基于深度迁移学习的不同品种及检测仪器下猕猴桃品质光谱预测方法

《Computers and Electronics in Agriculture》：Deep transfer learning for spectral prediction of kiwifruit quality across cultivars and instruments

　　

Youhua Bu|Chengxu Gong|Shuai Li|Yijie Li|Wenchuan Guo

• •
  研究人员开发了一种一维卷积神经网络模型，用于精准预测猕猴桃的可溶性固体含量和硬度。
• •
  深度转移学习方法的表现显著优于传统的迁移方法。
• •
  该深度转移学习方法能够在样本量有限的情况下实现不同品种和不同检测设备间的准确预测。
• •
  Grad-CAM分析表明，810–1000纳米波段的光谱对数据迁移贡献最大。

引言

猕猴桃因其高营养价值，尤其是丰富的维生素C、膳食纤维以及独特的风味，在全球水果市场中备受关注（Bu等人，2025a；Jin等人，2023）。猕猴桃通常在生理成熟时采摘并进入流通环节。然而，它属于典型的呼吸跃变型水果，在成熟过程中乙烯生成量和呼吸作用持续增加，导致其最佳食用期较短且难以确定（Chai等人，2022；Huang等人，2025）。一旦猕猴桃度过可食用的软化阶段，就容易受到病原体感染，营养成分流失加快，还可能出现酒味或霉味等不良风味，从而降低其商业价值和市场接受度（Bao等人，2026；Tian等人，2023a）。因此，准确判断猕猴桃的成熟度对于保障其食用品质和延长保质期至关重要。硬度与可溶性固体含量被视为衡量水果成熟度和内在品质的关键指标，常被用来评估其食用品质和储存潜力（Tian等人，2022）。不过，传统的检测方法主要依赖穿刺测试和折射率测量等技术（Guo等人，2023）。这些方法具有破坏性且耗时，难以实现快速的质量评估。

可见光/近红外光谱技术因其快速无损的优势，已成为农产品质量检测的有效手段（Jiang等人，2025）。多项研究表明，结合化学计量学方法的可见光/近红外光谱技术能够有效预测猕猴桃的可溶性固体含量和硬度（Afonso等人，2022；Tian等人，2023b；Wang等人，2024；Zhang等人，2023）。通常情况下，是通过光谱预处理、特征波长提取以及机器学习技术来建立光谱数据与质量指标之间的定量关系（Li等人，2022）。尽管深度学习方法在可见光/近红外光谱分析中展现出强大的非线性建模能力，但其性能往往取决于训练数据与测试数据分布的相似程度（Yu等人，2024；Zheng等人，2026）。当应用于不同品种、不同季节、不同产地或不同检测设备之间的场景时，由于光谱分布的变化，模型的性能往往会下降（Zhang和Yang，2024）。例如，在苹果不同品种的可溶性固体含量预测中，用‘瑞雪’品种训练得到的一维卷积神经网络模型直接应用于‘富士’品种时，相关系数仅为0.54（Li等人，2025a）。类似地，Pan等人（2024）发现，同一一维卷积神经网络模型在预测不同季节苹果的成熟度时，分类精度会下降5–20%。此外，将一维卷积神经网络模型直接在不同光谱仪之间迁移，也会大幅提高芒果干物质含量的预测误差（Mishra和Passos，2021）。这些研究结果表明，一维卷积神经网络模型的泛化能力仍受生物变异性和设备差异的限制，因而难以在多种应用场景中得到广泛应用。

猕猴桃通常根据果肉颜色分为绿色、黄色和红色三类（Yuan等人，2023），而从植物学分类来看，则可分为中国猕猴桃（Actinidia chinensis）和美味猕猴桃（Actinidia deliciosa）（Cheng等人，2022）。不同猕猴桃品种在果皮绒毛程度、果肉颜色、化学成分以及光谱响应方面存在显著差异，这使得基于单一品种的优质预测模型难以通用（Zhang等人，2018a；Zhang和Yang，2024）。品种间的光谱差异仍是猕猴桃质量评估面临的主要挑战。Wang等人（2024）发现，将针对‘华优’品种开发的模型直接应用于‘徐香’品种时，可溶性固体含量预测的决定系数从0.948急剧下降到0.323，这说明该模型在跨品种应用时的泛化能力较差。若要将现有模型应用于新品种，通常需要为每个品种收集可见光/近红外光谱数据并建立新的校准模型。但这一过程需要大量时间和人力来获取相应的参考质量指标（Zhang等人，2018a）。因此，开发有效的方法来迁移现有校准模型并保持其泛化能力，显得愈发重要。

为减少生物变异对水果质量检测模型稳定性的影响，以往的研究提出了多种传统的模型迁移方法，主要包括全局建模、重新校准和模型修正。全局建模通过整合多个品种的可见光/近红外光谱数据来构建通用校准模型，以提高模型的整体稳定性（Wang等人，2022）。然而，不同品种之间的光谱分布差异较大，可能导致源领域的样本掩盖目标领域的特征信息，进而降低对特定品种的预测精度（Bai等人，2022；Yang等人，2022a）。重新校准方法虽然能够实现较高的预测精度，但通常需要对大量目标领域的样本进行破坏性的物理化学检测（Wang等人，2019）。模型修正方法则主要依靠线性数学假设，通过调整模型参数来消除检测误差（Pan等人，2024；Tian等人，2023b），但在处理非线性光谱变化时效果有限。与此同时，随着光谱采集设备的日益多样化，不同设备之间的光谱响应差异也带来了领域偏移问题，比如实验室光谱仪与便携式光谱仪之间就存在此类差异（Mishra和Passos，2021）。为解决这些问题，近期的一些研究将迁移学习与一维卷积神经网络相结合，以实现跨领域知识迁移（Zhang和Yang，2024；Zheng等人，2026）。例如，Yang等人（2022a）提出了一种深度迁移学习方法，用于解决用于水果质量评估的光谱模型所存在的季节性变化问题。目前，针对猕猴桃质量检测模型中的生物变异性问题，相关研究仍然较少。现有的研究多集中在同一品种不同采收批次之间的模型迁移（Tian等人，2023b）、同一品种不同年份之间的模型迁移（Luo等人，2025），或是相同果肉颜色类型的猕猴桃之间的模型迁移（Wang等人，2024）。而对于具有不同果皮特征和果肉颜色的猕猴桃品种的预测模型，目前仍十分缺乏。此外，针对多品种猕猴桃质量检测的跨设备模型迁移问题，也尚未得到系统性的研究。

为应对品种差异和设备差异带来的影响，本研究采用深度转移学习框架结合一维卷积神经网络，构建了一种猕猴桃质量预测方法。其主要研究目标包括：（1）构建一维卷积神经网络模型，分别估算不同品种的硬度和可溶性固体含量，并分析品种差异对模型预测性能的影响；（2）研究基于一维卷积神经网络的各类深度转移学习方法在跨品种模型迁移中的应用效果，并将其与传统迁移方法进行比较；（3）评估目标领域样本数量对深度转移学习方法可靠性的影响；（4）考察深度转移学习方法在跨设备模型迁移中的性能，并分析更新数据集大小对迁移精度的影响。

章节要点

猕猴桃的采集与质量检测

2025年8月至10月期间，研究人员从中国四川和陕西地区的商业果园中采集了三种符合生理成熟标准的代表性猕猴桃品种，分别是‘红阳’（‘HY’）、‘徐香’（‘CX’）和‘阳光G3’（‘SG-G3’）（见图1）。可溶性固体含量是衡量猕猴桃生理成熟度的重要指标，我们在采摘时对其进行了检测。根据以往的研究，可溶性固体含量高于6.5%的果实可视为已达到最低成熟度标准

猕猴桃可溶性固体含量与硬度的分布情况

如图6(A)和(B)所示，‘红阳’、‘徐香’和‘阳光G3’三个品种的可溶性固体含量及硬度分布情况如下：这三个品种的可溶性固体含量范围分别为7.8–20.8%、8.5–20.8%和10.9–18.5%，对应的硬度范围则为2.1–152.3牛顿、3.7–184.3牛顿和3.5–126.9牛顿。不同品种之间的可溶性固体含量和硬度存在差异，其中‘徐香’的可溶性固体含量相对高于‘红阳’和‘阳光G3’，而硬度趋势则较为相似。可溶性固体含量与硬度的二维分布图如下

结论

为解决因猕猴桃品种间的生物变异以及不同检测设备差异导致的光谱模型失效问题，本研究提出了一种基于一维卷积神经网络的深度转移学习方法。实验结果表明，该一维卷积神经网络在预测猕猴桃的可溶性固体含量和硬度方面优于PLSR模型，其在不同品种间的RMSEP、R_p²和RPD指标平均提升幅度分别为12.21%、3.81%和20.98%（针对可溶性固体含量），而针对硬度指标的提升幅度则为52.79%、14.97%和110.87%。不过，该一维卷积神经网络在跨品种预测时的性能会出现明显下降

作者贡献说明

Youhua Bu：论文撰写——审阅与编辑、论文撰写——初稿撰写、可视化处理、验证工作、方法设计、数据整理、概念构思。 Chengxu Gong：论文撰写——审阅与编辑、软件使用、定量分析。 Shuai Li：可视化处理、定量分析。 Yijie Li：模型验证。 Wenchuan Guo：论文撰写——审阅与编辑、项目监督、资源协调、项目管理、资金筹集。

关于写作过程中生成式人工智能及人工智能辅助技术的声明

在撰写本论文的过程中，作者使用了ChatGPT来提升文本的可读性。在使用该工具/服务之后，作者对论文进行了仔细的审阅和修改，并对最终内容承担全部责任。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了陕西省重点研发计划（项目编号：2025NC-YBXM-165、2025CY-YBXM-642）以及杨凌示范区科技计划项目（项目编号：2025CYFZ-15）的支持。