《Journal of Food Composition and Analysis》：OPTIMIZED NEURAL NETWORK MODEL FOR HYPERSPECTRAL-BASED APPLE DISEASE CLASSIFICATION USING CROSS-WAVELET AND NAS
编辑推荐：
食品安全是一个关键的公共卫生问题，需要有效检测食品中的污染和疾病以防止食源性疾病。传统的图像处理方法在识别细微污染模式以及维持食品加工和分销过程中的质量标准方面常常面临局限性。高光谱成像（HSI）能够提供跨多个连续波段的光谱信息，从而实现对食品成分和特性的详细
食品安全是一个关键的公共卫生问题，需要有效检测食品中的污染和疾病以防止食源性疾病。传统的图像处理方法在识别细微污染模式以及维持食品加工和分销过程中的质量标准方面常常面临局限性。高光谱成像（HSI）能够提供跨多个连续波段的光谱信息，从而实现对食品成分和特性的详细分析。本研究提出了一种名为神经搜索交叉小波集成神经网络（NS-CW-INN）的新型高光谱图像处理框架，用于食品污染检测和分类，使用苹果高光谱图像数据集。首先，进行图像预处理以增强苹果样本中与疾病相关的特征。然后，结合神经搜索优化与双树交叉小波变换进行特征提取和选择。提取的最优特征使用集成的多层感知器（MLP）和卷积神经网络（CNN）架构进行分类。数据集包含67个健康苹果、85个苹果疮痂病样本、114个黑腐病样本和116个斑点病样本。实验结果表明，分类准确率在95.0%到98.1%之间，模型损失为0.18，总体准确率为92%，优于传统的GoogleNet、AlexNet、MLP和CNN模型。
食品安全是全球公共卫生的重大挑战，食源性疾病每年导致数百万人感染和死亡，亟需高效、非破坏性的检测方法。传统图像处理技术难以识别微污染模式，且高光谱成像（HSI）虽能提供丰富光谱信息，但数据维度高、处理复杂。现有深度学习模型多依赖手动设计网络架构，计算成本高，泛化能力不足，且难以自适应不同光谱分布和污染类型。为此，研究人员提出一种新型高光谱图像处理框架——神经搜索交叉小波集成神经网络（NS-CW-INN），旨在通过自动架构搜索和谱间相干性建模，提升苹果疾病分类的准确性和鲁棒性。该研究使用Kaggle苹果疾病检测数据集，包含健康、疮痂病、黑腐病和斑点病四类，共382张原始RGB图像，通过小波模拟生成伪高光谱特征。研究人员通过图像预处理、双树交叉小波变换（CWT和XWT）提取光谱-时间特征，利用神经架构搜索（NAS）自动优化网络结构，并集成卷积神经网络（CNN）和多层感知器（MLP）进行分类。实验结果表明，NS-CW-INN在验证准确率（95.0%）、F1分数（0.95）上优于3D-CNN、混合CNN-LSTM和视觉Transformer（ViT）等模型，且训练损失低至0.18。该研究为水果疾病检测提供了可扩展的自动化方案，可推广至其他食品安全监测场景。论文发表在《Journal of Food Composition and Analysis》。
主要关键技术方法包括：采用双树交叉小波变换（CWT和XWT）提取光谱相干特征，用于建模谱间依赖性；应用神经架构搜索（NAS）通过强化学习自动搜索最优卷积和循环层配置；构建集成CNN（空间特征提取）和MLP（分类）的混合网络；使用来自Kaggle的苹果疾病检测数据集（382张原始图像，经数据增强后每类150训练/30测试）。实验在Python环境下实现，使用TensorFlow/PyTorch框架，设定Morlet小波、尺度1-64、学习率0.001、50个epoch等参数。
**5.1. 结果与讨论**
通过对比实验，NS-CW-INN在验证准确率（95.0%）和F1分数（0.95）上均优于3D-CNN（93.8%, 0.93）、混合CNN-LSTM（94.3%, 0.94）和视觉Transformer（ViT）（94.6%, 0.94），证明交叉小波谱间相干性建模和NAS优化提升了特征判别力。超参数敏感性分析显示学习率0.001最优，批量大小>64时性能微降。
**5.2. 统计显著性（GLCM）**
通过灰度共生矩阵（GLCM）纹理特征分析，健康苹果与患病苹果在对比度、同质性、能量和相关性上存在显著差异（单因素方差分析p<0.05）。健康苹果对比度31.16、相关性0.990；黑腐病对比度最高33.80、同质性最低0.52。几何特征（面积、周长、长宽比）也显示疾病样本形状不规则，如苹果疮痂病面积19850像素、周长980.75像素，长宽比1.12。
**5.3. 消融实验**
逐组件评估显示：仅CNN准确率91.2%，CNN+NAS提升至93.5%，CNN+交叉小波为94.1%，完整NS-CW-INN达95.0%，证实性能提升源于集成而非单纯模型规模。
**讨论与结论**
讨论部分指出，NS-CW-INN通过交叉小波变换提取的谱间相干性特征（如健康苹果在550-560nm波段相干性0.97，相位差0.45弧度）与纹理、几何特征结合，有效区分健康与疾病类别。模型在第10个epoch达到训练损失0.18、验证损失0.28、训练准确率98.1%、验证准确率95.0%、F1分数0.95，每张图像处理时间120-128ms，表明高效且鲁棒。消融实验验证了各组件的贡献。
结论翻译：为了改善食品安全，通过高光谱图像对苹果果实疾病进行分类评估。本文提出了NS-CW-INN作为识别苹果疾病的有效解决方案，具有高效率和鲁棒性。神经架构搜索与先进的交叉小波特征提取相结合，达到了稳定的高性能，在第10个epoch时验证准确率提高到95.0%，F1分数达到0.95。纹理特征与几何特征的结合使疾病表征更加先进，从而实现了健康苹果与感染疾病苹果的有效区分。仿真分析估计了几何和形状特征，用于苹果中食品检测的准确分类和检测。仿真分析表明，所提出的模型比传统的GoogleNet、AlexNet、CNN和MLP模型性能提升约12%。这些成功的研究结果表明，NS-CW-INN可以提升食品安全检测能力，并为高光谱图像评估中的深度学习方法创造机会。
