基于三维相关光谱与深度残差学习的新梅多指标无损品质分级

《Journal of Food Composition and Analysis》：Nondestructive Multi-index Quality Grading of Xinmei Plum Using 3D Correlation Spectroscopy and Deep Residual Learning

　　

可溶性固形物含量（SSC）和硬度是评价新梅成熟度、采后品质和商业价值的关键品质属性。本研究开发了一种将多维相关光谱与ResNet-34相结合的无损分析方法，用于SSC和硬度分类，并进行综合品质分级。采集了600个新梅样品在400–1000 nm范围内的可见/近红外（Vis/NIR）漫反射光谱，并测量了参考SSC和硬度值。利用单一品质梯度扰动将一维光谱转换为二维和三维相关光谱，并对同步、异步和集成光谱表示进行了比较。以ResNet-34为主要骨干，3D-COS同步表示对SSC和硬度的验证准确率分别达到95.33%和91.95%，优于相应的1D-CNN基线。使用t-SNE和Grad-CAM进行的特征可视化显示，与品质水平相关的判别性光谱信息的提取和分离得到改善。主要的实际创新是提出了一种基于限制因子的融合策略，将单独的SSC和硬度预测转换为统一的商业等级，综合分级准确率达到95.00%，并减少了严重的跨等级误分类。这些结果表明，多维相关光谱结合深度残差学习可有效用于新梅品质的无损评价与分级。

论文解读：基于三维相关光谱与深度残差学习的新梅多指标无损品质分级

**研究背景与问题**

新梅（Xinmei plum）是一种具有高商业价值和日益增长消费需求的特色水果。其甜度、硬度、风味和新鲜度直接影响食用品质、采后贮藏性能、市场分级和加工适宜性。其中，可溶性固形物含量（SSC）是反映果实甜度、风味品质和成熟度的重要指标，而硬度则体现组织结构、软化进程以及采后处理和运输过程中的耐贮性。目前SSC通常用折射仪测定，硬度用质构仪或果实硬度计通过穿刺或压缩试验测定。这些常规方法虽较准确，但具有破坏性、耗时，且仅能对少量果实进行抽样分析，难以应用于大规模在线检测和快速分级。因此，开发快速、准确、无损的新梅SSC和硬度检测方法，对于确定最佳采收期、改进品质分级、增强产品一致性和减少人工检验误差具有重要意义。

可见/近红外（Vis/NIR）光谱具有快速、无损、样品制备简单等优点，已被广泛验证用于水果内部品质评估。然而，高维近红外光谱常包含冗余波长、弱相关信号和噪声干扰，光谱响应与SSC、硬度等品质属性之间的关系往往呈非线性和复杂性。仅依靠人工波长选择或浅层建模方法可能导致光谱信息利用不充分和模型泛化能力受限。此外，以往多数Vis/NIR研究侧重于单一品质属性的预测或分类，而实际商业分级需要同时考虑甜度和质地；对于新梅，高SSC并不一定意味着高品质，当硬度显著下降时，果实整体商品价值会降低。同时，相邻等级的一维光谱高度相似和重叠，限制了直接判别。因此，需要增强品质相关的波长间相关信息，并将单独的SSC和硬度预测转换为统一的商业等级。

**研究目标与意义**

本研究旨在开发一种基于Vis/NIR光谱、多维相关光谱和深度残差学习的新梅无损多指标品质分级方法。研究人员构建了基于Vis/NIR光谱及参考SSC和硬度值的内部品质分级数据集，比较了一维光谱、二维相关光谱（2D-COS）和三维相关光谱（3D-COS）以及同步、异步和集成相关模式在SSC与硬度分类中的表现，利用t分布随机邻域嵌入（t-SNE）和梯度加权类激活映射（Grad-CAM）考察学习特征的演变与判别依据，并基于限制因子决策规则将独立预测的SSC和硬度等级整合为统一商业等级。结果表明，3D-COS同步表示结合ResNet-34对SSC和硬度分类的验证准确率分别达到95.33%和91.95%，综合分级准确率达到95.00%，且减少了严重跨等级误分类。该研究为水果无损多指标分级和智能分选提供了方法基础。论文发表在《Journal of Food Composition and Analysis》。

**主要技术方法**

研究人员从新疆乌鲁木齐九鼎农产品批发市场采集600个新梅样品，置于恒温恒湿箱（20±1 ℃、相对湿度60±0.1%）平衡24小时。使用Vis/NIR漫反射光谱系统在400–1000 nm范围采集光谱，并测量SSC（数字折射仪）和硬度（GY-4硬度计）。按8:2划分训练集（480个）和验证集（120个）。比较六种预处理方法，采用一维卷积神经网络（1D-CNN）、ResNet-34、DenseNet-121和EfficientNet-B0等深度学习模型。基于质量梯度扰动构建2D-COS和3D-COS同步、异步和集成光谱。最后采用限制因子最大算子实现综合分级。

**研究结果**

**3.1 新梅理化特性与样本分布**

通过雨云图（raincloud plot）分析SSC和硬度数据，结果显示不同等级样本在SSC和硬度上呈连续梯度分布。SSC通道中，Grade 2分布于9.0–19.0 °Brix，Grade 1集中于19.0–21.9 °Brix，Premium主要分布于21.9–30.0 °Brix；硬度通道中，Grade 2低于7.5 N，Grade 1在7.5–11.5 N，Premium高于11.5 N。表明数据集覆盖了新梅品质分级所需的主要理化范围。

**3.2 光谱特征分析与预处理评价**

原始光谱在970 nm附近存在吸收特征，与水和碳水化合物中O–H键的二倍频振动有关。不同等级的平均光谱整体轮廓相似，但存在基线漂移和散射干扰。通过比较六种预处理方法，基于1D-CNN模型，标准正态变量变换（SNV）对SSC分类效果最佳（平均准确率85.15%），SNV加一阶导数（1st Deriv）对硬度分类效果最佳（平均准确率82.05%），因此分别作为SSC和硬度模型的预处理方法。

**3.3 基于1D-CNN模型的SSC和硬度分类结果**

1D-CNN在验证集上对SSC的平均准确率为85.15%，最大为89.17%，平均Kappa系数为0.78；对硬度的平均准确率为82.05%，最大为88.33%，平均Kappa系数为0.73。说明一维光谱能初步区分品质等级，但受限于缺乏波长间相关信息，性能有待提升。

**3.4 多维相关光谱表示**

研究人员利用外部扰动概念，以SSC和硬度质量梯度作为扰动变量，将一维光谱转换为2D-COS和3D-COS表示，并构建同步、异步和集成三种相关模式，共生成18组多维相关光谱。3D-COS通过空间映射将相关强度编码为表面高度，为深度学习模型提供了结构化输入。

**3.5 多模态分类性能比较**

对于2D-COS，同步光谱对SSC和硬度的平均验证准确率分别为92.06%和86.10%，优于异步和集成光谱。对于3D-COS，同步光谱对SSC和硬度的准确率分别达到95.33%和91.95%，仍为最优。ROC曲线、PR曲线和混淆矩阵进一步证实，3D-COS同步表示显著改善了相邻等级的判别能力，Grade 1的AUC和AP在SSC通道均达到1.000。骨干网络比较显示，ResNet-34对SSC准确率最高（95.33%），EfficientNet-B0对硬度略高（92.86%），说明3D-COS表示的有效性不限于单一架构。t-SNE可视化显示，3D-COS表示结合残差特征提取使不同等级样本在特征空间中形成更紧凑、可分的簇。Grad-CAM热图显示，模型对不同等级样本的关注区域不同，Premium样本的高响应区域集中在中央峰及相邻交叉相关区域，Grade 2样本则分布在边缘或低强度相关区域，这些区域可能对应水、碳水化合物相关光谱响应和组织结构变化。

**3.6 基于限制因子原理的多指标自动集成分级评价**

研究人员采用反向等级编码（Premium=1，Grade 1=2，Grade 2=3）和最大值算子，识别限制总体品质的最低等级属性。综合分级决策流程将SSC和硬度预测等级映射为统一商业等级。在120个验证样本上，综合分级准确率达到95.00%。该策略减少了单指标评价中可能出现的跨等级误分类，尤其是Premium与Grade 2的直接混淆，避免了对高SSC但硬度不足果实的过高评价。

**讨论总结与结论**

讨论部分指出，同步光谱优于异步和集成光谱，原因在于样本按品质梯度排列时，同步