通过光谱重塑和动态注意力驱动的深度学习实现蓝莓早期损伤的非破坏性检测

《Postharvest Biology and Technology》：Non-destructive detection for early-stage blueberry bruise via spectral reshaping and dynamic attention-driven deep learning

蓝莓早期瘀伤的非破坏性检测通过融合光谱数据重塑与动态注意力增强的深度学习模型实现，对比传统PLSDA/SVC模型和2D卷积网络（EfficientNetV2），验证了二维光谱数据与注意力机制在400-1000nm和1350-2200nm波段分别达到98.5%-99.7%和95%-99.2%的高准确率。

　　

黄玉萍|边珠晨|库拉姆·尤萨夫|曹旭中|金浩军|胡东|孙晔|谢伟军|范晨龙

南京林业大学机械电子工程学院，中国南京210037

摘要

蓝莓果皮柔软，在收获和运输过程中极易出现瘀伤。因此，早期检测瘀伤对于提高经济价值和满足市场需求至关重要。本研究旨在通过将光谱数据重塑方法与改进的深度学习模型（该模型结合了动态注意力融合（DAF）机制）相结合，建立一个用于非破坏性检测蓝莓早期瘀伤的新框架。通过微观结构分析来增强光谱数据的可解释性。比较了使用一维光谱曲线的传统模型和使用包含重塑光谱数据的二维图像的深度学习模型。结果表明，在400–1000纳米范围内，偏最小二乘判别分析（PLSDA）和支持向量分类（SVC）的准确率相当；而在1350–2200纳米范围内，SVC的准确率为91.2%。深度学习模型在重塑的二维光谱数据集上表现出优异的性能，其中DAF-EfficientNetV2在原始数据集和增强数据集上的分类准确率分别为98.5%和99.7%，在1350–2200纳米范围内分别为95%和99.2%。这些结果证明了将提出的光谱数据重塑方法与注意力增强深度学习模型相结合的有效性。

引言

蓝莓因富含花青素、维生素和多酚而具有很高的营养价值和经济价值（Poiana等人，2010年；Wu等人，2023年）。随着全球种植面积和产量的扩大（Trejo-Pech等人，2024年），蓝莓已成为增长最快、最受欢迎的小浆果之一，因此对储存和运输过程中的采后质量越来越重视。由于果皮娇嫩，蓝莓在收获、处理和储存过程中极易受到机械损伤（Hou等人，2024年；Yin等人，2025年）。瘀伤会加速质地和风味属性的恶化，并增加微生物感染的风险（Sun等人，2025年），从而降低其商业价值和消费者接受度。传统的检测受损浆果的方法，如人工视觉检查和破坏性化学分析（Sun等人，2017年），往往效率低下且劳动强度大，因此不适合大规模和实时应用。为了克服这些限制，最近开发了多种基于计算机视觉（Xiao等人，2023年；Zhang等人，2023年；Zhang等人，2023年）、近红外和可见光谱（Hao等人，2023年；Huang等人，2022年；Xu等人，2024年）、高光谱成像（Wang等人，2025年；Zhou等人，2023年）以及电子鼻（Tyagi等人，2023年；Wen等人，2022年）的非破坏性检测技术。这些方法为监测水果质量提供了新的机会。

在这些方法中，光谱技术因其高灵敏度和快速检测能力而受到广泛认可。文献中有多项研究展示了光谱技术在检测不同水果（如苹果（Yang等人，2024年）、梨（Liu等人，2023年）和草莓（Liu等人，2022年）瘀伤方面的成功应用。Yuan等人（2021年）将来自可见-近红外高光谱图像的感兴趣区域的平均光谱与偏最小二乘判别分析（PLSDA）相结合，实现了在机械损伤后五个时间点（2小时、4小时、8小时、12小时和24小时）对灵武长枣内部瘀伤的早期检测，预测准确率超过90%。Fan等人（2017年）通过应用最佳波长比和近红外高光谱反射成像，在机械冲击后四个时间点（30分钟、2小时、6小时和12小时）改进了蓝莓瘀伤的检测，分类准确率分别为77.5%、83.8%、92.5%和95.0%。Ouyang等人（2021年）基于最小二乘支持向量机（LS-SVM）开发了三种分类模型，用于识别机械冲击后不同时间的桃子瘀伤，包括光谱特征模型、图像特征模型以及结合光谱和图像特征的融合模型。结果显示，所有三种模型的分类准确率都随着瘀伤时间的增加而提高。融合模型表现最佳，在12小时、24小时、36小时和48小时时的识别准确率分别为83.33%、96.67%、100%和100%。然而，基于一维光谱的方法可能导致特征提取不足（Xie等人，2025年），从而影响分类模型的稳定性。

为了解决这个问题，提出了多种信号处理方法，将一维数据转换为二维（2D）光谱图像以增强特征表示。常用的方法包括格拉姆角场（GAF）（Zhai, Wang, 2023年）、马尔可夫过渡场（MTF）（Wang等人，2022年）、递归图（RP）（Strozzi和Pozzi, 2024年）和连续小波变换（CWT）（Liu等人，2024年）。通过将连续的光谱信号转换为结构化的二维表示，这些方法能够有效地与深度学习模型结合，提高性能。Chen等人（2024年）提出了一种融合方法，结合声学和可见/近红外数据来预测黄色果肉桃子的硬度。作者使用CWT和GAF将声学和光谱信号转换为了一维和二维特征，从而使深度学习模型能够有效提取信息。实验结果表明，基于竞争性自适应加权采样（CARS）从声学图像和可见/近红外光谱中选择的特征的Swin Transformer-PLS模型取得了最佳预测效果。Pu等人（2023年）采用太赫兹时域光谱（THz-TDS）与卷积神经网络（CNNs）结合，对柑橘网纹皮（PCR）进行了分类。原始光谱数据使用GAF、MTF和RP转换为二维图像特征，并构建了2D-CNN模型，准确率为78.33%，证明了二维光谱特征在增强深度学习模型分类性能方面的有效性。这些工作表明，将一维光谱数据重塑为二维光谱图像并将其与深度学习模型结合，具有在农产品非破坏性检测方面的潜力。

深度学习的快速发展突显了注意力机制的重要性。通过使用注意力，模型能够选择性地关注更具区分性的光谱特征，同时抑制无关或噪声信息（Dou等人，2022年）。通道注意力（Han等人，2025年）、空间注意力（Mei等人，2019年）和自注意力（Zhang等人，2024年）已广泛应用于光谱建模。Hu等人（2024年）将高光谱成像（HSI）与通过集成通道注意力（CAM）和光谱注意力（SAM）增强的单层卷积神经网络（CNN）相结合。作者进一步采用多任务学习同时预测枸杞的多种生物活性成分。结果表明，该方法在评估枸杞质量方面优于传统模型。Dong等人（2024年）提出了一个结合通道注意力机制的卷积神经网络（CNN），使用近红外（NIR）光谱识别芒果品种，准确率为98.67%。上述发现强调了将注意力机制与深度学习结合在实现各种农产品的快速和非破坏性检测方面的有效性。

本研究旨在通过将光谱数据重塑方法与改进的注意力增强深度学习模型相结合，建立一个用于非破坏性检测蓝莓早期瘀伤的新框架。本研究的主要目标如下：

1) 提出了一种新的光谱数据重塑方法，以增强瘀伤蓝莓的特征表示；

2) 提出了一种轻量级的动态注意力融合（DAF）机制，用于替代EfficientNetV2中的SE模块，以实现通道和空间特征的自适应融合；

3) 观察了随着瘀伤时间增加，浆果微观结构的变化；

4) 使用基于传统模型的一维光谱数据和基于深度学习方法的二维光谱数据，评估了不同瘀伤时间下蓝莓的分类准确率。

样本

“Plolific”品种的新鲜蓝莓采自中国江苏南京的白马蓝莓和黑莓产业示范园。所有新鲜蓝莓在运输到实验室后，均未受到机械损伤或疾病的影响，储存在4°C的冰箱中，储存时间不超过48小时。实验前，样本在室温下放置至少两小时，以确保样本温度均匀，并消除

光谱特性

图7显示了健康蓝莓和瘀伤蓝莓在不同瘀伤时间下的平均相对反射率。为了减少噪声干扰，选择了400–1000纳米和1350–2200纳米的光谱区域进行分析。健康蓝莓和瘀伤蓝莓之间的平均光谱存在显著差异。由于成熟蓝莓中含有丰富的花青素，在400–700纳米范围内有强烈的光吸收现象。

结论

本文提出了一种蓝莓反射光谱重塑方法。该方法将一维光谱数据转换为二维RGB图像，以有效表示光谱特征。使用传统机器学习模型的一维光谱和深度学习模型的二维RGB光谱图像来识别早期瘀伤时间，并比较了它们的性能。扫描电子显微镜（SEM）也被用于

伦理批准

本文作者未进行任何涉及人类参与者或动物的研究。

CRediT作者贡献声明

库拉姆·尤萨夫：软件、数据管理。曹旭中：验证、概念化。黄玉萍：写作——审稿与编辑、撰写——初稿、监督、资金获取、概念化。边珠晨：写作——初稿、软件、方法论、正式分析、数据管理。谢伟军：验证、数据管理。范晨龙：资源、概念化。胡东：可视化、正式分析。孙晔：软件、方法论。金浩军：资源、方法论。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：32101615、32402209、5240051201和32371987）的支持。