针对预测枇杷可溶性固形物的特征优化卷积建模方法：结合高光谱成像与多算法波长选择技术

《Journal of Food Measurement and Characterization》：Feature-optimized convolutional modeling for predicting loquat soluble solids content from hyperspectral imaging with multi-algorithm wavelength selection

快速无损评估果实内部品质对优化采收和保障消费体验至关重要。本研究采用近红外高光谱成像结合多算法波长选择（CARS、IRIV、GA）与一维卷积神经网络（1D-CNN），显著提升枇杷可溶性固形物（SSC）检测精度（R2=0.945，RMSEP=0.365°Brix），实现高分辨率SSC分布可视化，揭示果实内部品质变异特征。

　　

摘要

快速、无损地评估果实内部品质对于优化收获时机和确保消费者满意度至关重要。以往关于果实品质的高光谱成像（HSI）研究主要依赖于单一波长的选择或全光谱化学计量模型，并结合线性回归或浅层机器学习，但这些方法可能无法完全捕捉到有信息量的光谱特征或复杂的非线性关系。在这里，我们提出了一个框架，将近红外高光谱成像（450-1000nm）与化学计量学和深度学习方法相结合，用于预测枇杷中的可溶性固形物含量（SSC）。我们的方法通过结合多种波长选择算法（包括竞争性自适应加权采样（CARS）、迭代保留信息变量（IRIV）和遗传算法（GA）以及一维卷积神经网络（1D-CNN），实现了更有效的特征选择和更稳健的建模。在收获了240个均匀成熟的果实后，我们获取了高光谱数据并进行了暗场/白场校准。手动定义的果实区域的光谱数据经过Savitzky-Golay平滑（SGS）、乘性散射校正（MSC）和标准正态变量（SNV）等预处理方法处理，这些方法可以单独使用或组合使用。使用偏最小二乘回归（PLSR）、最小二乘支持向量机（LS-SVM）和1D-CNN建立的定量SSC模型表明，卷积神经网络（CNN）的表现始终优于传统方法，其中最佳模型的性能指标为：R_p^2 = 0.945，RMSEP = 0.365（°Brix），RPD = 3.45。优化后的CNN在像素级别上的应用实现了高分辨率的SSC映射，揭示了果实内部的变异性。这些结果表明，将多算法波长选择与深度卷积建模相结合，为枇杷及其他水果作物的无损SSC评估提供了一种准确且高效的方法。