研究背景

哈密瓜的風味品質和商品價值與甜度密切相關，而可溶性固形物含量（SSC）是評價果實甜度的重要指標。傳統SSC檢測多依賴折光儀測定，雖結果可靠，但需取樣、榨汁或切片，具有破壞性，難以滿足批量化、連續化和在線分選對快速無損檢測的需求。高光譜成像技術融合了圖像與光譜信息，能夠間接反映果實內部化學成分（如糖、水分、酸度）的分布與含量，為非破壞性檢測提供了新路徑。然而，現有研究多集中于單一品種，跨品種檢測的模型泛化能力仍面臨挑戰，尤其是哈密瓜這類果皮差異大、糖分分布不均的厚皮甜瓜。

近日，青島農業大學趙磊老師團隊在《Symmetry》發表了一項研究，系統探索了高光譜成像結合機器學習在哈密瓜多品種可溶性固形物（SSC）無損檢測中的應用，提出了一種基于RPD加權的集成模型，顯著提升了跨品種預測的魯棒性和準確性。

圖1.光譜采集過程。

研究方法

樣本準備：

品種：西州蜜、伽師瓜、金鳳凰、黑眉毛（各40個，共160個）；

采樣位置：赤道部位果肉，分別測量近核部（BRIX1）和近皮部（BRIX2）的SSC；

數據集劃分：每品種30個訓練，10個測試；

高光譜數據采集：通過穹頂光源 + 精密電動平移臺搭載Resonon Pika L高光譜成像儀，結合150 W石英鎢鹵素燈、輸送裝置等進行高光譜數據采集；

光譜參數：

波長范圍：400–1000 nm；

光譜分辨率：2.7 nm；

參數設置：幀率16 Hz，物距 978 mm、圖像采集速度 15.3 mm/s；

數據處理和模型構建：研究采用“基線校正+SNV+Savitzky-Golay平滑”進行光譜預處理，并比較PLSR、SVR、RF、XGBoost和LightGBM等模型，最終通過隨機搜索、5折交叉驗證及基于驗證集RPD加權的集成策略優化預測性能；

表1.不同預處理方法下PLSR模型預測性能比較（以BRIX1為例）。

圖2.每個品種的樣品子集的平均光譜：（a）原始光譜;（b）預處理后的光譜。

表2.模型性能的綜合比較。

圖3.四種哈密瓜品種無損SSC評估的模型結果：(a) 基于偏最小二乘回歸（PLSR）模型的 SSC(BRIX1) 結果；(b) 基于隨機森林（RF）模型的 SSC(BRIX2) 結果；(c) 集成模型對 SSC(BRIX1) 的預測結果；(d) 集成模型對 SSC(BRIX2) 的預測結果。

表3.所有基礎模型和集成模型在獨立測試集上的偏差-方差分解結果。

圖4.集成模型預測誤差分析：(a) BRIX1實測值與預測值的散點圖（按品種著色）；(b) BRIX2實測值與預測值的散點圖（按品種著色）。

研究結果

組合預處理提高了糖敏感波段光譜一致性，增強了模型建模質量與泛化能力；

BRIX1預測中，PLSR表現出較強泛化性，但集成模型整體性能最優；

BRIX2預測中，RF為最佳單一模型，集成模型進一步提升了近皮SSC預測穩定性；

RPD加權集成策略融合了不同模型優勢，實現了預測精度與泛化穩定性的平衡；

不同品種間仍存在預測差異，提示后續需擴大樣本并引入品種自適應校正；

結語

研究以四種主栽哈密瓜品種為對象，系統驗證了高光譜成像技術結合機器學習在多品種SSC無損檢測中的可行性。同時，研究也提示，跨品種統一模型仍會受到品種表型、生理差異及樣本來源的影響。未來，隨著樣本規模擴大、整果檢測場景驗證以及品種自適應校正方法的引入，高光譜無損檢測有望在果品品質分級、采后分選和智慧農業中發揮更大作用。

發表期刊：Symmetry【影響因子：2.2】

研究單位：青島農業大學、哈密市農牧產業發展投資有限公司等

使用設備：Resonon Pika L高光譜成像儀

DOI：https://doi.org/10.3390/sym18030462