《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Hyperspectral imaging combined with data fusion for non-destructive prediction of soluble solids content and water-soluble sugars in strawberries during storage after static-pressure bruising
编辑推荐:
•静压挤压伤显著影响草莓的可溶性固形物含量和糖分变化。•近可见光和近红外高光谱数据融合提高了预测性能。•IVSO有效选择了特征波长并减少了光谱冗余。•LLF-IVSO-LSSVM实现了最佳的SSC预测(RPD = 2.23)。引言草莓(Fragaria × ananassa
- •
静压挤压伤显著影响草莓的可溶性固形物含量和糖分变化。
- •
近可见光和近红外高光谱数据融合提高了预测性能。
- •
IVSO有效选择了特征波长并减少了光谱冗余。
- •
LLF-IVSO-LSSVM实现了最佳的SSC预测(RPD = 2.23)。
引言
草莓(Fragaria × ananassa Duch.)因其诱人的色泽、独特的风味以及丰富的维生素、矿物质和生物活性化合物而深受消费者喜爱[1]。然而,草莓果实细胞较大、细胞壁较薄,在采后处理过程中极易受到挤压伤,据报道采后损失率为20%–30%[2]。2026年2月27日,中国发布了首项草莓国家标准GB/T 47147–2026《草莓》,并于同年9月1日生效。该标准将草莓分为特级、一级和二级三个等级。关于静压挤压伤,特级要求无可见压伤,一级和二级允许轻微压伤。在内在品质方面,该标准针对不同品种规定了最低可溶性固形物含量(SSC)要求。静压挤压伤不仅会导致表面凹陷等外观缺陷,还会破坏细胞结构完整性,进而改变关键内在营养成分(包括SSC和水溶性糖)的含量与分布,从而显著影响果实的商品价值、货架期和消费者接受度[3]。这反过来也影响着按照新国家标准对草莓进行分级,是草莓产业标准化中值得关注的问题。
SSC和水溶性糖是评价草莓品质和成熟度的关键指标,直接决定果实的甜度、风味和营养价值,其变化与静压挤压伤后的储存时间密切相关[4]。静压挤压伤发生后,果实内部会随时间推移逐渐发生一系列生理变化,包括细胞破裂、水分迁移以及后续的糖分损失和降解[5]。因此,准确预测不同储存时间下静压挤压伤后采后草莓的这两个指标对于草莓产业的采后质量管理、分级筛选和减损具有重大现实意义。传统检测方法通过化学分析来确定SSC和水溶性糖含量。尽管这些方法可以相对准确地提供结果,但受限于操作繁琐、耗时、破坏性取样以及无法进行快速大规模检测。此外,这些方法也无法动态反映静压挤压伤后果实内在营养成分的时间变化[6]。
随着智慧农业和非破坏性检测技术的快速发展,高光谱成像(HSI)凭借其独特的将光谱和空间信息相结合的能力,已被广泛应用于农产品质量评估和缺陷检测[7]、[8]。在这些技术中,近可见光(400–1000 nm)光谱利用了有机分子中C

H和O

H等功能团的倍频和组合振动,能够快速获取与果实颜色、质构和某些营养成分相关的信息,具有检测速度快和样品制备简单等优点[9]。相比之下,近红外(NIR)光谱(780–1700 nm)对果实内部有机组成更为敏感,在水和糖等营养物质的定量分析中表现出更高的特异性,能够更准确地表征静压挤压伤引起的内部成分变化[10]。尽管每种光谱范围都有其优势,但单独使用时也各自存在一定的局限性。近可见光光谱对低浓度成分的检测灵敏度相对较低,且易受到表面颜色变化和损伤导致的褐变干扰。近红外光谱则受限于水的强吸收峰可能掩盖其他成分信号的问题,以及光谱特征重叠导致光谱解释复杂化的限制。这些局限性使得任何一种光谱技术单独都难以完全满足静压挤压伤草莓营养成分准确预测的需求。这些局限性使得单独使用近可见光或近红外光谱都难以实现静压挤压伤草莓内在品质属性的准确稳健预测。
数据融合技术能够有效整合不同光谱区域中的互补信息,在提高预测模型准确性和稳健性方面已显示出显著优势。近期研究进一步证实了近可见光与近红外光谱融合在预测多种水果品质属性方面的有效性[11]、[12]、[13]。同时,深度学习的快速发展为从高光谱数据中提取复杂非线性特征提供了新途径。基于卷积神经网络的模型、循环神经网络架构和注意力机制已被越来越多地应用于水果质量评估。例如,翟等人[14]开发了一种CNN-BiGRU-Attention模型来定量预测苹果中的SSC、维生素C和可溶性蛋白含量,在六个品种中实现了SSC的预测准确度R2 = 0.807和维生素C的R2 = 0.891,并通过跨年度验证进一步确认了模型的稳健性。类似地,Francis等人[15]将高光谱成像与深度神经网络相结合,实现了对西瓜SSC空间变异性的极高精度预测,预测R2达到0.945。此外,杨等人[16]报告称TCN-BiGRU混合模型在预测玉米水分含量方面优于单一CNN模型,展示了时间卷积和循环结构在光谱特征提取方面的潜力。最近,CNN-Transformer架构被应用于樱桃番茄的SSC和pH预测[17],而改进的MobileViT网络在苹果早期挤压伤检测方面也显示出有效性[18]。这些进展表明,将高光谱成像与数据融合策略和先进的深度学习模型相结合,为采后水果质量的多维度和全面评估提供了有前景的解决方案。
目前,已有若干研究关注草莓机械损伤的早期检测[19]、[20]、[21]。然而,这些机械损伤检测研究主要集中在压伤与完好样品的分类或识别上,而非对损伤果实内在品质属性的定量预测。同时,HSI也被用于实现对完好草莓SSC和水溶性糖含量的非破坏性预测[22]。尽管有这些进展,即使在完好果实中,对果糖和葡萄糖等单一糖分的定量预测仍相对有限,大多数研究关注的是SSC这一综合指标,而非特定的单糖成分。更重要的是,现有研究很少探讨静压挤压伤后不同储存时间对草莓内在质量成分光谱预测的影响。迄今为止,利用近可见光/近红外数据融合技术来预测静压挤压伤后不同储存时间草莓SSC和水溶性糖含量的研究尚未见报道。
为了解决静压挤压伤导致采后草莓营养劣化的问题、传统检测方法存在的局限性以及单一光谱技术预测精度不足的问题,本研究整合近可见光和近红外高光谱成像技术、数据融合策略以及TCN-BiGRU-Attention模型,用于预测静压挤压伤草莓的SSC和水溶性糖含量。本研究的具体目标如下:(1) 通过固定程度的静压挤压伤后不同储存时间利用HSI系统在不同波长范围采集光谱信息来模拟草莓压伤后的过程,然后立即进行质量测定;(2) 探究静压挤压伤后不同储存时间草莓中SSC和水溶性糖含量的变化,并进行单因素方差分析(ANOVA);(3) 评价HSI在LLF和MLF策略下的预测性能,通过对比分析确定最佳建模方法与数据融合策略的组合;以及(4) 进行基于高光谱图像的像素级可视化分析。
章节摘要
草莓样品准备
本研究选用2025年初采自中国河北省保定市丰信草莓农场的'红颜'草莓作为实验材料。共选取700个成熟度均匀且无机械损伤或病虫害感染的果实。采收后,草莓立即运至实验室,用柔软的湿布轻轻擦拭果面以去除表面杂质。所有样品被随机分为两组
静压挤压伤对草莓品质属性的影响
为消除异常值对分析结果的影响,采用马氏距离方法进行数据预处理。去除异常值后,各时间点样品的分布情况见表S2。SSC、果糖和葡萄糖含量随损伤时间的延长总体呈上升趋势。进行了单因素方差分析(ANOVA)以统计学评估静压挤压伤后草莓内在品质属性的变化
结论
本研究调查了静压挤压伤对草莓中SSC、果糖和葡萄糖的影响,并评估了使用近可见光和近红外高光谱成像结合数据融合策略进行非破坏性检测的可行性。结果表明,静压挤压伤显著影响草莓内在品质。SSC、果糖和葡萄糖含量在早期阶段相对稳定,随后随损伤时间的延长而增加。尽管没有
CRediT作者贡献声明
刘欣:调查研究、形式分析、撰写——原稿、验证。陈蒙:调查研究、形式分析、撰写——原稿、验证。杨宁:软件、可视化。曹东升:调查研究、形式分析。安宇东:数据整理、验证。赵智雷:方法论、数据整理、撰写——原稿、经费获取。赵鑫:撰写——审阅与编辑、经费获取、方法论。
利益冲突声明
作者声明,不存在任何已知的竞争性经济利益或个人关系,这些关系可能被视为对本论文所报告的工作产生影响。
致谢
本工作得到了国家自然科学基金(32402230)的资助。
刘欣|陈蒙|郝正雄|张雨菲|赵智雷|赵鑫