蓝莓因其风味、花青素、多酚和健康促进特性而备受推崇（Chen et al., 2025; Jaspers et al., 2026; Liang et al., 2026; Zhang, Jiang, Li, & Yang, 2020）。由于其抗氧化、抗炎和代谢调节活性，蓝莓被认为与心血管保护、神经保护和慢性病预防有关（Ayyadurai, Ragavendran, & Sillanp??, 2025; Gamage, Kienesberger, Sinal, & Rupasinghe, 2026; K. Liu & Chen, 2025）。可溶性固形物含量（SSC）作为评估水果成熟度的关键内部质量指标，指导采收时机和储存管理（Togami, Oishi, Furuno, & Fukusaki, 2026; G. Wang et al., 2025; Xu et al., 2026）。它直接影响消费者的接受度和市场价值（Baccichet et al., 2025; Z. Guo et al., 2024）。然而，蓝莓体积细小、组织脆弱且果皮颜色深，使得破坏性 SSC 测量和高光谱采集更具挑战性，导致测量可重复性较低和反射信号较弱（A. Tian, Zhang, Fu, Cao, & Li, 2026）。传统的 SSC 测量方法耗时、费力且具有破坏性，因此无法满足高通量商业分级的需求（H. Liu et al., 2025）。因此，开发一种快速且非破坏性的 SSC 检测方法对于提高蓝莓在线质量评估和分级的效率至关重要。
高光谱成像（HSI）技术已被广泛应用于苹果、桃子、梨和猕猴桃等水果的非破坏性质量评估（Bu et al., 2026; Bu et al., 2025; M. Cao, Zeng, Wang, & Guo, 2024; Lee et al., 2025; Ma, Xia, Inagaki, & Tsuchikawa, 2021; S. Tian, Liu, & Xu, 2023; D. Wang et al., 2026; F. Wang et al., 2022）。在蓝莓中，之前的研究表明使用光谱和高光谱成像技术预测 SSC 和其他内部质量属性的可行性（Fu, Liu, & Tian, 2025; K.S et al., 2025; Leiva-Valenzuela, Lu, & Aguilera, 2013; Qiao et al., 2019; A. Tian et al., 2026）。早期研究证实，在实验室条件下，高光谱成像可以为蓝莓 SSC 预测提供有效的光谱信息，而随后的研究通过特征波长选择、自适应建模和基于深度学习的策略进一步提高了预测准确性（Bai, Fang, Zhang, & Fan, 2022; K.S et al., 2025; W. Zheng et al., 2020）。尽管这些研究确立了使用 HSI 检测蓝莓 SSC 的可行性，但大多数研究是在受控的实验室条件下进行的，水果朝向固定或预先定义，如果梗端、花萼端或赤道表面（Hu, Dong, & Liu, 2016; Leiva-Valenzuela, Lu, & Aguilera, 2014）。这限制了它们在线分选系统中的直接适用性，因为在这些系统中蓝莓通常以随机朝向呈现。
此外，几项研究试图提高蓝莓 SSC 预测模型在不同 cultivar、季节或样本来源间的鲁棒性（Bai et al., 2022; Fu et al., 2025）。然而，这些研究主要解决了与 cultivar、批次或季节相关的生物变异，而不是由水果表面朝向变化引起的光谱变异。现有的关于蓝莓 SSC 的高光谱研究也主要集中在固定的水果朝向上，特别是果梗端和花萼端，对随机放置条件下模型泛化能力的评估有限。在实际生产线中，蓝莓通常以随机朝向进入检测区，而人工朝向调整会降低吞吐量并可能增加机械损伤的风险（Z. Guo et al., 2024; Leiva-Valenzuela et al., 2014）。尽管已经针对蓝莓研究了特定朝向或特定表面的预测策略（Leiva-Valenzuela et al., 2013, 2014），但需要为不同的水果朝向建立单独的模型增加了操作复杂性，并限制了它们在高通量应用中的实用性。
为了解决像素级跨表面光谱异质性，必须考虑到每个蓝莓仅包含有限数量的像素；因此，在排除花萼和果梗区域的异质像素的同时保留尽可能多的有效果肉光谱，对于构建代表性的平均光谱至关重要。之前的研究表明，扩大有效光谱采样面积可以提高 SSC 预测性能（Lan et al., 2021; Mo et al., 2017）。因此，准确识别和去除异质像素对于构建鲁棒的跨表面预测模型至关重要。
本研究的主要目标是开发一个用于随机放置条件下蓝莓 SSC 预测的跨表面通用模型。为了实现这一目标，建立两个关键的方法学组件。首先，提出了一种像素级异常光谱纯化方法来解决数据层面的异质性。与之前主要试图在模型层面补偿异质性的研究不同，本研究通过在数据源头解决问题，提出了一种像素级异常光谱纯化方法来提高建模数据的一致性。该方法通过识别并排除异质像素（花萼、果梗和高光）来消除数据源头的干扰，这是在模型开发之前进行的。具体而言，使用多维统计分析系统地表征异常像素和正常果肉像素之间的光谱差异，包括欧氏距离、Cohen's d、t 检验和主成分分析（PCA），以阐明异质像素干扰 SSC 预测的机制。随后开发了一个基于 SVM 的分类器来识别花萼和果梗像素，并使用阈值分割消除了过曝的高光区域，生成了用于 SSC 建模的纯化光谱数据集。
其次，设计了一个多层特征融合网络（MLF-Net）以有效利用纯化后的光谱信息用于跨表面 SSC 预测。传统的 MLP 模型已被广泛用于光谱分析和水果质量评估（Martins, Rodrigues, Cavaco, Antunes, & Guerra, 2023; Qi et al., 2023; Sacilik, Cetin, Ozbey, & Cheein, 2025; Tirado-Kulieva, Torres-Guevara, Gonzales-Malca, Castro, & Seguí, 2026; Zou et al., 2024），但它们通常依赖于最终的隐藏层表示进行预测。由于从不同网络深度提取的特征可能提供互补的光谱信息（S. Zheng, Zhang, Deng, & Chen, 2025），MLF-Net 集成了浅层、中层和深层特征，以减少跨特征级别的信息损失。所提出的框架使用一个内部验证集和五个对应于不同水果表面朝向的外部验证子集进行评估，包括随机朝向的蓝莓。此外，使用原始和纯化光谱将 MLF-Net 与 MLP、LSTM 和 PLSR 进行比较，以评估像素级纯化对跨表面 SSC 预测的贡献。
