引言
哈密瓜是中国新疆的特色农产品，以其独特的风味和营养价值而备受珍视。然而，其高糖和高水分含量使其在采后处理过程中极易受到病原菌的侵染和腐败。这种生物学脆弱性往往导致储存和运输过程中微生物的快速定殖（Alshannaq & Yu, 2017; Y. Wang et al., 2024）。感染后，果实表面的复杂微生物相互作用会直接加速品质劣变，主要表现为组织软化和糖分的消耗（Dai et al., 2021; J. Zhang et al., 2023; Yi et al., 2025a）。在感染早期阶段，果实的生理变化微乎其微，且完全不存在可见的病变，使得早期识别极为困难（Agriopoulou et al., 2020）。这些隐性感染往往导致交叉污染和大规模腐烂，造成25–30%的采后损失。这给哈密瓜产业的发展增长和食品安全带来了巨大挑战（Siedliska et al., 2018; Min et al., 2023a; Z. Cai et al., 2024）。目前，哈密瓜采后真菌感染的评估通常通过人工感官评价和理化分析来进行。感官评价仅适用于出现可见症状（如变色、霉变或组织软化）的中后期阶段。而理化分析虽能反映内部品质劣变，但其固有缺陷是需要破坏性采样且操作复杂。因此，这两种方法均无法在可见症状出现之前实现对早期感染的快速无损识别（Janik et al., 2021; Meng et al., 2025）。因此，开发准确无损的哈密瓜早期真菌感染检测方法，对于提高采后质量控制和减少经济损失至关重要。
近年来，基于视觉和嗅觉感知的无损技术为监测水果安全提供了新的途径（Blas Saavedra et al., 2024; Lan et al., 2024; Patel, 2024; Girmatsion et al., 2025a）。其中，高光谱成像（HSI）是一项关键的视觉感知技术，其图像与光谱的融合能力使其能够捕捉与真菌感染进展相关的生化组成和组织结构的细微变化（Yi et al., 2025; Mustafa et al., 2026; M. Zhang et al., 2026）。先前的研究表明，高光谱成像结合改进的NFINDR-JMSAM和光谱角匹配器（SAM）等先进光谱-空间算法，可以有效识别果实中与感染相关的光谱和结构变化，同时减少果皮疤痕等表面缺陷引起的背景干扰（L. Cai et al., 2025; Pan et al., 2019; C. Dong et al., 2025）。电子鼻（E-nose）作为嗅觉感知技术，利用对与病原菌生长、微生物代谢及感染期间宿主防御反应相关的挥发性有机物（VOCs）高度敏感的专用传感器阵列（Makarichian et al., 2022; Zhu et al., 2024; F. Dong et al., 2026）。例如，电子鼻结合图像分析在无损监测仁果类无症状黑腐病、苹果早期霉变感染以及哈密瓜真菌污染评估方面展现出了潜力（Nouri et al., 2020; Martínez et al., 2025; F. Dong et al., 2026）。
尽管现有的无损传感技术取得了显著进展，但哈密瓜的真菌感染仍然是一个涉及组织水平理化改变和挥发性代谢物释放的复杂生理过程。单一感知模态往往不足以全面表征哈密瓜的感染状态（Vermeersch et al., 2026; Y. Xiao et al., 2025）。为克服这一局限，部分学者开始将HSI的光谱特征与E-nose的挥发性指纹进行整合。通过利用多维特征的互补优势，这些模型在为甘薯黑斑病提供早期预警（Huo et al., 2026）以及评估草莓真菌污染程度（Patel, 2024）方面展现出了令人前景的性能。
先前的研究表明，多模态融合可以显著提高复杂条件下感染识别的鲁棒性和可靠性（Ding et al., 2025; Girmatsion et al., 2025b）。然而，传统的多传感器融合方法往往受限于人工特征提取的劳动密集性和经验性。最近，基于深度学习的数据融合因其能够将特征提取、融合策略和目标预测整合到统一的学习框架中而受到关注（Li et al., 2026）。然而，现有的基于深度学习的融合策略仍面临一些显著挑战。早期融合可能引入冗余信息并增加过拟合风险，而晚期融合可能无法充分利用异构数据源之间的相关性（Cao et al., 2025; Y. Zhang et al., 2026）。
为解决上述局限，本研究提出了一种基于自适应权重分配的多模态深度融合架构。其目标是探索整合HSI和E-nose数据以准确分类哈密瓜真菌感染阶段的可行性。该架构采用特征级联策略，将MSAF-MambaNet捕获的长程时空依赖关系与DASTNet提取的增强气味时空特征进行深度融合。通过构建高精度高可靠性的分类模型，该方法实现了对哈密瓜早期霉变感染的无损检测。具体目标如下：（1）采集代表不同真菌感染阶段的哈密瓜的HSI和E-nose数据；（2）利用二维相关光谱（2D-COS）分析光谱响应，识别与感染进展相关的敏感波长；（3）通过传感器选择和基于GAF的变换提取信息性气体传感特征；（4）开发一种融合高光谱和电子鼻信息的自适应多模态深度融合模型，以实现真菌感染阶段的准确无损分类。
