基于SHAP引导的光谱融合和贝叶斯粒子群优化的可解释高光谱框架，用于蓝莓冷害评估

《Food Control》：Interpretable hyperspectral framework for blueberry chilling injury assessment via SHAP-guided spectral fusion and Bayesian particle swarm optimization

　　摘要：蓝莓在采后冷藏储存过程中会遭受冷害（CI），这会导致生理和结构上的变化，使得非破坏性检测变得复杂。本研究整合了可见光-近红外（VNIR）和近红外（NIR）高光谱成像信息，并结合硬度、丙二醛（MDA）和可溶性固形物含量等关键质量属性来研究CI的发展过程。在应用Savitzky-Golay平滑处理和标准正态变量预处理后，开发了一个可解释的高光谱框架，该框架结合了基于SHAP的谱融合技术与经过贝叶斯粒子群优化调整的卷积神经网络-Transformer（CNN-Transformer），用于CI的分类和质量预测。该方法在保留VNIR-NIR互补信息的同时减少了光谱冗余，其性能优于单一光谱或传统融合方法。结果表明，CI分类的平均测试准确率为97.53±0.67%，三个质量属性的平均R2p值在0.9648到0.9791之间。此外，识别出的光谱特征揭示了CI发展背后的生理反应，将光谱变化与结构恶化、膜功能障碍和成分变化联系起来。这些发现为CI演变的机制分析提供了基础，并展示了具有更高解释性的准确、非破坏性采后监测的潜力。

引言：蓝莓（Vaccinium spp.）富含生物活性化合物，如花青素、黄酮醇和酚酸，具有很高的营养价值和抗氧化性（Ortega-Heras等人，2026）。然而，其活跃的采后代谢使它们在储存和运输过程中容易发生变质，从而缩短保质期并降低商业价值（S?nmez等人，2024）。通常在0-4°C下进行冷藏以抑制呼吸作用和代谢并延缓衰老；然而，长时间的低温度暴露可能会引发冷害（CI），表现为软化、褐变、水浸状病斑、细胞损伤和膜损伤（Besada等人，2015；Sanches等人，2021）。硬度、MDA和可溶性固形物含量（SSC）是评估CI进展的关键质量属性。硬度反映了组织的完整性和储存性，而SSC则反映了可溶性糖的积累和风味的发展（Rivera等人，2022；Shi等人，2023）。在蓝莓果肉中，MDA的积累反映了冷诱导的膜脂质过氧化和氧化应激，是CI发展的生理生物标志物（H. Chen等人，2022；Shi等人，2023）。鉴于这些质量属性在采后管理中的重要性，快速、准确且非破坏性的CI评估具有实际意义。以往的研究表明，可见光-近红外（VNIR）高光谱成像对颜色和色素相关变化敏感，并成功区分了不同程度的CI（Sun等人，2017）。近红外（NIR）光谱提供了内部物理化学性质的信息，并有助于定量预测质量属性，包括硬度和SSC（Ma等人，2021）。然而，CI涉及相互关联的生理过程，包括组织结构降解、膜脂质过氧化和细胞代谢失衡，这些过程无法仅通过单源光谱信息完全捕捉到（H. Chen等人，2022）。VNIR和NIR光谱的低层次融合（LLF）已被用于预测猕猴桃的果肉颜色、干物质和总可溶性酚含量，显示出这两种光谱领域的互补价值（Cevoli等人，2024）。然而，LLF可能会引入高维冗余和波段间的相关性，给多源光谱的有效特征提取带来挑战（Guo等人，2024）。解决融合光谱的高维性问题需要能够进行稳健特征学习和复杂光谱依赖性建模的模型。近年来，卷积神经网络-Transformer（CNN-Transformer）作为一种强大的深度学习架构出现，它结合了局部特征提取和全局依赖性建模（Fu等人，2025；Jeon等人，2025）。最近开发了一种用于野生蓝莓非破坏性SSC预测的混合CNN-Transformer模型，其R2p值为0.98，同时保持了计算效率（Shanthini等人，2025）。然而，CNN-Transformer的性能对超参数配置非常敏感，因此有效的优化至关重要（Wang, Jin等人，2023）。贝叶斯优化（BO）被用于优化甘薯硬度的光谱预测，与偏最小二乘回归（PLSR）相比，预测RMSE降低了18.42%（Ahmed等人，2025）。粒子群优化（PSO）也被应用于水果的SSC预测，其预测性能优于PLSR（Xu等人，2023）。然而，BO和PSO大多独立研究，它们在高效参数探索和全局搜索方面的互补优势尚未得到充分利用。为了利用BO和PSO的互补能力，引入了贝叶斯粒子群优化（BayPSO）来提高CNN-Transformer的性能。然而，仅靠预测性能无法揭示波长的贡献，而Shapley Additive Explanations（SHAP）为光谱解释提供了定量基础（He等人，2024）。在玉米籽粒的NIR分析中，SHAP显示2174 nm和1891 nm对水分和蛋白质预测有显著贡献（Zheng等人，2024；Zhou等人，2025）。随后，SHAP辅助的波长选择被应用于羊肉中的食源性病原体检测，将VNIR和短波红外光谱分别缩减至28个和19个波长，同时保持了有效的检测性能（Bai等人，2025）。SHAP衍生的贡献进一步被整合到动态注意力机制中，用于高光谱农药残留检测，提高了预测性能和波长解释性（Wu等人，2025；Zhu等人，2025）。尽管有这些进展，SHAP在指导选择性VNIR-NIR融合方面的应用仍不充分，而CI分类和连续质量预测往往分别进行。这些空白促使了SHAP引导的光谱融合（SHAP-SF）的发展，它利用波长贡献进行选择性跨光谱融合和CI严重程度及相关质量变化的综合评估。因此，本研究专注于冷藏蓝莓，开发了一个结合VNIR和NIR信息进行CI评估的可解释高光谱框架。工作流程包括：(a) VNIR和NIR数据采集及CI相关质量属性的测量；(b) BayPSO-CNN-Transformer框架构建；(c) SHAP-SF和机制分析。同时进行CI分类和质量属性的连续预测，以表征CI的严重程度和伴随的质量变化，并将信息性的光谱响应与CI发展过程中的生理变化关联起来。本研究旨在推进蓝莓CI及其相关质量变化的快速、非破坏性评估，最终促进更有效的冷藏管理。

样品制备和冷藏：成熟蓝莓（Vaccinium corymbosum ‘L25’）从Sam's Club（中国合肥）购买。为了确保样品的一致性，根据直径18±2 mm、颜色均匀、无机械损伤、病害或虫害以及可见缺陷的标准进行了筛选（Hu等人，2015；Song等人，2020）。最初筛选的480颗果实中，有456颗符合这些标准，并随机分配到4组，分别对应储存第0天、7天、14天和21天。

光谱响应分析：冷藏引起了蓝莓的光谱变化，反映了质量恶化过程中的生理变化。如图3(a和b)所示，在VNIR区域，随着冷藏时间的延长，反射率逐渐下降。接近700 nm的响应与储存期间色素降解和褐变发展相关的红边变化有关（Lorente等人，2012）。900–930 nm附近的光谱变化与有机成分的C-H倍频吸收有关。

结论：本研究开发了一个可解释的高光谱评估框架，结合了SHAP-SF和BayPSO-CNN-Transformer来评估蓝莓CI。通过融合互补的VNIR和NIR光谱信息，该框架实现了97.53±0.67%的CI分类准确率，有效区分了不同级别的CI。与LLF相比，SHAP-SF通过选择有信息量的波长来构建紧凑且可解释的光谱图，从而减少了冗余光谱信息。

作者贡献声明：Wei Liu：撰写、审稿与编辑、调查、数据分析、概念化；Junjie Guo：撰写、审稿与编辑、撰写初稿、方法论、调查；Chuanlong Men：撰写、审稿与编辑、数据管理；Qi Wang：撰写、审稿与编辑、数据管理、概念化；Changhong Liu：撰写、审稿与编辑、概念化。

利益冲突声明：作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢：本研究得到了中国国家自然科学基金（U23A2081）、安徽省杰出青年科学基金（2508085J022）和安徽省重点研发计划（2023n06020052, 2023n06020010）的支持。

作者：Wei Liu | Junjie Guo | Chuanlong Men | Qi Wang | Changhong Liu
合肥大学智能控制与计算视觉实验室，中国合肥，230601