基于高光谱成像与链式多输出机器学习方法的鲜食葡萄品质无损评估

本综述系统探讨了高光谱成像（HSI）结合链式多输出机器学习（CMO-ML）在鲜食葡萄品质评估中的创新应用。通过Savitzky-Golay滤波（SGF）、多元散射校正（MSC）和标准正态变量变换（SNV）等预处理技术提升光谱数据质量，并利用主成分分析（PCA）降维。研究实现了对葡萄品种、产地、类型及黄酮类、糖度（°Brix）、花青素含量的同步预测，模型表现优异（R2最高达0.982，F1分数75.0%-99.6%），为食品质量智能监测提供了非破坏性、高精度的解决方案。

　　

亮点

• •

  首次将链式多输出（CMO）机器学习框架与高光谱成像（HSI）结合用于鲜食葡萄多参数品质评估

• •

  采用Savitzky-Golay滤波（SGF）、多元散射校正（MSC）和标准正态变量变换（SNV）显著提升光谱信噪比

• •

  主成分分析（PCA）在保留97%光谱特征的同时将维度从512缩减至10，大幅提升计算效率

• •

  模型在回归任务中R2值达0.982，RPD（相对预测偏差）为7.630；分类任务F1分数最高达99.6%

• •

  实现品种（Variety）、产地（Origin）、类型（Kind）及生化指标（黄酮/糖度/花青素）的同步预测

结论

鲜食葡萄参数鉴定是品质控制的核心挑战。本研究通过HSI技术与机器学习模型的融合，建立了非破坏性、高精度的多目标预测体系。在品种和类型分类中达到100%准确率，生化指标预测误差显著低于传统方法。预处理组合（SGF+MSC+SNV）与PCA降维有效提升了模型泛化能力。该框架为食品工业提供了可扩展的实时质量监测方案，适用于采收后加工链的自动化品质管控。

未引用文献

（Khiari等2018年研究需补充）

资金声明

本研究未获得任何资金支持。

利益冲突声明

作者声明无已知竞争性财务利益或个人关系影响本研究结果。