《LWT》：Feature-optimized ResNet–BiLSTM model with hyperspectral imaging for non-destructive quality prediction of salted kimchi cabbage processed by various salting methods
编辑推荐：
本文为解决传统方法无法快速、无损评估不同工业腌渍工艺对泡菜白菜（SKC）盐含量和硬度影响的问题，研究了结合短波红外高光谱成像、特征选择与深度学习的方法。通过集成UVE-SPA特征选择与ResNet-BiLSTM混合网络，该研究构建的框架能够准确预测SKC的盐含量与硬度（Rp2> 0.98），为泡菜制造过程的标准化和数字化提供了快速、可靠且可解释的无损评估工具。
提到美味的泡菜，你是否想过，在工厂里，那一片片白菜是如何被均匀腌渍入味，又如何保证其口感的软硬恰到好处的？泡菜白菜的腌制是整个发酵过程的基础，盐分渗透的多少和分布的均匀性，直接决定了最终成品的风味、质地和安全性。然而，传统的品质检测方法，比如直接测量盐含量或通过仪器测试硬度，通常是破坏性的，需要取样、耗时费力，而且无法反映整颗白菜内部盐分扩散的实时情况和微观结构的变化。在工业生产中，为了提升效率，除了常规的浸泡腌渍，还引入了真空、旋转搅拌甚至两者结合的先进工艺。但这些不同的处理方式究竟如何影响白菜细胞结构、盐分渗透路径以及最终产品的品质，缺乏系统、快速且客观的评估手段。这成为制约泡菜制造业迈向标准化、数字化和智能化的一道关卡。为了解决这一难题，研究人员将目光投向了结合了成像与光谱分析的高光谱成像技术，并携手强大的深度学习算法，开展了一项创新研究。他们的成果发表在国际食品科学知名期刊《LWT》上，为腌渍蔬菜的品质监控打开了一扇新窗。
这项研究主要运用了以下几项关键技术方法：首先，研究人员对市售泡菜白菜进行处理，采用了四种不同的腌渍工艺（常规浸泡、真空浸泡、旋转搅拌浸泡、真空旋转搅拌浸泡）及三种盐浓度（6%， 12%， 18%）。其次，利用短波红外高光谱成像系统在874–1734纳米范围内采集样本的光谱图像数据。在数据分析方面，研究采用了两种光谱特征选择方法（无信息变量消除和连续投影算法）来筛选最具信息量的波长，以减少数据冗余。最后，构建并比较了多种预测模型，包括传统的偏最小二乘回归、支持向量回归等机器学习模型，以及创新的深度学习模型，其中核心是结合了残差神经网络和双向长短期记忆网络的混合模型，用于从光谱数据中预测盐含量和硬度。
3. 结果与讨论
3.1. 盐渍泡菜白菜的品质特性
3.1.1. 盐含量和硬度
研究结果显示，随着盐浓度的增加，以及从常规处理过渡到真空、旋转搅拌及其组合处理，白菜的硬度逐渐降低，而盐含量则逐步升高。特别是旋转搅拌及其与真空结合的处理方式，能更有效地促进盐分渗透，使样品获得更高的盐含量，同时因细胞失水、组织软化而导致硬度显著降低。这表明真空和机械搅拌能通过促进渗透脱水和物理破坏细胞壁，提高腌渍效率和产品嫩度。
3.1.2. 微观结构与元素组成分析
通过扫描电子显微镜观察发现，经真空、旋转搅拌，特别是两者结合处理的样本，其细胞结构变形更明显，细胞间隙增大，表明组织结构更为松软。能量色散X射线光谱分析进一步显示，钠和氯元素的含量随着盐浓度和处理强度的增加而升高，并在旋转搅拌和组合处理组中观察到局部盐分积聚的晶体状簇。同时，氧元素含量降低，反映了渗透胁迫导致的水分流失。这些微观和元素层面的变化，为后续高光谱反射模式的变化提供了物理解释基础。
3.2. 高光谱成像分析
3.2.1. 光谱特征
所有样本的平均光谱曲线在960–1000纳米（与O-H和C-H键拉伸有关，反映水分分布）、1140–1200纳米（与CH2基团中的C-H键有关，指示组织结构变化）以及1380–1450纳米（与总水分含量强相关）等波段显示出特征性的波谷和波峰。热图分析表明，随着盐浓度和处理强度的增加，样本在近红外波段的反射率普遍降低。
3.2.2. 全波长预测模型的比较分析
在基于全波段光谱建立的预测模型中，传统的Savitzky-Golay一阶导数结合偏最小二乘回归模型表现最佳。然而，深度学习方法，特别是结合了残差神经网络和双向长短期记忆的混合模型，展现了显著的优越性。该模型无需复杂的光谱预处理，直接从原始光谱数据中学习，在预测盐含量和硬度时取得了最高的决定系数和残差预测偏差值，显示出其捕捉复杂非线性光谱模式的能力远超传统线性模型。
3.2.3. 光谱特征选择
应用无信息变量消除和连续投影算法进行特征选择，能有效将光谱变量数量减少约87%。所筛选出的关键波长（如~980纳米、~1450纳米附近与水分相关的O-H倍频，以及~1214纳米附近与果胶变化相关的C-H键区域）与腌渍过程中的生物化学变化密切相关。结合两种算法的策略在最大限度减少数据冗余的同时，保持了模型的高预测性能。
3.2.4. 最优模型中盐含量和硬度的预测结果
在结合了特征选择的模型中，基于全波段表现最优的混合深度学习模型继续领跑。其中，采用无信息变量消除-连续投影算法优化后的残差-双向长短期记忆网络模型预测性能最为出色，对盐含量和硬度的预测决定系数均高于0.98，残差预测偏差值分别达到7.91和12.26，证明了其卓越的预测精度和稳健性，远优于经过特征选择后的传统偏最小二乘回归模型。
3.2.5. 盐含量和硬度的空间分布可视化
利用偏最小二乘回归模型对高光谱图像的每个像素进行预测，生成了盐含量和硬度的空间分布图。可视化结果直观显示，常规浸泡处理的盐分主要聚集在样品边缘，中心渗透不足；而真空处理促进了盐分向中心的深层渗透；旋转搅拌则使盐分分布更为广泛均匀。这些图像清晰地揭示了不同腌渍工艺在促进盐分空间扩散方面的差异，为工艺优化提供了直接视觉证据。
4. 结论
本研究成功证明，短波红外高光谱成像结合优化的深度学习框架，能够高效、无损地预测经不同腌渍工艺处理的泡菜白菜的盐含量和硬度。研究揭示了不同工艺引起的物理化学、微观结构及元素分布的差异，并成功将其与光谱特征关联。所提出的无信息变量消除-连续投影算法-残差网络-双向长短期记忆网络混合模型，在将光谱变量大幅缩减87%的同时，实现了卓越的预测性能，其准确性通过微观分析和空间分布可视化得到了验证。总体而言，这项研究为解决食品工业中快速、客观的无损品质检测需求提供了一个强有力的方案。它不仅推动了深度学习驱动的高光谱成像在食品制造中的实际应用，更重要的是，为泡菜乃至整个腌渍蔬菜加工行业的实时质量控制、工艺标准化和数字化转型，建立了一个快速、准确且可解释的技术框架，具有重要的产业应用前景和学术价值。
