《Food Control》：Assessment of Chemometric and Deep Learning Models for Blueberry Authentication Using Visible and Near-infrared Spectral Imaging
编辑推荐：
本研究针对蓝莓供应链中品种混杂导致的品质不一、货架期差异及潜在掺假问题，开发了结合可见-近红外高光谱成像与多模式机器学习模型的非破坏性鉴别技术。通过对比PLS-DA、LDA、SVM、1D-CNN及3D-CNN在完整光谱与特征选择后的性能，发现3D-CNN在特征级融合后选择策略下准确率最高达97.5%，为蓝莓品种溯源提供了高精度、可扩展的解决方案。
蓝莓作为全球高价值水果，近年来因品种不断推新而面临供应链管理的挑战。不同品种在果实大小、硬度、甜度、风味及耐储性上存在显著差异，混合采收易导致产品品质不稳定、货架期缩短，甚至因低价值品种冒充高端品种引发食品欺诈问题。传统鉴别方法如DNA指纹分析、化学检测或力学测试虽准确，但具破坏性、耗时长且无法实现全批次实时监测。因此，开发快速、无损的品种鉴别技术对保障蓝莓产业质量可控性与供应链透明度具有重要意义。
本研究通过高光谱成像技术捕获蓝莓在可见-近红外（VNIR, 400–1000 nm）和近红外（NIR, 900–1700 nm）区间的光谱信息，结合化学计量学模型与深度学习算法，系统评估了四种兔眼蓝莓品种（Bold、Brightwell、Climax、Powderblue）的鉴别潜力。研究团队采集了612个样本的高光谱数据，提取平均光谱并应用连续投影算法进行特征降维，在此基础上对比了三种特征融合策略（融合前选择、分别选择、选择后融合）对模型性能的影响。
在技术方法上，研究采用推扫式高光谱成像系统（Specim FX10和FX17相机）获取空间-光谱数据，通过网格化分割提取单果区域光谱，并利用SPA筛选关键波长。模型训练涵盖PLS-DA、LDA、SVM、1D-CNN及3D-CNN，其中3D-CNN基于空间-光谱块进行训练，以捕捉局部纹理与化学成分的协同特征。
3.1. VNIR与NIR吸收曲线解析
VNIR光谱中，400–700 nm区间的吸收峰与花色苷、叶绿素等皮肤色素相关，970 nm附近为水分子一级倍频吸收；NIR光谱中，1180–1220 nm和1600–1670 nm分别对应碳水化合物C-H二级倍频和一级倍频吸收，1400–1470 nm为水分子一级倍频主峰。品种间光谱差异反映了色素组成、糖度及水分含量的特异性，如Bold品种在可见光区吸收更高，与其较高可溶性固形物含量一致。
3.2. 模型性能比较
- •
全光谱模型：VNIR数据下1D-CNN准确率最高（97.4%），NIR数据下LDA表现最优（94.5%），说明VNIR的复杂非线性特征更适合深度学习提取。
- •
特征选择模型：SPA从VNIR和NIR中分别筛选出19和18个关键波长，覆盖色素、水分及糖类相关波段。融合后选择策略下，3D-CNN准确率达97.5%，显著优于其他模型（LDA 91.0%，SVM 90.0%），表明融合光谱空间信息可有效提升鉴别精度。
- •
混淆矩阵与可视化分析：3D-CNN在浆果级别预测中错误率极低，仅个别样本因表面异常被误判，验证了模型对品种特异性光谱模式的稳健捕获能力。
4. 讨论与比较分析
本研究通过多模型对比揭示了光谱区域与算法架构的协同效应：NIR光谱的线性可分性使其适合传统分类器，而VNIR的复杂特征需依赖CNN挖掘深层模式。特征选择后融合策略在降低数据维度的同时保留了VNIR与NIR的互补信息，为开发低成本多光谱传感器提供了理论基础。研究还指出，蓝莓表皮蜡质成分（如乌索酸、齐墩果酸）的差异可能是光谱鉴别的重要生化基础。
5. 结论
高光谱成像结合深度学习模型可实现蓝莓品种的高精度鉴别，其中3D-CNN在融合光谱特征下的优异表现突出了空间-光谱联合建模的价值。该技术为水果供应链中的品种溯源、品质分级及防伪认证提供了可行路径，未来可通过扩展品种库与优化实时成像系统进一步推动产业化应用。
