软枣猕猴桃（Actinidia arguta）是猕猴桃科多年生落叶藤本植物，广泛分布于我国东北、华北和西北等地区。与传统猕猴桃不同，其果皮光滑、果肉呈绿色，兼具独特风味和较高营养价值，近年来备受市场青睐。然而，软枣猕猴桃在采摘和运输过程中极易受到外力作用而产生瘀伤，瘀伤不仅加速果实代谢，导致果皮褐变、皱缩及糖酸等营养成分流失，还会增加微生物侵染风险。受损组织为病原菌（如细菌、真菌）提供入侵通道，引发贮藏期间的发酵、霉变等问题，进而感染健康果实造成严重经济损失。因此，实现瘀伤的早期识别与干预，对提升软枣猕猴桃采后品质、减少损耗具有重要意义。
传统果实瘀伤检测主要依赖人工检查与机器视觉技术。人工检查主观性强，且难以满足大规模检测需求；而机器视觉技术虽能实现自动化处理，但仅能获取果实表面信息，无法检测内部结构变化。近年来，高光谱成像（HSI）技术凭借其非破坏性、高效性及图谱融合等优势，在果实采后品质检测领域展现出重要的应用价值。该技术结合机器学习方法，在多种水果瘀伤检测中均取得显著成效。Yuan Ruirui等基于HSI技术，通过优化预处理和特征提取方法构建偏最小二乘判别分析（PLS-DA）模型，实现了‘灵武’长枣瘀伤时间的准确判别，预测准确率高达91.11%。Li Bin等采用自定义成熟度指标划分黄桃瘀伤程度，基于HSI技术结合机器学习算法进行瘀伤程度判别，所建立的梯度增强算法（XGBoost）模型预测准确率达到93.1%。Shanthini等采集了不同瘀伤时间间隔下草莓的高光谱数据，建立多种机器学习模型，其中支持向量机（SVM）和线性判别分析（LDA）模型对草莓瘀伤程度的分类准确率均达到了99.99%。
以上研究已证实了光谱数据在果实损伤识别方面的可行性。然而，由于光谱数据维度高、波段间存在强相关性，传统的建模方法在特征提取和表达上仍存在一定局限，难以充分挖掘其深层信息。为解决这一问题，近年来研究者提出将一维光谱信息转化为具有空间结构的二维图像，通过光谱图像化手段构建更具表达力的深度学习模型，从而提升对复杂光谱特征的解析能力。例如，Li You等采用格拉姆角差场将苹果透射光谱转换为图像，结合改进的移动视觉变换器（MobileViT）模型实现了可溶性固形物的高精度检测，测试集R2达到了0.983；Yan Zelin等在煤炭类型识别研究中，采用马尔可夫转换场将光谱编码为图像，在IRDE-Net模型上取得了良好的分类性能，准确率高达94.29%。这些研究表明，光谱图像化方法能够更好地挖掘数据中的空间-光谱关联特征，提升模型性能和鲁棒性。
沈阳农业大学信息与电气工程学院的吴沛净、姜凤利*、李美璇等基于光谱分析与光谱图像化方法，构建双路径建模策略。针对光谱数据本身的细微差异，构建Stacking集成模型以提升特征解析能力，并与SVM、一维卷积神经网络（1D-CNN）、长短期记忆网络（LSTM）等模型进行对比；同时，采用格拉姆角场（GAF）方法对光谱进行图像化处理，以挖掘其空间关联信息，拓展特征表达维度。最后，通过量化对比不同模型的分类性能指标，明确各模型的优势及适用场景。以期为软枣猕猴桃果实采后质量检测与商品化分级提供新的技术路径与理论依据。
1
光谱曲线分析
平均光谱曲线直观反映了软枣猕猴桃在瘀伤进程中光谱特性变化。如图7所示，受损前后的特定波段存在显著差异，主要集中在520～630、732～926 nm和958～1 000 nm。其中，520～630 nm波段的差异主要与叶绿素对可见光的吸收有关，瘀伤后细胞结构受损，导致叶绿素降解，使该区域的反射率下降；732～926 nm和958～1 000 nm反映了水分和糖类等碳水化合物中O—H官能团的振动特性，与组织结构状态密切相关，表明这些特定波段与样本的损伤时间呈现密切关系。上述波段的光谱差异为软枣猕猴桃瘀伤识别提供了理论依据和检测基础。
2
光谱预处理
本研究采用AWT对原始光谱进行去噪处理。为确定最优分解层数，以1 个完好样本为例，对比分解层数1～5条件下的RSN与MSE表现。由表1可知，1 层和3 层分解均具有较高的RSN和较低的MSE。尽管1 层分解的RSN最优，但单层分解对高频噪声的分离效果有限；相比之下，分解层数达到3时，在保持特征信息的同时实现了更有效的噪声抑制。因此，综合去噪效果和特征保留能力，最终选定3 层小波分解作为光谱数据预处理的最优方案。
如图8所示，处理后光谱曲线整体分布更为紧凑，微小噪声显著减少，特征峰与波谷位置更加清晰，显著提升了数据质量，为后续建模分析奠定了良好基础。
3
GAF图像转换
GAF方法可将一维光谱数据重排为二维图像形式，增强其结构表达能力与局部特征识别能力，从而提升模型对复杂光谱信息的分析和判别能力。如图9A所示，将原始光谱数据归一化后映射至单位圆上的极坐标空间（图9B），将每个波段的反射率转换为对应的向量角度。随后，基于向量间的角度关系计算得到二维GAF图像（图9C），其像素值为任意两个波段（i, j）向量夹角的余弦值，能够反映二者在方向上的相似性。图像中红色区域表示方向高度一致（余弦值接近1），蓝色区域表示方向相反或相关性弱。GAF图像与原始光谱曲线一一对应，能够清晰揭示波段间的相似性与差异性，验证了其在特征提取与可视化方面的有效性。
4
基于光谱的瘀伤时间判别模型
4.1 1D-CNN与LSTM模型优化过程分析
将经过预处理的光谱数据作为输入，以样本瘀伤发生时间作为输出，分别构建SVM、1D-CNN、LSTM和Stacking 4 种瘀伤判别模型。本研究所用1D-CNN包含3 层卷积层，其卷积核数量依次为8、16、32。为确定最佳卷积核大小，以验证集准确率作为评价标准。结果表明，当卷积核大小为3×1时，模型取得最高准确率，为96.1%（图10A）。如图10B所示，采用3×1卷积核训练模型，在前100 次迭代中损失值快速下降，准确率稳步提升；在约第210个训练轮次，验证集准确率达到峰值，此后提升不再显著，触发早停机制，并以该轮权重用于测试，整个训练过程未观察到明显过拟合现象。
由图11A可见，随着隐含层单元数由32增加到512，模型准确率明显提升并逐渐趋于稳定，最终选取256 个隐含层单元进行模型训练。从图11B可以看出，模型收敛速度较快，拟合效果良好。
4.2 模型性能评价
对上述4 种瘀伤判别模型进行了综合评估，由表2可知，Stacking模型综合性能最优，准确率、召回率、精确率与F1分数分别达到97.78%、97.87%、97.78%和97.78%，运行时间为49 s，体现出其融合多个基学习器后在复杂光谱特征识别上的强大能力。1D-CNN表现次之，各项指标均高于93.8%，运行时间仅为18 s，显示出卷积结构在捕捉光谱局部特征方面具有较强优势。LSTM模型准确率为92.22%，运行时间最短（14 s），时序建模能力良好。SVM模型性能相对较弱，测试集准确率仅为86.11%，表明该模型在处理高维非线性光谱数据时建模能力有限。
由图12可知，所有模型对完好样本与瘀伤发生8 h的样本区分度最高，误判主要集中在2、4 h和6 h等相邻时段，表明这些时段的光谱差异较小。其中，瘀伤发生4 h和6 h样本最易相互混淆，反映出二者表征高度接近，该结果与图7中的光谱演变规律相印证。
如图13所示，Stacking模型的3 项指标曲线整体最靠外延展，展现出最优的综合分类性能。1D-CNN和LSTM模型的曲线分布相对均衡，但在6 h类别的召回率以及8 h类别的精确率上表现较弱，说明6 h作为过渡时段的可分性较低，而8 h类别的判别特征特异性不足。相比之下，SVM模型的各项指标曲线明显内缩，分类能力显著低于其他3 类模型。
5
基于GAF图像的瘀伤时间判别模型
尽管一维光谱数据在瘀伤判别中已取得良好效果，但考虑到其在空间结构信息表达方面存在一定的局限性。为提升对光谱特征的空间感知能力，本研究引入GAF方法将一维光谱转换为二维图像，从空间角度捕捉光谱的局部模式、全局趋势以及波长间光谱反射率的非线性关系。经过GAF转换共获得900 张图像，按照3∶1∶1的比例划分为训练集、验证集和测试集。随后，基于YOLOv8n模型进行训练，设置训练批次大小为8，训练轮次150，最终模型总运行时间为25 min 22 s。如图14所示，训练损失平稳下降并趋于收敛，验证损失亦持续下降，说明模型具备良好的泛化能力。另外，在第73个轮次后，准确率基本稳定在0.9左右，尽管存在一定波动，但整体上表现出较强的分类能力，进一步验证了YOLOv8n模型在处理GAF图像方面的有效性。
从表3可以看出，验证集和测试集的分类准确率和召回率均达97.22%，精确率分别为97.35%和97.32%，F1分数分别为97.28%与97.27%，验证了GAF图像结合YOLOv8n模型在5 个不同瘀伤发生时间判别任务中的可行性与有效性。
从图15可知，完好样本的识别准确率极高，但瘀伤后2、4、6、8 h的样本间存在一定的误判，主要原因是光谱曲线中相邻瘀伤时段光谱特征存在一定的重叠。
为了深入探索YOLOv8n模型在GAF图像判别中的关注区域，采用梯度加权类激活映射（Grad-CAM）方法对其最后一层卷积特征图进行可视化，结果如图16所示。图中红色区域代表对分类决策贡献较大的图像区域，蓝色区域则表示模型关注度较低的区域。通过对5 个类别的Grad-CAM结果进行分析发现，模型的关注区域（虚线标注位置）主要集中在540～625 nm与709～952 nm波段，这与不同类别样本光谱曲线中反射率差异显著的区域保持一致。其中，540～625 nm位于可见光范围，涵盖叶绿素主要吸收区，可能反映果皮色素含量及其随瘀伤发展引起的光学特性变化；而709～952 nm则属于近红外区域，主要表征果实内部组织结构的完整性，该波段的反射率随瘀伤时间延长呈下降趋势。由此可见，YOLOv8n模型能够定位关键波段对应的图像区域，有效捕捉果实瘀伤演变的微小光谱变化。
综上所述，GAF方法能够有效增强光谱信息的空间结构表达能力，而YOLOv8n模型则在图像层面实现了关键特征区域的精准识别。二者结合显著提升了对软枣猕猴桃不同瘀伤发生时间的精准识别能力，进一步验证了GAF图像在果实瘀伤检测中的应用潜力和价值。
6
结 论
本研究提出了一种基于光谱与图像多尺度建模策略的软枣猕猴桃瘀伤检测方法。首先，采用AWT方法对原始光谱数据进行去噪处理，构建了SVM、1D-CNN、LSTM和Stacking 4 种一维光谱瘀伤时间分类模型；随后，引入GAF方法将一维光谱转换为二维图像，并基于YOLOv8n构建分类模型，结合Grad-CAM技术实现特征可视化。主要结论如下：1）在一维光谱建模中，Stacking模型在特征提取能力与分类性能方面表现最优，测试集准确率、召回率、精确率与F1分数分别为97.78%、97.87%、97.78%和97.78%，能够有效捕捉局部波段变化，准确区分不同的瘀伤发生时间，适合高精度检测需求。2）在二维图像建模中，GAF方法结合YOLOv8n模型同样表现出良好的分类性能，测试集准确率、召回率、精确率与F1分数分别达到了97.22%、97.22%、97.32%以及97.27%，不仅能够关注瘀伤区域的空间结构特征，还能借助Grad-CAM提供判别依据，增强了模型的可解释性。
综合来看，一维光谱模型侧重于统计特征的高效提取，运算速度更快，适合快速检测；而二维图像模型在特征表达丰富度和判别机制解析方面更具优势，有助于深入理解瘀伤的空间分布特征。未来研究将进一步扩展样本范围，覆盖不同产地、品种和成熟度，以验证模型在实际生产中的适应性和鲁棒性。此外，结合数据增强等方法，有望提升模型在实际分级检测中的泛化能力，从而增强研究结果的实用价值。
通信作者：
姜凤利副教授
1980年3月出生于辽宁省大连市，汉族。2006年硕士研究生毕业留校任教，2014年博士毕业于沈阳农业大学农业电气化与自动化专业，2014年9月—2015年1月在清华大学电机系进修学习。现任沈阳农业大学副教授，电工电子教研室主任，信息与电气工程学院硕士研究生导师。曾获“天柱山青年骨干教师”，沈阳农业大学“教学名师”等荣誉。目前主要从事农产品无损检测及智能农业装备研究，致力于运用先进的检测技术与智能化设备，探索提高农产品质量检测效率与准确性的新方法。主持省级以上科研课题8 项，近年来结合科研工作先后发表相关学术论文20 余篇，其中SCI/EI收录15 篇；参与的课题获沈阳市科技进步三等奖1 项，授权发明专利2 项，实用新型专利3 项，软件著作权5 项；积极投身于人才培养工作，主编教材2 部、副主编教材5 部。
第一作者：
吴沛净硕士研究生
沈阳农业大学 信息与电气工程学院
吴沛净，女，农业电气化与自动化专业，2023级硕士研究生在读，研究方向为果蔬品质的无损检测技术。主要研究内容为利用高光谱成像技术实现软枣猕猴桃的损伤检测。曾参与发明专利1 项，以第三作者发表学术论文2 篇。在校期间，曾多次获得三好学生称号，连续三年获得硕士一等学业奖学金。
引文格式：
吴沛净, 姜凤利, 李美璇, 等. 软枣猕猴桃早期瘀伤的光谱与格拉姆角场图像检测[J]. 食品科学, 2025, 46(24): 293-303. DOI:10.7506/spkx1002-6630-20250702-023.
WU Peijing, JIANG Fengli, LI Meixuan, et al. Detection of early bruises in Actinidia arguta using spectroscopy and Gramian angular field imaging[J]. Food Science, 2025, 46(24): 293-303. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250702-023.
实习编辑：李雄；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网
为汇聚全球智慧共探产业变革方向，搭建跨学科、跨国界的协同创新平台，由北京食品科学研究院、中国肉类食品综合研究中心、国家市场监督管理总局技术创新中心（动物替代蛋白）、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，西南大学、 重庆市农业科学院、 重庆市农产品加工业技术创新联盟、重庆工商大学、 重庆三峡科技大学 、西华大学、成都大学、四川旅游学院、北京联合大学、 中国-匈牙利食品科学“一带一路”联合实验室（筹） 共同主办 的“ 第三届大食物观·未来食品科技创新国际研讨会 ”， 将于2026年4月25-26日 （4月24日全天报到） 在中国 重庆召开。
长按或微信扫码进行注册
为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽农业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、安徽省农科院农产品加工研究所、安徽科技学院、皖西学院、黄山学院、滁州学院、蚌埠学院共同主办的“第六届食品科学与人类健康国际研讨会”，将于 2026年8月15-16日（8月14日全天报到）在中国 安徽 合肥召开。
长按或微信扫码进行注册
会议招商招展
联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）
热门跟贴