《Postharvest Biology and Technology》：Reflectance and interactance spectroscopy for detecting root knot nematode galls in harvested sweetpotatoes
编辑推荐：
根结线虫（Root-knot nematodes, RKN）是甘薯生产中的主要病原体，目前的检测方法依赖于劳动密集型且耗时的实验室分析。本研究比较了非接触式近红外反射与交互成像技术，用于快速检测RKN虫瘿，使用了先前工作中确定的三个激光波长（750、808和9
根结线虫（Root-knot nematodes, RKN）是甘薯生产中的主要病原体，目前的检测方法依赖于劳动密集型且耗时的实验室分析。本研究比较了非接触式近红外反射与交互成像技术，用于快速检测RKN虫瘿，使用了先前工作中确定的三个激光波长（750、808和905 nm）。实验成像与蒙特卡洛散射模拟相结合，以量化虫瘿组织与健康组织之间的光谱对比度。此外，评估了六种卷积神经网络（CNN）架构以实现自动分类，并进行了基于成本的分析以评估性能权衡。光谱分析揭示了测量数据与模拟数据之间的一致趋势：虫瘿组织在750/808 nm比率上低于健康组织，而在905/808 nm比率上高于健康组织，且交互模式通常比反射模式提供更高的绝对对比度。然而，分类结果显示，尽管光谱对比度较低，反射图像中的空间特征仍保持了与交互数据相似的准确率。使用结合（混合）反射-交互度量与ResNet 101实现了最高的检测准确率（97.5%）和最低的假阳性率（1.46%）。单一模式的反射或交互实现了约95.7%的准确率。成本建模表明，最佳的网络-度量选择取决于假阳性（田间修复）与假阴性（拒收交付）的相对成本。当修复成本较高时，采用混合度量的ResNet 50表现最佳。然而，当成本相等或假阴性代价更高时，采用混合度量的ResNet 101是最优选择。局限性包括仅在单一甘薯品种上评估、成本建模简化以及排除了其他表面/亚表面缺陷。
该论文发表于《Postharvest Biology and Technology》，针对甘薯生产中极具破坏性的根结线虫（RKN）开发了一种新型无损检测技术。传统检测方法依赖破坏性采样及繁琐的实验室形态学或分子鉴定，成本高昂且无法满足产后高通量分选的需求。为此，研究人员探索了非接触式近红外反射与交互成像技术，旨在通过光学手段实现虫瘿的快速识别。
在研究技术上，研究人员采用了特定的样本队列，包含19个感染根和10个健康根，共115个虫瘿。核心技术包括：利用750、808和905 nm三个特定激光波长进行反射和交互光谱采集；构建蒙特卡洛散射模拟模型以量化光子在组织中的传输行为；训练并评估六种卷积神经网络（CNN）架构；最后建立成本函数模型，分析不同网络配置在经济层面的适用性。
研究结果方面，首先，“Sample curation and ground truth results”显示，通过对19个感染根的详细解剖验证，确立了模型训练的真实数据集，平均每个根含6个虫瘿。“Summary of gall contrast”指出，光谱分析表明虫瘿组织在750/808 nm（k=1:2）比率上显著低于健康组织，而在905/808 nm（k=3:2）比率上更高，且交互模式相比反射模式能获得更高的绝对光谱对比度。然而，在分类性能上，尽管反射模式的光谱对比度较低，但其图像中的空间纹理特征使得CNN分类准确率与交互模式相当。其中，结合反射与交互特征的混合度量配合ResNet 101网络达到了97.5%的最高检测准确率和1.46%的最低假阳性率。成本效益分析（“Conclusion”部分）进一步揭示，最优算法选择并非唯一：当田间修复成本（假阳性代价）极高时，ResNet 50配合混合度量更具优势；而当两者成本相当或拒收损失（假阴性代价）更大时，ResNet 101配合混合度量则为最优解。
综上所述，该研究通过融合光学物理特性与深度学习算法，证实了近红外交互与反射成像在甘薯根结线虫无损检测中的可行性。研究结论强调，虽然交互光谱提供了更强的生化对比信号，但反射图像的空间特征同样关键。通过引入基于经济成本的决策模型，研究为实际产后加工场景提供了可定制的技术选型方案，即在保证高精度的前提下，根据具体产业对误判代价的容忍度灵活调整算法配置，这对推动农产品产后智能分选装备的发展具有重要意义。
