《Smart Agricultural Technology》：Explainable deep learning combined with hyperspectral imaging for early detection of browning in mushrooms
编辑推荐：
为突破蘑菇采后褐变“看不见、测不准、传不快”的瓶颈，作者以 LED-HSI+1D-CNN 架构开展 11 天、双湿度像素级追踪，验证 97 % 精度并借 Grad-CAM 锁定 450–520 nm 色素带与 750–850 nm 结构带，首次实现“生物可解释”的褐变在线监测，为智慧食用菌质量管控提供即时、低成本光谱配方。
在蘑菇江湖里，洁白如雪的伞盖是“颜值担当”，一旦出现褐斑，身价便直线跳水。传统靠质检员“肉眼+经验”的判色模式，既无法在早期捕捉零星褐斑，也难以量化褐变程度，更遑论在 4 ℃、不同湿度的冷链中给出统一标准。于是，“能不能把褐变信号翻译成光谱语言，并让 AI 自己说出哪段波长最可疑”成为产业痛点。
为回答上述问题，Kai Yang 与 Dimitrios Argyropoulos 以双因子储存实验（4 ℃、RH80 % 与 RH60 %）模拟商业场景，采集 128 颗白蘑菇在 1、3、6、11 天的 512 幅高光谱图像，构建 LED-HSI 与 TH-HSI 双光源数据集；随后用 PCA+FCM 无监督聚类自动生成像素级标签，训练 ANN、1D-CNN Shallow、1D-CNN Deep 三种模型，并以 Grad-CAM 揭示决策光谱依据，最终通过波长选择策略压缩至 50 % 波段，实现“又快又准又便宜”的褐变像素地图。论文发表于《Smart Agricultural Technology》。
关键技术速览：
研究结果
3.1 光谱特征分析
平均反射率曲线显示，褐变组织在 450–600 nm 可见区反射率显著低于健康组织；LED 光源在此区间的分离度优于 TH，且在 970 nm 水吸收带给出更锐利峰谷，为后续建模奠定物理基础。
3.2 构建校准数据集
PCA+FCM 生成 membership map，人工选取 5×5 像素 ROI，经 t-SNE 验证呈双簇分布，边界重叠极少，证明无监督标签可靠，共获 25 600 条光谱。
3.2.1 光源对比
LED-HSI 在三组数据集上的验证 CCR 均高于 TH：RH80 97.33 % vs 96.66 %，RH60 97.22 % vs 95.12 %，RH80+RH60 97.17 % vs 96.44 %，且湿度波动带来的性能变异仅 0.16 %，远低于 TH 的 1.54 %，显示 LED 在冷链高湿场景更稳健。
3.2.2 模型架构对比
1D-CNN Shallow 已全面碾压 ANN，提升 1.45–2.57 %；继续加深网络仅带来 ≤0.22 % 微幅增益，提示三卷积层足以捕获蘑菇褐变的简单吸收特征，兼顾边缘部署速度。
3.3 Grad-CAM 可解释性
对正确分类样本取平均，True Positive（褐变）在 450–520 nm 出现唯一高峰，与真黑素聚合物吸收对应；True Negative（健康）在 730–860 nm 出现最高峰，对应细胞壁碳水化合物与深层组织散射，说明模型融合“色素+结构”双维度判别，而非虚假相关。
3.4 波长选择
按重要性保留前 50 % 波段（430–610 nm + 750–850 nm）即可维持 96.03 % CCR，与全波段 97.28 % 差距 <1.3 %；保留前 10 %（450–520 nm）仍达 90.53 %，为开发多光谱或滤光片型在线分选机提供低成本配方。
3.5 像素级褐变预测
用 50 % 波段模型绘制 512×512 像素地图，可清晰追溯“点状→扩展→融合”的时空演化；RH60 组因失水更快，第 11 天褐变比例（BR）达 68.6 %，显著高于 RH80 的 55.9 %，与酶促褐变自催化理论一致。
结论与讨论
研究首次证明：LED-HSI+1D-CNN Shallow 可在 4 ℃、不同湿度条件下以 97 % 精度实现蘑菇褐变像素级早期识别；Grad-CAM 揭示的 450–520 nm 与 750–850 nm 关键带与真黑素吸收及细胞结构变化高度吻合，赋予模型生物可解释性；波长压缩 50 % 仍保持 >96 % 精度，为产业落地提供“少波段、低成本、快运算”的技术路径。该框架不仅适用于蘑菇，也为其他易褐变果蔬的智慧质量管控提供可复制的“光谱+可解释 AI”范式。
