可解释人工智能与移动成像技术结合实现牛油果无损成熟度与内部品质评估以降低食物浪费

为解决牛油果因成熟度判断不准导致的高浪费率问题，研究人员利用智能手机成像与深度学习技术，开发了非破坏性评估方法。CNN ResNetR模型预测硬度R2达0.92，内部品质分类准确率超84%，并结合LIME技术实现模型可解释性，为供应链决策提供快速、可扩展的解决方案，显著减少食物浪费。

　　

在全球食物浪费问题日益严峻的背景下，约30%的浪费发生在零售和家庭层面，其中牛油果因其高市场价值和高浪费率（约40%）成为典型代表。传统的成熟度评估方法如主观视觉检查或破坏性仪器分析效率低下，且无法满足现场快速检测需求。牛油果作为呼吸跃变型水果，采后继续成熟，硬度下降往往导致消费者拒收。虽然表面颜色从浅绿变为深紫是成熟标志，但仅凭颜色判断主观性强，而专业仪器如色度计和穿透仪虽精度高，却价格昂贵、操作复杂且破坏样品，限制了广泛应用。

针对这一挑战，《Current Research in Food Science》发表了一项创新研究，整合智能手机成像和深度学习技术，开发了一种非破坏性、便携且用户友好的方法，用于预测牛油果硬度和内部品质。该研究由俄勒冈州立大学食品科学与技术系的In-Hwan Lee、Zhengao Li和Luyao Ma团队完成，旨在通过先进技术减少供应链中的食物损失，支持更智能的消费和分销决策。

研究采用的关键技术方法包括：使用iPhone 14 Pro Max在受控光箱中采集1,400张哈斯牛油果图像；通过纹理分析仪(TA.XTplus)测量硬度作为真实值；应用卷积神经网络ResNet回归(CNN ResNetR)、支持向量机回归(SVMR)和随机森林回归(RFR)模型预测硬度；采用视觉变换器(ViT)和CNN ResNet分类器区分新鲜与腐烂牛油果；并利用局部可解释模型无关解释(LIME)技术实现模型决策可视化。所有编程在Python 3.12环境中完成，使用PyTorch、scikit-learn等库。

3.1. 牛油果表面颜色与硬度的相关性

研究首先分析了表面颜色与硬度的关系。在室温储存期间，牛油果颜色从绿色变为棕色，L和b值降低，a和ΔE值增加，硬度在储存第1-2天急剧下降后减缓。逻辑拟合显示a值与硬度相关性最高(R² = 0.772)，但总体预测不足，突显了单一颜色参数的局限性。斯皮尔曼相关性证实L和b与硬度正相关(ρ > 0.741)，a^*和ΔE负相关(ρ < -0.605)，所有P值<0.0001，表明颜色变化与硬度存在显著非线性关系，但不足以准确预测硬度，需更全面的图像特征提取。

3.2. 使用机器学习回归模型预测牛油果硬度和剩余货架期

三种回归模型中，CNN ResNet-18R表现最佳，R²达0.919，RMSE为5.951，优于SVMR(R² = 0.818)和RFR(R² = 0.860)。该模型能自动捕获颜色、纹理和空间特征，超越传统颜色基方法。预测硬度值进一步映射到加州牛油果委员会的工业指南，提供剩余货架期建议：硬度≥111 N（未熟）、67-111 N（3天后可食）、44-67 N（2天后可食）、22-44 N（次日成熟）、≤22 N（完全成熟，保持2-3天）。这为消费者和行业提供了直观的决策支持，减少因过度成熟导致的浪费。

3.3. 使用深度学习分类牛油果内部品质

针对内部品质，CNN ResNet和ViT模型用于区分新鲜与腐烂牛油果。ViT-patch16的AUC值最高(0.925)，而CNN ResNet-152、ResNet-50和ResNet-18的AUC分别为0.915、0.890和0.865。混淆矩阵显示，更深层模型减少误分类，ResNet-50和ResNet-152准确率达84.3%，精确度、召回率和F1分数均超82%。最小化假阳性避免可食用牛油果被丢弃，最小化假阴性降低食品安全风险。尽管ViT通常在大型数据集中优于CNN，但本研究中小数据集(1,400张图像)使CNN略占优势，未来扩大数据集可进一步提升性能。

3.4. 使用LIME解释深度学习模型对牛油果内部品质的分类

通过LIME技术可视化模型决策过程，绿色超像素表示支持新鲜分类的区域，红色表示支持腐烂分类的区域。正确分类的图像中，绿色或红色区域主导，而误分类图像显示混合特征，表明模型不确定性。ViT-patch16关注全局特征，CNN ResNet-18聚焦局部特征，这解释了ViT覆盖更大面积的原因。LIME增强了模型透明度和可信度，确保决策基于合理图像特征，而非无关伪影。

研究结论强调，该深度学习框架成功整合智能手机成像和非破坏性评估，CNN ResNet-18R模型在硬度预测上达到高精度(R² = 0.919)，内部品质分类准确率超84%，并通过LIME实现可解释性。这不仅解决了传统方法的限制，还为供应链提供了实时、便携的解决方案，有望显著减少牛油果采后损失。未来工作需扩展至自然背景下的图像采集，并推广至其他果蔬品种，以增强技术的通用性和实用性。总体而言，这项研究为推动食物浪费减少和智能农业决策提供了重要技术支撑，具有广泛的应用前景和社会经济价值。