《Agriculture》：Non-Destructive Classification of Apple Watercore Severity Levels Using Near-Infrared Hyperspectral Imaging
编辑推荐：
摘要专业翻译
苹果水心病是一种影响果实品质和贮藏稳定性的内部生理性病害。本研究利用近红外高光谱成像技术（NIR-HSI，930–1720 nm），开发了一种对737个阿克苏‘富士’苹果水心病严重程度进行无损分级的方法。研究人员采用基于Fiji软件对赤道横截面图
摘要专业翻译
苹果水心病是一种影响果实品质和贮藏稳定性的内部生理性病害。本研究利用近红外高光谱成像技术（NIR-HSI，930–1720 nm），开发了一种对737个阿克苏‘富士’苹果水心病严重程度进行无损分级的方法。研究人员采用基于Fiji软件对赤道横截面图像进行分割所得的水心病严重程度指数（watercore severity index，WSI）对水心病严重程度进行量化，并根据已发表的判定标准将样本划分为健全、轻度、中度和重度四个等级。经光谱预处理后，研究人员采用五次重复分层留出实验，对支持向量机（support vector machine，SVM）、随机森林（random forest，RF）、基线一维卷积神经网络（1D-CNN）以及注意力增强的1D-CNN-CBAM-SE模型进行了评估。SVM与1D-CNN-CBAM-SE取得了相当的性能，其中SVM的准确率为98.74%，宏F1分数（Macro-F1）为98.86%；1D-CNN-CBAM-SE取得了相同的准确率，宏F1分数为98.85%。消融实验表明，注意力模块提升了基线1D-CNN的性能，其中卷积块注意力模块（convolutional block attention module，CBAM）贡献了主要的性能提升，而挤压-激励模块（squeeze-and-excitation，SE）的加入进一步降低了重复实验间的性能波动。误分类主要局限于相邻严重程度等级之间。上述结果表明，NIR-HSI结合光谱分类模型用于水心病严重程度无损分级具有可行性。
论文解读文章
一、研究背景与问题
苹果水心病是一种常见的果实内部生理性病害，其典型特征为果肉组织呈水渍状半透明。在‘富士’等品种中，适度水心病往往与更高的感知甜度和独特的风味品质相关，是阿克苏“糖心”苹果重要的品质基础。从生理机制来看，水心病的发生与山梨醇代谢、细胞间隙变化、水分运输、水势梯度及糖分转运等密切相关。然而，当水心病发展到严重程度时，受影响组织的气体扩散能力下降，贮藏期间发生内部病害的易感性增加，可能损害果实品质和商业价值。因此，对新疆南部阿克苏“糖心”苹果进行快速、客观、无损的水心病严重程度分级，对采后分选、贮藏风险评估和品质控制具有重要意义。
目前，苹果水心病的检测主要依赖经验性目视判断、破坏性切割或有限抽样。赤道切割和横截面观察虽能直接揭示受影响组织，但该过程具有破坏性、效率低、浪费大且易受主观误差影响，不适合大规模采后分选或在线检测。由于水心病主要发生在果实内部，果皮颜色、果形等外部表型特征无法准确反映其存在与否或严重程度。近年来，可见/近红外光谱技术、近红外透射光谱及高光谱成像等光学无损检测方法已被用于苹果水心病检测和内部品质评价。已有研究从二元水心病判别逐步向定量多级严重程度分级发展。高光谱成像能同时提供连续光谱和空间信息，在农产品无损品质评价方面具有较大潜力。然而，现有研究仍存在三方面不足：第一，多数研究仅区分水心病果与健康果，未对受影响组织比例进行定量分级；第二，针对阿克苏“糖心”苹果的区域特色品种，基于高光谱反射光谱的面积化水心病分级研究相对较少；第三，由于严重程度等级间的光谱差异细微，准确稳健的分类仍具挑战性。
二、研究内容与意义
研究人员以新疆南部商业化销售的阿克苏‘富士’苹果为研究对象，共获得737个有效样本。研究人员在采集高光谱图像后，利用赤道横截面RGB图像计算水心病严重程度指数（WSI），并依据已发表的判定阈值将样本划分为健全（WSI<1%）、轻度（WSI 1–5%）、中度（WSI 5–10%）和重度（WSI>10%）四个等级。经光谱预处理后，研究人员构建了支持向量机（SVM）、随机森林（RF）、基线一维卷积神经网络（1D-CNN）及注意力增强的1D-CNN-CBAM-SE模型，并通过五次重复分层留出实验进行系统比较。消融实验进一步量化了SE和CBAM注意力模块对光谱特征学习和分类稳定性的各自及联合贡献。该研究为四等级水心病严重程度无损评估提供了技术框架，并验证了注意力增强光谱建模在阿克苏“糖心”苹果中的应用价值。
三、关键技术与方法
研究人员采用的主要关键技术方法包括：近红外高光谱反射成像系统（930–1720 nm，224个连续波段），配合黑白参考校正获取校准反射率图像；基于Fiji软件（ImageJ 1.53t）的半自动图像分割流程，通过B通道灰度阈值（0–100）、连通域滤波和人工校正计算WSI；光谱预处理采用Savitzky–Golay平滑（窗口长度7，二阶多项式）结合标准正态变量变换（SNV）；分类模型包括SVM（径向基核函数）、RF、基线1D-CNN（三个卷积块，输出通道64/128/256，核大小7/5/3）及注意力增强的1D-CNN-CBAM-SE变体；训练采用类加权交叉熵损失、标签平滑（因子0.1）、Adam优化器、在线光谱增强（高斯噪声标准差0.005，随机乘性缩放0.9–1.1）和余弦退火学习率调度，早停机制基于验证损失。样本来源于2025年11月购自中国新疆阿拉尔市当地果蔬批发市场的商业化阿克苏‘富士’苹果。
四、研究结果
水心病区域分割的操作者内重复性。 对覆盖四个严重度等级的30张横截面图像进行两次独立处理，配对WSI测量值的平均绝对差异为0.32个百分点，30张图像的严重程度等级标签全部一致，分类一致率为100%，表明半自动分割程序在评估子集内具有良好的操作者内重复性。
WSI分级阈值敏感性分析。 737个样本中，无样本位于1% WSI边界±0.5个百分点范围内，19个样本（2.58%）和9个样本（1.22%）分别位于5%和10%边界±0.5个百分点范围内。将1%阈值独立偏移至0.5%或1.5%时无样本改变等级；将5%阈值偏移至4.5%和5.5%时分别有7个（0.95%）和12个（1.63%）样本改变等级；将10%阈值偏移至9.5%和10.5%时分别有3个（0.41%）和6个（0.81%）样本改变等级。等级分配对阈值扰动总体稳定，变化主要发生在5%边界附近。
样本分布与数据划分。 最终数据集包含737个苹果：健全123个、轻度167个、中度208个、重度239个。每次重复采用分层随机抽样和7:3训练-测试划分，每次包含515个训练样本和222个测试样本，各等级比例与完整数据集一致。
不同水心病严重程度苹果的光谱特征。 四个等级的平均高光谱反射曲线整体趋势相似，在970 nm、1200–1300 nm和1450 nm附近呈现明显特征。970 nm和1450 nm附近的吸收主要与水的O–H伸缩振动有关，1170–1300 nm区域可能包含O–H和C–H振动的重叠贡献。健全果在大多数波长上反射率略高，但反射率并不随受影响面积增加而单调变化，等级间差异表现为小幅局部振幅变化，表明单一波长难以稳健区分严重程度等级，支持使用全光谱信息和多元分类方法。
分类模型性能比较。 SVM平均准确率为98.74%±0.77%，宏F1分数为98.86%±0.70%；RF准确率为97.57%±1.01%，宏F1分数为97.72%±0.92%；基线1D-CNN准确率为91.62%±2.14%，宏F1分数为92.55%±1.78%；1D-CNN-CBAM-SE准确率为98.74%±0.53%，宏F1分数为98.85%±0.49%。SVM和1D-CNN-CBAM-SE性能相当，均显著优于RF和基线1D-CNN，且注意力增强模型在重复实验间的变异性更低。
注意力架构消融分析。 基线1D-CNN的准确率和宏F1分数分别为91.62%和92.55%。单独加入SE后提升至96.13%和96.64%。单独加入CBAM后提升至98.29%和98.47%，宏F1分数较基线提高5.92个百分点，且大幅降低了性能变异性。联合1D-CNN-CBAM-SE取得最高性能，准确率98.74%，宏F1分数98.85%，较单独CBAM进一步小幅提升，标准差从0.0119降至0.0053（准确率）、从0.0106降至0.0049（宏F1）。CBAM是性能提升的主要贡献者，SE的加入进一步优化性能并降低重复实验间的波动。
混淆矩阵与误差分析。 聚合五次重复实验的测试集预测（共1110个预测实例），四个模型均正确分类了所有健全样本。基线1D-CNN在严重等级间混淆最大，重度样本中有45个被误分类为中度、15个被误分类为轻度。1D-CNN-CBAM-SE大幅减少了这些误差，五次重复中仅14个误分类样本。SVM的误分类同样极少且仅限于相邻严重等级。RF的剩余误差也主要发生在相邻等级边界，尤其是轻度-中度及中度-重度边界。
五、讨论与结论
讨论部分指出，与多数聚焦于水心病果与健康果二元判别的研究不同，本研究基于WSI实现了四等级面积化分级，为“糖心”苹果的采后分级和品质控制提供了更细致的描述框架。阈值敏感性分析表明所采用的文献阈值在本数据集内相对稳健。SVM与1D-CNN-CBAM-SE性能几乎一致，表明传统核方法学习与注意力增强深度学习均能有效从全光谱NIR-HSI数据中提取严重程度相关信息。SVM在模型简洁性方面具有优势，而注意力增强CNN展示了学习特征重校准的有效性。与近期多等级水心病分级研究相比，本研究性能处于相近范围，但因品种、样本群体、分级标准、光谱采集系统和验证策略存在差异，不宜直接比较优劣。误分类主要发生在相邻严重等级之间，这可能与受影响面积比例的连续变化被WSI阈值划分为离散类别有关。研究局限性包括：样本来源单一（单一商业来源和收获年份）、基于单一赤道横截面定义严重程度可能无法完全反映水心病组织的三维分布、缺乏专家标注参考掩膜和多操作者评估、未显式利用空间-光谱特征以及未进行模型级光谱特征归因分析。
研究结论为：近红外高光谱成像结合适当的光谱分类方法可有效分类基于赤道横截面受影响面积比例定义的水心病严重程度，可能支持阿克苏‘富士’苹果的无损品质评估和采后分级。SVM和1D-CNN-CBAM-SE取得了相当的高分类性能，消融实验证明了注意力机制对提升基线深度学习模型的贡献。
