面向餐用橄榄的田间高光谱成熟度估计模型（HOMEM）：一项非侵入式概念验证研究

《Computers and Electronics in Agriculture》：Hyperspectral olive maturity estimation model for table olives: A non-invasive proof-of-concept study

　　

在树上进行田间、非破坏性的餐用橄榄（table olives）成熟度评估。所提出的模型（Hyperspectral Olive Maturity Estimation Model，HOMEM）在橄榄成熟度估计中达到 R² = 93.4%。评估多种归一化（normalization）技术以标准化高光谱数据（hyperspectral data）。通过光谱分析（spectral analysis）进行降维（dimensionality reduction），以轻微精度损失换取效率。

论文由 Samuel Domínguez-Cid、Julio Barbancho、Diego F. Larios、Enrique Personal、Francisco J. Molina 和 Carlos León 完成，发表于《Computers and Electronics in Agriculture》。该研究围绕餐用橄榄（table olives）成熟度的田间无损估计展开，核心是建立高光谱橄榄成熟度估计模型（Hyperspectral Olive Maturity Estimation Model，HOMEM），以支持农民在颜色变化前判断餐用橄榄是否达到适宜采收阶段。

研究背景方面，西班牙长期在全球橄榄生产及橄榄油、餐用橄榄市场中居领先地位，生产者和地方生产者协会需要在整个生产周期中保护并验证产品质量。Manzanilla Sevillana、Gordal 以及 Alore?a 等品种具有保护地理标志（Protected Geographical Indication，PGI）或原产地保护标志（Protected Designations of Origin，PDO）。橄榄从开花到最终成熟经历多个物候阶段，其中果实发育和成熟阶段对产品品质至关重要。对于橄榄油生产，成熟中后期的紫色阶段很关键；但餐用橄榄通常在颜色变化之前、即成熟度较低阶段采收。研究中使用成熟度指数（Maturity Index，MI）描述果实演化，MI 基于果实外部颜色和内部颜色，取值从0到7，但当前人工获取 MI 存在明显问题：MI 是滞后指标，一旦识别到某阶段，果实已处于该阶段；果实硬度等指标还需要从树上取样，具有破坏性。传统近红外（Near-Infrared，NIR）光谱或实验室分析依赖代表性样本采集，部分收获物在实验室分析中被消耗，且环境变量年度波动要求重复采样。无人机遥感在橄榄监测中也受限于果实小、低空高分辨率图像获取困难、能耗、飞行时长以及西班牙无人机飞行法规等。因此，研究人员开展田间、非破坏、原位高光谱成像研究，以探索用人工智能技术估计餐用橄榄成熟度的可行性。

研究人员在西班牙塞维利亚附近 Espartinas 的农场开展树体水平监测，研究对象为 Manzanilla 品种，时间为2021—2023年连续三个生长季，覆盖从坐果后到成熟、即第六至第八阶段，并重点在颜色变化前结束监测。研究人员使用 Specim IQ 高光谱相机，在树上原位采集橄榄高光谱图像，以 MI 作为真实标签，将成熟度估计建模为回归任务，比较多种归一化技术和人工神经网络（Artificial Neural Network，ANN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）架构，最终提出 HOMEM。研究结论表明，可见光与 NIR 数据整合可用于评估橄榄成熟度，CNN 结合 Bandnorm 归一化表现最佳，测试集 R² 约为93%，平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和均方误差（Mean Squared Error，MSE）约为7%和7.86%。该研究为农民组织采收、安排工人和优化作物管理提供了决策支持信息，论文发表在《Computers and Electronics in Agriculture》。

主要关键技术方法（不超过250字）：采用 Specim IQ 高光谱相机，获取400–1,000 nm、204个波段、512×512像素图像，全宽半高（Full Width at Half Maximum，FWHM）为7 nm，并配RGB取景相机；用聚四氟乙烯（PolyTetraFluoroEthylene，PTFE）白板标准化光照。样本来源为西班牙 Espartinas 附近农场，品种为 Manzanilla，2021—2023三个生长季、5棵树，2021季用于测试，2022和2023季用于训练与验证。以 MI 为金标准，手动标注感兴趣区域（Regions of Interest，ROI），提取每颗橄榄平均光谱签名；评估 Z-score、Maxmin、Bandmaxmin、Bandnorm 及无归一化；训练 ANN、CNN 和 RNN 回归模型；以 MAPE、MSE 和 R² 评价；用排列特征重要性（Permutation Feature Importance，PFI）和递归特征消除（Recursive Feature Elimination，RFE）筛选波段。

研究结果中，5.1 橄榄成熟度估计：研究人员共训练15个模型，将不同归一化技术与 ANN、CNN、RNN 架构组合，并在验证集和测试集上评价。验证集结果中 ANN 架构在多种归一化下表现稳定且较好，但测试集显示，ANN 不再是最优，CNN 与 Bandnorm 归一化组合取得最佳全局效果，R² 为93.3504%，MAPE 为6.9201%，MSE 为7.8625%。研究人员还将 HOMEM 与偏最小二乘（Partial Least Squares，PLS）和支持向量机（Support Vector Machine，SVM）比较，HOMEM 在 MAPE、MSE 和 R² 上均优于二者。对未参与训练的含不同 MI 范围图像进行验证时，HOMEM 能以两位小数输出橄榄 MI 估计值。

5.2 波段重要性：为降低数据量和计算负担，研究人员用 RFE 和特征排列分析评估各波段贡献，发现较高贡献波长分布于可见光和 NIR 区域。即使 MI 本身基于视觉检查，NIR 光谱仍提供补充信息。研究人员将特征按重要性排序后选取不同比例进行重训练，结果显示仅使用约25%的最显著波长、即51个特征时，验证集 R² 为92.2766%，测试集 R² 为91.2765%，MAPE 为8.3695%，MSE 为10.3146%；特征数量从204降至51，减少约四倍，而 R² 仅下降约2%。因此，研究人员推荐将 CNN 架构、Bandnorm 归一化与减少后的特征集结合用于 HOMEM，以在精度和效率之间取得较好平衡。

讨论部分总结了该方法的潜力与限制。局限包括：数据仅来自一个农场、一个种植者、相同管理方式、土壤类型和天气条件，外部泛化性仍需验证；采样耗时且缺乏自动数据采集系统；成熟阶段类别分布不平衡；橄榄呈卵形且在户外非受控光照下会出现阴影和眩光，影响光谱签名；拍摄角度可能导致同一橄榄成熟度误判；超光谱图像体积大，通常约200–300 MB，农业地区网络连接差，因此更适合边缘计算和轻量模型；高光谱相机成本较高，若改用多光谱传感器可提高可及性，但会牺牲部分模型性能。对于已有橄榄园管理服务的企业，可由服务方周期性采样估计平均成熟度、单树成熟度和园区成熟度。后续需要继续减少波段数、扩展多季节和多品种验证、增加监测天数、使用标签识别单颗橄榄并建立光谱签名时间序列，以发展成熟度预测能力。

研究结论部分翻译如下：在本研究中，研究人员采用高光谱成像在餐用橄榄季进行田间监测。在整个生长季从橄榄获得光谱签名，从而创建了用于后续分析并已注释的数据集。为开发 HOMEM，研究人员将多种归一化技术与先进人工智能架构联合应用并评估，包括 ANN、CNN 和 RNN。这些架构在估计橄榄成熟度方面表现出很高成功率。为评估这些模型性能，研究人员采用包括 MSE、MAPE 和 R² 在内的多种评价指标。研究结果表明，可见光与 NIR 数据整合可作为评估橄榄成熟度的可靠方法。值得注意的是，HOMEM 中基于 CNN 的架构在估计 MI 方面表现优异。Bandnorm 归一化技术的应用进一步增强了模型性能。评价指标显示 R² 约93%，MAPE 和 MSE 分别接近7%和7.86%。为优化模型效率，研究人员进行了特征减少分析，表明特征数量可减少四倍而性能没有显著损失，R² 仅下降2%。因此，研究人员提出将 CNN 架构、Bandnorm 归一化技术和减少特征集结合用于 HOMEM。该优化模型较全特征对应模型显著更轻，适合实际应用。开发自动检测橄榄成熟度的系统，如所提出的 HOMEM，可为农民提供橄榄园关键性能指标。这些见解将促进关于工人组织和收获日期的知情决策，最终有助于改善作物管理和产量优化。后续研究将聚焦于跨多个季节扩大 HOMEM 的评估与测试，以验证其在不同环境条件下的性能，从而提供其稳健性和适应性的见解。为进一步增强对橄榄发育的理解，研究人员计划在每个季节末增加监测天数，尤其关注橄榄成熟时发生的外部颜色变化。这将促进在田间用标签识别单颗橄榄，并允许创建其在整个生长周期中光谱签名的详细时间序列。纳入橄榄的物理识别和增加数据采样，对于开发能够在指定时间范围内预测橄榄成熟度的模型至关重要。实施此类预测能力将为农民提供有关收获日期和优化作物管理策略的知情决策工具。除增强 HOMEM 性能外，研究人员后续努力还将包括将该方法适应于不同橄榄品种。