素-叶绿素特征区，软果因细胞壁降解导致自由水增多而反射率降低，硬果则因色素含量高呈现典型吸收特征。

3.3 潜在特征可视化
UMAP降维显示7维潜在空间中三类样本可分性良好，但中等硬度样本存在预期中的过渡区域重叠，与密度分布结果相互印证。

3.4 分类性能
测试集分类准确率81.4%，其中硬果识别率83.3%最理想，中等硬度(75.6%)与软果(85.3%)的误判主要发生在相邻等级。相比文献中苹果(R²=0.95)和梨(R²=0.88)的PLS回归结果，该方法在分类场景表现优异。

该研究首次实现柿果硬度的光谱-力学特征融合分析，其突破性体现在三方面：1) VAE同时处理曲线和图像数据的能力为水果品质检测开辟新范式；2) 6个特征波长的筛选为开发低成本多光谱在线分选设备提供理论依据；3) 三级分类标准精准对应产业需求。未来需扩大品种和产区验证，但已为西班牙"Xúquer河柿"原产地品牌的技术升级奠定基础，对推动欧洲柿果产业智能化具有里程碑意义。