基于可见/短波近红外光谱与机器学习的山竹果实生理性病害无损分类研究

为解决山竹果实生理性病害（如透明果肉病TFD和黄色胶乳病YGL）难以无损检测的问题，研究人员结合可见/短波近红外光谱（Vis/SWNIR）与机器学习算法（RF/SVM/MLP），通过优化光谱预处理（SNV/SGD2）和光强参数，实现了71%的分类准确率，为水果品质智能分选提供了新方法。

　　

山竹作为泰国重要的出口水果，其内部生理性病害如透明果肉病（TFD）和黄色胶乳病（YGL）难以通过肉眼识别，每年造成重大经济损失。传统检测方法如微波水分传感和电阻抗技术存在局限性，而近红外光谱（NIRS）虽在TFD检测中取得92%准确率，但对厚果皮（6-10 mm）穿透力不足，且尚未应用于YGL分类。更棘手的是，TFD与正常果（NF）光谱特征高度相似，商业设备因光源功率不足导致数据质量差。这些技术瓶颈严重制约了山竹产业的品质管控能力。

针对上述问题，泰国国王蒙库特技术学院拉卡邦分校（King Mongkut’s Institute of Technology Ladkrabang）的研究团队创新性地将可见/短波近红外光谱（Vis/SWNIR）与机器学习结合，首次系统研究了YGL分类问题。通过对比两种光强（50% vs 100% 150W光源）和三种光谱预处理方法（标准正态变量变换SNV、二阶导数Savitzky-Golay SGD2及其组合），结合随机森林（RF）、支持向量机（SVM）和多层感知机（MLP）算法，建立了山竹病害分类模型。研究发现，SGD2处理能显著增强700-725 nm波段特征——该波段与果皮中黄酮类（xanthones）含量相关，使TFD&YGL类的区分度提升；100%光强下RF模型取得最佳性能（准确率0.71，F1值0.61）。尽管TFD与NF因光谱相似仍存在误判，该研究为厚皮水果内部品质检测提供了重要技术参考。相关成果发表于《Postharvest Biology and Technology》。

关键技术方法包括：1）采集350颗中期成熟山竹的Vis/SWNIR反射光谱（400-1000 nm）；2）使用色差计量化果实表面Lab*颜色参数；3）应用SNV、SGD2及其组合消除光谱噪声；4）采用RF、SVM和MLP构建分类模型；5）通过F1分数和混淆矩阵评估性能。

主要研究结果

1. 果实颜色特征：样本平均L*=41.15（较暗），a*=19.66（红色调），b*=16.02（黄色调），反映典型成熟山竹外观。
2. 光谱特征：SGD2预处理在700-725 nm凸显差异，该区域对应黄酮类物质特征吸收，证实YGL与黄酮代谢物（如藤黄酸C₃₈H₄₄O₈）相关。
3. 模型性能：RF在100%光强下表现最优，但对TFD类敏感度仅0.58，显示其与NF的区分仍是难点。

结论与意义
该研究首次证实Vis/SWNIR结合机器学习可有效分类山竹复合生理性病害，其中光强和光谱预处理是提升性能的关键。尽管TFD与NF区分仍有改进空间，但700-725 nm波段特征的发现为开发专用光学传感器提供了靶点。未来研究需增强光谱穿透力（如采用更高能可见光）并引入深度学习，以突破厚果皮带来的技术限制。这项成果不仅推动了热带水果智能分选技术的发展，也为其他厚皮作物（如榴莲、菠萝蜜）的品质检测提供了方法论参考。