逐点高光谱-3D点云融合实现果蔬干燥过程中几何感知质量预测与表观水分扩散系数估算

《Food Control》：Pointwise HSI-3D Fusion for Geometry-Aware Quality Prediction and Apparent Moisture Diffusivity Estimation during Drying of Fruits and Vegetables

　　

干燥是果蔬采后保存中应用最广泛的技术之一，然而热风干燥伴随显著的物理变形（皱缩、扭曲、厚度减小、表面拓扑结构变化），这会通过散射变化同时影响感知质量和光学响应。为克服单一模态的局限性，本研究开发了一个光谱-几何融合框架，将RGB-D相机获取的3D点云几何数据（x, y, z）与346–1002 nm范围内的高光谱成像（Hyperspectral Imaging, HSI）相结合，用于热风干燥过程中质量属性的几何感知预测。该框架采用标定板引导的高光谱-深度对齐策略进行空间配准，生成逐点（x, y, z, λ）融合数据集，并基于此评估了多种机器学习（Machine Learning, ML）模型。研究人员在三种结构和成分各异的产品——紫色胡萝卜、金色猕猴桃和鳄梨壳——上对该框架进行了评估。结果表明，融合数据集在所有质量属性上均始终优于单一模态（仅HSI或仅3D）。对于水分含量（Moisture Content, MC），高斯过程回归（Gaussian Process Regression, GPR）在紫色胡萝卜（决定系数R²_p = 0.972，均方根误差RMSE_p = 0.051 g/g，性能偏差比RPD = 10.66）、金色猕猴桃（R²_p = 0.969，RMSE_p = 0.064 g/g）和鳄梨壳（R²_p = 0.991，RMSE_p = 0.024 g/g）上均取得了最高的预测精度。融合模态同样提高了生物活性化合物的预测性能，GPR对总花青素（Total Anthocyanins, TA）、总β-胡萝卜素（Total β-Carotene, TB）、总抗氧化能力（Total Antioxidant Capacity, TAO）、总黄酮（Total Flavonoids, TF）和总酚含量（Total Phenolic Content, TPC）的决定系数R²_p分别达到0.764–0.838（紫色胡萝卜）和0.842–0.949（金色猕猴桃）。逐点预测生成了空间连贯的水分分布图，呈现出与扩散受限干燥行为相一致的由中心到边缘的水分梯度，且融合模态较仅HSI模态展现出一致更优的稳定性。此外，该框架还能够在每个干燥间隔从融合数据集中恢复时间依赖的表观水分扩散率D_app(t)，在运输参数与多模态光学传感之间建立了直接的数据桥梁。这些发现表明，逐点光谱-几何协同配准为果蔬干燥过程中稳健且几何感知的质量监测提供了一个可扩展的框架。

**论文解读**

**一、研究背景与问题提出**

干燥是果蔬采后保存中应用最为广泛的技术之一，其核心在于通过去除自由水分来延长货架期并减少腐败损失。因此，对水分去除过程的精确监测对于有效控制干燥工艺至关重要。传统的水分含量测量方法为破坏性离线称重法（烘箱干燥法），虽具有较高准确性，但耗时较长且无法支持实时过程反馈，这促使学术界对能够连续监测水分和质量属性的非破坏性传感技术产生日益浓厚的兴趣。然而，果蔬热风干燥过程涉及复杂的热物理和生物化学转变，水分去除往往伴随着质量退化、颜色演变和显著的结构变形（如皱缩、扭曲、厚度减小及表面拓扑结构变化），这些物理变形不仅影响产品的感官品质，还会通过改变光散射几何条件来干扰高光谱成像（Hyperspectral Imaging, HSI）的光学响应，使仅依靠光谱信息进行质量预测时产生混淆效应，尤其在干燥后期几何形态变得更加异质和非均匀时尤为突出。与此同时，3D点云数据能够直接表征几何特征并定量追踪变形相关描述符，如皱缩指数和表面积演变。然而，现有的多模态框架通常采用样品级或特征聚合的表示方式，无法充分利用现代RGB-D和高光谱成像系统生成的丰富四维信息（x-y-z-λ）。在此背景下，开发能够在整个干燥过程中联合建模结构变形及其对光谱响应影响的逐点级光谱-几何协同配准框架，成为该领域亟待解决的关键科学问题。

**二、研究内容与意义**

针对上述挑战，本研究开发了一个光谱-几何融合框架，将RGB-D相机获取的3D点云几何数据与346–1002 nm范围内的高光谱成像数据进行逐点级协同配准，用于热风干燥过程中质量属性的几何感知预测。该研究的核心创新在于将融合推进到逐点尺度：通过深度图反投影，使每个单独的3D点（x, y, z）与其完整的高光谱向量在空间上对齐并拼接，生成整个成像表面的逐点（x, y, z, λ）数据集。研究人员在三种结构和成分差异显著的产品——紫色胡萝卜（色素丰富的根组织）、金色猕猴桃（高水分果肉组织）和鳄梨壳（刚性果皮组织）——上对该框架进行了评估，其中紫色胡萝卜和金色猕猴桃作为主要研究基质，进行了四种温度（50、60、70和80°C）下的完整干燥动力学表征，而鳄梨壳则作为交叉基质可迁移性验证基质。结果表明，融合模型在所有质量属性上均始终优于单一模态模型：对于水分含量，高斯过程回归（Gaussian Process Regression, GPR）在紫色胡萝卜上取得了R²_p = 0.972、性能偏差比（Ratio of Performance to Deviation, RPD）= 10.66的优异表现；在金色猕猴桃上R²_p = 0.969；在鳄梨壳上R²_p = 0.991。该框架还成功从ML预测的水分比轨迹中恢复了时间依赖的表观水分扩散率D_app(t)，在多模态光学传感与基于物理的干燥模拟所需的传质参数之间建立了直接数据桥梁。这项研究的意义在于不仅显著提升了预测的统计精度，还为智能干燥过程控制和自适应工艺优化奠定了可扩展的传感基础。

**三、关键技术与方法**

本研究采用的关键技术方法包括：一是利用标定板引导的高光谱-深度对齐策略，通过旋转矩阵计算和角度校正（校正旋转角92.26°），配合包围盒对齐和掩膜尺寸匹配，实现高光谱与深度模态间的空间配准，其掩膜一致性指标达到准确率0.9778、交并比（Intersection over Union, IoU）0.9742、边界均方根误差（Root Mean Square Error, RMSE）0.1491像素的亚像素级配准精度；二是通过深度图反投影将对齐后的深度图每个有效像素反投影至3D空间，生成融合光谱-几何特征向量；三是评估了四种机器学习回归模型——GPR、偏最小二乘回归（Partial Least Squares Regression, PLSR）、梯度提升回归（Gradient Boosting Regression, GBR）和随机森林回归（Random Forest, RF），采用以干燥运行批次为单位的留一重复验证框架（5折外层交叉验证，每折每个温度保留一个完整重复批次共52个观测值用于测试）确保无信息泄漏；四是利用自适应Savitzky-Golay滤波结合数值微分从ML预测的水分比轨迹中解析反演Fick第二定律以估算D_app(t)；五是使用均值聚合策略将逐点特征聚合为图像级特征向量。

**四、主要研究结果**

**（1）光谱-深度对齐验证**：标定板引导的旋转和空间对齐程序实现了92.26°的校正旋转，掩膜一致性指标准确率0.9778、精确率0.9760、IoU 0.9742，边界RMSE为0.1491像素，证实了亚像素级配准精度，为逐点光谱-几何融合提供了可靠的几何参考框架。

**（2）紫色胡萝卜水分含量预测**：3D-only模态中GBR表现最佳（R²_p = 0.891，RPD = 6.73）；HSI-only模态中GPR表现最佳（R²_p = 0.945，RPD = 7.62）；融合数据集GPR取得最高预测精度（R²_p = 0.972，RMSE_p = 0.051 g/g，RPD = 10.66），且RPD从3D-only到HSI-only再到融合的系统性提升证实了光谱与几何信息的互补性。逐点预测显示融合模态在新鲜和干燥状态下均产生更稳定、更窄分布的水分预测值，空间水分分布图呈现出中心到边缘递减的扩散受限干燥特征。

**（3）紫色胡萝卜生物活性化合物预测**：融合数据集结合GPR对总花青素、总β-胡萝卜素、总抗氧化能力、总黄酮和总酚含量的预测R²_p范围为0.764–0.838，其中总β-胡萝卜素和总酚含量预测精度最高，总花青素相对最低。干燥导致所有生物活性化合物随温度升高（50→80°C）而降低。原始光谱均值聚合在所有预处理和聚合策略中始终取得最高预测精度。

**（4）紫色胡萝卜干燥动力学与水分扩散率**：融合GPR预测的水分比曲线与实际测量值高度吻合，尤其是在70和80°C。D_app(t)呈现非单调模式（初始上升、中期峰值、后期下降），与瞬时孔隙张开和基质皱缩的耦合效应一致。与常规重量法有效扩散率（Effective Diffusivity, D_eff）（9.5 × 10^-11至1.6 × 10^-10 m² s^-1）的基准比较显示，D_app(t)范围更宽（4.0 × 10^-11至2.2 × 10^-10 m² s^-1）。干燥速率曲线和皱缩比曲线均被融合模型准确预测，所有温度下皱缩比均从1.0单调下降至约0.30，对应近70%的表面积减少。

**（5）金色猕猴桃与鳄梨壳水分含量预测**：金色猕猴桃融合GPR取得R²_p = 0.969，鳄梨壳融合GPR取得R²_p = 0.991。两种产品均呈现从3D-only到HSI-only再到融合的性能递增趋势，证实了融合框架在不同产品基质间的可迁移性和稳健性。

**（6）金色猕猴桃生物活性化合物预测**：融合GPR对维生素C、总β-胡萝卜素、叶黄素、总抗氧化能力和总黄酮的预测R²_p范围为0.842–0.949，其中总抗氧化能力预测精度最高（R²_p = 0.949）。皱缩比同样从初始值单调下降至约0.30，且收缩速率呈现明显的温度依赖性。D_app(t)范围约为1.0 × 10^-11至1.0 × 10^-10 m² s^-1。

**五、讨论总结与研究结论**

本研究表明，将3D结构几何信息与高光谱信息进行显式逐点融合，能够克服高光谱质量预测中的一个关键局限——物理变形导致的光谱响应渐进性失真。融合框架不仅在统计精度上显著提升，其更高的均值级预测保真度还支持更可靠的软传感器输出和更早的过程终点检测，同时逐点预测生成了空间连贯的水分分布图，较仅HSI模态更清晰地呈现了与扩散受限干燥行为一致的中心到边缘水分变化。干燥动力学、表观水分扩散率趋势和皱缩轨迹的成功重建进一步表明，融合特征空间保留了单一模态无法完全表征的过程相关物理信息。对于生物活性化合物，GPR在所有产品和所有分析物上的一致性优势凸显了概率核方法在中型数据集上处理非线性和跨实验变异性的适用性。紫色胡萝卜、金色猕猴桃以及鳄梨壳之间表现出的可比行为表明，所提出的协同配准策略在不同结构和光学特性的产品基质间具有可迁移性。

研究结论为：将3D结构几何与高光谱信息在逐点级别进行显式整合，能够克服物理变形引起的光谱响应失真这一关键局限。通过将HSI与RGB-D点云数据在像素级进行空间对齐，所提出的框架生成了融合的4D数据集，使光谱与几何信息在整个干燥过程中保持空间一致，从而实现更可靠且更具物理意义的质量评估。该方法不仅提高了统计精度，支持更可靠的软传感器输出和更早的终点检测，其逐点预测还产生了空间连贯的水分分布模式。对干燥动力学、表观水分扩散率趋势和皱缩轨迹的成功重建进一步表明，融合特征空间保留了过程相关的物理信息。未来工作应聚焦于计算流体动力学（Computational Fluid Dynamics, CFD）建模，将光谱和几何信息共同作为边界条件以估算干燥过程中的体积质量变化，该框架为下一代传感器驱动的干燥系统提供了坚实且可扩展的基础。