基于高光谱成像与SHAP可解释机器学习的兰州百合亚硫酸钠漂白等级识别及SO?残留量估算

《Foods》：Hyperspectral Imaging and Interpretable Machine Learning for Bleaching-Level Identification and Treatment-Associated SO2 Residue Estimation in Lanzhou Lily

　　摘要快速、无损地评估焦亚硫酸钠（Na?S?O?）漂白处理程度和二氧化硫（SO?）残留量，对于兰州百合的质量与安全控制具有重要意义。本研究整合了高光谱成像（HSI）、机器学习和SHAP（SHapley加法解释）技术，用于识别漂白等级并估算与处理相关的SO?残留量。采用基于单一采购批次样本的处理-重复分组验证方法来评估模型性能。在漂白等级分类方面，归一化（NOR）与支持向量机（SVM）相结合的SVM-NOR模型达到了最高准确率0.902。在SO?残留量估算方面，使用原始光谱的随机森林（RF）模型（RF-Raw）表现最佳，交叉验证决定系数（R2）为0.978，均方根误差（RMSE）为38.5 mg/kg。所报道的回归性能反映了校准中代表的处理水平。补充的留一浓度交叉验证（LOCO）方法在保留处理水平上得出了较高的合并均方根误差，为155.4 mg/kg。SHAP分析揭示了分类和回归中不同的波长贡献模式，为模型预测提供了可解释的基础。这些结果表明了HSI在快速预筛查中的潜力，但在校准处理水平之间的预测（特别是在接近监管参考值附近时）仍需进一步验证。