基于可解释1D-CNN与高光谱成像的南果梨早期压缩损伤检测

《Journal of Food Measurement and Characterization》：Detection of early-stage compression damage in Nanguo pears using explainable 1D-CNN and hyperspectral imaging

　　

摘要

南国梨的早期压伤难以通过目视检查发现。然而，它对其储存质量和商业价值有显著影响。为了解决这一问题，本研究开发了一种结合定量压缩实验和高光谱成像（HSI）技术的方法，用于检测和可视化南国梨的早期压伤。在压缩后24小时，采集了400–1000 nm光谱范围内健康梨和压伤梨的高光谱图像。此外，通过组织结构的超显微观察，阐明了机械损伤与光谱响应变化之间的相关机制。开发了一维卷积神经网络（1D-CNN）模型用于损伤检测。该模型能够识别南国梨的早期压伤并可视化其空间分布。此外，应用SHAP（SHapley加性解释）对模型进行解释，揭示了关键波长对损伤分类决策的贡献，从而增强了模型决策过程的透明度。结果表明，所提出的1D-CNN深度学习模型表现出优异的分类性能。使用SNV预处理的基准数据集，模型达到了最优分类准确率96.42%和F1分数96.58%。这实现了对南国梨早期压伤的有效检测。本研究为水果早期机械损伤的无损检测提供了可靠且具有可解释性的技术框架，也为其他水果的损伤识别研究提供了参考和理论支持。

图形摘要