一种基于CEEMDAN分解、VAVN信号重构及数据级融合的霉变梨核检测新方法

《Food Control》：A novel method for detecting moldy pear core based on CEEMDAN decomposition and reconstruction of VAVN signals with data-level fusion

　　摘要：为解决传统单一模态方法在识别腐烂梨核方面的低准确率和低效率问题，本研究提出了一种基于振动声学信号与可见光/近红外光谱信号数据级融合的无损检测方法，以提高对腐烂梨核的检测能力。首先，采用自适应噪声全集合经验模态分解算法来降低噪声干扰导致的信号误差。随后，将振动声学信号与可见光/近红外光谱信号进行融合，并通过连续小波变换算法将其转换为二维图像。接着利用灰度共生矩阵-马尔可夫随机场方法从CWT图像中提取纹理特征。此外，还构建了TransXNet特征提取器以提取CWT图像的深层特征。最后，分别从CWT图像中提取纹理特征和深层特征，并将其作为两种不同的特征提取方式进行分析。以GLCM-MRF纹理特征提取方式为基准，而最终优化的模型则是基于TransXNet深层特征，再经过基于SHAP的特征选择和XGBoost分类算法构建的。研究结果表明，基于深层特征提取器构建的TXN-XGBoost模型在检测性能上表现最佳，其加权平均精度、加权平均召回率以及加权平均F1分数均接近97%。此外，还通过SHapley加性解释方法筛选出冗余特征，进而基于所选的158个有效特征构建了TXN-SHAP-XGBoost模型。与TXN+XGBoost模型相比，该模型使四种香梨的wAP、wAR和wAF1指标分别提升至98.28%、98.26%和98.26%。经过基于SHAP的特征选择后，单个梨的检测时间缩短至0.13秒。因此，本研究为准确检测腐烂梨核提供了一种有效的多模态建模策略，也为未来开发梨类在线无损检测系统奠定了重要基础。

引言：库尔勒香梨是中国新疆地区特有的地方品种，因其浓郁的果香、薄皮、细腻的果肉、爽脆的口感、多汁的特性以及适中的甜度而在国内外市场上广受认可（He等人，2025）。然而，在采收、储存和运输过程中，香梨容易遭受多种病害的侵袭，其中腐烂梨核病对果实品质和商业价值的影响尤为严重。腐烂梨核病是一种由多种病原体共同引起的复杂内部病变（Li等人，2025）。在感染初期，果核附近仅会出现小的褐色斑点，随着病情发展，这些斑点会逐渐扩大并形成霉菌病灶，最终导致果核及周围果肉腐烂。在严重情况下，还会出现水浸状症状和空洞。由于这类病症的早期和中期症状都发生在果实内部，难以通过肉眼观察发现。此外，该病在储存期间还可能继续蔓延，一旦爆发就会造成巨大的经济损失（Li等人，2025）。因此，研发一种快速、准确且无损的检测方法，对于香梨的品质分级、储存管理以及损失控制具有重要意义。

在果蔬内部缺陷及病害检测方面，已有大量研究致力于开发无损检测技术，包括高光谱成像（Liang等人，2025）、X射线成像（Munera等人，2025）、电子鼻技术（Dong等人，2026）以及磁共振技术（Wang等人，2025）等。这些方法在一定程度上能够检测出果蔬的内部缺陷或品质状况，但普遍存在设备成本高、检测效率低、数据处理复杂以及难以实现在线应用等问题，限制了其在实际生产场景中的应用。相比之下，振动声学方法和可见光/近红外光谱技术具有成本低、信号采集方便、检测速度快以及可解释性强的优点，已被广泛用于果蔬内部品质的无损检测（Zhao等人，2026）。振动声学方法通过检测外部激励下的响应信号，反映与内部结构完整性相关的机械特性（Chen等人，2025a）。从力学角度来看，真菌感染和内部腐烂会导致组织结构松散、硬度和弹性下降、局部密度改变，以及受感染区域阻尼增加。这些变化会影响振动波在梨内部的传播和衰减，进而通过振荡幅度、主导频率成分、信号衰减程度以及能量分布等方面的变化体现在振动声学响应中，因此振动声学信号对内部结构退化及组织完整性变化十分敏感。可见光/近红外光谱技术则基于分子振动吸收原理，间接反映果实的化学组成和组织状态（Jiang等人，2025）。从光学和生物化学角度分析，腐烂梨核病的发生伴随着组织褐变、色素积累、水分重分布、细胞破裂以及微观结构损伤导致的散射增强等现象，这些变化都会影响可见光和近红外波段的光吸收与透射。可见光波段与褐变和霉菌生长引起的颜色变化相关，而近红外波段则与含水量较高的组织以及内部结构损伤导致的散射变化有关。因此，可见光/近红外波段的透射光谱能够提供与腐烂梨核病严重程度相关的生物化学和光学信息。从理论层面来看，振动声学信号与可见光/近红外光谱信号的结合非常适合用于腐烂梨核病的检测，因为它们能够同时捕捉到由真菌感染引起的结构/力学退化以及生物化学/光学变化。

然而，单一模态的检测技术在检测腐烂梨核病时仍存在局限性。以往的研究表明，储存过程中果实成熟度的变化会改变香梨的机械特性，从而导致振动声学信号出现波动，降低特征的稳定性（Zhang等人，2024）。同时，果肉的衰减会削弱光学信号，限制有效光谱特征的提取，进而降低检测灵敏度（Chen等人，2025b）。这些研究结果说明，单一来源的信息无法同时保证检测的准确性、稳健性以及实际应用性。由于振动声学信号反映了果实内部结构及机械特性的变化，而可见光/近红外光谱信号则能捕获与化学组成和组织状态相关的信息，因此这两种检测模态具有很强的互补性。将振动声学信号与可见光/近红外光谱信息进行融合，有望弥补单一检测技术的不足，提高库尔勒香梨腐烂梨核病识别的准确性和稳定性。

现有的研究大多直接使用一维原始信号来进行果实品质或病害检测。虽然这类信号能够保留基本的波形和光谱信息，但在类别间差异较小或存在较强噪声和背景干扰的情况下，其区分能力较为有限。故障诊断领域的先前研究表明，多源信号融合能够提供更丰富、更稳定的特征，从而减少单一信号中噪声干扰带来的不稳定性（Wang等人，2021）。Dong等人（2025）和Xia等人（2025）利用连续小波变换从时域和频域两个角度对信号变化进行表征，提升了信号的特征表达能力。尽管上述图像编码和特征增强方法主要应用于机械故障诊断领域，但它们在弱特征增强、多尺度信息表达以及复杂信号可视化方面的优势，为果蔬内部病害的无损检测提供了有益的方法参考。因此，通过CWT将融合后的多源信号转换为二维时频图像，有助于更好地呈现香梨腐烂梨核病相关的隐含特征，为后续的特征提取和分类工作提供更充分的信息支撑。

在信号图像编码之后，图像特征提取是实现精准疾病分类的关键步骤。纹理特征能够量化图像灰值的空间分布规律，描述局部结构及细微差异，在复杂的图像分析中具有良好的可解释性（Sun等人，2025；Li等人，2025）。而通过深度学习模型提取的深层特征，则能够自动捕捉高层语义信息，对于复杂模式的识别具有显著效果（Han等人，2024；Miao等人，2024）。这两种类型的特征都可用于基于图像的信号分析。因此，有必要比较不同的特征表示方法和分类器，以找到最适合用于果实病害检测的组合方案。

除了特征提取之外，近期研究还表明，机器学习模型在捕捉不同研究领域的复杂非线性模式方面具有巨大潜力。基于神经网络的模型已被用于预测任务中的非线性关系（Jin和Xu，2025a；Xu和Zhang，2024），而高斯过程回归在涉及材料属性和指数交易量的复杂预测任务中也展现出较强的适用性（Zhang和Xu，2021；Jin和Xu，2025b；Jin和Xu，2026c）。图形技术以及集成/复合方法则为建模复杂的结构关系和提高预测的稳健性提供了有力工具（Jin和Xu，2026a、2026b；Xu，2020；Xu和Zhang，2021）。与此同时，卷积神经网络、迁移学习模型以及基于Transformer的架构等深度学习模型，也在复杂信号识别和故障诊断任务中展现出强大的能力，能够自动提取具有区分度的特征并提升分类性能（Zhang等人，2026；Kumar等人，2026；Gao等人，2026）。总体而言，这些研究为将机器学习和深度学习模型应用于腐烂梨核病的识别工作提供了进一步的方法学支持。

综上所述，本研究设计了一套基于振动声学信号与可见光/近红外光谱信号的无损采集系统，用于采集不同腐烂程度的梨的相应信号。随后通过多源信息融合、纹理特征与深层特征提取以及分类建模等方法，构建了一种高效且准确的分类检测方法。本研究的具体目标如下：（1）采集振动声学信号和可见光/近红外光谱信号，对其进行信号预处理和数据级融合，得到融合后的VAVN信号；（2）将VAVN信号转换为CWT图像，并从中提取纹理特征和深层特征；（3）构建多种分类模型，包括PLS-DA、SVM和XGBoost，通过模型性能对比选出最优的检测模型。

材料与方法：图1展示了梨腐烂梨核检测的完整数据处理流程。第一步：多模态信号的采集。使用自行设计的多模态数据采集装置，采集梨样本的振动声学信号以及可见光/近红外光谱信号。第二步：梨样本的分类。在信号采集完成后，对梨样本进行拍照和切割，然后根据腐烂梨核VAVN信号的数据级预处理分析结果，将其划分为健康、轻微、中等和严重四个等级。

在本研究中，采用CEEMDAN算法对原始振动声学信号进行动态分解，得到9个IMF分量和一个残差项，由此得到了如图8（A）所示的子信号分量数据。通过观察各IMF分量的图像可以发现，IMF1、IMF2和IMF3的图像出现了多次重叠现象，这种混叠现象表明这些IMF信号中噪声占主导地位。而IMF4至IMF9则代表了原始信号中的有用信息，即真正的IMF分量。

结论：本研究提出了一种基于振动声学信号与可见光/近红外光谱信号融合的无损检测系统，旨在实现腐烂梨核的快速准确检测。该方法在数据层面对梨的振动声学信号与可见光/近红外光谱信号进行了融合，整合了二维图像变换、纹理特征提取以及深层特征提取等技术。研究人员构建了包括PLS-DA、SVM和XGBoost在内的多种分类模型，并通过实验得到了相应的检测结果。

CRediT作者贡献声明：Wenbo Fu负责验证工作；Yunhao Zhang负责初稿撰写与可视化处理；Kang Zhao负责方法设计及数据整理；Tao Shen负责论文审阅与编辑以及资金申请工作；Han Zhang负责论文审阅与编辑以及正式分析工作；Shuhui Bi负责论文审阅与编辑以及方法研究工作；Jie Liu负责项目监督工作。

未引用参考文献：Barbedo, 2018；Li等人，2025；Li等人，2025；Miao和Yu，2024。

利益冲突声明：无。

数据可用性：数据将应要求提供。

利益冲突声明：? 作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢：本研究得到了山东省自然科学基金项目（ZR2026QC0220）、济南大学博士启动基金（XBS2494）以及国家大学生创新训练计划项目（202510427009）的资助。

作者名单：Kang Zhao | Yunhao Zhang | Wenbo Fu | Jie Liu | Shuhui Bi | Han Zhang | Tao Shen

单位：中国济南市济南大学电气工程学院，邮编250022