基于磁感应断层成像与机器学习的柑橘咀嚼品质无损评估研究

《Plants》：Non-Destructive Assessment of Citrus Mastication Quality Using Magnetic Induction Tomography and Machine Learning

　　

： 咀嚼品质是决定柑橘食用品质的关键因素，但传统的感官评价和仪器质地分析存在主观性强、具有破坏性或耗时较长等局限性。本研究将磁感应断层成像（Magnetic Induction Tomography，MIT）与机器学习相结合，以实现柑橘咀嚼品质的无损评估。研究人员从300个‘宫川’温州蜜柑果实中，在21个频率（15–35 MHz）下采集了MIT信号。通过仪器测量了穿刺力、剪切力和咀嚼性，并将这些测量结果与感官评分整合为基于层次分析法（Analytic Hierarchy Process，AHP）加权计算的综合咀嚼评分（0–10分），同时将该评分划分为四个品质等级（A–D）。特征选择依据单变量线性回归F检验的p值（针对回归目标）或Kendall’s τ的绝对值（针对分类目标）对原始特征进行排序，保留排名前5%的特征，随后对保留特征进行主成分分析（PCA）。特征分布通过嵌套交叉验证的池化折外预测进行汇总，其中五折交叉验证仅用于内部贝叶斯超参数调优。支持向量机（SVM）在穿刺力（R2 = 0.825）和剪切力（R2 = 0.762）预测中取得了最高的R2值，随机森林（Random Forest）在咀嚼性预测中取得了最高的R2值（0.849），并在等级分类中取得了最高的准确率（64.3%）和宏平均AUC（0.871），而XGBoost在综合咀嚼评分预测中取得了最高的R2值（0.835）。上述结果表明，将MIT与机器学习相结合用于‘宫川’温州蜜柑柑橘咀嚼品质的无损评估具有可行性，并识别出可能指导传感器优化及未来其他柑橘类水果分级应用的频率–空间模式。

论文解读

一、研究背景与意义

咀嚼品质是鲜食柑橘的重要商业性状，直接决定消费者的食用体验和市场接受度。咀嚼品质优良的果实，其汁胞易破裂、囊瓣膜易崩解，口感细腻多汁且残渣少；反之，品质差的果实囊瓣膜厚韧、纤维粗硬，咀嚼后残留物多，显著降低食用品质。随着鲜食柑橘市场的扩大，咀嚼品质已成为品种选育、采后分级和商业流通的重要评价指标。

然而，当前柑橘咀嚼品质的评价主要依赖仪器质地分析和 trained 感官评价小组，两者均存在明显缺陷。质地分析仪虽能客观测量囊瓣膜和汁胞的破裂特性，但测量具有破坏性，被测果实丧失商业价值，且逐瓣测量耗时较长，难以满足大规模分级需求。感官评价则主观性强、标准化困难，评价者状态和经验差异会影响结果的一致性。因此，亟需一种快速、客观且无损的柑橘咀嚼品质评价方法。

现有无损检测技术各有局限：近红外光谱（NIR）穿透深度有限，对内部纤维结构敏感性不足；X射线计算机断层扫描成本高且存在辐射安全问题；超声方法对柑橘囊瓣膜精细纤维结构的分辨率不足；电阻抗谱（EIS）通常需要接触电极，难以实现完全无损测量。磁感应断层成像（MIT）作为一种基于电磁感应原理的非接触式成像技术，无需电离辐射和耦合介质，且柑橘囊瓣膜与汁胞在组织结构、含水量和纤维素含量上的显著差异，可能产生可检测的介电特性差异，为咀嚼品质的无损评估提供了新的技术途径。

二、研究内容与主要结论

本研究以‘宫川’温州蜜柑为对象，系统探索了MIT与机器学习结合用于柑橘咀嚼品质无损评估的可行性。研究人员从单一果园采集300个果实样本，在21个频率（15–35 MHz）下获取MIT信号，并通过仪器测量穿刺力、剪切力和咀嚼性，结合 trained 感官评价，利用层次分析法（AHP）构建了0–10分的综合咀嚼评分，并依据四分位数划分为A–D四个品质等级。研究通过特征选择、主成分分析（PCA）降维和嵌套交叉验证，系统比较了支持向量机（SVM）、随机森林（RF）和XGBoost三种模型在四个回归任务和一个分类任务上的预测性能。

研究结果表明，MIT信号中22–29 MHz的中高频段对咀嚼品质相关目标贡献最为显著，高重要性特征集中在果实赤道截面区域，与囊瓣膜–汁胞界面的介电对比度相对应。三种模型在各项任务中表现相近但各有优势：SVM在穿刺力（R² = 0.825）和剪切力（R² = 0.762）预测中表现最佳，RF在咀嚼性预测（R² = 0.849）和等级分类（准确率64.3%，宏平均AUC 0.871）中表现最优，XGBoost在综合咀嚼评分预测中取得最高R²（0.835）。分类分析显示，相邻等级（B和C）之间的混淆是主要误差来源，而跨两个及以上等级的误判占比不足5%，表明模型沿咀嚼品质梯度具备一定的方向性判别能力。该研究首次证明了MIT结合机器学习用于柑橘咀嚼品质无损评估的可行性，识别出可能指导传感器优化的频率–空间模式，为其他柑橘品种的分级应用提供了方法学基础。

三、关键技术方法

研究人员采用的主要技术方法包括：使用MT-200磁感应断层成像系统（杭州永川科技有限公司），在15–35 MHz范围内以1 MHz间隔的21个频率对果实进行非接触式扫描，基于有限元方法（FEM）将信号重建到包含1024个三角单元的网格上，每个样本生成21 × 1024的特征矩阵，向量化后共21504个原始特征；通过单变量线性回归F检验（回归目标）或Kendall’s τ绝对值（分类目标）进行特征排序，保留前5%特征（1075个）；对所选特征进行PCA降维，保留累计方差贡献率不低于95%的主成分；采用外层10折交叉验证，内层5折贝叶斯优化进行超参数调优，分别训练XGBoost、随机森林和SVM框架（SVR用于回归、SVC用于分类）完成四个回归任务和一个四分类任务。样本来源为单一果园的‘宫川’温州蜜柑，共300个果实。

四、研究结果

4.1 MIT信号特征与特征重要性分析

通过PCA反向投影和靶标特异性特征选择分析发现，21个激励频率对五个咀嚼品质相关目标的贡献不均匀。高重要性特征集中在果实放置区域边界附近，对应横截面上囊瓣膜与汁胞交替分布的位置，表明MIT对囊瓣膜–汁胞界面的介电对比度具有敏感性。从频率维度看，22–29 MHz中高频段的平均特征重要性显著高于15–21 MHz低频段，其中第8至第15通道累计贡献超过总特征重要性的60%，而最低的五个通道贡献不足15%。雷达图显示，剪切力（SF）的特征重要性峰值位于32 MHz，分布范围较宽（24–32 MHz）；穿刺力（PF）峰值在29 MHz；咀嚼性（CHEW）峰值在30 MHz；综合评分（SCORE）峰值在26 MHz；品质等级（GRADE）峰值在28 MHz。UpSet交集分析表明，SCORE与GRADE共享963个特征（各占89.6%），重叠度最高；CHEW具有511个独有特征（47.5%），独立性最强；SF与PF共享510个特征（47.4%），其中103个为两者独有。

4.2 模型性能比较

基于10折交叉验证，三种模型在五个预测任务上的性能差异总体较小。SVM在穿刺力（R² = 0.825）和剪切力（R² = 0.762）回归任务上略优于其他模型，RF在咀嚼性预测中取得最高R²（0.849），XGBoost在综合咀嚼评分预测中表现最佳（R² = 0.835）。在等级分类任务中，RF取得最高总体准确率64.3%和宏平均AUC 0.871，其次为SVM（63.3%，0.847）和XGBoost（61.7%，0.861）。

4.3 回归预测性能

SVM在穿刺力预测中取得最佳性能（R² = 0.825，RMSE = 28.211，RRMSE = 0.142），高力值范围（>250 g）的RMSE较低（17.872），低力值范围预测误差较大，可能反映薄囊瓣膜果实的信号对比度较低。SVM在剪切力预测中同样表现最佳（R² = 0.762，RMSE = 33.444，RRMSE = 0.143），中间范围（200–280 g）部分样本偏差较大，可能与汁胞纤维取向变异有关。RF在咀嚼性预测中表现最佳（R² = 0.849，RMSE = 2.722，RRMSE = 0.230），较高的RRMSE主要反映咀嚼性测量值分布较窄（中位数约11，IQR约6.7–14.5）。XGBoost在综合咀嚼评分预测中表现最佳（R² = 0.835，RMSE = 1.029，RRMSE = 0.156），预测值与实测值在0–10范围内围绕y = x线分布，无明显系统性偏差。果实直径与目标变量的Pearson相关系数仅为0.172，表明果实大小难以单独解释目标变量的变异。

4.4 分类性能

RF四分类模型取得最佳总体准确率64.3%和宏平均AUC 0.871。混淆矩阵显示，A等级识别准确率最高（84.0%），D等级为53.3%，B和C等级分别为56.0%和64.0%。相邻等级（B和C）之间的混淆是主要误差来源，跨两个及以上等级的误判合计不足5%。RF的各类别one-versus-rest AUC值分别为：A等级0.958、B等级0.828、C等级0.813、D等级0.883。终端等级判别能力较强，中间等级较弱，这与咀嚼品质的连续性有关——邻近等级边界的样本MIT特征可能非常相似。RF准确率64.3%和AUC 0.871尚不足以支持工业四等级分选，但对A和D等级的较高识别率（84.0%和64.0%）可能支持优质果和低质果的初步识别，B和C等级的高混淆率需要通过置信度阈值和人工复检来处理。

五、讨论与结论

讨论部分指出，22–29 MHz中高频段的重要性可能与生物组织的频率依赖性介电特性有关。根据Cole–Cole介电弛豫模型，有效电导率和介电常数随频率变化。低频段（15–21 MHz）响应可能以体导电通路为主，而中高频段对囊瓣膜与汁胞的介电对比度更为敏感。柑橘囊瓣膜含有纤维素–果胶复合细胞壁且含水量低于汁胞，这种组织组成和结构差异可能解释了中高频段特征的富集。剪切力对应的频率范围更宽，可能反映剪切测试中囊瓣膜纤维束和内部维管束的综合贡献。

模型性能差异可从三方面解释：PCA降维后特征维度大幅压缩，RBF核SVM在高维空间构建决策边界的能力得以充分发挥；XGBoost的L1/L2正则化在300样本量下提供良好泛化能力，但树模型的分段拟合特性使其在连续目标变量的精细预测上与核方法相当；随机森林的bagging策略赋予其较强的抗噪性，在咀嚼性预测中取得最高R²。特征重叠分析表明，SCORE与GRADE的高度重叠（89.6%）源于等级由评分等分箱派生，回归与分类任务在特征选择上趋于收敛；CHEW的高比例独有特征提示其包含额外的频率–空间信息。

在应用前景方面，MT-200系统当前处理能力（每果2–3分钟，每小时不足30个）远低于商业分级线吞吐量，但可作为育种和种质资源评价中的快速表型鉴定工具。与传统质地分析（每果约10–15分钟）和感官评价（每日20–30个样本）相比，MIT可在数小时内完成数十至数百个果实的批量测量，且果实保持完整，可继续用于商业用途或种子回收。

研究局限性包括：硬件泛化性未验证（仅使用MT-200系统）；仅涵盖单一品种‘宫川’温州蜜柑且来自单一果园；AHP权重分配部分依赖专家判断；力学参考测量未直接量化组织固有材料属性（如弹性模量）。

研究结论：本研究证明了MIT结合机器学习用于柑橘咀嚼品质无损评估的概念可行性。22–29 MHz信号贡献最强，所选特征集中于赤道截面区域，这些模式可能将频率–空间MIT响应与囊瓣膜–汁胞结构联系起来，为传感器频率选择提供依据。SVM在穿刺力（R² = 0.825）和剪切力（R² = 0.762）预测中取得最高R²，RF在咀嚼性（R² = 0.849）和等级分类（准确率64.3%，宏平均AUC 0.871）中表现最佳，XGBoost在综合咀嚼评分（R² = 0.835）中取得最高R²。连续评分保留了可能被刚性等级边界掩盖的信息，尤其对中间品质果实。尽管当前吞吐量不足以满足商业分级线要求，MIT作为无损、客观、标准化的表型鉴定工具具有应用前景。由于本研究仅涵盖单一果园的‘宫川’温州蜜柑，该方法对其他柑橘品种的普适性尚待验证，未来需在多样化柑橘类型和生产条件下进行验证。