在食品制造業(yè)中，集成先進(jìn)感知技術(shù)以實(shí)現(xiàn)食品品質(zhì)、安全的實(shí)時(shí)和在線監(jiān)測(cè)愈發(fā)重要?；谟?jì)算機(jī)視覺和深度學(xué)習(xí)的方法能夠非破壞性、實(shí)時(shí)性以及無(wú)需大量預(yù)處理即可分析食品營(yíng)養(yǎng)品質(zhì)及檢測(cè)食品危害物，已發(fā)展成為一種極具前景的、成本效益高的先進(jìn)檢測(cè)技術(shù)。雖然基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的方法在檢測(cè)食品品質(zhì)、質(zhì)量安全等方面已有大量報(bào)道。然而，成功地將這些技術(shù)應(yīng)用于工業(yè)化、規(guī)?；a(chǎn)仍然面臨著諸多挑戰(zhàn)。為此，《食品科學(xué)》特設(shè)基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的食品檢測(cè)技術(shù)專欄，旨在助推計(jì)算機(jī)視覺和深度學(xué)習(xí)在食品質(zhì)量安全檢測(cè)、品質(zhì)評(píng)價(jià)等領(lǐng)域的廣泛應(yīng)用。

特邀專欄主編：郭志明教授、趙峙堯教授

專欄文章

摘要：針對(duì)果園現(xiàn)場(chǎng)蘋果分級(jí)存在的計(jì)算資源受限和表面缺陷尺度差異大的問題，本研究構(gòu)建基于機(jī)器視覺的改進(jìn)YOLOv8蘋果表面缺陷識(shí)別模型，在提高蘋果表面缺陷檢測(cè)效率的同時(shí)保證檢測(cè)準(zhǔn)確率。采用自搭建的機(jī)器視覺系統(tǒng)采集5 500 張?zhí)O果樣本的表面特征及缺陷圖像，涵蓋果柄、花萼的特征與黑點(diǎn)、腐爛、機(jī)械損傷、日灼、褐斑和裂紋6 種常見表面缺陷以及1 種環(huán)境雜物并完成特征標(biāo)注。引入RepGhostNeXt和EffQAFPN算法結(jié)構(gòu)，對(duì)YOLOv8（You Only Look Once version 8）檢測(cè)模型的主干特征提取網(wǎng)絡(luò)和特征金字塔進(jìn)行改進(jìn)。在此基礎(chǔ)上，研究訓(xùn)練并比較了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+EffQAFPN+RepGhostNeXt 5 種模型，并重點(diǎn)對(duì)比模型在蘋果表面瑕疵檢測(cè)中的檢測(cè)準(zhǔn)確率和模型檢測(cè)速度。研究結(jié)果表明，YOLOv8+EffQAFPN+RepGhostNeXt模型在綜合檢測(cè)性能上表現(xiàn)最佳，其整體識(shí)別準(zhǔn)確率為94.9%，且保持了7.81 幀/s的平均檢測(cè)幀率。綜上，該模型能夠在計(jì)算資源有限的環(huán)境下高效完成蘋果表面缺陷檢測(cè)任務(wù)，為實(shí)現(xiàn)果園現(xiàn)場(chǎng)高效便捷的蘋果分級(jí)提供技術(shù)支撐。

結(jié)論：本研究在實(shí)驗(yàn)室條件下復(fù)現(xiàn)各類常見的蘋果表面缺陷，利用靜態(tài)機(jī)器視覺裝置采集了5 500 張?zhí)O果表面特征和缺陷樣本圖像并完成標(biāo)簽標(biāo)注，構(gòu)建了蘋果表面缺陷圖像數(shù)據(jù)庫(kù)。為解決樣本標(biāo)簽數(shù)量不均衡問題，采用5 折交叉驗(yàn)證訓(xùn)練了YOLOv8、YOLOv8n、YOLOv8+EffQAFPN、YOLOv8+RepGhostNeXt和YOLOv8+RepGhostNeXt+EffQAFPN 5 個(gè)模型。模型的分類效果使用精密度、召回率、mAP@0.5、推理時(shí)間和FPS進(jìn)行評(píng)估，并借助混淆矩陣與PR曲線分析各模型對(duì)8 種蘋果表面特征或缺陷上的識(shí)別效果。綜合比較，YOLOv8+RepGhostNeXt+EffQAFPN模型表現(xiàn)最佳，準(zhǔn)確率為94.9%，召回率為93.8%，推理時(shí)間為128.10 ms。該模型可滿足資源受限環(huán)境下的蘋果在線缺陷檢測(cè)需求，驗(yàn)證了RepGhostNeXt和EffQAFPN對(duì)YOLOv8主干網(wǎng)絡(luò)和特征提取網(wǎng)絡(luò)的改進(jìn)能夠提高模型的特征提取能力和推理速度。研究所采用的改進(jìn)方法可為田間蘋果表面缺陷的在線快速檢測(cè)與分類提供技術(shù)參考。

引文格式：

郭志明, 肖海迪, 王陳, 等. 蘋果在線分級(jí)的多尺度輕量化改進(jìn)YOLOv8表面缺陷檢測(cè)模型[J]. 食品科學(xué), 2025, 46(22): 1-12. DOI:10.7506/spkx1002-6630-20250415-117.

GUO Zhiming, XIAO Haidi, WANG Chen, et al. Improved YOLOv8 model with multi-scale lightweight for surface defect detection in online apple grading[J]. Food Science, 2025, 46(22): 1-12. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250415-117.

摘要：為滿足食品安全監(jiān)管問答任務(wù)對(duì)模型準(zhǔn)確性、合規(guī)性和可解釋性的高要求，解決現(xiàn)有大語(yǔ)言模型（large language model，LLM）在該領(lǐng)域應(yīng)用面臨的知識(shí)召回不精準(zhǔn)、法規(guī)解析能力不足及計(jì)算成本高等問題，本研究基于檢索增強(qiáng)生成框架提出了一個(gè)智能問答系統(tǒng)，其核心是食品安全監(jiān)管大語(yǔ)言模型（food safety regulation large language model，F(xiàn)SR-LLM）。通過優(yōu)化數(shù)據(jù)庫(kù)存儲(chǔ)結(jié)構(gòu)、檢索策略及生成器，提升食品安全監(jiān)管問答的質(zhì)量和效率。首先構(gòu)建了食品安全知識(shí)圖譜（knowledge graph，KG）數(shù)據(jù)庫(kù)，以結(jié)構(gòu)化方式存儲(chǔ)法規(guī)條款、食品安全標(biāo)準(zhǔn)等數(shù)據(jù)，增強(qiáng)模型對(duì)食品領(lǐng)域知識(shí)的組織與調(diào)用能力。此外，在檢索階段，設(shè)計(jì)一種大模型引導(dǎo)檢索策略，利用LLM智能解析查詢語(yǔ)句，在食品安全監(jiān)管KG中準(zhǔn)確地提取高度相關(guān)的信息，從而減少無(wú)關(guān)或誤導(dǎo)性內(nèi)容的召回。對(duì)于生成器（Generator）模塊，基于Qwen-7B-Chat模型采用低秩適應(yīng)微調(diào)，使模型更貼合食品安全監(jiān)管問答的需求，同時(shí)顯著降低計(jì)算成本，使其能夠在單張RTX 4090 GPU上完成訓(xùn)練。在所提食品安全問答數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，F(xiàn)SR-LLM在BLEU-4、Rouge-L和準(zhǔn)確率指標(biāo)上均優(yōu)于基線模型，展現(xiàn)出更高的精準(zhǔn)度和語(yǔ)義連貫性，為食品安全監(jiān)管智能化提供了一種低成本、高效能、可擴(kuò)展的解決方案。

結(jié)論：本研究圍繞食品安全監(jiān)管場(chǎng)景，提出了一種基于RAG框架的智能問答系統(tǒng)FSR-LLM，以提升食品安全法規(guī)、標(biāo)準(zhǔn)與合規(guī)性等方面問答的精準(zhǔn)性和專業(yè)性。相比于傳統(tǒng)的RAG方法，F(xiàn)SR-LLM在知識(shí)庫(kù)層面結(jié)合了知識(shí)圖譜，使食品安全相關(guān)知識(shí)的結(jié)構(gòu)化程度更高，增強(qiáng)了上下文信息結(jié)合的能力。在檢索方式上，采用LLM引導(dǎo)檢索策略，利用其強(qiáng)大的文本解析能力，提取查詢文本核心實(shí)體，生成更為精準(zhǔn)的檢索查詢語(yǔ)句，并進(jìn)一步擴(kuò)展查詢這些實(shí)體的鄰接節(jié)點(diǎn)，確保檢索召回結(jié)果更加全面且具備更強(qiáng)上下文關(guān)聯(lián)性。此外，F(xiàn)SR-LLM中采用LoRA技術(shù)對(duì)生成器Qwen-7B-Chat進(jìn)行指令微調(diào)，能夠在單張4 090 GPU上實(shí)現(xiàn)高效低成本的訓(xùn)練，確保模型在計(jì)算資源受限的環(huán)境下仍具備較強(qiáng)的適應(yīng)性。結(jié)果表明，F(xiàn)SR-LLM在BLEU-4、Rouge-L和準(zhǔn)確率等指標(biāo)上均顯著優(yōu)于基線模型，驗(yàn)證了該方法在食品安全監(jiān)管問答任務(wù)中的有效性。

然而，本研究仍存在一定的局限性，未來(lái)工作可從以下方面進(jìn)一步優(yōu)化：首先，當(dāng)前系統(tǒng)在復(fù)雜查詢語(yǔ)境下的魯棒性表現(xiàn)需要進(jìn)一步地評(píng)估與驗(yàn)證，未來(lái)可構(gòu)建涵蓋不同干擾因素的測(cè)試集，并引入更加細(xì)致的評(píng)估指標(biāo)，以全面檢驗(yàn)FSR-LLM在真實(shí)監(jiān)管任務(wù)中的穩(wěn)健性。此外，實(shí)驗(yàn)中發(fā)現(xiàn)LLM固有的生成隨機(jī)性會(huì)導(dǎo)致評(píng)測(cè)指標(biāo)存在一定的波動(dòng)，特別是在開放性問題回答時(shí)可能影響結(jié)果一致性，需要探索更加穩(wěn)定、準(zhǔn)確的評(píng)估策略。未來(lái)將繼續(xù)致力于優(yōu)化FSR-LLM的各項(xiàng)能力，以進(jìn)一步提升其在復(fù)雜食品安全監(jiān)管場(chǎng)景下的應(yīng)用價(jià)值和決策可靠性。

引文格式：

毛典輝, 王可浩, 陳俊華, 等. 基于增強(qiáng)檢索生成框架的食品安全監(jiān)管智能問答系統(tǒng)[J]. 食品科學(xué), 2025, 46(22): 13-22. DOI:10.7506/spkx1002-6630-20250408-059.

MAO Dianhui, WANG Kehao, CHEN Junhua, et al. An intelligent question answering system for food safety regulation based on retrieval-augmented generation framework[J]. Food Science, 2025, 46(22): 13-22. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250408-059.

摘要：準(zhǔn)確的果蔬品質(zhì)分析對(duì)于保障食品安全、提升消費(fèi)者滿意度以及促進(jìn)果蔬產(chǎn)業(yè)的可持續(xù)發(fā)展具有重要意義。近年來(lái)機(jī)器視覺技術(shù)在果蔬產(chǎn)業(yè)領(lǐng)域得到了廣泛應(yīng)用。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在處理機(jī)器視覺技術(shù)產(chǎn)生大量復(fù)雜的圖像數(shù)據(jù)時(shí)通常具有局限性，其性能不能滿足實(shí)際的需要。機(jī)器視覺技術(shù)與深度學(xué)習(xí)算法的融合實(shí)現(xiàn)了對(duì)復(fù)雜果蔬圖像的高效分析和處理。基于機(jī)器視覺和深度學(xué)習(xí)所開發(fā)的果蔬品質(zhì)檢測(cè)系統(tǒng)在實(shí)際應(yīng)用中取得了顯著的成果，為推動(dòng)果蔬產(chǎn)業(yè)的智能化升級(jí)提供了有力的技術(shù)支持。本綜述總結(jié)了近年來(lái)深度學(xué)習(xí)驅(qū)動(dòng)的機(jī)器視覺技術(shù)在果蔬品質(zhì)分析領(lǐng)域的研究進(jìn)展，并著重探討了目前面臨的挑戰(zhàn)，展望了該領(lǐng)域的未來(lái)發(fā)展趨勢(shì)，包括公開數(shù)據(jù)集的構(gòu)建、輕量級(jí)模型和三維傳感裝置的開發(fā)、多模態(tài)融合、可解釋性模型、便攜化和小型化設(shè)備研發(fā)，以及物聯(lián)網(wǎng)和區(qū)塊鏈技術(shù)賦能的全產(chǎn)業(yè)鏈智能果蔬管理體系的構(gòu)建，以期推動(dòng)果蔬產(chǎn)業(yè)的技術(shù)升級(jí)與協(xié)同創(chuàng)新。

結(jié)論：本文全面綜述了深度學(xué)習(xí)算法驅(qū)動(dòng)的機(jī)器視覺技術(shù)在果蔬外部品質(zhì)（包括顏色、形狀與尺寸、表面缺陷檢測(cè)）、內(nèi)部品質(zhì)（包括糖分、酸度、農(nóng)藥殘留和果蔬霉變檢測(cè)）和綜合品質(zhì)（如新鮮度檢測(cè)）控制領(lǐng)域的研究進(jìn)展。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)算法從大規(guī)模數(shù)據(jù)中提取復(fù)雜特征方面更高效，且能適應(yīng)多種學(xué)習(xí)任務(wù)和實(shí)際應(yīng)用，因其能夠?qū)W習(xí)和理解復(fù)雜的數(shù)據(jù)模式，在果蔬質(zhì)量評(píng)估任務(wù)中表現(xiàn)更精準(zhǔn)。另外，研究仍需要克服諸如缺乏大規(guī)模高質(zhì)量數(shù)據(jù)集、依賴人工標(biāo)注、過擬合或欠擬合、黑盒性質(zhì)及輕量化深度學(xué)習(xí)的設(shè)計(jì)與開發(fā)等多種挑戰(zhàn)，以開發(fā)更可靠、更穩(wěn)定的深度學(xué)習(xí)模型，滿足果蔬品質(zhì)分析的實(shí)際需求。隨著人工智能技術(shù)、3D打印技術(shù)、智能手機(jī)和其他小型設(shè)備的快速發(fā)展，果蔬品質(zhì)檢測(cè)技術(shù)的準(zhǔn)確性、便捷性與經(jīng)濟(jì)性會(huì)持續(xù)提高，將推動(dòng)果蔬品質(zhì)檢測(cè)向智能化、便攜化、自動(dòng)化與精準(zhǔn)化方向深度升級(jí)與可持續(xù)發(fā)展。

引文格式：

顏玉潔, 俞玥, 孔天宇, 等. 深度學(xué)習(xí)驅(qū)動(dòng)的機(jī)器視覺技術(shù)用于果蔬品質(zhì)的智能感知: 進(jìn)展、挑戰(zhàn)、展望[J]. 食品科學(xué), 2025, 46(22): 23-39. DOI:10.7506/spkx1002-6630-20250401-007.

YAN Yujie, YU Yue, KONG Tianyu, et al. Deep learning-based machine vision for intelligent perception of fruit and vegetable quality: progress, challenges, and prospects[J]. Food Science, 2025, 46(22): 23-39. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250401-007.

摘要：糧油安全是重要的食品安全問題之一，在全球范圍受到廣泛關(guān)注。因此，快速、準(zhǔn)確、高效的檢測(cè)技術(shù)對(duì)于保障糧油安全至關(guān)重要，而傳統(tǒng)糧油檢測(cè)方法存在耗時(shí)長(zhǎng)、主觀誤差大、實(shí)時(shí)性差等缺點(diǎn)，難以滿足消費(fèi)者對(duì)食品品質(zhì)的高要求，計(jì)算機(jī)視覺和深度學(xué)習(xí)的結(jié)合為糧油檢測(cè)提供了快速、高效、非破壞性的解決方案。本文首先介紹了深度學(xué)習(xí)和計(jì)算機(jī)視覺的基本原理及其在食品檢測(cè)中的優(yōu)勢(shì)，重點(diǎn)分析了卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)等算法在糧油檢測(cè)中的應(yīng)用案例，展示了這些技術(shù)在提高檢測(cè)精度和效率方面的顯著效果，總結(jié)了計(jì)算機(jī)視覺和深度學(xué)習(xí)在糧油及其制品無(wú)損檢測(cè)中的應(yīng)用進(jìn)展。并從優(yōu)化模型魯棒性和可解釋性、開發(fā)輕量級(jí)模型以適應(yīng)資源受限的檢測(cè)環(huán)境等方面討論了在糧油安全領(lǐng)域應(yīng)用中存在的局限性和未來(lái)發(fā)展趨勢(shì)，旨在推動(dòng)食品檢測(cè)技術(shù)向更高效、精準(zhǔn)的方向發(fā)展。

結(jié)論：DL算法獲取和處理大規(guī)模數(shù)據(jù)需要投入大量的時(shí)間和資源，導(dǎo)致成本高昂，同時(shí)數(shù)據(jù)質(zhì)量直接影響模型性能，現(xiàn)實(shí)中數(shù)據(jù)往往存在噪聲和偏差，降低了模型的準(zhǔn)確性，使得模型在數(shù)據(jù)稀缺的領(lǐng)域難以有效訓(xùn)練，而且人工標(biāo)注數(shù)據(jù)效率低下且容易出錯(cuò)，這些問題都會(huì)降低模型的可靠性。在糧油品質(zhì)檢測(cè)領(lǐng)域，糧油的儲(chǔ)存和加工環(huán)境復(fù)雜，其外觀特征和內(nèi)在品質(zhì)受溫度、濕度、光照、季節(jié)以及天氣等諸多不可控因素影響較大，環(huán)境的多樣性和多變性導(dǎo)致圖像采集難度增加，需要投入大量的時(shí)間和資源，且目前極度缺乏支持實(shí)時(shí)糧油質(zhì)量評(píng)估的多品種糧油數(shù)據(jù)集，現(xiàn)有的數(shù)據(jù)集多為各個(gè)實(shí)驗(yàn)室制備的小規(guī)模數(shù)據(jù)集，無(wú)法全面綜合反映糧油性質(zhì)。未來(lái)需要探索半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，減少對(duì)人工標(biāo)注數(shù)據(jù)的依賴，構(gòu)建覆蓋不同品種、生長(zhǎng)階段和儲(chǔ)存條件的大規(guī)模糧油圖像數(shù)據(jù)集，或開發(fā)能利用小規(guī)模數(shù)據(jù)集的算法模型。

多模態(tài)數(shù)據(jù)的融合與分析是糧油食品安全無(wú)損檢測(cè)領(lǐng)域的核心研究方向。目前，許多檢測(cè)方法依舊依賴單一數(shù)據(jù)源，如僅使用可見光成像和近紅外光譜成像的光譜數(shù)據(jù)或圖像數(shù)據(jù)，這種單一模態(tài)數(shù)據(jù)的應(yīng)用存在諸多局限性，例如數(shù)據(jù)維度有限，無(wú)法全面反映糧油的品質(zhì)信息，導(dǎo)致檢測(cè)精度受限，難以提供足夠的信息區(qū)分相似特征的糧油品種或檢測(cè)微小的品質(zhì)變化。相比之下，多源數(shù)據(jù)融合在糧油安全檢測(cè)中展現(xiàn)出顯著優(yōu)勢(shì)，其通過整合光譜數(shù)據(jù)、圖像數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)，可以更全面地反映糧油的生長(zhǎng)環(huán)境和品質(zhì)形成的關(guān)鍵因素，能夠提升檢測(cè)模型的精度和魯棒性，有效彌補(bǔ)單一模態(tài)數(shù)據(jù)的不足。盡管DL在多模態(tài)數(shù)據(jù)融合領(lǐng)域已獲顯著突破，但融合算法仍需持續(xù)精進(jìn)，以更有效地應(yīng)對(duì)異構(gòu)數(shù)據(jù)的處理挑戰(zhàn)。因此，有必要構(gòu)建可兼容多種成像模態(tài)的融合平臺(tái)，匯聚各類傳感器信息，從而進(jìn)一步增強(qiáng)檢測(cè)的準(zhǔn)確度與穩(wěn)健性。

近年來(lái)，食品無(wú)損檢測(cè)的應(yīng)用正從實(shí)驗(yàn)室走向生產(chǎn)和生活場(chǎng)景，這對(duì)檢測(cè)方法的精度和可靠性提出更高的要求，還需要兼顧實(shí)時(shí)性、便攜性和低成本等方面。越來(lái)越多的研究者正把智能手機(jī)這類便攜終端引入糧油品質(zhì)的實(shí)時(shí)在線監(jiān)測(cè)體系。通過開發(fā)輕量級(jí)DL模型，可以顯著降低算法模型的大小和計(jì)算復(fù)雜性，使其能夠更好地適應(yīng)智能手機(jī)和其他小型設(shè)備，但這容易導(dǎo)致檢測(cè)的準(zhǔn)確性和性能降低。因此，需要在設(shè)備小型化與高性能之間找到平衡點(diǎn)，探索如何在實(shí)現(xiàn)便攜式設(shè)備小型化的同時(shí)保證其特異性和靈敏度，未來(lái)應(yīng)致力于開發(fā)結(jié)構(gòu)緊湊、計(jì)算能力更強(qiáng)、參數(shù)量更精簡(jiǎn)的輕量化網(wǎng)絡(luò)，并加強(qiáng)對(duì)適用于邊緣設(shè)備的輕量化模型的研究，以便在實(shí)現(xiàn)實(shí)時(shí)快速檢測(cè)的同時(shí)，進(jìn)一步提升視覺識(shí)別系統(tǒng)的性能。

引文格式：

張書鳴, 王欣, 談文嬌, 等. 計(jì)算機(jī)視覺和深度學(xué)習(xí)在糧油及其制品無(wú)損檢測(cè)中的應(yīng)用[J]. 食品科學(xué), 2025, 46(22): 40-49. DOI:10.7506/spkx1002-6630-20250520-133.

ZHANG Shuming, WANG Xin, TAN Wenjiao, et al. Application of computer vision and deep learning in non-destructive testing of grains, oils and their products[J]. Food Science, 2025, 46(22): 40-49. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250520-133.

摘要：本研究系統(tǒng)量化分析不同感興趣區(qū)域（region of interest，ROI）特征（部位、形狀、尺度）與獼猴桃可溶性固形物含量（soluble solids content，SSC）預(yù)測(cè)精度的相關(guān)性規(guī)律，以構(gòu)建集成高光譜成像與ROI優(yōu)選的獼猴桃SSC預(yù)測(cè)模型框架。針對(duì)全果ROI區(qū)域光譜數(shù)據(jù)，分別利用多元散射校正（multiplicative scatter correction，MSC）、Savitzky-Golay（SG）平滑、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）及SNV-SG平滑方法進(jìn)行預(yù)處理，建立偏最小二乘回歸模型以預(yù)測(cè)獼猴桃SSC，并通過性能分析確定模型處理策略。進(jìn)一步分別提取獼猴桃赤道、花萼、果梗處不同形狀、尺度組合ROI光譜信息進(jìn)行模型預(yù)測(cè)精度對(duì)比。結(jié)果表明，SNV預(yù)處理效果最佳，全果ROI預(yù)測(cè)集的決定系數(shù)（）＝0.832 7、預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）＝0.387 1。ROI特征對(duì)獼猴桃SSC預(yù)測(cè)準(zhǔn)確性有顯著影響，呈現(xiàn)“赤道＞花萼＞果梗” “圓形＞方形” “小尺度＞大尺度”的影響規(guī)律；而赤道處小圓形ROI預(yù)測(cè)結(jié)果最優(yōu)，＝0.917 3、RMSEP＝0.221 7。本研究驗(yàn)證了高光譜圖像ROI優(yōu)選對(duì)模型性能的關(guān)鍵作用，明確了“赤道-圓形-小尺度”的組合特征優(yōu)勢(shì)，可為利用高光譜技術(shù)提高獼猴桃SSC預(yù)測(cè)效果提供有效途徑。

結(jié)論：本研究基于高光譜成像技術(shù)，系統(tǒng)探討了不同光譜處理策略及不同ROI特征組合選取對(duì)獼猴桃SSC預(yù)測(cè)模型性能的影響。首先提取全果ROI光譜信息，通過建立PLSR模型橫向比較各處理策略的優(yōu)劣，確定了SNV在提升預(yù)測(cè)精度方面表現(xiàn)最優(yōu)。在此基礎(chǔ)上，進(jìn)一步在獼猴桃的赤道、花萼與果梗3 個(gè)部位選取不同ROI，提取相應(yīng)光譜信息并構(gòu)建PLSR模型，比較各ROI特征組合在SSC預(yù)測(cè)中的性能差異。主要結(jié)論如下：1）對(duì)于全果光譜數(shù)據(jù)，SNV-PLSR模型預(yù)測(cè)效果最優(yōu)（＝0.877 5，＝0.832 7），在SSC建模中表現(xiàn)出更優(yōu)的回歸擬合效果，說明其在高光譜數(shù)據(jù)處理中具有顯著優(yōu)勢(shì)。2）從區(qū)域特征方面來(lái)看，赤道部位整體預(yù)測(cè)性能優(yōu)于花萼和果梗部位，并且整體預(yù)測(cè)精度呈現(xiàn)“赤道＞花萼＞果?！钡内厔?shì)；在相同尺度下，圓形ROI優(yōu)于方形ROI；小尺度ROI（50×50 像素及內(nèi)切圓C1）在減少背景干擾、提升建模精度方面更具優(yōu)勢(shì)。3）“赤道-圓形-小尺度”所構(gòu)建的模型性能最佳：訓(xùn)練集＝0.938 9，RMSEC＝0.263 3；預(yù)測(cè)集＝0.917 3，RMSEP＝0.221 7。

綜上所述，合理選擇高光譜圖像的處理策略及ROI特征組合，對(duì)于提升獼猴桃SSC預(yù)測(cè)模型的精度與穩(wěn)定性具有重要意義。本研究不僅揭示了獼猴桃不同ROI特征的光譜梯度響應(yīng)規(guī)律，而且量化分析了其對(duì)關(guān)聯(lián)模型預(yù)測(cè)性能影響，實(shí)現(xiàn)了獼猴桃SSC的快速、無(wú)損、精準(zhǔn)檢測(cè)。未來(lái)研究將細(xì)化實(shí)際應(yīng)用場(chǎng)景，逐步推動(dòng)室外復(fù)雜環(huán)境ROI特征的圖像自適應(yīng)優(yōu)選；此外，將針對(duì)不同場(chǎng)景需求，結(jié)合特征波段選擇，以進(jìn)一步優(yōu)化模型精度、穩(wěn)定性與計(jì)算效率，為果品智能分級(jí)分選及品質(zhì)管理提供高效的方法手段和技術(shù)支撐。

引文格式：

卞子晗, 陳謙, 李佳利, 等. 基于高光譜圖像區(qū)域特征優(yōu)選的獼猴桃可溶性固形物含量無(wú)損預(yù)測(cè)模型構(gòu)建[J]. 食品科學(xué),2025, 46(24): 1-8. DOI:10.7506/spkx1002-6630-20250709-069.

BIAN Zihan, CHEN Qian, LI Jiali, et al. Predictive modeling for nondestructive determination of soluble solids content in kiwifruits based on optimized regional features of hyperspectral images[J]. Food Science, 2025, 46(24): 1-8. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250709-069.

摘要：本研究以茶鮮葉為原料，按照自然萎凋、遠(yuǎn)紅外輻射3 h、遠(yuǎn)紅外輻射6 h 3 種工藝進(jìn)行萎凋，測(cè)定主要滋味物質(zhì)的含量，并采集萎凋樣本的近紅外光譜與圖像數(shù)據(jù)，構(gòu)建融合卷積注意力模塊的一維卷積神經(jīng)網(wǎng)絡(luò)（onedimensional convolutional neural network with convolutional block attention module，CBAM-1DCNN）模型。結(jié)果顯示，遠(yuǎn)紅外輻射3 h條件下，萎凋15 h的酚氨比相比茶鮮葉下降了20.06%，感官得分最高?；诮t外光譜與機(jī)器視覺技術(shù)構(gòu)建的CBAM-1DCNN模型比單一技術(shù)建立的模型判別能力更強(qiáng)，校正集準(zhǔn)確率為99.11%，預(yù)測(cè)集準(zhǔn)確率為96.00%。遠(yuǎn)紅外輻射顯著改變了主要滋味物質(zhì)的含量，且通過近紅外光譜與機(jī)器視覺技術(shù)可以實(shí)現(xiàn)紅茶萎凋程度的快速判別。

結(jié)論：本研究圍繞紅茶萎凋過程中關(guān)鍵滋味物質(zhì)的動(dòng)態(tài)變化，系統(tǒng)分析了不同萎凋工藝下萎凋葉樣本中總游離氨基酸、茶多酚、水分、總糖、酚氨比的變化趨勢(shì)，并建立CBAM-1DCNN模型判別萎凋程度。結(jié)果表明，遠(yuǎn)紅外輻射會(huì)促進(jìn)萎凋進(jìn)程，加速水分均勻蒸發(fā)與酶促氧化。構(gòu)建的光譜-圖像融合CBAM-1DCNN模型能夠有效判別萎凋程度，其中校正集準(zhǔn)確率為99.11%，預(yù)測(cè)集準(zhǔn)確率為96.00%，比滋味物質(zhì)建立的RF判別模型準(zhǔn)確率提升了10.67%。本研究可為紅茶萎凋工藝優(yōu)化提供新的思路，后續(xù)研究將聚焦于多模態(tài)數(shù)據(jù)融合及自適應(yīng)算法開發(fā)，以推動(dòng)茶葉萎凋從經(jīng)驗(yàn)控制向精準(zhǔn)調(diào)控的轉(zhuǎn)變。

引文格式：

夏高帆, 馬圣洲, ?；萘? 等. 遠(yuǎn)紅外輻射紅茶萎凋過程品質(zhì)變化規(guī)律及光譜-圖像協(xié)同監(jiān)測(cè)分析[J]. 食品科學(xué), 2025, 46(24)：9-17. DOI:10.7506/spkx1002-6630-20250721-165.

XIA Gaofan, MA Shengzhou, CHANG Huilin, et al. Quality evolution during far-infrared radiation withering of black tea and its monitoring based on data fusion of near infrared spectroscopy and machine vision[J]. Food Science, 2025, 46(24)：9-17. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250721-165.

特邀主編簡(jiǎn)介

郭志明 教授

郭志明，江蘇大學(xué)食品與生物工程學(xué)院教授、博士生導(dǎo)師，現(xiàn)任江蘇大學(xué)集成電路學(xué)院副院長(zhǎng)，從事食品無(wú)損檢測(cè)與物聯(lián)網(wǎng)監(jiān)測(cè)技術(shù)及裝備研發(fā)。入選農(nóng)業(yè)農(nóng)村部首批“神農(nóng)青年英才”和江蘇高?！扒嗨{(lán)工程”優(yōu)秀青年骨干教師等，兼任中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)農(nóng)副產(chǎn)品加工機(jī)械分會(huì)副秘書長(zhǎng)、中國(guó)食品科學(xué)技術(shù)學(xué)會(huì)果蔬加工技術(shù)分會(huì)理事、江蘇省食品科學(xué)與技術(shù)學(xué)會(huì)理事兼副秘書長(zhǎng)等。專注食品智能檢測(cè)與加工，在食品快速無(wú)損檢測(cè)、食品光學(xué)傳感評(píng)價(jià)、食品質(zhì)量安全物聯(lián)網(wǎng)、人工智能算法等方面取得了突出成效。近年主持了國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目、課題，國(guó)家自然科學(xué)基金面上、國(guó)合研究和青年項(xiàng)目，江蘇省重點(diǎn)研發(fā)計(jì)劃等國(guó)家及省部級(jí)項(xiàng)目20余項(xiàng)。第一發(fā)明人授權(quán)發(fā)明專利12 件、登記軟著8 件；第一/通信作者發(fā)表SCI論文70余篇，其中ESI高被引論文7 篇。研究成果獲教育部自然科學(xué)二等獎(jiǎng)、江蘇省科學(xué)技術(shù)一等獎(jiǎng)和中國(guó)商業(yè)聯(lián)合會(huì)科技進(jìn)步特等獎(jiǎng)等。

趙峙堯 教授

趙峙堯，教授，博士生導(dǎo)師，現(xiàn)任北京工商大學(xué)計(jì)算機(jī)與人工智能學(xué)院副院長(zhǎng)，入選北京市科技新星、2021—2023北京市科協(xié)青年人才托舉工程、北京市屬高校優(yōu)秀青年人才。長(zhǎng)期從事基于人工智能的系統(tǒng)科學(xué)理論與控制工程領(lǐng)域理論、方法和關(guān)鍵技術(shù)研究，專注于利用復(fù)雜動(dòng)態(tài)系統(tǒng)智能健康管理技術(shù)，探究工業(yè)智能系統(tǒng)、環(huán)保、食品安全領(lǐng)域的風(fēng)險(xiǎn)防控體系建設(shè)，在多旋翼無(wú)人機(jī)系統(tǒng)的健康性能評(píng)估與決策、食品供應(yīng)鏈安全風(fēng)險(xiǎn)評(píng)估與防控、水環(huán)境機(jī)理建模及健康風(fēng)險(xiǎn)評(píng)價(jià)等方面取得了重要成果。主持國(guó)家自然科學(xué)基金項(xiàng)目、國(guó)家重點(diǎn)研發(fā)計(jì)劃課題、北京市自然科學(xué)基金面上、青年項(xiàng)目等國(guó)家及省部級(jí)課題，發(fā)表SCI論文50余篇，授權(quán)國(guó)家發(fā)明專利10余項(xiàng)，獲得中國(guó)食品學(xué)會(huì)科技進(jìn)步獎(jiǎng)一等獎(jiǎng)、中國(guó)發(fā)明協(xié)會(huì)發(fā)明創(chuàng)新獎(jiǎng)二等獎(jiǎng)、中國(guó)儀器儀表學(xué)會(huì)科技進(jìn)步獎(jiǎng)二等獎(jiǎng)、北京市水利學(xué)會(huì)科學(xué)技術(shù)獎(jiǎng)一等獎(jiǎng)等。

專欄網(wǎng)址：

《食品科學(xué)》2025年22期：

https://www.spkx.net.cn/CN/volumn/volumn_1923.shtml

《食品科學(xué)》2025年24期：

https://www.spkx.net.cn/CN/volumn/volumn_1925.shtml

實(shí)習(xí)編輯：李雄；編輯：閻一鳴；責(zé)編：張睿梅。圖片來(lái)源于文章原文及攝圖網(wǎng)。

為匯聚全球智慧共探產(chǎn)業(yè)變革方向，搭建跨學(xué)科、跨國(guó)界的協(xié)同創(chuàng)新平臺(tái)，由北京食品科學(xué)研究院、中國(guó)肉類食品綜合研究中心、國(guó)家市場(chǎng)監(jiān)督管理總局技術(shù)創(chuàng)新中心（動(dòng)物替代蛋白）、中國(guó)食品雜志社《食品科學(xué)》雜志（EI收錄）、中國(guó)食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國(guó)食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學(xué)、 重慶市農(nóng)業(yè)科學(xué)院、 重慶市農(nóng)產(chǎn)品加工業(yè)技術(shù)創(chuàng)新聯(lián)盟、重慶工商大學(xué)、重慶三峽學(xué)院、西華大學(xué)、成都大學(xué)、四川旅游學(xué)院、西昌學(xué)院、北京聯(lián)合大學(xué)協(xié)辦的“ 第三屆大食物觀·未來(lái)食品科技創(chuàng)新國(guó)際研討會(huì) ”， 將于2026年4月25-26日 （4月24日全天報(bào)到） 在中國(guó) 重慶召開。

長(zhǎng)按或微信掃碼進(jìn)行注冊(cè)

為系統(tǒng)提升我國(guó)食品營(yíng)養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現(xiàn)實(shí)生產(chǎn)力轉(zhuǎn)化，推動(dòng)食品產(chǎn)業(yè)向綠色化、智能化、高端化轉(zhuǎn)型升級(jí)，由北京食品科學(xué)研究院、中國(guó)食品雜志社《食品科學(xué)》雜志（EI收錄）、中國(guó)食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國(guó)食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學(xué)、安徽農(nóng)業(yè)大學(xué)、安徽省食品行業(yè)協(xié)會(huì)、安徽大學(xué)、合肥大學(xué)、合肥師范學(xué)院、北京工商大學(xué)、中國(guó)科技大學(xué)附屬第一醫(yī)院臨床營(yíng)養(yǎng)科、安徽糧食工程職業(yè)學(xué)院、安徽省農(nóng)科院農(nóng)產(chǎn)品加工研究所、安徽科技學(xué)院、皖西學(xué)院、黃山學(xué)院、滁州學(xué)院、蚌埠學(xué)院共同主辦的“第六屆食品科學(xué)與人類健康國(guó)際研討會(huì)”，將于 2026年8月15-16日（8月14日全天報(bào)到）在中國(guó) 安徽 合肥召開。

長(zhǎng)按或微信掃碼進(jìn)行注冊(cè)

會(huì)議招商招展

聯(lián)系人：楊紅；電話：010-83152138；手機(jī)：13522179918（微信同號(hào)）