軟棗獼猴桃（Actinidia arguta）是獼猴桃科多年生落葉藤本植物，廣泛分布于我國東北、華北和西北等地區(qū)。與傳統(tǒng)獼猴桃不同，其果皮光滑、果肉呈綠色，兼具獨特風味和較高營養(yǎng)價值，近年來備受市場青睞。然而，軟棗獼猴桃在采摘和運輸過程中極易受到外力作用而產生瘀傷，瘀傷不僅加速果實代謝，導致果皮褐變、皺縮及糖酸等營養(yǎng)成分流失，還會增加微生物侵染風險。受損組織為病原菌（如細菌、真菌）提供入侵通道，引發(fā)貯藏期間的發(fā)酵、霉變等問題，進而感染健康果實造成嚴重經濟損失。因此，實現瘀傷的早期識別與干預，對提升軟棗獼猴桃采后品質、減少損耗具有重要意義。

傳統(tǒng)果實瘀傷檢測主要依賴人工檢查與機器視覺技術。人工檢查主觀性強，且難以滿足大規(guī)模檢測需求；而機器視覺技術雖能實現自動化處理，但僅能獲取果實表面信息，無法檢測內部結構變化。近年來，高光譜成像（HSI）技術憑借其非破壞性、高效性及圖譜融合等優(yōu)勢，在果實采后品質檢測領域展現出重要的應用價值。該技術結合機器學習方法，在多種水果瘀傷檢測中均取得顯著成效。Yuan Ruirui等基于HSI技術，通過優(yōu)化預處理和特征提取方法構建偏最小二乘判別分析（PLS-DA）模型，實現了‘靈武’長棗瘀傷時間的準確判別，預測準確率高達91.11%。Li Bin等采用自定義成熟度指標劃分黃桃瘀傷程度，基于HSI技術結合機器學習算法進行瘀傷程度判別，所建立的梯度增強算法（XGBoost）模型預測準確率達到93.1%。Shanthini等采集了不同瘀傷時間間隔下草莓的高光譜數據，建立多種機器學習模型，其中支持向量機（SVM）和線性判別分析（LDA）模型對草莓瘀傷程度的分類準確率均達到了99.99%。

以上研究已證實了光譜數據在果實損傷識別方面的可行性。然而，由于光譜數據維度高、波段間存在強相關性，傳統(tǒng)的建模方法在特征提取和表達上仍存在一定局限，難以充分挖掘其深層信息。為解決這一問題，近年來研究者提出將一維光譜信息轉化為具有空間結構的二維圖像，通過光譜圖像化手段構建更具表達力的深度學習模型，從而提升對復雜光譜特征的解析能力。例如，Li You等采用格拉姆角差場將蘋果透射光譜轉換為圖像，結合改進的移動視覺變換器（MobileViT）模型實現了可溶性固形物的高精度檢測，測試集R2達到了0.983；Yan Zelin等在煤炭類型識別研究中，采用馬爾可夫轉換場將光譜編碼為圖像，在IRDE-Net模型上取得了良好的分類性能，準確率高達94.29%。這些研究表明，光譜圖像化方法能夠更好地挖掘數據中的空間-光譜關聯特征，提升模型性能和魯棒性。

沈陽農業(yè)大學信息與電氣工程學院的吳沛凈、姜鳳利*、李美璇等基于光譜分析與光譜圖像化方法，構建雙路徑建模策略。針對光譜數據本身的細微差異，構建Stacking集成模型以提升特征解析能力，并與SVM、一維卷積神經網絡（1D-CNN）、長短期記憶網絡（LSTM）等模型進行對比；同時，采用格拉姆角場（GAF）方法對光譜進行圖像化處理，以挖掘其空間關聯信息，拓展特征表達維度。最后，通過量化對比不同模型的分類性能指標，明確各模型的優(yōu)勢及適用場景。以期為軟棗獼猴桃果實采后質量檢測與商品化分級提供新的技術路徑與理論依據。

1

光譜曲線分析

平均光譜曲線直觀反映了軟棗獼猴桃在瘀傷進程中光譜特性變化。如圖7所示，受損前后的特定波段存在顯著差異，主要集中在520～630、732～926 nm和958～1 000 nm。其中，520～630 nm波段的差異主要與葉綠素對可見光的吸收有關，瘀傷后細胞結構受損，導致葉綠素降解，使該區(qū)域的反射率下降；732～926 nm和958～1 000 nm反映了水分和糖類等碳水化合物中O—H官能團的振動特性，與組織結構狀態(tài)密切相關，表明這些特定波段與樣本的損傷時間呈現密切關系。上述波段的光譜差異為軟棗獼猴桃瘀傷識別提供了理論依據和檢測基礎。

2

光譜預處理

本研究采用AWT對原始光譜進行去噪處理。為確定最優(yōu)分解層數，以1 個完好樣本為例，對比分解層數1～5條件下的RSN與MSE表現。由表1可知，1 層和3 層分解均具有較高的RSN和較低的MSE。盡管1 層分解的RSN最優(yōu)，但單層分解對高頻噪聲的分離效果有限；相比之下，分解層數達到3時，在保持特征信息的同時實現了更有效的噪聲抑制。因此，綜合去噪效果和特征保留能力，最終選定3 層小波分解作為光譜數據預處理的最優(yōu)方案。

如圖8所示，處理后光譜曲線整體分布更為緊湊，微小噪聲顯著減少，特征峰與波谷位置更加清晰，顯著提升了數據質量，為后續(xù)建模分析奠定了良好基礎。

3

GAF圖像轉換

GAF方法可將一維光譜數據重排為二維圖像形式，增強其結構表達能力與局部特征識別能力，從而提升模型對復雜光譜信息的分析和判別能力。如圖9A所示，將原始光譜數據歸一化后映射至單位圓上的極坐標空間（圖9B），將每個波段的反射率轉換為對應的向量角度。隨后，基于向量間的角度關系計算得到二維GAF圖像（圖9C），其像素值為任意兩個波段（i, j）向量夾角的余弦值，能夠反映二者在方向上的相似性。圖像中紅色區(qū)域表示方向高度一致（余弦值接近1），藍色區(qū)域表示方向相反或相關性弱。GAF圖像與原始光譜曲線一一對應，能夠清晰揭示波段間的相似性與差異性，驗證了其在特征提取與可視化方面的有效性。

4

基于光譜的瘀傷時間判別模型

4.1 1D-CNN與LSTM模型優(yōu)化過程分析

將經過預處理的光譜數據作為輸入，以樣本瘀傷發(fā)生時間作為輸出，分別構建SVM、1D-CNN、LSTM和Stacking 4 種瘀傷判別模型。本研究所用1D-CNN包含3 層卷積層，其卷積核數量依次為8、16、32。為確定最佳卷積核大小，以驗證集準確率作為評價標準。結果表明，當卷積核大小為3×1時，模型取得最高準確率，為96.1%（圖10A）。如圖10B所示，采用3×1卷積核訓練模型，在前100 次迭代中損失值快速下降，準確率穩(wěn)步提升；在約第210個訓練輪次，驗證集準確率達到峰值，此后提升不再顯著，觸發(fā)早停機制，并以該輪權重用于測試，整個訓練過程未觀察到明顯過擬合現象。

由圖11A可見，隨著隱含層單元數由32增加到512，模型準確率明顯提升并逐漸趨于穩(wěn)定，最終選取256 個隱含層單元進行模型訓練。從圖11B可以看出，模型收斂速度較快，擬合效果良好。

4.2 模型性能評價

對上述4 種瘀傷判別模型進行了綜合評估，由表2可知，Stacking模型綜合性能最優(yōu)，準確率、召回率、精確率與F1分數分別達到97.78%、97.87%、97.78%和97.78%，運行時間為49 s，體現出其融合多個基學習器后在復雜光譜特征識別上的強大能力。1D-CNN表現次之，各項指標均高于93.8%，運行時間僅為18 s，顯示出卷積結構在捕捉光譜局部特征方面具有較強優(yōu)勢。LSTM模型準確率為92.22%，運行時間最短（14 s），時序建模能力良好。SVM模型性能相對較弱，測試集準確率僅為86.11%，表明該模型在處理高維非線性光譜數據時建模能力有限。

由圖12可知，所有模型對完好樣本與瘀傷發(fā)生8 h的樣本區(qū)分度最高，誤判主要集中在2、4 h和6 h等相鄰時段，表明這些時段的光譜差異較小。其中，瘀傷發(fā)生4 h和6 h樣本最易相互混淆，反映出二者表征高度接近，該結果與圖7中的光譜演變規(guī)律相印證。

如圖13所示，Stacking模型的3 項指標曲線整體最靠外延展，展現出最優(yōu)的綜合分類性能。1D-CNN和LSTM模型的曲線分布相對均衡，但在6 h類別的召回率以及8 h類別的精確率上表現較弱，說明6 h作為過渡時段的可分性較低，而8 h類別的判別特征特異性不足。相比之下，SVM模型的各項指標曲線明顯內縮，分類能力顯著低于其他3 類模型。

5

基于GAF圖像的瘀傷時間判別模型

盡管一維光譜數據在瘀傷判別中已取得良好效果，但考慮到其在空間結構信息表達方面存在一定的局限性。為提升對光譜特征的空間感知能力，本研究引入GAF方法將一維光譜轉換為二維圖像，從空間角度捕捉光譜的局部模式、全局趨勢以及波長間光譜反射率的非線性關系。經過GAF轉換共獲得900 張圖像，按照3∶1∶1的比例劃分為訓練集、驗證集和測試集。隨后，基于YOLOv8n模型進行訓練，設置訓練批次大小為8，訓練輪次150，最終模型總運行時間為25 min 22 s。如圖14所示，訓練損失平穩(wěn)下降并趨于收斂，驗證損失亦持續(xù)下降，說明模型具備良好的泛化能力。另外，在第73個輪次后，準確率基本穩(wěn)定在0.9左右，盡管存在一定波動，但整體上表現出較強的分類能力，進一步驗證了YOLOv8n模型在處理GAF圖像方面的有效性。

從表3可以看出，驗證集和測試集的分類準確率和召回率均達97.22%，精確率分別為97.35%和97.32%，F1分數分別為97.28%與97.27%，驗證了GAF圖像結合YOLOv8n模型在5 個不同瘀傷發(fā)生時間判別任務中的可行性與有效性。

從圖15可知，完好樣本的識別準確率極高，但瘀傷后2、4、6、8 h的樣本間存在一定的誤判，主要原因是光譜曲線中相鄰瘀傷時段光譜特征存在一定的重疊。

為了深入探索YOLOv8n模型在GAF圖像判別中的關注區(qū)域，采用梯度加權類激活映射（Grad-CAM）方法對其最后一層卷積特征圖進行可視化，結果如圖16所示。圖中紅色區(qū)域代表對分類決策貢獻較大的圖像區(qū)域，藍色區(qū)域則表示模型關注度較低的區(qū)域。通過對5 個類別的Grad-CAM結果進行分析發(fā)現，模型的關注區(qū)域（虛線標注位置）主要集中在540～625 nm與709～952 nm波段，這與不同類別樣本光譜曲線中反射率差異顯著的區(qū)域保持一致。其中，540～625 nm位于可見光范圍，涵蓋葉綠素主要吸收區(qū)，可能反映果皮色素含量及其隨瘀傷發(fā)展引起的光學特性變化；而709～952 nm則屬于近紅外區(qū)域，主要表征果實內部組織結構的完整性，該波段的反射率隨瘀傷時間延長呈下降趨勢。由此可見，YOLOv8n模型能夠定位關鍵波段對應的圖像區(qū)域，有效捕捉果實瘀傷演變的微小光譜變化。

綜上所述，GAF方法能夠有效增強光譜信息的空間結構表達能力，而YOLOv8n模型則在圖像層面實現了關鍵特征區(qū)域的精準識別。二者結合顯著提升了對軟棗獼猴桃不同瘀傷發(fā)生時間的精準識別能力，進一步驗證了GAF圖像在果實瘀傷檢測中的應用潛力和價值。

6

結 論

本研究提出了一種基于光譜與圖像多尺度建模策略的軟棗獼猴桃瘀傷檢測方法。首先，采用AWT方法對原始光譜數據進行去噪處理，構建了SVM、1D-CNN、LSTM和Stacking 4 種一維光譜瘀傷時間分類模型；隨后，引入GAF方法將一維光譜轉換為二維圖像，并基于YOLOv8n構建分類模型，結合Grad-CAM技術實現特征可視化。主要結論如下：1）在一維光譜建模中，Stacking模型在特征提取能力與分類性能方面表現最優(yōu)，測試集準確率、召回率、精確率與F1分數分別為97.78%、97.87%、97.78%和97.78%，能夠有效捕捉局部波段變化，準確區(qū)分不同的瘀傷發(fā)生時間，適合高精度檢測需求。2）在二維圖像建模中，GAF方法結合YOLOv8n模型同樣表現出良好的分類性能，測試集準確率、召回率、精確率與F1分數分別達到了97.22%、97.22%、97.32%以及97.27%，不僅能夠關注瘀傷區(qū)域的空間結構特征，還能借助Grad-CAM提供判別依據，增強了模型的可解釋性。

綜合來看，一維光譜模型側重于統(tǒng)計特征的高效提取，運算速度更快，適合快速檢測；而二維圖像模型在特征表達豐富度和判別機制解析方面更具優(yōu)勢，有助于深入理解瘀傷的空間分布特征。未來研究將進一步擴展樣本范圍，覆蓋不同產地、品種和成熟度，以驗證模型在實際生產中的適應性和魯棒性。此外，結合數據增強等方法，有望提升模型在實際分級檢測中的泛化能力，從而增強研究結果的實用價值。

通信作者：

姜鳳利副教授

沈陽農業(yè)大學 信息與電氣工程學院

1980年3月出生于遼寧省大連市，漢族。2006年碩士研究生畢業(yè)留校任教，2014年博士畢業(yè)于沈陽農業(yè)大學農業(yè)電氣化與自動化專業(yè)，2014年9月—2015年1月在清華大學電機系進修學習?，F任沈陽農業(yè)大學副教授，電工電子教研室主任，信息與電氣工程學院碩士研究生導師。曾獲“天柱山青年骨干教師”，沈陽農業(yè)大學“教學名師”等榮譽。目前主要從事農產品無損檢測及智能農業(yè)裝備研究，致力于運用先進的檢測技術與智能化設備，探索提高農產品質量檢測效率與準確性的新方法。主持省級以上科研課題8 項，近年來結合科研工作先后發(fā)表相關學術論文20 余篇，其中SCI/EI收錄15 篇；參與的課題獲沈陽市科技進步三等獎1 項，授權發(fā)明專利2 項，實用新型專利3 項，軟件著作權5 項；積極投身于人才培養(yǎng)工作，主編教材2 部、副主編教材5 部。

第一作者：

吳沛凈碩士研究生

沈陽農業(yè)大學 信息與電氣工程學院

吳沛凈，女，農業(yè)電氣化與自動化專業(yè)，2023級碩士研究生在讀，研究方向為果蔬品質的無損檢測技術。主要研究內容為利用高光譜成像技術實現軟棗獼猴桃的損傷檢測。曾參與發(fā)明專利1 項，以第三作者發(fā)表學術論文2 篇。在校期間，曾多次獲得三好學生稱號，連續(xù)三年獲得碩士一等學業(yè)獎學金。

引文格式：

吳沛凈, 姜鳳利, 李美璇, 等. 軟棗獼猴桃早期瘀傷的光譜與格拉姆角場圖像檢測[J]. 食品科學, 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.

實習編輯：李雄；責任編輯：張睿梅。點擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網

為匯聚全球智慧共探產業(yè)變革方向，搭建跨學科、跨國界的協同創(chuàng)新平臺，由北京食品科學研究院、中國肉類食品綜合研究中心、國家市場監(jiān)督管理總局技術創(chuàng)新中心（動物替代蛋白）、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學、 重慶市農業(yè)科學院、 重慶市農產品加工業(yè)技術創(chuàng)新聯盟、重慶工商大學、 重慶三峽科技大學 、西華大學、成都大學、四川旅游學院、北京聯合大學、 中國-匈牙利食品科學“一帶一路”聯合實驗室（籌） 共同主辦 的“ 第三屆大食物觀·未來食品科技創(chuàng)新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統(tǒng)提升我國食品營養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現實生產力轉化，推動食品產業(yè)向綠色化、智能化、高端化轉型升級，由北京食品科學研究院、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學、安徽農業(yè)大學、安徽省食品行業(yè)協會、安徽大學、合肥大學、合肥師范學院、北京工商大學、中國科技大學附屬第一醫(yī)院臨床營養(yǎng)科、安徽糧食工程職業(yè)學院、安徽省農科院農產品加工研究所、安徽科技學院、皖西學院、黃山學院、滁州學院、蚌埠學院共同主辦的“第六屆食品科學與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）