基于高光谱成像与机器学习和深度学习的水果及坚果质量评估：进展、挑战与未来方向

《Food Analytical Methods》：Machine Learning and Deep Learning for Food Quality Assessment Using Hyperspectral Imaging: Advances, Challenges, and Future Directions

　　

维持食品质量与安全标准对于减少采后损失、维持消费者信心以及满足国际贸易要求至关重要。高光谱成像（HSI）已发展成为一种强大的无损技术，可用于评估园艺产品的内部和外部质量属性。本综述系统整合了基于HSI并结合机器学习和深度学习方法的水果及坚果质量评估的最新进展。应用被分为缺陷和非缺陷质量属性两大类，包括水分含量、糖浓度、成熟度、硬度、营养成分、微生物污染、结构损伤以及与毒性和酸败相关的化学指标，如黄曲霉毒素、游离脂肪酸（FFAs）和过氧化值（PV）。本综述批判性地评估了光谱预处理技术、建模方法、模型评价标准，以及样本大小和数据变异性对预测性能的影响。此外，系统比较了与水分、糖浓度、硬度、过氧化值和内部变色相关的常见报道波长，以识别不同园艺产品中反复出现且重叠的光谱区域。据研究人员所知，这是首次证明水果和坚果的多种质量属性共享共同重要光谱区域的综述，凸显了开发更高效、可转移和可泛化的HSI模型的机遇。最后，确定了关键的未来研究方向，包括开发均衡且标准化的数据集、基于Transformer的架构以提高泛化能力，以及高光谱图像的红绿蓝（RGB）重建以增强可解释性。本综述讨论的进展具有巨大潜力，可提高可扩展性并促进HSI技术在采后质量监测和食品安全评估中的更广泛工业应用。

基于高光谱成像与机器学习及深度学习的水果和坚果质量评估：进展、挑战与未来方向——论文解读

一、研究背景与问题

全球消费者对健康饮食的日益重视，推动了对高质量和安全食品的需求，同时减少采后损失和预防食源性疾病仍是重大全球挑战。新鲜水果和坚果的采后损失可超过20%–30%，在中低收入国家尤为严重。传统质量评估方法往往速度慢、具有破坏性，难以适应大规模和实时监测的需求。全球新鲜水果和坚果市场规模超过470亿美元，而水果和坚果在不良处理和储存条件下极易变质。因此，开发快速、经济有效的采后质量评估方法，对于通过优先处理低质量产品来减少损失至关重要。

高光谱成像（HSI）结合了光谱与空间信息，能够无损评估食品质量属性，同时提供传统点式光谱或RGB成像无法获得的空间信息。然而，HSI的广泛应用仍面临若干障碍：系统复杂性高、与现有基础设施集成困难、实验室方法向大规模常规应用转移的挑战。高光谱数据固有的高维性带来了计算负担，并增加了模型校准过程中过拟合的风险，尤其在数据集规模有限的情况下。因此，系统审视预处理策略、模型开发方法、性能评估指标以及影响模型稳健性和泛化能力的因素，成为推进该技术应用的关键。

二、研究内容与结论

本综述遵循PRISMA原则对文献进行识别和筛选，通过Google Scholar和Elsevier ScienceDirect平台检索2012至2025年间发表的相关研究，最终纳入约60项研究。研究按作物、质量属性、光谱范围、预处理技术、建模方法、模型性能和重要波长进行组织，系统比较了HSI在不同水果和坚果质量评估中的应用。

研究得出以下主要结论：HSI能够有效评估水果和坚果的多种质量属性。在外部属性方面，PLSR模型在380–1023 nm范围内对香蕉颜色参数a*的预测表现优异（R2=0.97，RPD=6.1）；HSI还能以99.12%和98.26%的准确率区分山核桃品种。在水分含量预测方面，水果的R2值从番茄的0.81到芒果的1.00不等，坚果的R2值在0.90至0.99之间，部分研究RPD值超过5.0。在糖浓度预测方面，水果的R2值在0.50至0.96之间，甜瓜蔗糖预测达R2=0.96，枣的蔗糖和果糖预测达R2=0.91；坚果研究相对较少，板栗TSS/SSC预测R2=0.66。在成熟度、成熟度和硬度方面，HSI成功应用于鳄梨货架期和成熟阶段的预测，回归模型R2值为0.59–0.77。

三、关键技术方法

研究人员主要采用了以下关键技术方法：光谱预处理技术，包括标准正态变量变换（SNV）、多元散射校正（MSC）和Savitzky–Golay（SG）导数（一阶至三阶）等，用于消除光谱噪声、基线漂移和散射效应；建模方法方面，偏最小二乘回归（PLSR）是最常用的方法，约占报告模型的51%，此外还包括卷积神经网络（CNN）、人工神经网络（ANN）、支持向量机/支持向量回归（SVM/SVR）和多元线性回归（MLR）等方法；模型评估采用决定系数（R2）、均方根误差（RMSE）、预测偏差比（RPD）以及准确率、精确率、召回率和F1分数等指标。研究还使用Pearson相关分析考察了样本量与预测精度之间的关系。

四、研究结果

预测外部属性： 研究表明HSI能有效捕捉水果和坚果的外部特征。在水果中，PLSR模型在380–1023 nm范围内对颜色参数特别是a*表现出强预测性能（R2=0.97，RPD=6.1）。在坚果中，基于表面光谱特征的分类模型成功区分山核桃品种，准确率达99.12%和98.26%。

预测水分含量： HSI在多种水果和坚果的水分预测中表现一致强劲。水果的R2值范围为0.81（番茄）至1.00（芒果），坚果的R2值范围为0.90（开心果）至0.99（脱水椰子、夏威夷果仁）。多数高性能模型使用包含400–1000 nm VNIR区域的光谱数据，部分研究延伸至SWIR区域，该区域包含约1450和1940 nm的强水吸收带。

预测糖浓度： 水果的糖相关属性预测性能差异较大，R2值从0.50到0.96不等。甜瓜蔗糖预测表现最佳（R2=0.96），枣的蔗糖和果糖预测R2=0.91。草莓葡萄糖预测性能较低（R2=0.50），橙子TSS预测R2=0.51。坚果研究相对较少，板栗TSS/SSC预测R2=0.66。

预测成熟度、成熟度和硬度： HSI成功应用于水果的成熟度和货架期预测，使用深度卷积神经网络（DCNN）和光谱-空间残差网络（SSRN）对鳄梨进行预测，回归模型R2值为0.59–0.77，RMSE值为0.94–1.43天。综述中未发现坚果相关研究。

五、讨论与结论

研究发现，没有单一的建模方法能在所有应用中始终优于其他方法，模型性能主要取决于数据特征和任务复杂性。样本量对模型性能的影响具有高度数据集和应用依赖性，稳定预测性能（R2≥0.85，RPD>3.0）通常在使用约300–600个样本时实现；约120–250个样本每类时预测性能趋于平稳。Pearson相关分析显示，样本量与水分预测精度（r=0.503，p=0.067）和糖浓度预测精度（r=?0.031，p=0.891）之间均无统计学显著相关性。一项研究表明，使用小校准数据集（n=48）开发的PLSR模型在外部数据集（n=450）上验证时仍保持高预测性能（R2=0.95），表明数据变异性而非样本量是模型稳健性的关键因素。

据研究人员所知，这是首次证明水果和坚果的多种质量属性共享共同重要光谱区域的综述。研究确定了关键未来方向：开发均衡和标准化的数据集、采用基于Transformer的架构以提高泛化能力、以及通过高光谱图像的RGB重建增强可解释性。本综述讨论的进展具有巨大潜力，可提高可扩展性并促进HSI技术在采后质量监测和食品安全评估中的更广泛工业应用。