一种结合SHAP解释机制的机器学习方法，用于预测油茶（Camellia oleifera）振动采收过程中的果实惯性力

《Computers and Electronics in Agriculture》：A machine learning approach with SHAP interpretation for predicting fruit inertial force in vibration harvesting of Camellia oleifera

振动收获技术中，基于摆动动力学模型和机器学习方法研究茶油果惯性力预测，发现随机森林模型最优（MAE=1.05，R2=0.79），SHAP分析表明激励参数贡献占比73.6%，结构参数26.4%，验证误差率6.22%。

　　

李青松|姚晓康|何源|马月伟|徐道春|白晓鹏|李文斌

北京林业大学技术学院，北京100083，中国

摘要

振动收割是一种有效的机械化收割油茶果实的方法。准确预测果实的惯性力对于提高收割效率至关重要，但由于激励参数与树木结构特性之间的复杂相互作用，这一任务仍然具有挑战性。在本研究中，建立了果实-树枝系统的摆动力学模型，并通过现场测试收集了多维数据集。随后使用该数据集训练和评估了六种机器学习模型。结果表明，随机森林（RF）模型具有最佳的预测性能，其平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）分别为1.05、1.73和0.79。随后采用SHAP方法解释RF模型并量化特征重要性。分析显示，激励参数是果实惯性力的主要决定因素，占73.6%，而树木结构参数仅占26.4%。在所有特征中，激励频率的影响最大，占42.06%。特征选择进一步提高了RF模型的预测性能。在测试集上，MAE、RMSE和R²的值分别为1.01、1.64和0.82。现场验证测试确认模型预测与实测惯性力之间的误差率为6.22%。这些发现为油茶的精确振动收割提供了理论基础，并为其他森林果实的收割提供了有用的参考。

引言

油茶是一种重要的木本油料作物，在中国南部的丘陵地区广泛种植（Li等人，2023年；Wang等人，2024a年）。从其果实中提取的茶油具有高营养价值，富含不饱和脂肪酸和维生素E（Li等人，2024年）。此外，茶籽粕含有大量的茶籽蛋白、皂苷和多糖，使其成为食品、化工和轻工业的重要原料（Wang等人，2024a年；Zhang等人，2024年）。然而，油茶果实的收割仍然主要依赖于人工劳动，这既效率低下又成本高昂。此外，油茶具有同时开花和结果的生物学特性（Du等人，2024年）。结合其复杂的树结构和短果梗，这些特性使得现有的针对其他果树开发的收割机械难以直接应用于油茶（Peng等人，2024年；Yan等人，2023年）。因此，开发适用于油茶的高效机械化收割技术对于促进油茶产业的可持续发展至关重要。

振动收割作为一种高效的机械化收割方法，由于其结构简单、操作简便和收割效率高，已广泛应用于橄榄、核桃和柑橘等作物（Cao等人，2024年；Liu等人，2018年；Zhuo等人，2022年）。其基本原理是通过施加外部激励来诱导果实与树枝之间的相对运动（Li等人，2024年；San等人，2018年；Zheng等人，2023年）。当作用在果实上的惯性力超过果实-果梗界面的结合力时，果实就会脱落。因此，准确预测强迫振动下的果实惯性力对于设计和优化振动收割设备至关重要（Li等人，2018年）。然而，大多数现有研究主要依赖于经验观察或简化的理论建模。例如，先前的研究已经确定激励频率、振幅和激励距离是影响果实惯性响应的主要因素（Cao等人，2024年；Jiao等人，2024年；San等人，2018年）。采用有限元分析或高速摄影的研究表明，惯性力通常随激励频率和振幅的增加而增加，尽管在特定条件下可能会出现非线性响应（Wang等人，2024b年；Zhuo等人，2022年）。尽管这些研究提供了有价值的定性见解，但对惯性力的系统定量预测仍然有限。即使是为类似果实-树枝系统开发的理论模型也常常忽略了树木的关键结构特征，限制了其在复杂现场条件下的适用性。该模型中预测值与实验值之间的相对误差为18%（Liu等人，2025年）。

在油茶的振动收割过程中，收割过程中产生的振动能量依次通过树干、主枝、次级枝条最终传递到结果实的细枝。每个枝条级别的结构参数影响能量传递效率，从而影响果实的惯性响应。先前的研究表明，枝条较少或较粗的树木往往表现出更高的振动传递效率和更强的果实加速度响应（He等人，2013年；Li等人，2018年）。然而，激励参数与树木结构特性之间的关系高度非线性。传统的分析模型难以捕捉真实树木中振动传递的耦合多尺度动态，这使得准确预测果实惯性力变得复杂（Wang等人，2025年）。因此，根据激励参数和树木结构特性准确预测果实惯性力对于实现油茶果实的精确振动收割至关重要。

近年来，人工智能取得了快速进展，机器学习作为其中的关键分支，在学习输入和输出之间的复杂关系方面展现了强大的能力（Wang等人，2021年；Winck等人，2023年）。它已成功应用于作物产量预测、牲畜体重估计和环境监测等农业任务（Malte等人，2023年；Ruchay等人，2022年）。然而，机器学习模型常常因其“黑箱”性质而受到批评。可解释的机器学习方法，如Shapley Additive exPlanations（SHAP），可以在保持高预测准确性的同时提供特征贡献和相互作用的定量分析（Hussain等人，2025年；Ge等人，2023年）。这些方法能够系统地识别影响果实惯性力的关键因素，并支持开发优化的、基于机制的振动收割策略。

基于上述分析，本研究结合理论分析、现场振动测试和机器学习，开发了一个用于预测油茶振动收割过程中果实惯性力的准确模型。构建了一个基于摆的动力学模型来描述果实-树枝的运动。使用包含激励和结构参数的现场数据训练了多种机器学习算法，并使用可解释的分析方法对表现最佳的模型进行了解释，以识别主导因素并优化特征选择。最后进行了现场验证测试，以验证模型的可靠性。总体目标是为油茶果实的精确振动收割提供技术支持。

部分摘录

果实摆动力学模型的建立

油茶果实的果梗较短（3-5毫米），以随机方向生长并悬挂在细枝上（图1a）。在振动收割过程中，细长的结果枝类似于延长的果梗，与果实一起振荡。因此，在谐波基激励下，果实-树枝系统可以简化为摆模型（Liu等人，2024年），如图1b所示。

特征变量与惯性力之间的相关性分析

图4展示了不同特征之间以及每个特征与惯性力之间的相关性。结果表明，激励参数与果实惯性力之间的相关性明显大于树木结构参数之间的相关性。在激励参数中，频率和振幅与惯性力的相关性最强。具体来说，激励频率与惯性力之间的相关系数为0.57。

结论

本研究建立了果实-树枝系统的摆动力学模型，并通过现场测试编制了多维数据集。然后基于这些数据训练和评估了六种机器学习模型。结果表明，不同的机器学习模型在预测油茶果实的惯性力方面表现出显著的性能差异。RF模型表现最佳，在测试集上的MAE、RMSE和R²值分别为1.05、1.73和0.79。

作者贡献声明

李青松：撰写——原始草案、软件、方法论、调查。姚晓康：监督、调查。何源：调查。马月伟：调查。徐道春：撰写——审阅与编辑、监督。白晓鹏：监督、方法论。李文斌：方法论、调查。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者衷心感谢国家重点研发计划（2019YFD1002401）的财政支持。