基于多任务LightGBM整合图像特征的柑橘品质性状预测

《Journal of Food Composition and Analysis》：Predicting multiple quality traits of citrus: a multi-task LightGBM approach integrating image features

　　

本研究提出了一种基于LightGBM的多任务学习框架，用于同时预测柑橘的三个品质性状：可溶性固形物含量（SSC）、可滴定酸（TA）和维生素C含量（VC）。研究人员共采集182个柑橘样品，每个样品拍摄4张图像，包括果蒂、果脐各一张，赤道面两张。首先，26个图像特征（颜色指数和纹理指标）和5个物理特征（LAB颜色空间值、果实尺寸和重量）经过标准化、特征选择以及农学意义指标的推导（长宽比和颜色饱和度）处理。目标变量采用Box–Cox变换以校正非正态分布。多任务学习策略显著提升了预测性能：SSC、TA和VC的R²分别达到0.9576、0.9516和0.9730，相应的均方根误差（RMSE）分别为0.3885、0.0504和5.0344。误差区间分析显示，超过98%的预测落在±5%误差范围内，证实了所提出方法的可靠性。这些发现表明，多任务LightGBM框架作为一种实用工具，能够利用RGB图像和简单物理特征在柑橘产业中实现SSC、TA和VC的快速、同步和准确预测。

柑橘是全球栽培面积最广、产量最高的水果作物，中国是世界最大的柑橘生产国。甜度和酸度是柑橘主要的感官品质属性，其营养价值与维生素C（VC）、橙皮苷和柠檬烯等功能成分密切相关。采后分级对于提升商品价值和满足消费者期望至关重要，而可溶性固形物含量（SSC）、可滴定酸（TA）和VC是界定品质等级的关键内在指标。传统的检测方法依赖破坏性取样和实验室操作，如用折射仪测定SSC、滴定法测定TA和VC，这些方法耗时费力，难以适应大规模生产的实时监测需求。计算机视觉已广泛用于柑橘外观品质检测，但多数机器学习方法采用单任务学习（如偏最小二乘回归），即每个品质性状独立建模，忽视了性状之间的相关性，并且需要为每项任务分别建立模型，增加了开发和维护成本，也降低了适应新任务组合的能力。多任务学习虽然能够利用性状间相关性提升精度，但面临两大挑战：一是“维度灾难”，即小样本量难以支撑高参数的多头网络；二是领域知识整合有限，黑盒模型无法纳入农业专家的经验知识。为此，研究人员提出一种基于LightGBM的多任务学习模型，结合农业机制整合的特征集，通过两阶段协作框架实现对SSC、TA和VC的同步、高效、准确预测。

研究人员从中国湖北省宜昌市5个果园共采集182个柑橘样品（品种为Aiyuan 38、Jiuyuehong和Newhall），每个样品从果蒂、果脐和两个赤道面采集4张RGB图像。提取了26个图像特征（颜色指数和纹理指标）和6个物理特征（LAB颜色空间值、横径、纵径和单果重）。特征经标准化、基于标准差的特征选择，并构造了具有农学意义的衍生特征（如长宽比、颜色饱和度），最终形成21维特征集。目标变量通过Box–Cox变换校正偏态分布。模型采用两阶段多任务LightGBM：第一阶段独立训练SSC、TA和VC的单任务模型；第二阶段将其他两个任务的预测结果作为附加特征输入，对每个性状重新训练协作模型。5折交叉验证结果显示，SSC、TA和VC的R²分别达到0.9576、0.9516和0.9730，均方根误差（RMSE）分别为0.3885、0.0504和5.0344；超过98%的预测落在±5%误差区间内。该框架性能优于PLSR、BPNN、RF和XGBoost等常用方法，证明了将农业领域知识与机器学习相结合的有效性，为柑橘产业的智能分选和精准农业提供了可靠的非破坏性检测工具，也为其他果实品质预测提供了方法参考。

主要技术方法上，样本来源于湖北省宜昌市5个果园的182个柑橘样品（品种：Aiyuan 38、Jiuyuehong、Newhall）；利用工业相机从4个视角采集RGB图像，并测量LAB颜色空间值、横径、纵径、单果重等6项物理特征；提取26项图像特征（颜色指数与灰度共生矩阵纹理指标），经标准化、基于标准差的特征选择，构造农学衍生特征（长宽比、颜色饱和度），得到21维特征集；对目标变量进行Box–Cox变换；构建两阶段多任务LightGBM模型，第一阶段训练单任务基模型，第二阶段将其他任务预测值作为附加特征进行协作训练；采用5折交叉验证、Bootstrap置信区间、配对t检验、SHAP分析和误差区间分析，并与PLSR、BPNN、RF、XGBoost进行对比。

结果部分按以下小节展开：

3.1 特征处理：研究人员计算了26个图像特征的标准差（SD），选择变异性最高的10个特征（如纹理矩、纹理熵、平均绿值、归一化绿指数等），与6个物理特征和5个衍生特征合并为21维特征集。相关性分析显示，形状特征（横径/纵径）与目标性状呈较强负相关（r = ?0.5095至?0.5856），衍生特征（如颜色饱和度、尺寸指标）比原始物理特征表现出更强的相关性和生物学可解释性。

3.2 品质性状预处理：通过Shapiro–Wilk检验和偏度分析，SSC呈近似正态分布（偏度 = ?0.14），无需变换；TA和VC呈右偏分布（偏度分别为0.63和0.96），经Box–Cox变换后偏度分别降至0.0052和?0.0001，正态性得到有效改善。

3.3 基于多任务LightGBM的三个品质性状预测：两阶段协作策略使SSC的R²从单任务的0.9294提升至0.9576（相对提升3.03%），RMSE从0.4951降至0.3885；TA的R²从0.9467提升至0.9516，VC的R²从0.9706提升至0.9730。误差区间分析显示，SSC、TA、VC在±5%误差区间内的预测比例分别为100.00%、98.35%和99.31%，表明模型具有高度稳定性和准确性。配对t检验显示SSC（p = 0.942）和TA（p = 0.184）无显著系统偏差；VC的p值为0.0076，但其绝对RMSE为2.863 mg/100 g，相对于VC的典型量级（20–140 mg/100 g）误差仅约2%–3%，在生物学上可接受。

3.4 基于SHAP的特征重要性量化与模型解释：SHAP分析表明，跨任务交互特征在三个性状预测中均占据最重要位置，其SHAP值比其他特征高1–2个数量级，实证验证了两阶段协作学习能有效捕获任务间的协同信息；物理特征（如单果重、颜色参数L、a、b*及尺寸参数）重要性次之，符合农学常识；图像衍生的光谱纹理特征贡献相对较小但具有补充价值；部分光谱指数（如GLI、RGBI、NGRDI）SHAP值极低，预测效用可忽略。

3.5 与其他方法的性能比较：在与互信息（MI）、递归特征消除（RFE）和LASSO三种特征选择方法的对比中，基于SD的特征选择策略在相同条件下取得了最高的R²（SSC 0.9576、TA 0.9516、VC 0.9730）。在与PLSR、BPNN、RF和XGBoost的对比中，PLSR表现最差（R²仅0.3789–0.5207）；BPNN提升有限；RF和XGBoost表现较好，但多任务LightGBM全面优于所有基线模型，例如在SSC上较XGBoost的RPD提升1.12%、RMSE降低12.99%，在TA上RPD提升10.02%、RMSE降低23.41%，在VC上RPD提升6.26%、RMSE降低6.72%。

讨论部分指出，果皮颜色和纹理特征能反映果实内部组织结构与生理状态，本研究所构造的衍生特征（如颜色饱和度、尺寸、长宽比、重量对数变换）不仅增强了物理特征对目标性状的解释力，还提供了生物学可解释性，避免了模型“从零学习”隐含规律。偏态分布会干扰LightGBM的损失函数优化，Box–Cox变换通过改善正态性稳定了训练过程。多任务学习利用性状间的内在相关性，例如SSC与TA的强负相关（r = ?0.68），使SSC在第二阶段的预测改进最为显著；VC尽管第一阶段的R²已较高，协作策略仍带来微小增益且未引入噪声，证明了框架的稳健性。与传统的高维特征拼接方法相比，该研究的特征工程有效缓解了维度灾难并保留了跨模态交互信息。模型优势还体现在LightGBM的直方图加速、基于梯度的单边采样（GOSS）以及“先解决主要矛盾再优化细节”的渐进学习策略上。研究同时指出了局限性：模型仅覆盖三个品种，图像在受控光照下采集，未来需扩展更多柑橘类型、野外光照条件和更多品质属性（如果汁含量、硬度），并考虑与深度学习结合以自动提取图像特征。

结论部分可翻译为：该研究提出了一种多任务学习框架，通过将品质特性引导的特征工程与两阶段LightGBM训练策略相结合，实现了对柑橘品质性状（SSC、TA、VC）的非破坏性预测。利用来自182个柑橘样品的728张RGB图像对该框架进行了验证，确认了其在非破坏性品质评价中的有效性。研究人员选出了具有最高标准差的前10个