光谱与成像技术结合机器学习用于甘薯品质无损检测与控制：批判性综述

《Food Control》：Spectroscopy and imaging coupled with machine learning for non-destructive assessment and control of sweet potato quality: A critical review

　　

摘要

甘薯（Ipomoea batatas L.）的品质受品种、生产环境、贮藏和加工的影响而变化，因此在育种、采后和食品供应链中需要进行快速可靠的品质评估。本综述系统评述了光谱技术与成像技术结合化学计量学和机器学习（ML）方法的研究进展，其中包括深度学习（DL）以及作为解释层的应用型人工智能（XAI）。完整贮存的块根被视为无损评估的核心应用场景，而已制备或加工后的薯块衍生材料及植株水平研究则被视为有别的支持性证据，因为其传感条件、验证要求和解释方式各不相同。综述涵盖的模态包括近红外（NIR）、可见-近红外（Vis–NIR）、中红外/傅里叶变换红外（MIR/FTIR）、高光谱成像（HSI）、多光谱成像（MSI）、太赫兹（THz）、RGB、深度/RGB-D以及基于LiDAR的技术。NIR和Vis–NIR在测量几何能充分表征目标材料时，非常适合快速组分筛查；HSI则增加了空间信息，适用于异质性组织和局部缺陷的特征化。RGB、深度和LiDAR系统主要支持外观形态、分级、分选和几何评估。传统化学计量学和ML模型对于相对有限的生物数据集仍然有效，而DL在获得足够大且具有代表性的数据集时，可提供更灵活的光谱和空间表征能力。将模型特定的解释方法与光谱化学和组织学知识相结合，有助于判断预测结果是否依赖于合理的化学或结构信息。目前的证据受限于样本覆盖不均、验证设计不一致以及在新季节、新地点、新品种和新仪器上缺乏测试。未来的工作应优先关注代表性基准数据集、匹配的参考测量、无泄漏验证、可迁移且可维护的标定模型，以及在预期工况下的评估。

引言

甘薯（Ipomoea batatas L.）是一种重要的食品和工业作物，其品质直接影响育种选择、消费者接受度、加工适宜性、采后贮藏性以及商业价值。图1C和D展示了近期全球产量趋势和主要甘薯生产国的分布情况。甘薯品质本质上是多维度的：外部特征如大小、形状、颜色和表面完整性决定了市场分级，而内部属性如淀粉、糖分、水分、蛋白质、色素、酚类化合物和组织缺陷则影响营养价值、食用品质、加工行为和安全。这些属性并非静止不变，而是随品种、生长条件、贮藏和热处理而变化。先前的营养和代谢组学研究已表明甘薯组成存在显著的品种依赖和加工依赖差异（Laveriano-Santos et al., 2022; Elgabry et al., 2023; Tedesco et al., 2023; Ibrahim et al., 2025）。因此，在育种、采后管理、加工和营销中，一个核心挑战是如何在异质性样本和生产条件下快速且可重复地获取可靠品质信息。

传统参考方法提供必要的分析精度，但不适合高通量评估和重复监测。湿化学和色谱分析被广泛用于量化营养素和生物活性化合物，而感官评价小组和机械测试则是许多食用品质和质构属性所必需的。这些方法通常具有破坏性，耗时长，且需要大量试剂或人力，难以扩展至大群体育种、重复贮藏测量或连续工业分选。可靠实验室测量与实际操作决策之间的不匹配推动了对快速、无损传感方法的需求，这些方法需要最少的样品制备，并能实时或近实时地提供化学、结构或形态学信息。

光学光谱和成像技术为甘薯品质评估提供了互补的方法。NIR和MIR信号主要与涉及C–H、O–H和N–H基团的分子振动相关，而可见光吸收与色素的电子跃迁密切相关。这些信号产生机制支持从不同角度获取组成信息（Pasquini, 2018; Mendes & Duarte, 2021）。NIR和Vis–NIR在适当的测量几何条件下被广泛用于组分组分的快速筛查。MIR/FTIR为淀粉、薯粉和加工甘薯产品提供详细的分子信息。HSI整合了光谱和空间信息，适用于异质性组织和局部缺陷的特征化。RGB、RGB-D和LiDAR主要提供外观、形态和几何特征信息，用于分级和分选。代表性的甘薯研究涉及干薯块粉末、茎尖材料和不同加工阶段采集的产品，说明该领域报告的传感目标和应用场景的多样性（Tang et al., 2023; Tang et al., 2024; Tang et al., 2025）。

分析挑战超越了传感器选择本身。光谱和图像数据集通常是高维且强共线性的，还可能受到散射、光照、样本异质性和仪器相关变异的影响。因此，需要化学计量学和机器学习（ML）方法从传感器信号中提取相关信息并转化为定量或分类的品质预测。偏最小二乘回归（PLSR）、支持向量机/回归（SVM/SVR）和随机森林（RF）等传统方法仍然被广泛适用，尤其适用于相对有限的生物数据集。深度学习（DL）作为ML的一个子集，在获得足够大且具有代表性的数据集时，能够从复杂的光谱、空间以及空间-光谱数据中学习层次化表征（Zhang et al., 2021; Jia et al., 2024; Wang et al., 2024）。可解释人工智能（XAI）为识别训练模型中的影响波长、特征或图像区域提供了额外的解释层。SHAP、LIME和Grad-CAM等方法因此获得了越来越多的关注，尽管其输出应与光谱化学和生物学知识结合解释（Ahmed et al., 2024; Contreras et al., 2024; Contreras & Bocklitz, 2025）。

甘薯研究中基于光谱和成像的研究日益多样化，这一点反映在近期的文献计量和技术分布趋势中（图1A、B）。然而，现有证据仍然在不同传感模态、品质属性、建模方法和应用场景中碎片化。许多研究强调数据集内的预测性能，而验证严格性、生物样本独立性、跨品种和跨仪器泛化能力以及实际部署的一致性评估则相对较少。先前的综述主要涉及单个传感技术或技术-应用组合，例如NIR光谱用于甘薯品质评估以及成像光谱与ML结合用于马铃薯和甘薯品质评估（Su & Xue, 2021; He et al., 2023d）。然而，一个联合比较传感模态、建模策略、验证质量、可迁移性和部署成熟度的综合性批判框架仍然缺乏。

因此，本综述回答了三个问题：(1) 哪些传感模态适合不同的甘薯品质属性和样本状态；(2) 预处理、特征表征、化学计量学/ML/DL建模、验证和解释如何集成到分析流程中；以及(3) 哪些因素影响着这些方法向采后和工业应用的转化。完整贮存块根的无损评估构成本综述的核心应用场景。已制备的薯块组织、淀粉、提取淀粉以及蒸煮或干燥产品被视为与加工和产品质量控制相关的独立证据类别。茎尖、叶片和冠层研究作为与采前传感和作物监测相关的支撑性植株水平证据纳入。

文献片段

文献检索策略

采用结构化文献检索策略识别与光谱和成像技术用于甘薯品质评估相关的研究。以Web of Science核心合集作为主要书目数据库，以X-MOL作为补充文献发现与交叉核对工具。此外，还对关键综述和高相关原始研究进行了回溯和前瞻引文追踪，以识别初始检索未捕获的相关文献记录。

光谱与成像模态

光谱和成像技术在信号产生机制、空间信息、检测深度、灵敏度、通量和样本兼容性方面存在显著差异。为避免概念重叠，本综述所涵盖的模态按其主要测量原理和提供的信息类型分类：点光谱、光谱成像、常规与深度成像以及新兴传感方法。点光谱主要提供分子或…（原文此处截断）

光谱与成像数据的分析与建模工作流程

分析流程通常包括光谱或图像采集、预处理、特征表征、可选的特征选择或降维、建模、验证和解释。预处理减少非目标变异，降维生成低维成分或潜在变量，特征选择保留有信息量的原始变量，特征提取构建工程化或学习型表征。其使用顺序和…（原文此处截断）

甘薯品质评估中的应用

综述横跨三个样本场景考察了六个品质领域：完整贮存块根、已制备或加工的薯块衍生材料，以及支撑性的植株水平研究。完整块根研究构成了采后品质评估的主要证据基础，而切块组织、粉末、淀粉混合物以及蒸煮或干燥产品代表制备材料应用，茎尖、叶片和冠层研究则在植株水平提供补充信息。表1、表2、表3和…（原文此处截断）

当前局限与未来优先级

一项重要优先任务是建立具有明确定义样本场景和应用目标的共享基准数据集。数据集记录应包括品种、产地、收获日期、块根/植株/批次水平标识、样品制备、采集设置以及匹配的参考测量。代表性覆盖应反映预期任务，例如完整块根分选的新收获季节或淀粉鉴伪的新生产批次。可重用的样本标识符、固定的…（原文此处截断）

结论

光谱和成像技术为甘薯在采后、加工和采前应用中的品质评估提供了互补的方法。NIR及相关光谱方法特别适合快速组分筛查，高光谱成像增加了空间信息用于异质性组织和局部缺陷的表征，而RGB、深度和LiDAR方法则支持形态评估、分级和分选。完整块根、已制备或加工的薯块衍生…（原文此处截断）

CRediT作者贡献声明

Mian Zhang：撰写——初稿，方法论，调查研究。Shengyang Niu：监督，项目管理，概念化。Yuling Wang：方法论，调查研究。Xingqi Ou：方法论，调查研究。Hong-Ju He：撰写——审稿与编辑，监督，项目管理，概念化。Mengchao Lv：撰写——初稿，方法论，调查研究，数据管理。Bing Zhou：撰写——初稿，软件，方法论，调查研究。

未引用参考文献

Zhang et al., 2026; Zhu et al., 2026。

利益冲突声明

作者声明不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。

生成式AI及AI辅助技术在手稿制备过程中的声明

在制备和修改手稿文本过程中，AI辅助工具仅用于语言润色和表达改进。所有AI辅助的文本建议均经作者审核和修改后方予纳入。在制备和修改示意图过程中，AI辅助工具用于视觉概念化和生成或完善选定的非数据图形元素，包括说明性图标和示意图组件。这些AI辅助…（原文此处截断）

利益冲突声明

作者声明不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究得到河南省留学回国人员选择性研究基金项目（编号：HNLX202631）、河南省科技计划项目（编号：252102111142和252102111050）、河南省高等学校科研项目（编号：26A550013）以及河南省科技计划项目（编号：2026410707000054、2025410707000305和2024410707000136）的资助。

Mengchao Lv | Bing Zhou | Mian Zhang | Shengyang Niu | Yuling Wang | Xingqi Ou | Hong-Ju He