《Journal of Fluorine Chemistry》：Combining VNIR and SWIR Hyperspectral Imaging with Data Fusion for Rapid and Nondestructive Detection of Soluble Solids Content in Cherries
编辑推荐：
可溶性固形物含量（SSC）是评价樱桃品质的关键指标。本研究旨在实现对樱桃SSC的准确无损预测。在可见近红外（VNIR）和短波红外（SWIR）光谱范围内获取樱桃的高光谱图像。针对高维光谱特征问题，研究人员引入多种特征提取算法以减少数据冗余，提高建模效率和预测精度
可溶性固形物含量（SSC）是评价樱桃品质的关键指标。本研究旨在实现对樱桃SSC的准确无损预测。在可见近红外（VNIR）和短波红外（SWIR）光谱范围内获取樱桃的高光谱图像。针对高维光谱特征问题，研究人员引入多种特征提取算法以减少数据冗余，提高建模效率和预测精度。在此基础上，研究人员开发了三种数据融合策略，包括低级融合（LLF）、中级融合（MLF）和高级融合（HLF），以整合VNIR和SWIR信息。采用偏最小二乘回归（PLSR）作为建模算法建立SSC预测模型。结果表明，所有多级融合策略均有效提升了模型性能，其中高级融合（HLF）在各项评估指标中表现最佳，R2p达0.8385，RMSEP为0.5246°Brix，证实了利用多光谱信息协同建模的可行性和优势。此外，基于高光谱成像（HSI）数据的PLSR模型被用于可视化樱桃中SSC的空间分布。
**论文解读**
**研究背景与目的**
樱桃作为一种广泛栽培的水果，因其富含纤维、多酚、维生素C和褪黑素等营养成分，以及诱人的风味和健康效益而备受青睐。在中国，本土樱桃（*Cerasus pseudocerasus*）因颜色、风味和适应性被广泛种植，其中可溶性固形物含量（SSC，主要包含糖类和有机酸）是衡量甜度和成熟度的关键指标。传统的SSC检测方法如折射法虽快速，但具有破坏性和耗时性，限制了批量样本的评估效率，且因个体差异易引入误差。因此，开发无损、快速的SSC检测方法具有迫切需求。高光谱成像（HSI）技术因能同时获取样本的空间和光谱信息，已在草莓、蓝莓、苹果等多种水果的品质评估中展现出巨大潜力。然而，现有研究多基于单一光谱范围（可见近红外VNIR或短波红外SWIR），两者各有利弊：VNIR光穿透力深但信号弱且重叠，SWIR虽对化学组分敏感但受水分干扰大。系统地整合两种互补光谱信息的多级融合策略在樱桃SSC预测中尚未被探索。本研究旨在结合VNIR和SWIR高光谱数据，采用低级融合（LLF）、中级融合（MLF）和高级融合（HLF）三种策略，评估其用于樱桃SSC无损检测的可行性，并最终通过最优模型可视化SSC的空间分布。论文发表在《Journal of Fluorine Chemistry》。
**主要技术方法**
研究使用了两个高光谱成像系统（Specim FX10 VNIR波段397–1003nm和Specim FX17 SWIR波段935–1720nm），采集来自山东青岛当地果园的211个‘美早’樱桃样本的反射光谱图像。关键方法包括：光谱预处理（采用Savitzky-Golay一阶导数SG-D1减少噪声和基线漂移）、特征提取（应用IRF、SPA、CARS、BOSS、IVISSA、UVE、VIP、GA共八种算法从高维光谱中筛选关键波长）、建模算法（偏最小二乘回归PLSR，并辅以SVR和ELM比较）、数据融合策略（LLF直接拼接光谱、MLF特征层拼接、HLF决策层加权融合，权重通过网格搜索确定）。SSC实测值采用数字折射仪（PAL-1）测定，样本按3:1分为校准集（151个）和预测集（60个）。
**研究结果**
**3.1 光谱分析**
在VNIR和SWIR全谱段（400–1700nm），所有样本的光谱曲线趋势一致。VNIR中，550nm处吸收谷与类胡萝卜素和叶绿素有关，680nm处强吸收来自叶绿素a，980nm处吸收关联水和碳水化合物。SWIR中，1200nm处宽吸收对应C–H伸缩振动的二级倍频或可溶性糖的合频，1410nm处强吸收为水分子O–H键的合频和一级倍频。这些特征为SSC预测提供了光谱基础。
**3.2 基于单一光谱数据的建模**
采用PLSR、SVR、ELM三种模型，对比不同预处理方法。结果表明，SG-D1预处理后的PLSR模型在VNIR和SWIR上均表现最优：VNIR的R2p为0.7223，RPD为1.8977；SWIR的R2p为0.6799，RPD为1.7674。PLSR在预测精度和稳定性上始终优于SVR和ELM，因此后续研究以PLSR为主。
**3.3 基于特征选择方法的建模**
在SG-D1+PLSR框架下，八种特征选择方法应用于VNIR和SWIR数据。VNIR中，IRF方法最优，R2p达0.7264，RPD为1.9120；SWIR中，IVISSA方法最佳，R2p达0.7239，RPD为1.9032。特征选择有效剔除了冗余变量，提升了模型性能。
**3.4 基于数据融合的建模**
- **3.4.1 LLF预测能力**：直接拼接VNIR和SWIR光谱（共448变量）后，UVE特征选择联合PLSR表现最佳，R2p=0.8022，RMSEP=0.5807°Brix，RPD=2.2482，优于单一光谱，表明互补光谱信息有效利用。
- **3.4.2 MLF预测能力**：独立提取VNIR和SWIR特征后拼接，UVE-PLSR模型最优，R2p=0.8156，RMSEP=0.5606°Brix，RPD=2.3286，进一步提升了预测能力。
- **3.4.3 HLF预测能力**：分别基于VNIR和SWIR建立独立PLSR模型，通过加权平均（权重各0.5）融合预测结果，HLF策略取得最佳性能，R2p=0.8385，RMSEP=0.5246°Brix，RPD=2.4884，显著优于LLF和MLF。HLF通过决策层优化整合了两种光谱的互补优势。
**3.5 模型比较**
对比所有模型，HLF在各项指标上均最优，R2p从单一光谱的0.7223（VNIR）提升至0.8385，RMSEP从0.6879°Brix降至0.5246°Brix。融合策略全面优于单光谱模型，其中HLF因保留各子模型独立性并优化权重，效果最突出。
**3.6 重要波长分布**
特征波长集中在VNIR的450–520nm（色素）、580–650nm（叶绿素/类胡萝卜素）、700–750nm（红边，内部结构）、850–950nm（水分子O–H伸缩）和SWIR的970–1100nm（水/糖C–H振动）、1200–1350nm（糖类C–H/O–H合频）、1450–1700nm（水吸收强带及糖类倍频）。这些区域与色素、水分和糖分变化直接相关，提供了SSC预测的光谱基础。
**3.7 SSC可视化**
基于最优PLSR模型，利用SG-D1预处理后的像素级光谱生成伪彩图，显示樱桃SSC的分布特征。VNIR图像分布均匀连续，SWIR图像存在局部噪声，表明VNIR在可视化中更具稳健性。
**总结与结论**
本研究通过将VNIR和SWIR高光谱数据与多级融合策略结合，成功构建了樱桃SSC的快速无损检测模型。所有融合策略均优于单光谱模型，其中高级融合（HLF）表现最佳，测试集R2p=0.8385，RMSEP=0.5246°Brix，RPD=2.4884，充分证明了多源光谱信息协同建模的优势。研究结论部分指出：尽管样本来自单一品种和产地，所提出的超光谱融合框架旨在捕获内在的SSC相关光谱特征；未来研究将纳入多品种、多采收期及采后条件以评估模型的迁移性和稳健性。该研究为水果品质无损检测技术的进步提供了有前景的途径。
