利用激光多普勒振动测量技术与可见-近红外光谱技术对果芯发霉的亚健康苹果进行双传感器在线检测

《Food Control》:Dual-sensor online detection for sub-healthy apples with moldy core using laser Doppler vibrometry and Vis-NIR spectroscopy

【字体: 大 中 小 】 时间:2026年07月07日 来源:Food Control 7.0

编辑推荐:

  Mingcan Zhai|Zhibin Wang|Mengxu Zhao|Youfang Yu|He Li|Xiaoming Mo|Zhihua Zha|Jie Wu中国石河子市832003,石河子大学机电工程学院摘要那些霉菌仅存在于种子腔内的苹果被称为亚健康果实。及时在线检测这

  
Mingcan Zhai|Zhibin Wang|Mengxu Zhao|Youfang Yu|He Li|Xiaoming Mo|Zhihua Zha|Jie Wu
中国石河子市832003,石河子大学机电工程学院

摘要

那些霉菌仅存在于种子腔内的苹果被称为亚健康果实。及时在线检测这类果实有助于水果产业调整储存和营销策略。本研究利用自主研发的双传感器在线检测系统获取振动信号和可见近红外光谱。通过视觉编码方法将双源光谱转换为图像:振动多域图像以及可见近红外光谱的格拉姆角和场图像。接着运用视觉变换器网络提取单源深度特征,再通过均匀流形近似与投影方法分析出具有更好聚类性能的特征。最后通过互跨融合方法将双源深度特征融合以生成新特征。随后将三种类型的特征分别输入k最近邻、支持向量机、逻辑回归和随机森林模型中进行分类并评估模型性能。在本研究的分类任务中,由视觉变换器网络从MDI和SGI中提取的第六层深度特征展现出更好的聚类性能。而基于单源深度特征构建的模型也取得了不错的分类效果。当使用互跨融合方法生成的特征时,MCF-ViT-RF模型表现最为优异,其整体准确率为91.03%,F1值为90.78%,卡帕系数为86.49%,马修斯相关系数为86.40%。基于最优的MCF-ViT-RF模型,我们开发出了检测软件并进行了外部验证。所提出的方法具备出色的泛化能力,为水果内部病害的在线检测提供了重要参考。

引言

霉心是苹果在生长发育阶段常见的内部病害(Pavicich等人,2020a;2020b)。该病害由真菌引起,在苹果初期感染时,霉菌通常被坚硬的内果皮壁限制在种子腔内,此时果肉尚未变质(Levin等人,2019)。这类苹果被称为“亚健康”苹果,因为其果肉的可食用性依然完好,不会影响消费者的复购意愿,但仍有进一步感染的风险。对于水果销售者而言,及时识别这类苹果对于采取有效的储存和营销措施、保持水果的市场竞争力至关重要(Van De Looverbosch等人,2021;Jaeger等人,2016)。未被发现的亚健康苹果在储存过程中会进一步腐烂,还将病菌传播给健康苹果;如果将其出售,也会损害苹果的声誉,造成严重的经济损失。因此,准确在线检测带有霉心的亚健康苹果是水果产业面临的重要任务。
目前,检测霉心苹果主要采用可见近红外光谱技术(Tian等人,2020;Jiang等人,2024)。尽管这些方法已实现了较为满意的在线检测精度,但由于它们是根据霉心程度的阈值进行分类,因此无法识别那些仍具有商业价值的亚健康苹果。值得注意的是,Zhang等人(2022b;2022c)也使用可见近红外光谱技术检测霉心苹果,结果所有被误判的样本的霉菌都集中在果核腔内,也就是我们研究中定义的亚健康苹果。他们指出,这类苹果所携带的病害信息相对较弱,其与健康苹果的光谱差异较小。Zhai等人(2025b)提出了基于可见近红外光谱的霉心亚健康苹果检测方法,但其准确率较低,仅为81.33%。这可能是因为可见近红外光谱对水果组织中的含氢官能团(如C-H和O-H键)较为敏感,主要用于表征化学成分的变化(Yu等人,2024;Dong等人,2024),无法全面反映苹果霉心的特征信息。振动技术也是另一种用于检测霉心苹果的主要方法(Zhao等人,2022;Liu等人,2024b)。振动技术能够感知水果组织内的粘弹性,从而反映苹果物理结构的变化(Zhao等人,2025;Zhao等人,2026;Zhang等人,2025b)。不过,目前振动技术用于苹果在线检测的应用还较少。振动技术提供的物理信息可以补充可见近红外光谱提供的化学信息,从而更全面地表征霉心苹果的特征。因此,亟需开发一种结合振动技术和可见近红外光谱的在线检测方法,用于检测带有霉心的亚健康苹果。
实现高精度在线检测霉心亚健康苹果的关键在于有效融合振动信息和可见近红外光谱信息。信息融合方法主要分为三个层次:数据层、特征层和决策层(Li等人,2024)。数据层融合直接将不同传感器采集的原始数据拼接在一起,然后再进行特征提取和模型构建。这种策略能够保留传感器中的所有原始信息(Xiao等人,2025)。然而,如此庞大的数据量会带来较高的计算成本,不过随着技术的进步和计算能力的提升,这一问题可以得到一定缓解(Zhang等人,2022a)。决策层融合则是先通过基于单源数据的模型生成初步判断,再利用决策融合算法将这些输出整合,从而得出最终的综合判断(Zhang等人,2025c)。这种融合策略受单个模型缺陷的影响较小,但存在丢失原始数据信息的风险(Gong等人,2025)。特征层融合则是将来自不同数据源的特征进行组合,这种方法能够提取传感器的关键特征,同时去除干扰成分,从而提高融合特征的稳定性(Zheng,2015)。不过,目前的特征融合大多只关注特征之间的简单拼接,没有充分考虑不同来源特征对识别任务的贡献差异(Hussain等人,2024)。如果我们能够建立特征之间的关联关系,从而融合可见近红外光谱信息和振动信息,那么这两种类型的信息就能得到更充分的利用,也有助于解决检测霉心亚健康苹果的难题。
因此,本研究的目标为:(1)开发一种能够同步采集苹果振动信号和可见近红外光谱的装置;(2)以较低的计算成本从两种数据源中提取具有高度区分度的特征;(3)比较基于融合特征构建的模型与基于单源特征构建的模型的分类性能;(4)开发在线检测软件,并验证所提出方法的泛化能力。

章节节选

材料与方法

图1展示了利用激光多普勒振动仪和可见近红外光谱技术在线检测霉心亚健康苹果的整体流程。在获取双源信号后,振动信号被转换为多域图像,即时间和频率信号的GASF图像以及ST时频图;可见近红外光谱则被转换为GASF图像。与一维信号的幅度差异相比,这两类二维图像在空间分布上的差异更为明显。这些

卤素灯对LDV信号采集的影响分析

图8A显示了φ80聚四氟乙烯球的标准化强度光谱(即白色参考光谱),以及LDV氦氖激光束的示意图。在氦氖激光束的633纳米中心波长处,白色参考光谱仍呈现出相对较高的标准化强度。为了验证卤素灯对振动响应采集的干扰情况,我们在开启卤素灯的情况下记录了同一样本的响应信号

结论

在亚健康果实检测方面,我们开发了一种新的检测系统,可实现振动信号和可见近红外光谱的同步采集。振动光谱被转换为多域图像,也就是时间和频率信号的GASF图像以及ST时频图;可见近红外光谱也被转换为GASF图像。与一维信号的幅度差异相比,这两类二维图像在空间分布上的差异更为显著。这些

CRediT作者贡献声明

Zhibin Wang:验证、软件开发、方法设计、研究实施、正式分析。Mingcan Zhai:初稿撰写、指导监督、软件开发、方法设计、研究实施、正式分析、数据整理、概念构思。Youfang Yu:软件开发、方法设计、正式分析。Mengxu Zhao:软件开发、方法设计。Xiaoming Mo:软件开发、研究实施。He Li:软件开发、研究实施。Wu Jie:文章修订与编辑、资源协调、项目管理、方法设计、资金筹集

数据可用性

数据将在收到请求后提供。

利益冲突声明

我们声明,本手稿中的任何内容均未以任何语言发表,也未在其他期刊审稿中,不存在需要声明的利益冲突。所有作者均参与了本手稿的撰写、审阅,并同意当前版本的最终版本。

致谢

作者们衷心感谢中国国家自然科学基金(项目编号32360616)以及2024年度XPCC研究生科研创新项目的资助。同时也要感谢石河子大学的Yu Guowei博士和Zhang Mengyun博士在数据分析方面给予的指导。本文的完成不仅标志着我博士学业的结束,也意味着我九年本科学习的终点
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号