《JOURNAL OF FOOD PROCESSING AND PRESERVATION》：Nondestructive Assessment of Internal Bruise Damage and Postharvest Quality in Peaches Using Smartphone Near-Contact Light Scattering
编辑推荐：
中文翻译：
桃内部瘀伤和早期褐变会降低采后商品性，且在表面症状显现前可能保持隐匿。本研究评估了以智能手机近接触光散射作为受控筛查方法，并以理化测量为参照检测桃内部损伤的可行性。研究人员对“锦绣”桃施加受控冲击处理，并在25°C和85%相对湿度条件下进行加速劣化
中文翻译：
桃内部瘀伤和早期褐变会降低采后商品性，且在表面症状显现前可能保持隐匿。本研究评估了以智能手机近接触光散射作为受控筛查方法，并以理化测量为参照检测桃内部损伤的可行性。研究人员对“锦绣”桃施加受控冲击处理，并在25°C和85%相对湿度条件下进行加速劣化。在固定几何条件下使用智能手机获取近接触图像，而破坏性测量（硬度、色差、褐变面积比和损伤深度）则定义了四个操作性品质等级。一个YOLOv10-NWD前端定位果实和光晕区域，结构化的光学响应描述符通过约束潜状态推断映射到终端品质输出。在受控输入果实水平评估中，五次独立训练运行的分类准确率为93.5%±1.4%。在全流程果实水平评估中，内部设备A（37/40；95% Wilson CI，80.1%–97.4%）和内部设备B（37/40；95% Wilson CI，80.1%–97.4%）的准确率均为92.5%，而使用设备D评估的独立外部设备可行性队列的准确率为88.0%（44/50；95% Wilson CI，76.2%–94.4%），该队列由相同品种和来源的果实组成，并在相同受控劣化协议下进行评估。受控输入回归分析得出硬度R2=0.92，色差R2=0.89，褐变面积比R2=0.85，损伤深度R2=0.94。研究结果支持智能手机近接触散射作为测试条件下的一种二级采后筛查方法，而更广泛的商业应用仍需配对多设备、多品种、多区域、多季节和冷链验证。
论文解读
一、研究背景与问题
桃果实采后机械性瘀伤是影响其商品价值的重要问题。细胞破裂、汁液泄漏、组织软化和酶促褐变往往在果皮下方发生，表面症状不明显，导致分级困难，影响原料分配、货架期管理以及鲜销与加工之间的决策。传统可见缺陷识别无法有效检测内部损伤，需要一种能够将无损光学响应与理化劣化相关联的实用方法。现有无损检测技术各有局限：智能手机RGB成像主要捕获表面信息，难以揭示潜在瘀伤；高光谱成像和空间分辨光谱法可提供更丰富的内部品质信息，但依赖专用光学硬件，成本高且操作复杂。因此，本研究旨在填补低成本智能手机RGB成像与专用光谱/散射系统之间的感知空白，探索在固定几何条件下，智能手机近接触光散射能否提供与桃内部瘀伤相关的理化参考信号。
研究人员采用“锦绣”桃为材料，设计受控冲击和加速劣化协议，在48小时终点建立终端损伤分级，并通过智能手机近接触光散射获取光学响应，评估其作为二级采后筛查工具的可行性。
研究内容与结论
本研究以150个受控“锦绣”桃（用于设备A和B的开发与内部测试）和50个独立外部设备可行性队列（使用设备D评估）为对象，在25°C、85%相对湿度条件下进行48小时加速劣化。通过固定几何（2.0 cm距离，±1.0 mm公差，0°相对表面法线，±2°角度偏差）和暗箱环境，设备A（iPhone 13 Pro）、设备B（Samsung S22 Ultra）和设备D（Xiaomi 12 Pro）分别采集RAW格式图像。机械冲击采用摆锤系统，释放角度53.7°和79.4°对应0.2 J和0.4 J的标称冲击能量。终端48小时成像后立即进行破坏性测量，包括硬度（数字果实硬度计）、色差（CIE L?a?b?空间，ΔE）、褐变面积比（切面图像二值分割）和损伤深度（最大垂直深度）。基于这些指标，预设G1–G4四个等级，并采用最高严重度优先规则分配最终等级。光学响应通过YOLOv10nwd前端定位果实和光晕区域，提取表皮分支Fs和内部响应分支Fc特征，形成结构化光学响应向量xD，再通过约束潜变量状态（xA、xB、xC）映射到终端品质输出。模型采用KA启发式解耦和扩散反转框架，训练和评估在果实水平进行，技术重复在果实内聚合。
结果
3.1 光学响应表示的物理验证：在终端48小时终点，设备分层分析显示散射光晕半径与局部硬度呈显著负相关（设备A：r = ?0.923；设备B：r = ?0.908；设备D：r = ?0.887），与损伤深度呈正相关（设备A：r = 0.895；设备B：r = 0.870；设备D：r = 0.904）。所有200个果实的指示剂级等级分配完全一致，无不一致情况。
3.2 前端定位实现：YOLOv10?NWD作为固定前端模块，成功定位果实和散射光晕区域，验证了ROI提取实现。
3.3 内部损伤分类和连续品质预测：在受控输入条件下，后端反转模型在五个独立训练运行中达到93.5%±1.4%的果实水平准确率和92.3%±1.6%的宏F1。完整流程果实水平评估中，内部设备A和设备B均正确分类37/40个果实（准确率92.5%，95% Wilson CI：80.1%–97.4%）。受控输入回归分析中，局部硬度R2 = 0.92±0.02，色差R2 = 0.89±0.03，褐化面积比R2 = 0.85±0.04，损伤深度R2 = 0.94±0.01。基线比较显示，逻辑回归、SVM?RBF、随机森林、XGBoost和扩散反转在xD上的准确率分别为78.0%±1.1%、84.0%±1.4%、87.5%±0.0%、88.5%±1.4%和91.5%±1.4%，而完整YOLOv10?NWD+KA启发解耦+扩散流程达到92.5%。
3.4 独立外部设备可行性队列和运行吞吐量：设备D可行性队列中，50个果实中44个被正确分类，准确率88.0%（95% Wilson CI：76.2%–94.4%）。完整顺序果实周期测试中，三场会话的周期时间分别为7.8±1.2秒/果实（40个果实）、7.1±1.0秒/果实（45个果实）和7.8±1.4秒/果实（38个果实），汇总周期时间为7.5±1.2秒/果实，对应约480个果实/小时的投影顺序单站吞吐量。
讨论与结论
研究讨论指出，散射光晕半径随硬度降低和损伤深度增加而增大的现象，与机械损伤导致的细胞破裂、细胞壁降解、组织软化和褐变引起的折射率异质性和光学界面变化一致。组织软化与果胶解聚、细胞壁完整性丧失和水分布变化相关，而褐变涉及多酚氧化酶（PPO）介导的醌类产物生成，两者共同影响光散射和吸收特性。设备D结果需保守解释，因为其结合了未见设备和独立队列，无法分离设备与果实/队列效应。研究局限包括有限的生物范围（仅200个果实、单一品种、单一产地、单一加速协议）、设备D未进行显式辐射归一化、以及操作员独立性未测试。研究结论表明，在受控条件下，智能手机近接触光散射为桃终端内部瘀伤筛查提供了可测量的信号，支持其作为二级品质控制和分诊工具，而非表面分类器。未来工作应优先进行配对多设备评估、显式辐射归一化、多品种、多产地、多季节和冷链外部验证，以及操作员间测试和自动化包装线验证。
