通过便携式可见光-近红外光谱技术和无监督学习方法揭示温室黄瓜中的渐进性皱纹形成模式

《EUROPEAN FOOD RESEARCH AND TECHNOLOGY》：Revealing progressive wrinkling patterns in greenhouse cucumbers through portable Vis–NIR spectroscopy and unsupervised learning approaches

　　

摘要

黄瓜果实极易在采后过程中发生水分流失和表面起皱，从而导致品质迅速下降和市场价值降低。本研究评估了便携式可见光-近红外（Vis–NIR）光谱技术与无监督机器学习算法结合在储存期间对黄瓜起皱阶段进行无损检测的潜力。共有220根温室种植的黄瓜在受控条件下储存了16天。研究人员在400–1100纳米范围内收集了黄瓜中间部分和茎端部分的反射光谱，并分别对其进行了400–1100纳米区间和700–1100纳米区间的分析。研究比较了原始光谱数据、Savitzky–Golay（SG）预处理方法、乘法散射校正（MSC）预处理方法以及标准正态变量（SNV）预处理方法的性能。通过Davies–Bouldin（DB）指数和Silhouette指数评估了人工蜂群（ABC）、模糊C均值（FCM）、高斯混合模型（GMM）、K均值（K-Means）和自组织映射（SOM）等算法的聚类能力。结果表明，光谱预处理方式、采样位置和波长范围对聚类效果有显著影响。从茎端部分收集的光谱数据通常比中间部分的数据具有更好的分类效果。在不同的预处理方法中，SG、MSC和SNV根据所使用的算法不同，能够改善聚类质量。在大多数光谱条件下，K均值（K-Means）、人工蜂群（ABC）和自组织映射（SOM）的表现均优于模糊C均值（FCM）和高斯混合模型（GMM）。在700–1100纳米范围内，使用K均值结合SG预处理方法得到的聚类效果最佳，其Silhouette系数为0.844，Davies–Bouldin指数为0.472。研究还表明，黄瓜起皱的过程遵循一定的生理变化梯度，这导致不同质量等级之间存在部分重叠。便携式Vis–NIR光谱技术与无监督学习方法的结合为实现黄瓜起皱情况和采后品质变化的无损监测提供了一个有效工具。