基于振动声信号分解重构的梨果褐心病亚健康状态无损检测新方法

本研究针对梨果褐心病亚健康状态难以精准识别的问题，创新性地提出改进的局部均值分解（LMD）算法结合ResNet50–1D-SVM模型，通过振动声信号分解重构提取敏感特征，实现了亚健康梨的高精度检测（准确率达93.56%），为水果品质分级和商品价值保障提供了可靠的技术手段。

　　

在梨果采后贮藏与销售环节，褐心病（Core Browning）是一种常见的生理性病害，严重影响果实商品价值和消费者体验。传统上，果品行业主要关注完全健康或明显病变的果实，而对处于"亚健康"状态的梨果——即褐变区域未超过核心线（Core Line）、外观完好但内部已出现轻微褐变的果实——缺乏有效识别手段。这类亚健康梨果虽暂未丧失食用价值，却存在褐变进一步恶化的风险，若不能及时分选，可能因后续品质劣变导致整批商品价值受损。更棘手的是，亚健康梨果的振动声信号与健康果、轻病果的信号差异极其微弱，传统无损检测方法难以精准区分。

为解决这一行业痛点，石河子大学机电工程学院的研究团队在《Postharvest Biology and Technology》发表了一项创新研究，开发了一种基于振动声信号分解重构的亚健康梨果检测方法。该研究通过改进局部均值分解（Local Mean Decomposition, LMD）算法提升信号处理精度，结合深度学习与支持向量机（SVM）构建高精度分类模型，首次实现了对亚健康梨果的可靠识别。

研究采用的关键技术方法包括：1）基于改进复合插值（ICI）和三次样条端点抑制（CSBM）的LMD信号分解技术，用于提取信号敏感成分；2）基于灰关联度和互信息（MI）的敏感产品函数（PF）分量筛选与信号重构方法；3）ResNet50–1D深度特征提取与SVM分类器结合的混合建模方法；4）SHAP（SHapley Additive exPlanation）特征重要性分析框架，用于构建可解释模型。实验样本来源于新疆库尔勒产区的香梨（Pyrus sinkiangensis Yu），通过可控气氛（CA）贮藏诱导不同褐变程度。

3.1. 褐变程度分布与信号重叠挑战

研究发现亚健康梨果（褐变度3.16–18.80%）与病变梨果（13.40–29.04%）的褐变程度存在显著重叠区间（13.40–18.80%）。该区间内亚健康果与病变果的振动声信号波形高度相似（图6B-D），传统方法分类准确率仅86.4%，证实了亚健康状态检测的极端困难性。

3.2. LMD算法优化实现高精度信号分解

通过对比五种插值方法（CBSI、AI、ICI、CTCSI、LI）和四种端点效应抑制方法（CSBM、ISBM、MM、EM），确定ICI插值结合CSBM端点抑制能构建最精确的信号包络（斜率差最小）。添加余弦波相较白噪声更有效抑制模态混叠（能量差降低37%），最终形成包含信号扩展、包络构建、分量迭代的完整LMD改进流程（图10）。

3.3. 敏感分量筛选策略增强信号区分度

基于灰关联度（r_p>0.8）判定重要PF分量，发现亚健康信号仅含4个重要分量（健康果6个，病变果5个）。采用前两个重要分量重构信号时，健康-病变信号间的互信息（MI）最小（0.12），显著提升类别间信号差异性（图11）。

3.4. 深度特征优化与可解释模型构建

从重构信号中提取256维深度特征，经SHAP分析确定28个对分类有正向贡献的特征。其中7个主特征（CNN18、CNN238等）贡献了80.5%的准确率提升，符合帕累托原则。以此构建的可解释模型在保证性能的同时大幅降低特征维度。

3.5. 模型性能与泛化能力验证

使用全部重构特征时，模型准确率（Acc）达90.59%，F₁分数90.52%，较原始信号特征提升超10%。采用7个主特征时性能仅下降0.6%（Acc 93.56%, F₁ 93.45%），且外部验证中保持91.28%的准确率与91.26%的F₁分数，证实模型具有良好的泛化能力。值得注意的是，亚健康梨果的召回率仍相对较低（约90%），存在误分为健康果（后续劣变风险）或病变果（经济损失）的双重风险。

该研究首次提出"亚健康梨果"的明确定义与检测标准，通过信号分解-重构-深度特征提取的技术路径，解决了振动声信号在细微病变区分中的瓶颈问题。改进LMD算法有效挖掘了信号中隐藏的局部特征，而SHAP指导的特征筛选不仅提升了模型性能，更增强了分类过程的可解释性。尽管在亚健康果召回率方面仍有优化空间（需引入成本敏感学习），但本研究为水果采后无损检测提供了新范式，对提升商品果率、保障品牌声誉具有重要实践意义。该方法可扩展至苹果霉心病等其他内部病害检测场景，为智慧农业中的品质智能分级提供核心技术支撑。