基于高光谱成像与可解释人工智能的瓜蒌子品质评价新方法

为解决瓜蒌子(Gualouzi, GLZ)因长期储存导致的品质劣变及市场掺假问题，研究人员创新性结合高光谱成像(HSI)与可解释人工智能(XAI)技术，构建了FD-SHAP-RF模型，实现了对GLZ-20和GLZ-9品种新鲜与陈化样本的快速无损鉴别，预测准确率分别达97.2%和98.3%。该研究为种子类坚果品质控制提供了可靠的技术框架。

　　

研究背景

瓜蒌子(Gualouzi, GLZ)作为药食两用的高价值坚果，其市场价格可达80-100元/公斤，但高油脂含量使其在储存中易发生酸败和霉变。不法商家将陈年GLZ掺入新货销售的行为，不仅扰乱市场秩序，更可能因霉菌毒素积累危害健康。传统检测方法如色谱分析虽精准但耗时昂贵，而感官评价又过于主观。如何实现快速、无损、高通量的品质鉴别，成为产业亟待解决的难题。

技术方法

研究团队采集了2021-2024年GLZ-20和GLZ-9两个品种的高光谱数据(410-2500nm)，通过一阶导数(FD)预处理后，采用随机森林(RF)构建分类模型。创新性引入SHAP值进行特征波长筛选，最终分别选取16个和23个关键波长建立FD-SHAP-RF模型，并设置验证集I(纯样本鉴别)和验证集II(混合比例检测)评估性能。

研究结果

3.1 光谱曲线分析

原始光谱显示，GLZ在1106nm(C-H键)、1450nm(O-H键)和2213nm(N-H键)等位置存在特征吸收峰，新鲜与陈化样本的反射率差异为鉴别提供了理论基础。

3.2 全波段分类结果

FD-RF模型在测试集表现最优，GLZ-20和GLZ-9准确率分别达95.6%和97.2%。单双面数据对比表明种子表面差异对结果影响可忽略，显著提升检测效率。

3.3 特征波长筛选

SHAP筛选的16个(GLZ-20)和23个(GLZ-9)波长模型表现超越传统方法：SPA筛选34个波长的模型准确率仅83.3%，而SHAP模型达98.3%，且波长数减少66%。

3.4 模型验证

验证集I中模型对纯样本鉴别准确率达97.7-98.9%；验证集II模拟的8种掺假场景(含多年度混合)预测误差均<3.3%，10%低掺比例下误差仅1.7%。

3.5 SHAP可解释性分析

全局分析揭示GLZ-20的关键波长887/892nm与脂质甲基振动相关，而GLZ-9的502/507nm反映颜色差异；局部力图示样本预测概率f(x)=1.00(陈化)或0.00(新鲜)，验证模型决策可靠性。

结论与意义

该研究首创的HSI-XAI融合技术，不仅实现GLZ品质的高精度鉴别(>97%准确率)，更通过SHAP解释模型决策机制，发现油脂氧化和蛋白质降解是陈化关键指标。相较于UPLC-QTOF-MS等传统方法，检测效率提升29.9%，为种子类坚果(如香榧、奇亚籽)质量监控提供了普适性框架。论文发表于《LWT》，其技术路线对规范高值农产品市场具有重要实践价值。