基于多源感知数据和机器学习的苹果采后损伤无损感知与贮藏劣变分析

《Food Control》：Nondestructive perception of postharvest damage and storage deterioration analysis of apples based on multi-source sensing data and machine learning

　　

• 多源传感捕获苹果撞击后的生理和储存信号。
• 整合无损介电和气体特征用于质量表征。
• 比较四种机器学习模型进行苹果淤伤分类。
• 该框架实现了苹果撞击损伤的快速、客观无损评估。

引言
生鲜果蔬电商的迅速兴起深刻改变了农业供应链格局。消费者对果蔬外观、口感和安全性的需求日益增长，反过来推动了采后商业处理和储存运输期间质量控制的升级，使其向更精准和标准化方向发展（Chen et al., 2021; Gardas et al., 2019; Yadav et al., 2022）。作为新疆特有的水果，“富士”苹果因其表皮光滑细腻、维生素含量高、口感优良和耐储性强而备受消费者青睐，具有较高的市场价值（Li, Chen, et al., 2024）。然而，由于其角质层较薄、果肉细胞膨压较高且细胞间粘附力弱，它们表现出典型的脆嫩机械特性，对采后处理中的撞击载荷高度敏感。此外，作为呼吸跃变型水果，跌落等机械损伤会迅速诱导应激乙烯的爆发式合成和呼吸峰的提早发生，加速氧化反应和酶促褐变（Tang et al., 2025）。这导致微观细胞破裂在数小时内发展为宏观组织褐变和质地软化，严重损害其鲜果价值，并引发腐烂和浪费的连锁反应，从而造成显著的经济损失和食物浪费。

生鲜果蔬在转移、分拣线滑落、包装跌落和运输颠簸等各个阶段不可避免地受到撞击、碰撞和挤压（Moradinezhad et al., 2025; Tan et al., 2018），跌落撞击是造成水果机械损伤的主要原因之一（Komarnicki et al., 2016; Li, Liu, et al., 2021）。跌落撞击的本质是水果与接触面之间的瞬时非弹性碰撞；撞击能量导致果肉细胞结构坍塌、细胞膜破裂以及酶促褐变底物的局部释放。这不仅降低了水果的商业价值，还为病原体入侵创造了途径，从而加速水果的腐烂和变质（Opara & Pathare, 2014; Song et al., 2026）。损伤表现具有显著的时间空间滞后性；在早期阶段（跌落后数小时内），表皮往往没有明显的可见缺陷，但皮下组织已经产生了微裂纹和细胞水肿。相关研究表明，传统的人工目视检查和常规 RGB 机器视觉几乎无法检测早期跌落损伤（Yuan et al., 2022）。因此，风险管理仅限于多级跌落缓冲设计和抽检等被动措施，缺乏针对单果的实时在线检测方法。此外，跌落损伤的严重程度受跌落高度、撞击角度、水果位置、硬度、成熟度、温度和接触面材料等多种因素的非线性影响（Li, You, et al., 2024），这进一步增加了准确检测的难度。因此，确定如何在果蔬包装、储存和运输过程中采取科学有效的措施来控制跌落和撞击损伤，对于提高水果质量、延长储存期和减少经济损失具有重要的研究意义。

传统识别水果机械损伤和缺陷的方法主要依赖破坏性测试技术和感官评价（如图_1(A)所示）。破坏性理化测试使用穿刺和切片等方法获取硬度和褐变信息，但耗时且会对水果造成损伤；感官评价依赖视觉、嗅觉和触觉感知来检测风味和质地差异；然而，由于评估者的文化背景、经验和培训差异，结果波动显著，难以满足工程应用的准确性和成本效益要求（Bhargava & Bansal, 2021; Tang et al., 2024）。因此，由电商驱动的高质量水果精准控制迫切需要一种无损且可客观量化的损伤检测新范式。近年来，基于水果与各种物理场相互作用的无损检测（NDT）技术引起了广泛关注，呈现出从破坏性测试向无损检测以及从单参数评估向多源融合进化的趋势，光谱技术是首选选择（Mahanti et al., 2022; Zhai, Wang, Yu, et al., 2025; Lu et al., 2020; Hussein et al., 2019）；然而，数据的高维性导致计算成本增加。物联网（IoT）和计算机信息技术的发展促进了传感设备的广泛使用，其特点是操作简便、无损测量、能够处理参数间的非线性关系以及高频数据采集，使其成为监测果蔬微环境的重要工具（Guo et al., 2025）。相关研究文献表明，空气中的相对湿度直接影响水果失水，保持低温和适宜的湿度水平在减缓水果质量恶化方面起着重要作用。低温可以有效降低水果呼吸速率和 O2 消耗，有助于保持相对较高的 O2 浓度并减少 CO2 产生，从而使水果保持在正常的有氧呼吸状态。相反，过高的 CO2 浓度和过低的 O2 水平往往诱导无氧呼吸，导致内部有机物迅速耗尽并产生大量酒精，进而加速果心褐变和质量恶化（Shahzad et al., 2025; Sheng et al., 2020; Wang et al., 2018）。此外，储存期间的理化因素——如有机挥发物（VOCs）、大气压和 PM2.5——会影响水果质地、香气、抗氧化能力和水分蒸发率，从而削弱抗病性并增加病害和腐烂风险（Sun et al., 2025）。这些因素不仅直接驱动水果的生理代谢过程，其动态模式也为传感器选择和质量恶化检测数据采集指标的制定提供了理论依据，同时为开发专注于采后水果质量的多维传感融合框架奠定了机制基础。

采后机械损伤引起的苹果质量恶化不是一个涉及单一指标的线性过程，而是撞击损伤、储存条件和水果生理代谢共同作用导致的复杂动态响应。跌落撞击首先破坏果肉细胞结构和膜完整性，破坏酚类底物、氧气和相关酶系统的空间隔离，从而促进酶促褐变、呼吸代谢增加、水分迁移和挥发性代谢物释放。随着储存时间增加，这些生理生化反应持续积累并相互作用，最终表现为硬度降低、失重增加、颜色恶化、损伤区域扩大和感官质量下降等外部质量变化（Li, Tian, et al., 2021）。因此，苹果受撞后质量演化特征具有明显的时间滞后性、非线性和多因子交互性。尽管传统线性模型已广泛用于食品质量预测，但它们通常基于变量间线性相关和相互独立的假设，难以完全捕获水果损伤后质量恶化过程中存在的阈值效应、阶段性变化和多源信息交互。智能算法模型能够自动从高维传感数据中学习复杂非线性映射关系，无需预先定义特定函数形式（Huang et al., 2023），因此更适合采后水果损伤检测和质量恶化预测。智能算法模型（Tran et al., 2023）已应用于水果（Yin et al., 2024; Yu, Sun, et al., 2025; Zhang et al., 2025）、海鲜（Chen et al., 2025; Huang et al., 2026; Yu, Song, et al., 2025）和肉类（Zhang, Wang, et al., 2025; Rashvand et al., 2025），证明机器学习在整合多源传感信息和表征食品质量动态变化方面具有巨大潜力。

总之，现有研究在采后水果损伤检测方面取得了一些进展；然而，传统破坏性测试和感官评价方法仍难以满足采后在线分拣中无损、快速和客观检测的要求。常规 RGB 机器视觉几乎无法有效识别早期皮下组织损伤，且现有水果损伤分级系统大多局限于单一数据源，未能充分利用采后储存期间微环境响应信号与水果介电特性之间的协同变化。针对上述问题，本研究以阿克苏“富士”苹果为对象。使用不同高度（0～120 cm）的跌落撞击测试系统，研究了机械损伤对水果储存质量、介电性质和呼吸代谢的差异性影响；阐明了损伤严重程度与多源传感信号之间的内在机制；并设计了基于 Modbus-RTU 协议的多传感器数据采集系统，以实现储存微环境参数的高频实时监测。最后，使用四种机器学习算法构建苹果损伤分级模型，并引入 Kappa 系数和混淆矩阵来系统评估模型的分类一致性。旨在建立基于多源传感器数据采集的苹果采后损伤检测综合系统（如图_1(B)所示），从而为水果无损采后质量评估和智能分拣提供理论依据和技术支持。

章节片段
苹果样品
2025 年 10 月 25 日至 30 日，从阿克苏市红旗坡苹果园（40.26°N, 80.27°E）选取了 420 个苹果。整个收获过程严格遵守标准操作程序。采后样品立即通过冷链物流（0～4 °C, 90%～95% RH）运至石河子大学实验室进行进一步处理。果实的物理特性见表 1，其中形状指数（s）用于表征相对

水果损伤后储存期间质量恶化分析
机械撞击是采后苹果恶化的主要原因，会引发组织破坏及随后的生理反应，从而加速质量损失。如图 5 所示，所有质量参数在储存期间均逐渐恶化，跌落高度越高，损伤严重程度越明显。果实硬度持续下降，对照组从 7 天前的 56.51 ± 0.50 N 下降至 53.17 ± 0.66 N，而 120 cm 处理组从 49.75 ± 0.26 N

结论
本研究系统地调查了不同撞击高度对“富士”苹果储存质量、介电性质和呼吸代谢的影响，并开发了基于多源传感器的机器学习无损损伤识别框架。结果表明，跌落高度的增加加速了结构退化、呼吸代谢和质量降解，伴随着 CO2 和 VOCs 的积累增加以及硬度降低，

CRediT 作者贡献声明
Tengfei Tang：撰写 – 初稿，可视化，验证，方法论，调查，形式分析，数据管理。Xue Zhou：撰写 – 初稿，可视化，软件，方法论，调查，形式分析，数据管理。Yating Li：验证，方法论，调查，形式分析。Huibing Wang：验证，软件，方法论，调查。Jingqi Gong：软件，方法论，调查。Yuan Wu：软件，方法论，调查，形式分析。声明
所有研究活动均在无活体生物参与的情况下进行，确保符合相关的伦理标准 and 法律法规。我们致力于在整个研究过程中保持透明，并遵守科学研究的伦理规范，以确保研究的完整性和可靠性。
经知情同意，感官评价参与者对以下声明回答了肯定答复：“我意识到我的回答是保密的，

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能影响本文所报告的工作。

致谢
本工作得到了中国新疆生产建设兵团科学技术计划项目（编号 2024AB062）的支持。

Tengfei Tang|Xue Zhou|Yating Li|Huibing Wang|Jingqi Gong|Yuan Wu|Zhongbiao He|Yongman Zhao