《Foods》：A Study on Hyperspectral Non-Destructive Testing of Mechanical Damage in Yali Pears Using Linear Dimension Reduction and a Lightweight CNN
编辑推荐：
为实现雅梨损伤的快速无损识别，研究人员提出一种融合短波红外高光谱成像（1000–2500 nm）、正则化线性判别分析（R-LDA）与轻量级卷积神经网络（CNN）的检测方法。实验以180个雅梨（健康、机械擦伤与压缩损伤各60个）为训练样本，另取300个独立果实（
为实现雅梨损伤的快速无损识别，研究人员提出一种融合短波红外高光谱成像（1000–2500 nm）、正则化线性判别分析（R-LDA）与轻量级卷积神经网络（CNN）的检测方法。实验以180个雅梨（健康、机械擦伤与压缩损伤各60个）为训练样本，另取300个独立果实（健康与受损各150个）进行果实级分选验证。经主成分分析（PCA）预处理消除多重共线性后，比较PCA、独立成分分析（ICA）与R-LDA三种特征提取策略结合同一轻量级CNN的分类性能。结果显示R-LDA的Fisher判别准则（5.0275）与分离指数（2.3543）均优于PCA与ICA，其降维特征类间可分性更强。像素级测试中，R-LDA+轻量级CNN对压缩损伤与背景的识别准确率分别为98.60%和99.32%，对机械擦伤与完好组织的识别准确率分别为93.54%和96.33%。在300个独立果实分选验证中，该方法对受损果实召回率100.00%（零漏检），精确率与F1分数分别为97.00%和97.09%，均优于PCA+CNN与ICA+CNN。上述结果表明，R-LDA判别降维与轻量级CNN结合可在保持高损伤检出率的同时有效压缩高光谱数据冗余，为雅梨采后损伤快速无损检测提供可行方案。
研究背景方面，雅梨（Pyrus bretschneideri cv. Yali）是我国北方主栽梨品种，采收、运输与贮藏中易受机械擦伤（Mechanical scratch）与压缩损伤（Compression damage）影响；前者为表皮破裂或线状创口，后者表皮完整但皮下细胞结构受损，早期不易目测，人工分选效率低且漏检率高，导致损果混入商品批、缩短货架期并造成经济损失。现有高光谱成像虽能同时获取空间与连续光谱信息，但原始数据达288波段，存在高维冗余与多重共线性，直接建模计算负担重且易引入噪声；PCA与ICA为无监督降维，不利用类别标签，对细微损伤光谱区分力有限；传统CNN参数量大难以满足在线分选实时性。因此研究人员开展本研究，旨在以有监督判别降维结合轻量级CNN实现雅梨两类机械损伤的快速无损识别。论文发表于《Foods》。
关键技术方法上，研究人员于2025年9月取自山东果园（36.48° N, 115.44° E）的200个雅梨中筛出180个作建模样本（健康60、机械擦伤60、压缩损伤60），另取同期同园300个独立果实（健康150、受损150）作果实级验证；损伤以刀片浅划（3–5 cm长、0.5–1 mm深）模拟擦伤，以两梨对撞模拟压缩损伤。系统采用线扫描短波红外高光谱（1000–2500 nm，288波段，空间384×600）经黑白校正获反射率，按果级独立划分训练/验证/测试集（101/25/54果）以避免同果像素泄露；光谱先以仅训练集拟合的PCA压至8主成分消除共线性，再分别用PCA（8维）、ICA（8维）、R-LDA（3维，scikit-learn SVD解算+截断正则）提取特征，构5×5×通道数空谱块入轻量级CNN（三类策略共享架构，约1.0×106参数，3.8 MB，Adam优化，含BN、ReLU、Dropout、L2与标签平滑），像素级以5种子种子复现，果实级按损像素占比θ=5%投票。
研究结果部分，2.7–2.8节特征提取对比表明，R-LDA的Fisher准则5.0275、分离指数2.3543高于PCA（2.8694、2.0064）与ICA（0.4326、1.3530），散点显示其低维空间类簇最紧、类距最大；2.9节可复现性设计确认PCA变换仅训练集拟合、8主成分累贡献99.3%、R-LDA经PCA截断+SVD双正则解决高维小样本Sw奇异问题。3.1节像素级五重复结果显示R-LDA+CNN平均准确率97.98%（95% CI 97.30–98.66%），优于PCA+CNN 95.70%与ICA+CNN 95.10%，训练损失最低且波动最小。3.2节混淆矩阵显示完好组织、压缩损伤、机械擦伤、背景召回率分别为96.33%、98.60%、93.54%、99.32%；擦伤精度偏低（56.35%）因损像素绝对数少（训练仅665像素），但召回仍达93.54%。3.3节可视化显示模型对线状擦伤边缘与面状压缩区空间对齐好，误差集中在过渡带，与标注主观边界一致。3.4节300果独立验证中R-LDA+CNN对损果召回100.00%（0漏检），健康果特异度94.00%（9误剔），准确率97.00%、F1 97.09%，均优于另两组；PCA+CNN漏检6、ICA+CNN漏检3且健康误剔20。2.11节补充实验显示同R-LDA特征下轻量级CNN（97.98%）较SVM（91.25%）、RF（89.80%）、PLS-DA（90.52%）高6.5–8.2个百分点，增益来自5×5邻域空谱联合而非仅谱特征。
讨论与结论部分，研究人员指出R-LDA优势源于有监督最大化类间散度、最小化类内散度，配合PCA截断与SVD截断双正则，在高维小样本下稳定提取判别方向；PCA留全局方差、ICA留统计独立分量但不利用标签，故对细微损伤区分弱。像素级压缩损伤识别高于擦伤，因压缩致皮下褐变、失水与酚氧化在近红外有强吸收响应，擦伤仅表皮浅伤、光谱弱且受果面曲率与光照干扰。果实级零漏检由像素级高召回经损像素比例投票映射得到，误剔率约6%可借多视角成像或阈值优化下压。结论明确：R-LDA将8维PCA压至3维判别空间，配轻量级CNN像素准确率97.98%、F1 97.09±0.62%，300果分选准确率97.00%、损果召回100%；方法在特征可分性、训练稳定性与在线实时潜力（单图推理约1.0 s）上均适配电商化采后分选；局限为未跨品种/成熟度/季节/自然伤验证，损伤为实验室模拟，后续需外园与外季验证。
