基于高光谱成像与多输出机器学习联用的咖啡丙烯酰胺无损精准定量新方法

本综述系统阐述了高光谱成像（HSI）结合多元机器学习（ML）技术在葡萄品质无损检测中的突破性应用。通过Savitzky-Golay滤波（SGF）、多元散射校正（MSC）等光谱预处理技术显著提升信号质量，结合主成分分析（PCA）降维与链式多输出（CMO）模型，实现了对葡萄品种、产地、黄酮类化合物及糖度（°Brix）等多指标同步精准预测，为食品质量智能监控提供了创新性解决方案。

　　

^Highlight

^文献综述

Gabrielli等学者（2021年）开发了高光谱成像（HSI）系统用于评估鲜食葡萄品质，通过预测关键参数如糖度（TSS）、总黄酮（TF）和总花青素（TA）含量，结合偏最小二乘法（PLS）与多元线性回归（MLR）模型，利用β系数和变量重要性投影（VIP）筛选特征波长，实现了对葡萄理化特性的精准反演。

^{材料与方法}

图1展示了基于HSI的鲜食葡萄品质评估系统框架。该研究采用公开HSI光谱数据集，通过SGF、MSC和SNV进行光谱预处理以增强信号信噪比，利用PCA实现数据降维并保留核心光谱特征，最终采用多种机器学习回归与分类算法同步预测葡萄的定性与定量品质指标。

^结果

研究在Google Colab PRO平台（Python3环境，25.45 GHz RAM，166.75 GB存储空间）完成建模。使用numpy、pandas进行数值运算与数据处理，依托scikit-learn库构建机器学习模型，matplotlib和seaborn实现可视化，并采用交叉验证与网格搜索优化模型性能与超参数调优。

^讨论

鲜食葡萄成分鉴定是保障其真实性与品质的核心环节。高光谱成像（HSI）技术凭借其高效无损特性已成为主流检测手段，但预处理方法的效果高度依赖于数据集特性。与传统方法相比，本研究提出的多输出机器学习框架在保持高精度的同时显著提升了检测效率，为食品工业智能质检提供了新范式。

^结论

HSI技术与机器学习模型的融合为鲜食葡萄品质参数的无损检测提供了强大工具。本研究在品种分类、产地溯源及理化指标预测中表现卓越（部分场景准确率达100.0%），通过SGF、MSC、SNV预处理与PCA降维的协同应用，成功构建了兼具预测精度与运算效率的智能评估体系。