摘要
双孢菇（Agaricus bisporus）易腐性强，使得快速、自动化的采后新鲜度评估对于冷链物流至关重要。可见-近红外（Vis-NIR）高光谱成像在非破坏性食品质量评估方面前景广阔，然而从高度冗余的空间-光谱数据中挖掘有效信息仍具有挑战性。本研究提出了一种新型人工智能方法——图块对齐多模态交互融合网络（PAMIF-Net），用于监测蘑菇采后新鲜度。利用400个A. bisporus菌盖在9天冷藏储存期间的Vis-NIR数据集，该深度学习架构通过门控注意力机制动态融合全局光谱特征（指示内部理化变化）与局部空间形态特征（捕捉表面劣变）。在10次独立试验中进行的广泛评估表明，PAMIF-Net实现了最佳分类准确率（在当前测试集上高达100%），并且在五类储存时间识别任务上取得了最小的平均绝对误差。此外，相较于经典机器学习和标准深度学习骨干网络，它还展现出卓越的计算效率和显著更低的推理延迟。该多模态空间-光谱深度学习框架证明了在高光谱成像与深度学习相结合以实现A. bisporus在受控冷藏条件下自动储存时间识别这一特定任务中的可行性。
