《Smart Agricultural Technology》：Intelligent transformation of mango maturity Estimation: AI-based non-destructive methods
编辑推荐：
本文系统评述了近年来利用近红外光谱、高光谱成像、图像处理结合机器学习及深度学习等非损伤性技术智能评估芒果成熟度的研究进展。文章通过定量分析比较了各类技术的原理、工作流程、性能指标与适用场景，探讨了成本、标定迁移、田间部署等共性挑战，并展望了多源数据融合、轻量化模型、可解释AI等未来方向，为构建精准、高效、可扩展的芒果产业链成熟度评估体系提供了详尽的参考框架。
引言：芒果产业的挑战与技术革新
芒果（Mangifera indica L.）是全球极具商业价值的热带水果，其产量与市场规模正高速增长。精确判断成熟度是决定最佳采收期、控制采后操作、满足市场需求并减少损耗的关键。然而，传统的检测方法，如测定总可溶性固形物（TSS）、干物质（DM）、可滴定酸（TA）和硬度，虽精确但具有破坏性、耗时、费力，难以用于大规模或实时测量。因此，发展非损伤性、快速、智能的评估技术成为必然趋势。近年来，将传感硬件、数据采集平台与人工智能算法结合的智能技术系统，为芒果成熟度评估带来了革命性变化。
非损伤性评估方法概述
当前主流的非损伤性评估方法包括：近红外光谱（NIRS）、高光谱成像（HIS）、基于传统机器学习（ML）的图像处理以及深度学习（DL）。这些技术各具优势，共同构成了芒果成熟度智能评估的技术图谱。研究表明，NIRS技术在所有研究中占比最高（61.5%），其次是图像处理（16.7%）、DL（12.5%）和HSI（7.3%）。NIRS和HSI在预测内部品质（TSS、DM、TA）方面仍具有优势，而基于图像的DL模型在某些品种的成熟度分类中展现出高准确度。
近红外光谱（NIRS）技术
NIRS技术基于物质在近红外波段（780-2500 nm）的光吸收和散射特性，来预测与成熟度相关的内部化学成分。其工作流程通常包括数据采集、光谱预处理、维度缩减、模型校准与性能评估。数据采集设备从实验室专业光谱仪发展到如SCiO、LinkSquare等便携式甚至手持式设备，使得田间快速检测成为可能。光谱预处理是消除仪器噪声、基线漂移和光散射影响的关键步骤，常用方法包括Savitzky-Golay（SG）滤波、多元散射校正（MSC）、标准正态变量变换（SNV）以及导数变换。在建模方面，偏最小二乘回归（PLSR）因其能有效处理光谱数据的高维共线性而被广泛应用，而支持向量回归（SVR）、人工神经网络（ANN）和随机森林（RF）等机器学习模型也越来越多地用于捕捉光谱与品质参数间的非线性关系。近年来，深度学习模型，如一维卷积神经网络（1D-CNN），被用于直接从原始或经预处理的NIR光谱中自动学习特征，在某些研究中其预测性能（如预测DM的RMSE）超越了传统PLSR模型。
上图展示了使用NIRS评估芒果成熟度的典型步骤流程图，清晰地概括了从数据采集到预测评估的全过程。
高光谱成像（HSI）技术
HSI技术集成了光谱学和图像处理，能同时获取被测物体的空间和光谱信息，形成“图谱合一”的数据立方体。这使其不仅能评估外部颜色纹理，还能洞察内部生化组成。HSI系统通常包含光源、成像光谱仪、相机和计算单元。在评估芒果成熟度时，其工作流程涉及图像采集、预处理（如ROI选取、噪声滤除、散射校正）、特征波长选择及模型构建。高光谱数据的高维度特性使得特征选择（如CARS、SPA算法）和降维（如PCA）尤为重要。研究表明，结合了特征选择的PLSR或支持向量机（SVM）等模型，在预测芒果TSS、DM等参数时取得了较高的决定系数（R2）和较低的预测误差。
上图展示了高光谱成像技术用于芒果成熟度评估的完整工作流程图，涵盖了从数据获取、预处理到模型预测与评估的各个环节。
传统图像处理与机器学习
基于RGB图像的处理技术因其成本低、易于部署而受到关注。该方法的核心是利用计算机视觉技术提取与成熟度相关的外部特征，主要是颜色、纹理和形状特征。常用的颜色空间包括RGB、HSV和CIE L*a*b*。其中，L*a*b*空间因其与人眼感知的一致性，在区分成熟度引起的颜色变化方面表现优异。提取的特征随后被输入到SVM、K-最近邻（KNN）和决策树（DT）等传统机器学习分类器中进行成熟度分级。在实验室受控条件下，此类方法可获得很高的分类准确率（>95%）。然而，其性能严重依赖于手动设计的特征，在田间复杂光照、背景及不同品种间的泛化能力上面临挑战。
上图展示了基于传统图像处理和机器学习进行芒果成熟度评估的典型架构流程图，明确了从数据集收集、预处理、特征提取到分类和评估的步骤。
深度学习（DL）技术
深度学习，特别是卷积神经网络（CNN），通过构建具有多个隐藏层的深层网络结构，能够直接从原始图像数据中自动学习分层的特征表示，无需人工进行复杂的特征工程。这使得DL模型在处理复杂背景、多变光照和不同品种的芒果图像时，表现出更强的鲁棒性和更高的准确性。典型的流程包括图像采集与增强、使用CNN模型（如VGG, ResNet等或其变体）进行特征学习与分类/回归。除了RGB图像，DL也被应用于处理NIR和HSI数据，例如使用1D-CNN处理光谱曲线，或使用2D/3D-CNN处理高光谱图像立方体。注意力机制等先进网络模块的引入，有助于模型聚焦于与成熟度最相关的图像区域或光谱波段，尽管相关研究仍处于探索阶段。DL模型的性能通常通过准确率、精确率、召回率和F1分数等指标进行评估。
技术比较、挑战与未来方向
比较分析显示，不同技术各有侧重。成像和DL技术在某些品种的外部成熟度分类上准确率很高，而NIRS和HIS技术在预测TSS、DM等内部品质参数方面仍更胜一筹。然而，所有这些方法在走向大规模田间应用时，都面临一些共通的挑战：设备成本（特别是HIS和高端NIRS）、模型校准与转移（仪器、环境、品种差异导致的模型性能下降）、田间部署难度（便携性、实时性、环境适应性）、数据稀缺性（特别是带标注的大规模、多品种数据集）以及模型的可解释性不足。
上图以示意图形式对比展示了NIRS、HIS、图像处理和DL四种方法用于检测芒果成熟度的关键步骤，直观呈现了不同技术的共性流程与差异。
为构建更稳健、可扩展和可持续的芒果成熟度评估系统，未来研究应优先关注以下方向：1. 多传感器数据融合：整合NIRS、HIS、RGB图像乃至其他传感器（如电子鼻）的数据，综合利用内外部信息，实现更全面的评估。2. 轻量化人工智能模型：开发适用于移动设备或嵌入式系统的紧凑模型，以降低计算和功耗，促进实地应用。3. 先进模型架构探索：研究注意力机制、Transformer、小样本学习等前沿方法，提升模型性能、泛化能力和数据利用效率。4. 可解释人工智能：提高DL模型的透明度，帮助理解其决策依据，增加农业从业者的信任。5. 物联网与智慧农业集成：将成熟的评估模型集成到自动化分拣线、便携式决策支持设备及果园监测网络中，实现从田间到餐桌的全程智能化管理。
