《Agriculture》：Nondestructive Detection of Sweet Orange Granulation Using Noncontact Acoustic Vibration and Attention-Based Deep Learning
编辑推荐：
粒化是损害甜橙品质的主要生理失调现象。传统破坏性检测方法造成食物浪费且无法用于批量检验。研究人员提出一种利用空气射流瞬态激励与激光多普勒测振仪(LDV)的非接触声学振动甜橙粒化无损检测方法。从640个甜橙样本中采集声学振动频谱，分别以竞争自适应重加权采样(CA
粒化是损害甜橙品质的主要生理失调现象。传统破坏性检测方法造成食物浪费且无法用于批量检验。研究人员提出一种利用空气射流瞬态激励与激光多普勒测振仪(LDV)的非接触声学振动甜橙粒化无损检测方法。从640个甜橙样本中采集声学振动频谱，分别以竞争自适应重加权采样(CARS)提取的特征参数与原始声学振动频谱为输入，构建融合多尺度Inception模块与挤压-激励(SE)注意力机制的ISNet-1D模型，并与偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)及一维卷积神经网络(1D-CNN)、VGG16、ResNet-v1等基线模型比较。结果表明，基于完整原始振动频谱训练的ISNet-1D性能最优，测试集总体准确率、召回率、特异度分别为92.97%、95.00%、91.18%。消融实验显示移除Inception分支与SE模块分别使总体测试准确率下降5.47%与4.69%，表明二者组合可有效提取多尺度声学振动特征并提升模型精度。梯度加权类激活映射进一步识别了模型预测所依赖的关键频带。综上，非接触声学振动检测结合ISNet-1D为甜橙粒化无损检测提供了可行方法。
研究背景方面，甜橙(Citrus sinensis L.)全球产量中约占柑橘类水果一半，粒化作为其主要生理失调现象无显著外部症状，却导致汁胞硬化、光泽丧失、汁液减产，严重时引发微生物侵染与经济价值下降。现有近红外光谱(NIRS)存在厚皮穿透受限、受果皮厚度与测量几何影响的问题；X射线成像虽可达约90%准确率，但设备昂贵且有辐射安全隐患，难以规模化商用。声学振动响应与果实内部力学性质密切相关，可反映汁胞硬化与弹性模量改变，且穿透厚皮、不受色泽光照干扰，但在柑橘粒化检测中研究稀少。为此，研究人员开展非接触声学振动结合深度学习的甜橙粒化无损检测研究，构建ISNet-1D模型，发表于《Agriculture》。
关键技术方法上，研究人员采集湖北秭归夏橙310个与江西赣南脐橙330个共计640个样本，于南京林业大学实验室在20±2℃、65±5%湿度平衡1小时后，采用300kPa空气射流瞬态激励200ms、喷嘴距果面6cm、采样频率312.5kHz，由激光多普勒测振仪(LDV)获取自由衰减振动信号；经截断取激励前后各1.5s、Burg算法AR阶数400估计功率谱密度(PSD)得0–5000Hz共2623点；以纵向剖切目视判定粒化真值；分别用全频谱与竞争自适应重加权采样(CARS)选665点特征建模；机器学习对照PLS-DA、SVM、KNN、RF，深度学习对照1D-CNN、VGG16、ResNet-v1及提出的ISNet-1D（前端浅层卷积+四支并行Inception多尺度模块+SE通道注意力+深层卷积+全连接dropout 0.15）；以准确率、精确率、召回率、特异度、F1评估，并用消融与梯度加权类激活映射(Grad-CAM)解释。
研究结果部分，3.1节时频特性分析表明正常与粒化甜橙时域振动均呈脉冲激发后峰值为首逐渐衰减；PSD显示正常样低频能量集中、主共振峰频率低于粒化样，粒化样主峰上移196.45Hz并在1443.86Hz出现次峰，源于汁胞脱水木质化与细胞间隙扩大改变弹性阻尼。3.2节CARS特征选择在第46次蒙特卡洛迭代RMSECV最小，选出665点，敏感带密集于0–1800Hz低频及3500–4000Hz少量离散点。3.3节PCA对比显示全谱前三维累计方差88.08%但两类重叠明显；CARS子集前三维累计87.01%且PC1贡献下降、PC2/PC3上升，类间可分性增强，证实线性降噪有效但粒化-振动关系具非线性。3.4节全谱建模中机器学习RF最优（仍低于深度学习），深度学习1D-CNN/VGG16/ResNet-v1准确率71.09%/82.03%/88.28%，ISNet-1D达92.97%，正常特异度91.18%、粒化召回95.00%。3.5节CARS特征下机器学习CARS-SVM最优85.16%，深度学习CARS-ResNet-v1达88.28%，但ISNet-1D降至85.94%，说明线性降维破坏全谱连续非线性结构不利于复杂网络。3.6节ISNet-1D全谱比CARS输入准确率高7.03%，混淆矩阵误判更少。3.7节消融中BaseConv-1D基准较低，Inception-1D粒化召回98.39%但正常特异仅78.79%，CNN-SE特异90.91%但召回下降，ISNet-1D整合后准确率92.97%、F1 0.9268，移除两模块降级均显著(p<0.05)。3.8节Grad-CAM显示权重集中于0–300Hz与1000–1800Hz共振区，>1800Hz权重渐低，4000–5000Hz贡献低，与粒化组织弹性模量阻尼变化的低频物理机制一致。
讨论与结论翻译：本研究提出深度学习辅助声学振动甜橙粒化检测法，构建非接触平台获取振动响应，提出融合多尺度Inception与SE注意力的ISNet-1D，以全PSD为输入，多尺度分支提取全局共振与局部细粒度频域特征，SE强化关键频带。ISNet-1D总体准确率、粒化召回、正常特异均超90%，较ResNet-v1准确率提4.69%、召回提5%，较CARS-SVM准确率提7.81%。消融证伪多尺度Inception与SE协同互补对捕捉细微频域特征至关重要。Grad-CAM示权重聚于0–1800Hz低频，与粒化致组织弹性模量及阻尼改变物理机制吻合。该声学振动特征挖掘与判别框架为甜橙粒化检测提供可行路径，跨品种验证表明所学特征反映粒化频谱改变而非品种特性，具一定泛化能力。未来将扩大多品种产区样本并设计轻量网络以助在线分选设备开发。
