卷积神经网络基于不同干燥预处理甜菜根立方体图像预测水分比

《Journal of Food Measurement and Characterization》：Convolutional neural networks for predicting moisture ratio from images of beetroot cubes under different drying pretreatments

　　

本研究提出一种概念验证方法，直接从在不同预处理和空气温度下对流干燥过程中获取的RGB图像预测甜菜根立方体的平均水分比（MR）。甜菜根（Beta vulgaris L.）立方体经过四种预处理：对照（BC）、乙醇浸泡（BE）、水浴超声（BCU）以及乙醇+超声联合（BEU），并在60、70和80 °C下干燥。干燥过程中，同步记录单个立方体的RGB图像与重量测量值。研究人员开发了一个自定义卷积神经网络（cnn1v），执行从RGB图像到水分比的回归任务。在独立测试集上，模型达到了全局性能R² ≈ 0.29，平均绝对误差（MAE）为0.29，均方根误差（RMSE）为0.32，表明整体预测能力中等。然而，按条件分析显示，在特定条件下性能显著提高：BE在70–80 °C和BCU在60 °C条件下，R² > 0.90且MAE < 0.10，而联合BEU预处理在所有温度下准确度最低。这些结果表明，cnn1v模型能够在受控条件下从简单RGB图像捕捉有意义的干燥轨迹，但其性能强烈依赖于预处理和干燥条件。研究结果强调了基于低成本视觉监测干燥过程的潜力与局限性。

**论文解读：基于卷积神经网络和RGB图像预测甜菜根立方体干燥水分比**

**一、研究背景与问题**

干燥是食品和农业领域最常用的保藏方法之一，通过降低水分活度延长货架期、降低运输和储存成本。然而，干燥过程会显著影响植物性产品（尤其是富含色素和生物活性物质的甜菜根）的物理、化学和感官品质。为缩短干燥时间并减少品质损失，乙醇浸泡和超声预处理已被提出作为强化策略，通过改变细胞结构、增强传质和降低能耗来优化干燥过程。传统的干燥过程设计和控制依赖经验模型（如Page型方程）或基于菲克扩散的公式，这些方法需要精确测量水分含量随时间的变化，且难以全面捕捉干燥过程中的复杂结构变化。与此同时，数字成像和计算能力的普及为非破坏性监测开辟了新途径，通过将颜色、表面纹理等视觉属性与内部水分含量关联起来。已有研究采用高光谱成像（HSI）、红外热成像、激光背散射成像等技术结合机器学习预测水分含量，取得了较高精度（R² > 0.90），但这些方法需要专用硬件，成本较高。卷积神经网络（CNN）作为图像分析的前沿方法，能够自动学习像素级的层次化特征，在食品质量评估中展现出潜力。然而，仅使用低成本RGB相机和简单CNN模型能否有效预测干燥过程中的水分比，以及模型性能如何依赖于预处理条件和干燥温度，尚缺乏系统研究。因此，本研究旨在作为概念验证，评估基于RGB图像的CNN模型在不同预处理和温度下预测甜菜根立方体水分比的能力。

**二、研究内容与结论**

研究人员对新鲜甜菜根（Beta vulgaris L.）立方体施加四种预处理：对照组（BC）、乙醇浸泡（BE）、水浴超声（BCU）以及乙醇+超声联合（BEU），并在60、70和80 °C下进行对流干燥。干燥过程中，同步获取每个立方体的RGB图像（使用智能手机，分辨率224×224像素）和重量数据，计算水分比（MR）。开发了一个自定义卷积神经网络（cnn1v），由三个卷积块（32、64、128个3×3卷积核，ReLU激活，2×2最大池化）和全连接层（128神经元，dropout 0.5）组成，输出层为单个神经元线性激活。数据集按实验运行划分（训练70%、验证15%、测试15%），避免数据泄露。训练使用Adam优化器和均方误差损失，共34个周期。测试集全局指标显示模型性能中等（R²≈0.29，MAE=0.29，RMSE=0.32），但按条件和温度分析发现显著差异：BE在70–80 °C和BCU在60 °C条件下R² > 0.90且MAE < 0.10，而BEU在全温度下表现最差（R² 0.62–0.66）。研究结论表明，cnn1v能从简单RGB图像中捕捉有意义的干燥轨迹，但性能高度依赖于预处理和干燥条件。该研究为低成本视觉监测干燥过程提供了可行方案，但距离实际应用仍需改进。

该论文发表在《Journal of Food Measurement and Characterization》。

**三、关键技术方法**

主要采用的技术方法包括：自定义卷积神经网络（cnn1v）架构进行回归建模；使用智能手机（Samsung Galaxy A54）在受控照明下获取RGB图像，预处理后裁剪为单个立方体图像并缩放到224×224像素；数据集按实验运行层级划分（训练、验证、测试），并采用随机水平翻转和亮度微调整的数据增强；模型训练采用Adam优化器和均方误差损失函数，评价指标包括决定系数（R²）、平均绝对误差（MAE）、均方根误差（RMSE）。样本来源：新鲜甜菜根购自当地市场，经筛选后切成立方体（约10×10×10 mm），初始水分含量为88.64%（湿基）。在干燥前对立方体进行四种预处理，并在60、70、80 °C（风速1.2 m/s）下进行对流干燥，同时记录重量和图像。

**四、研究结果**

**干燥过程中甜菜根立方体的视觉演变**
通过定性观察发现，所有条件下干燥均导致立方体逐渐变暗、收缩和表面粗糙化，但变化强度和速率依赖于预处理和温度。乙醇和超声预处理（BE、BCU、BEU）比对照（BC）产生更不均匀的质感和微裂纹，表明这些预处理改变了微观结构并促进了水分去除。这些视觉变化支持RGB图像含有与水分状态相关的信息，为CNN建模提供了依据。

**干燥曲线：实测与CNN预测水分比对比**
对于对照（BC），模型合理捕捉整体趋势，R²在0.59–0.78之间，但70 °C下预测曲线偏低。对于乙醇预处理（BE），60 °C下预测偏差较大（R²<0.40），但70和80 °C下表现最佳（MAE≈0.07，RMSE≈0.10，R²>0.91），说明这些条件下视觉特征与水分比高度相关。对于超声预处理（BCU），60 °C下R²达到0.94，70和80 °C下性能下降。对于乙醇+超声联合预处理（BEU），模型在所有温度下表现最差（R² 0.62–0.66），原因是联合预处理导致强烈的微观结构异质性（局部塌陷、不均匀收缩和色素再分布），削弱了表面外观与内部水分的单调关系。

**cnn1v模型预测水分比的性能**
独立测试集全局指标：MAE=0.29，RMSE=0.32，MSE=0.10，R²≈0.29。模型能再现干燥曲线的总体下降趋势，但在中间阶段存在偏差，主要归因于数据集规模有限、立方体形态变异以及仅使用RGB图像而未纳入温度等过程变量。按条件分析更为合理，反映了物理系统的异质性。早期卷积特征图可视化显示模型捕捉了与边缘和纹理相关的特征，但精确归因需更高级方法（如Grad-CAM）。

**与其他成像和机器学习方法比较**
与高光谱成像（HSI）、激光背散射成像（LLBI）等方法相比，cnn1v性能较低。已有研究中，HSI结合机器学习对甜菜、胡萝卜等产品的水分预测R²可达0.97以上，但需要专用硬件。RGB模型可视为极端简化案例，展示了低成本相机在受控条件下的潜力，但性能不如光谱方法。

**启示与未来发展方向**
结果表明，低成本计算机视觉可补充更复杂的传感技术。改进方向包括：扩大并平衡数据集以减少过拟合；采用迁移学习利用预训练深度网络；融合RGB图像与过程变量（温度、时间）或低维光谱/热数据以增强敏感性。当前模型在特定条件下已能捕捉干燥行为，为非破坏性监测提供了经济可行的途径。

**五、讨论与结论**

讨论部分强调，模型性能强烈依赖于预处理和温度，联合乙醇+超声预处理（BEU）由于微观结构高度异质性，导致表面与水分关联减弱，模型难以稳定学习映射关系。尽管全局性能中等，但条件特异性分析揭示了模型在部分条件下的有效性。未来工作需扩展数据集、探索迁移学习和多模态融合，以提高鲁棒性并接近实际应用。
研究结论：本研究提出一种概念验证方法，直接从在不同预处理和空气温度下对流干燥过程中获取的RGB图像预测甜菜根立方体的平均水分比。对于干燥曲线按预处理和温度分析表明，cnn1v能在特定条件下准确再现干燥轨迹（乙醇预处理70–80 °C和超声预处理60 °C时R²>0.90，MAE<0.10），而乙醇+超声联合预处理更难建模。虽然准确度低于文献报道的高光谱和激光方法，但所提出的RGB-CNN依赖低成本成像，仍能捕捉干燥行为的有意义方面。总体而言，结果支持使用卷积神经网络和简单RGB图像进行干燥非破坏性监测的可行性。未来工作应扩展数据集，探索迁移学习和与过程或光谱变量的多模态融合，以提高鲁棒性，使基于图像的水分预测更接近实际应用。