基于光学特性与机器学习的梨果类及块茎类农产品品质评价与品种鉴别研究

《Journal of Food Composition and Analysis》：Quality Evaluation and Variety Discrimination of Pear, Apple, Nectarine and Potato Using Optical Properties Coupled with Machine Learning

本研究针对水果蔬菜品质检测中传统光谱技术忽略散射效应的问题，通过单积分球系统测定梨、苹果、油桃和马铃薯的吸收系数(μa)与约化散射系数(μs′)，结合偏最小二乘回归(PLSR)和随机森林(RF)等算法，实现了可溶性固形物含量(SSC)和果实硬度(FF)的精准预测（最优Rp2达0.884）及品种鉴别（最高准确率100%），为农产品无损检测提供了新方法。

　　

随着全球农业生产和食品消费模式的演变，水果蔬菜的品质已成为影响消费者决策的关键因素。可溶性固形物含量(SSC)和果实硬度(FF)作为衡量果蔬品质的核心指标，不仅直接影响消费者的食用体验，更与产品的储运稳定性密切相关。传统可见/近红外(Vis/NIR)光谱技术虽已广泛应用于农产品品质检测，但其基于朗伯-比尔定律的分析方法往往忽略了光在生物组织中复杂的散射效应。实际上，光在果蔬组织这类非均匀介质中传播时，光子会经历不同程度的吸收和多次散射，导致光衰减。因此，深入理解光在果蔬组织中的传输机制，对提升检测性能具有重要意义。

近日发表于《Journal of Food Composition and Analysis》的研究通过创新性地结合光学特性测量与机器学习算法，为解决这一技术瓶颈提供了新思路。该研究团队开发了一套基于单积分球系统的光学特性测量平台，系统测定了梨、苹果、油桃和马铃薯四大类共10个品种的吸收系数(μ_a)和约化散射系数(μ_s′)，并构建了多种预测模型，实现了品质参数的精准预测和品种的有效鉴别。

关键技术方法包括：使用单积分球系统测量漫反射率(R_d)和漫透射率(T_d)，通过逆加倍算法(IAD)计算光学参数；采用标准正态变量变换(SNV)等光谱预处理方法；建立偏最小二乘回归(PLSR)和人工神经网络(ANN)定量预测模型，以及线性判别分析(LDA)和支持向量机(SVM)等分类模型；所有样本(共320个)均来自杭州当地超市，涵盖4个梨品种、2个苹果品种、2个油桃品种和2个马铃薯品种。

光学特性分析结果：

研究发现不同果蔬品种的光学特性存在显著差异。苹果表现出最高的漫反射率，这与其光滑表面促进光反射有关；而梨和马铃薯因表面粗糙导致漫反射率较低。在约化散射系数方面，苹果显著高于其他品种，这与其果肉组织的物理结构密切相关。所有品种在970纳米附近均出现水分吸收峰，证实光学参数能有效反映组织内部化学成分。

品种鉴别结果：

基于主成分分析(PCA)发现不同品类样品呈现明显聚类趋势。随机森林(RF)模型在品种鉴别中表现最优，基于吸收系数(μ_a)的模型对油桃和马铃薯的鉴别准确率达100%，梨和苹果的鉴别准确率分别为92.9%和92.9%。特别是马铃薯作为块茎类蔬菜，其光学散射特性与水果存在本质差异，模型仍能实现完美鉴别，证明该方法适用于不同生物结构类型。

品质评价结果：

在梨的品质预测中，基于吸收系数(μ_a)的偏最小二乘回归(PLSR)模型表现最佳，SSC和FF的预测集决定系数(R_p²)分别达到0.877和0.884。在混合样品预测中，随着样本量增加，人工神经网络(ANN)模型表现出更强的适应性，对于苹果和油桃混合样本的SSC预测R_p²达到0.878。

讨论与结论：

研究表明，传统化学计量学方法与机器学习算法在果蔬品质检测中各具优势。偏最小二乘回归(PLSR)在小样本场景下稳定性更强，而随机森林(RF)在处理复杂数据集时表现出更好的鲁棒性。特别值得关注的是，通过将马铃薯纳入研究范围，验证了光学特性方法在不同生物结构类型（块茎与果实）间的适用性。该研究不仅为果蔬品质无损检测提供了新方法，更为光学特性在农产品质量评估中的推广应用奠定了理论基础。未来可进一步探索深度学习等先进算法，并结合多模态光学技术，提升模型的泛化能力和实用价值。