《食品科學》：新疆大學張慧副教授等：基于可見-近紅外光譜的多策略特征融合新梅貨架期判別分析

新梅作為新疆的特色果品，因其色澤鮮艷、風味獨特和營養成分豐富而廣受消費者青睞，被譽為“奇跡水果”和“功能水果”。作為呼吸躍變型水果，新梅在采后極易發生果實軟化、果心糖化及水分流失等生理變化，從而導致外觀萎蔫、表皮褶皺及光澤減退，嚴重影響商品價值。目前，采用1-甲基環丙烯處理、氣調貯藏及冰溫技術可在一定程度上延長其保鮮期，但通常僅能維持30～45?d，仍難以滿足長途運輸和供應鏈管理的需求。在常溫條件下，新梅的貨架期一般僅為3～7?d，且在外觀上新梅顏色變化不明顯，難以通過肉眼準確判別貨架期，因而容易出現不同貨架期樣品混雜銷售的問題，導致產品品質不均一從而降低市場信任度。當前零售環節中，新梅及其他果蔬在貨架上的更新頻率有限，隨著消費者對食品新鮮度、安全性及品質的要求不斷提高，對其存放時長敏感度也逐漸增加。因此，為確保新梅商品品質和提升市場價值，迫切需要一種無損檢測方法，以便快速、有效、無損地判別新梅貨架期。

無損檢測技術因其非破壞性、檢測靈敏度高、操作簡便、成本低、無污染、適應性強等特點被廣泛應用于農產品品質檢測中，能夠有效避免檢測過程中樣品成分和營養的損失。常用的無損檢測方法有X射線成像、計算機視覺、電子鼻、核磁共振、高光譜成像和近紅外光譜技術。X射線穿透農產品時，透射后的信號經采集分析轉化為圖像，可直觀顯示待測農產品的內部結構與缺陷（類型、位置、尺寸等）情況，但對軟質高水分果品如新梅的組織變化敏感性較差。計算機視覺主要依賴顏色與紋理特征，難以捕捉農產品的水分、糖度、蛋白質、脂質等內部品質。電子鼻是模擬生物嗅覺器官開發的一種新穎的檢測儀器，氣敏傳感器可以通過與農產品散發的揮發性物質發生反應，將組成和濃度等信息轉化為電信號輸送到模式識別系統中，經過系統的識別、過濾后，將信息數據化，再利用機器學習相關算法快速檢測出被測樣品的氣味信息，但新梅香氣物質變化不顯著，且該方法受環境干擾較大，穩定性與重復性較差。核磁共振技術雖然能提供農產品精確的水分成分的分布與狀態變化，但儀器昂貴、操作復雜、檢測周期長，不利于呼吸躍變型果實的快速處理。高光譜成像技術實現了傳統成像技術與光譜技術的有機融合，可同時獲取農產品在多個窄波段下的光譜和空間信息，融合了光譜學和成像的優點，但高光譜圖像包含大量冗余數據，提高了數據處理難度，檢測速度相對較慢。

近紅外光譜技術因其快速、無損、信息豐富、成本低廉、無需復雜樣品預處理以及設備便攜等優勢，已在多種水果的品質分析中得到廣泛應用。盡管該技術相較于高光譜成像在獲取空間分布信息方面存在一定局限，但在可溶性固形物含量（SSC）、硬度和水分等農產品內部理化參數的無損檢測中，依然展現出良好的靈敏性與檢測穩定性。Jensen等對核桃仁在不同貯存時間下的近紅外光譜數據采用二階導數預處理，并結合偏最小二乘回歸方法進行建模分析，可有效識別變質與新鮮樣本，識別準確率達87%，驗證了近紅外光譜在評估核桃仁隨貯存時間變化的品質狀態方面的可行性與有效性。Guan?Shihao等采集了貯藏4～9?個月的香榧種仁近紅外光譜數據，采用一階導數預處理并結合二次法構建主成分分析（PCA）-線性判別分析（LDA）模型，實現了不同貯藏時間樣品的分類識別，分類準確率達97.33%。Zhai Chen等基于標準正態變量變換（SNV）與一階導數預處理、競爭性自適應重加權采樣（CARS）特征波長提取算法構建了最小二乘支持向量機（LS-SVM）模型，實現了對不同貯藏年份大米樣品的有效區分，準確率達91.67%。

然而，模型往往依賴于對原始光譜數據的傳統特征提取方法，可能在樣本間光譜差異較小或處于病變早期階段時，難以有效識別與目標變量相關的微弱特征變化，從而影響模型的檢測精度與穩定性。為此，近年來有研究嘗試引入光譜形態特征，即反映樣品在特定波段吸收與反射變化趨勢的導數特征或光譜幾何結構信息，以提升模型對微小差異的識別能力。劉昊靈等針對輕微霉心病蘋果與健康蘋果之間光譜差異不明顯，導致基于可見/近紅外特征光譜的檢測方法在早期病變判別中準確率偏低的問題，提出將光譜形態特征與傳統光譜特征融合的方法應用于模型構建。研究結果表明，融合光譜形態信息可顯著提升對輕微病變樣本的識別精度。劉鴻陽將光譜形態特征引入硬度、SSC和含水率紅棗品質參數的定量檢測中，所構建模型性能顯著優于傳統方法，其中預測相關系數分別提升至0.859、0.922和0.955，預測均方根誤差分別降低至1.049 N、0.792°Brix和0.767%。

盡管已有研究表明，近紅外光譜技術結合特征提取算法可有效提升農產品品質判別性能，但在新梅等呼吸躍變型農產品的貨架期判別中仍面臨兩項關鍵挑戰：其一，不同貨架期果實的光譜響應差異微弱，關鍵特征信號易被冗余波段掩蓋；其二，傳統特征選擇方法主要關注變量與目標屬性之間的線性相關性，難以兼顧判別敏感性與特征壓縮效果，限制了模型在復雜場景下的泛化能力。為解決上述問題，新疆大學智能制造現代產業學院的張慧*、文龍、劉建江等提出一種基于可見-近紅外光譜與多策略特征融合的無損判別方法，采用CARS、變量空間迭代收縮法（VISSA）和連續投影算法（SPA）3?種主流特征提取方法，融合波段比（BR）、波段差（BD）和歸一化強度差（NSID）光譜形態特征，分別構建偏最小二乘判別分析（PLS-DA）與極限學習機（ELM）分類模型，確定最適宜的特征選擇策略與建模方法，實現新梅貨架期的快速、穩定、無損判別，以期為新梅以及其他呼吸躍變型農產品的貨架期檢測提供方法依據。

1 新梅貯藏期間SSC和硬度變化

從圖3a可以看出，新梅在第1天貨架期時SSC較低，隨后在3?d顯著上升并達到峰值，表明此時果實內糖類物質積累充分，處于最佳的可食用狀態。之后在5?d略有下降，至7?d繼續下降，表明糖分可能因呼吸代謝等生理過程被消耗，果實風味開始減弱。從圖3b可以看出，隨著貯藏時間延長，新梅硬度呈現持續下降趨勢，表現出典型的呼吸躍變型果品在軟化過程中的物理退化特征。1?d時果實硬度最高，至3?d略有下降，但仍保持較佳口感；5?d時硬度進一步降低，至7?d顯著下降，已進入過熟階段，口感軟爛，不適宜長時間運輸和銷售。本研究在進行新梅貨架期階段劃分與樣本標注時，參考GB/T?38493—2020《感官分析?食品貨架期評估（測評和確定）》的程序化框架，并結合SSC和硬度等理化指標與感官結果綜合判斷貨架狀態。在本實驗條件下，將SSC達到峰值與硬度顯著下降的拐點作為階段劃分的客觀依據，將貯藏過程劃分為4?個典型階段：初采期（1?d，SSC較低、硬度高）、適食期（3?d，SSC達峰、硬度適中）、品質轉變期（5?d，SSC與硬度同步下降）和過熟期（7?d，SSC?持續下滑、硬度顯著降低）。Crisosto提出了基于SSC與最低硬度閾值的消費者品質指數，用于將消費者感官接受度轉化為可量化的判別標準，研究表明，消費者對水果的接受度在SSC上升且硬度下降至適宜范圍時顯著提升。本研究在劃分新梅貨架期時同樣發現，3?d時SSC達峰、硬度適中，與適食性最高階段一致；而5?d后SSC與硬度同時下降，消費者接受度可能降低。此外，值得注意的是，雖然硬度和SSC在貯藏過程中表現出一定的時間演變規律，并作為本研究貨架期劃分的重要參考依據，但其變化趨勢并非嚴格線性，也無法單獨決定果實的貨架狀態。新梅的貨架期屬于基于綜合生理特征的離散分類概念，其形成受到色澤、可溶性組分、水分遷移、細胞結構變化等多因素共同影響。因此，將硬度與SSC作為本研究貨架期劃分的輔助指標。

2 新梅在貯藏期間的光譜變化分析

在對原始光譜范圍進行分析后，結合譜段特征分配與數據質量評估，剔除了400?nm以下噪聲較強區段和1?050?nm以上儀器邊緣響應不穩定區段，最終選取400～1?050?nm作為有效分析區間。該區間覆蓋了新梅果實多類重要的理化特征吸收區域：400～500?nm局部吸收峰可能與類胡蘿卜素等色素的特征吸收有關；680?nm附近的吸收峰通常歸因于C—H基團的二次倍頻吸收，同時能夠反映葉綠素含量衰減及果皮色澤 變化；700～780?nm范圍典型的光譜紅邊效應則源于葉綠素在可見區強吸收、在近紅外區弱吸收的差異；而在700～900?nm區間，不同貯藏期之間光譜差異最為明顯，可能與貯藏過程中可溶性糖、有機酸、氨基酸等內部成分變化密切相關。近紅外區980?nm處的明顯吸收峰對應O—H鍵的第二泛音，可用于表征果實內部水分含量的動態變化。

由圖4可以看出，雖然4?個貨架期的總體譜形趨勢一致，但在關鍵波段呈現隨時間演變的顯著差異，體現出明確的貨架期光譜特征變化規律。在400～600?nm可見光區，1?d樣品反射率最高且標準差較大，表明初采期果皮光澤度高、結構完整、個體差異較大；隨貯藏延長，3、5?d與7?d樣品在該區間反射率逐漸降低，與表皮色素變化、角質層松弛及水分分布變化等生理過程一致。在680～760?nm紅邊區域，4?個貨架期均呈現典型陡升趨勢，但幅度隨時間延長顯著收斂：1?d樣品紅邊反射率最高，7?d樣品最低，說明葉綠素相關吸收逐漸削弱、細胞結構和細胞間隙光學特性發生變化，是區分貨架期的核心光譜特征之一。在800～1?050?nm近紅外區，反射率主要受細胞結構、水分含量及可溶性組分影響，在1～7?d呈現逐漸下降的趨勢，反映貯藏過程中水分流失、組織軟化和可溶性物質變化等典型生理過程。

3 不同貨架期的新梅光譜預處理方法的確定

由圖5a可以看出，新梅原始反射光譜在垂直方向存在明顯偏移，并在部分吸收峰附近出現不規則強度差異，說明光譜中同時疊加了基線漂移、散射效應和高頻噪聲等物理干擾。這些干擾并非來源于果實的化學組成，而是由果皮粗糙度、蠟質層結構、水分分布差異以及光源穩定性等因素造成。針對上述問題，本研究分別采用SG卷積平滑、SNV、BC和MN方法對光譜進行預處理，以增強光譜特征的可解釋性與建模穩定性。SG卷積平滑通過在滑動窗口內對光譜進行多項式擬合，可有效抑制高頻隨機噪聲，使光譜曲線更加平滑（圖5b），然而，SG卷積平滑在平滑的同時一定程度上會削弱反射率差異較小的微弱吸收特征；SNV通過對每條光譜按其均值和標準差進行標準化，有效消除樣品間果皮表面形貌差異、樣品放置角度輕微變化或散射效應引起的整體強度漂移，使460?nm和820?nm波長附近的吸收峰更加明顯（圖5c），其本質是糾正乘性散射和加性偏移，使光譜曲線保持在一致的尺度上，提高不同樣本之間的可比性；BC主要用于去除光譜中因暗電流漂移、光路反射或環境雜散光產生的緩慢背景變化。通過校正基線，提高了光譜信噪比與可解釋性，使不同樣本光譜趨于在一致的反射率范圍內展開（圖5d）；MN通過對每條光譜按自身的最大值與最小值進行線性縮放，使反射率嚴格映射到區間（圖5e），在不改變光譜形狀的前提下，MN消除了樣品間由水分含量差異或光照條件變化帶來的整體幅值差異，使模型關注于反射率“相對變化”信息而非絕對強度，有助于強化關鍵波段的對比度。

基于4?種預處理方法，本研究分別構建了PLS-DA與ELM模型，以評估不同預處理方式對分類性能的影響。由圖6a可以看出，不同的LV數會對PLS-DA模型的分類能力和泛化能力產生不同的影響，所以選擇適當的LV數對于其性能至關重要。采用MN預處理后建立的PLS-DA模型分類效果較好，驗證集識別準確率達到了81%，最佳LV數是9。由圖6b可以看出，HLN的選擇對建立ELM模型的分類能力有重要影響，合適的HLN數能夠顯著提高模型的分類準確度。結果表明，MN預處理后建立的ELM模型分類效果較好，驗證集準確率為87%，最佳HLN個數為70。孫通等采用歸一化預處理后光譜數據建立的蘋果霉心病分類模型性能均優于其他預處理后所建立的分類模型，其報道判別準確率為92.70%。歸一化預處理可以消除因光譜強度變化而引起的偏差，提高不同光譜數據之間的可比性，使分析更加準確和穩定。因此，本研究后續將利用MN預處理作為PLS-DA和ELM模型對不同貨架期新梅分類的最佳預處理方法。

4 不同貨架期新梅光譜有效特征波長的提取

4.1 基于CARS方法的特征波長提取結果

圖7展示了預處理后的光譜數據通過CARS進行新梅貨架期特征波段篩選的過程。隨著采樣迭代次數增加，被選擇變量數按照指數衰減函數下降，當采樣迭代次數為49?次時，僅剩下2?個變量，因此初步將采樣迭代次數設為50?次。當采樣迭代次數為26時，RMSECV達到最小值，為0.158，此時剔除了與新梅貨架期無關信息或者共線的變量。隨著采樣迭代次數繼續增加，RMSECV逐漸升高，這可能是剔除了表征新梅貨架期差異的關鍵波段所致。因此，確定最優采樣迭代次數為26，此時RMSECV最?。?.158），篩選出的特征波段為58?個，占全光譜波段數（1?948?個）的2.98%。

4.2 基于VISSA方法的特征波長提取結果

如圖8a所示，隨著所選取特征變量數的增加，RMSECV首先大幅度下降而后小幅度上升。當選取的特征變量數小于485時，RMSECV較大且下降速度較快，說明算法從中不斷獲取到了有用信息；當選取的特征變量數為485時，RMSECV達到最低（0.116?8），表明VISSA算法選擇的485?個特征變量數為最佳。隨著特征變量數從485增加到1?948，RMSECV保持基本穩定，后期略有上升，表明在這一過程中引入了無關或干擾的信息。

圖8b展示了VISSA算法在91?次迭代過程中全部1?948?個特征變量的權重系數變化趨勢?？梢钥闯霾糠肿兞康臋嘀叵禂翟诘倪^程中保持著持續上升的趨勢，而更多變量的權重系數在此過程中降低為0，說明算法在運行的過程中保留了特征變量而剔除了無用變量。綜上，經過VISSA算法選擇的485?個特征變量具有代表性，可以用于后續的建模分析。

4.3 基于SPA方法的特征波長提取結果

從圖9可以看出，SPA在光譜變量選擇過程中，通過迭代投影，能夠有效篩選出對模型貢獻較大的波段。SPA方法中設置最大變量數為30，最小變量數為1。隨著模型中變量數的增加，模型的RMSE逐漸降低，當變量數較少（小于5?個）時，RMSE較高，表明此時模型對數據的擬合能力較弱；當變量數為20?個時，RMSE下降至趨于穩定（0.194?32），模型具有最佳的判別能力，篩選出的特征波段為20?個，占全光譜波段數（1?948?個）的1.03%。超過20?個變量后，RMSE變化趨于平緩或略有波動，表明多余變量的引入并未進一步提升模型性能。

圖10展示了CARS、VISSA和SPA特征提取方法在新梅貨架期判別中所選擇特征變量的分布圖。3?種特征提取方法在波段選擇上表現出明顯的差異性與互補性。采用VISSA特征提取方法后，所選特征波段主要集中在3?個區域：400～670、710～820?nm和890～1?045?nm，覆蓋了可見光至近紅外的重要光譜段，反映了VISSA特征提取方法在穩定提取多區域特征中的優勢；CARS特征提取方法所提取的波段則集中于420～505、800～880?nm和915～1?000?nm，其特征波段相對更具聚集性，且與典型光譜吸收峰具有較高的一致性，顯示出該方法在壓縮變量維度同時保留關鍵信息方面的優越性。相比之下，SPA特征提取方法選取的波段分布更為分散，波長間距較大，體現出該方法在降低變量共線性方面的獨特策略。盡管整體上波段較為稀疏，但仍可觀察到兩個相對集中的區域，分別位于400～425?nm和1?020～1?050?nm，說明SPA在關鍵區間仍能有效識別有代表性的特征波長。

5 不同貨架期新梅光譜形態學特征的提取結果

圖11展示了不同貨架期新梅樣本的平均反射光譜中波峰與波谷的提取結果。根據特征波段的識別，選取了460、610、680、820?nm和980?nm共5?個波段作為提取光譜形態特征的特征波段。在每個特征波段附近各選取5?個數據點的光譜反射率，計算其平均值后，依據 式（1）～（3）分別提取了BR、BD和NSID?3?類形態特征變量，獲得了4?組BR、4?組BD及4?組NSID變量，用于后續分析。

如圖12所示，在所有光譜形態學特征類型下，PLS-DA模型整體表現較差，驗證集準確率均不高于55%，表明其泛化能力有限。相比之下，ELM模型在各光譜形態學特征下均表現出較高的分類精度，驗證集準確率均在70%以上，其中基于BD特征構建的ELM模型在驗證集上達到77%的準確率。然而，與基于全光譜數據建模的效果相比，其判別性能仍略有不足，說明盡管光譜形態特征能夠反映和新梅貨架期相關的信息，但在特征表達方面仍存在一定的信息損失。因此，為進一步提升模型性能，有必要將包括BR、BD、NSID在內的多種光譜形態特征與原始光譜特征進行融合建模，以系統評價其綜合判別能力。

6 新梅貨架期判別模型的建立與分析

如表1所示，MN對400～1?050?nm波段的光譜進行預處理，PLS-DA和ELM模型驗證集準確率分別達到了80.95%和86.91%，相較于直接使用全光譜構建模型，CARS、VISSA和SPA?3?種特征提取方法顯著提升了PLS-DA和ELM模型的判別能力。在不進行特征選擇的情況下，PLS-DA與ELM模型的驗證集準確率均為70.24%，表現欠佳，說明全光譜雖包含豐富信息，但同時引入了大量冗余變量，這些冗余特征干擾了模型的判別性能。在PLS-DA模型中，CARS、VISSA和SPA分別將驗證集準確率提升至90.48%、86.90%和最高的92.86%。其中，SPA特征提取方法僅使用20?個變量即可獲得最優結果，體現出其良好的特征壓縮與模型泛化能力。相比之下，VISSA特征提取方法雖然選出的變量最多（485?個），但模型效果相對較差，說明過多特征可能引入噪聲與冗余信息，反而削弱模型性能。盡管BR、BD和NSID光譜形態學特征在PLS-DA模型中的表現不盡如人意，且準確率甚至低于基準模型，尤其BR特征的驗證集準確率僅為40.48%。然而，通過將這些光譜形態學特征與CARS、VISSA、SPA等主流特征提取方法相結合，可以消除單一特征的局限性，從而提升模型的整體性能。特別是SPA-BD組合特征的PLS-DA模型和SPA-NSID組合特征的ELM模型，均表現出了較強的判別能力，進一步驗證了特征融合在提升新梅貨架期判別能力中的潛力。具體而言，SPA-BD組合特征的PLS-DA模型相較BD的驗證集準確率提升了28.57%，盡管相比單獨使用SPA特征提取方法的PLS-DA模型，其準確率下降了9.53%，這一結果表明，多策略特征融合方法在提升模型性能的同時，需要根據不同模型和特征組合的特點進行合理選擇，以確保獲得最佳的判別效果。

與PLS-DA模型相比，在引入CARS、VISSA和SPA特征提取方法后，ELM模型在驗證集上的準確率分別提升至92.86%、91.67%和90.48%。其中，CARS方法借助自適應加權與指數遞減函數篩選出對模型貢獻最大的波段，保留58?個變量即可獲得最優效果。在利用相同特征提取方法下，ELM模型普遍優于PLS-DA，且訓練集與驗證集之間準確率差異較小，顯示出其擬合穩定性更強，未出現明顯過擬合，進一步驗證了ELM模型在處理復雜非線性光譜特征時的優勢。值得關注的是，將BR、BD和NSID光譜形態學特征與CARS、VISSA和SPA等特征提取方法相結合后構建的ELM模型，整體性能得到了進一步提升。其中，SPA-NSID組合特征在僅使用24?個變量數和30?個HLN時，驗證集準確率高達97.62%，表現最為優異。如圖13所示，適食期中僅2?個樣本被誤判為品質轉變期，其余無混淆。此外，SPA-BR、SPA-BD、CARS-BR、CARS-BD、CARS-NSID、VISSA-BR、VISSA-BD和VISSA-NSID等組合在ELM模型中的預測準確率亦達到84.52%～95.24%，進一步表明將光譜形態學特征與主流特征提取特征融合后可獲得具有更高判別力的特征集，且與ELM模型高度適配，適用于新梅貨架期等復雜分類任務的快速無損檢測。

7 新梅貨架期判別分類方法的驗證

為驗證本研究提出的MN-SPA-NSID-ELM模型在不同新梅貨架期判別任務中的泛化能力，特選用新一批共計120?個獨立樣本進行外部測試，各貨架期樣本數量均為30?個。結果如表2所示，該模型在外部驗證集中實現了99.18%的整體判別準確率，品質轉變期中有1?例樣本被誤判為適食期，其余3?類均實現100%準確。其Kappa系數為0.989，表明模型在排除偶然一致性影響后，仍具有高度一致性與魯棒性。綜上所述，MN-SPA-NSID-ELM模型在外部獨立樣本上的優異表現，驗證了其良好的泛化能力與實際應用潛力。

周莉萍等采用可見-近紅外和近紅外光譜分別構建了不同覆蓋保鮮膜菠菜貨架期的PLS-DA判別模型，貯藏期的整體判別準確率分別為83%和81%。趙昕等利用高光譜成像與近紅外光譜對金冠蘋果進行貨架期識別，其中以高光譜圖像數據構建的一階導數+無信息變量消除+BP模型表現最優，判別準確率達100%，而基于近紅外光譜數據的卷積平滑+LS-SVM模型判別準確率為73.94%。與上述研究相比，相較于單一特征提取方法，SPA-NSID特征組合兼顧特征壓縮與光譜形態信息提取，在提升特征信噪比的同時抑制冗余?；谠摻M合構建的MN-SPA-NSID-ELM判別模型在新梅貨架期識別中表現出顯著優勢，驗證集準確率高達97.62%。其中SPA能夠有效降低光譜變量之間的共線性，優先選擇信息冗余度低、代表性強的特征波長；NSID在波段之間的相對變化和歸一化差異方面具有獨特優勢，能夠挖掘出更深層次的光譜信息，從而彌補SPA方法在光譜形態描述上的一定局限性。兩者結合后，既實現了特征空間的精簡優化，又顯著提升了特征信噪比，為后續ELM模型提供了高質量輸入特征。同時ELM具備較強的非線性擬合能力及對特征維度的魯棒性，能夠充分挖掘SPA-NSID特征中的復雜信息結構，從而實現對新梅貨架期的高精度分類。該結果不僅展示了近紅外光譜在果品貨架期判別中的應用潛力，也為新梅產業鏈的實時品質監控和智能分級提供了理論與技術支撐；同時，本研究構建的輕量化MN-SPA-NSID-ELM模型僅依賴少量關鍵波長，顯著降低了部署算力，并具備與便攜式或手持式微型光譜儀兼容的潛在優勢，可為果園現場檢測與產線在線快速分級的落地應用提供可行路徑。

8 結 論

本研究基于可見-近紅外光譜與多策略特征融合，利用MN-SPA-NSID-ELM組合模型構建新梅貨架期判別模型，結果發現：1）通過采集新梅在不同貯藏時間（1、3、5、7?d）的光譜數據，并分析SSC和硬度變化，可將貨架期劃分為4?個階段：初采期、適食期、品質轉變期和過熟期，為后續模型構建提供了清晰的樣本標注依據。2）通過對比SG、SNV、BC和MN?4?種預處理方法對模型性能的影響，最終確定使用MN對400～1?050?nm波段的光譜進行預處理，PLS-DA和ELM模型驗證集準確率分別達到了80.95%和86.91%，可用于后續特征波段提取。3）單獨使用全光譜構建PLS-DA與ELM模型時，由于全光譜含有的冗余變量嚴重干擾模型性能，導致驗證集準確率均僅為70.24%，通過CARS、VISSA、SPA?3?種特征提取方法與BR、BD、NSID?3?種光譜形態特征融合，發現SPA特征提取方法與NSID形態特征融合形成的組合特征集效果最優，在降低變量維度的同時，有效保留了與新梅貨架期相關的關鍵信息。4）最終構建了多策略特征融合的MN-SPA-NSID-ELM模型，在僅使用24?個變量數與30?個HLN的條件下，驗證集準確率達97.62%。此外，在獨立制備的新梅外部測試樣本集上，其中準確率和Kappa系數分別為99.18%和0.989。

綜上，本研究提出的方法可以有效判別新梅貨架期，同時驗證了可見-近紅外光譜技術在新梅貨架期檢測中的應用可行性，也為進一步研究呼吸躍變型果品貨架期檢測提供了新思路。盡管所提出方法在新梅貨架期無損判別中表現出較高準確性，但其模型的泛化能力仍受到樣本品種、產地、成熟度與貯藏條件等因素的限制。后續研究應進一步擴展樣本來源，增強樣本多樣性，并建立可動態更新的建模數據庫，以提升模型在復雜應用場景下的準確性和魯棒性。

通信作者&第一作者：

張慧副教授

新疆大學機械工程學院、智能制造現代產業學院

張慧，工學博士，新疆大學機械工程學院、智能制造現代產業學院副教授，碩士研究生導師，中共黨員，四川資陽人。2011年畢業于海南大學農業機械化及其自動化專業，獲學士學位；2015年至2020年于石河子大學農業工程專業攻讀碩博，獲博士學位；2019年赴新西蘭林肯大學訪學。長期從事農產品品質安全智能化檢測技術與裝備、智慧農業及智能農機裝備等方向的教學與科研工作，重點聚焦果蔬、堅果等農產品內部品質無損檢測、缺陷識別與智能分級等關鍵問題，在X射線成像、聲學檢測、光譜分析及智能識別等方面積累了較為扎實的研究基礎。主持國家級、省部級、廳局級和校級科研項目多項，作為項目骨干參與多項省部級重點研發及科研項目，參與教材編寫1 部。近年來發表學術論文10余篇，其中多篇被SCI、EI收錄，申請及授權國家發明專利3 項。相關研究成果面向現代農業與智能裝備發展需求，致力于提升農產品品質安全檢測的智能化、精準化與高效化水平，為推動智慧農業發展和相關領域技術進步提供了有力支撐。

引文格式：

張慧, 文龍, 劉建江, 等. 基于可見-近紅外光譜的多策略特征融合新梅貨架期判別分析[J]. 食品科學, 2026, 47(8): 384-395. DOI:10.7506/spkx1002-6630-20251013-060

ZHANG Hui, WEN Long, LIU Jianjiang, et al. Shelf-life classi?cation of Xinjiang plums using multi-strategy feature fusion based on visible-near infrared spectroscopy[J]. Food Science, 2026, 47(8): 384-395. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251013-060

實習編輯：陳師昀；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

為了幫助食品及生物學科科技人員掌握英文科技論文的撰寫技巧、提高SCI期刊收錄的命中率，綜合提升我國食品及生物學科科技人員的高質量科技論文寫作能力。中國食品雜志社擬定于2026年8月13—14日在安徽合肥舉辦“第13屆食品與生物學科高水平SCI論文撰寫與投稿技巧研修班”，為期兩天。

長按或微信掃碼進行注冊

為系統提升我國食品營養與安全的科技創新策源能力，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，合肥工業大學、安徽省食品行業協會、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院臨床營養科、安徽糧食工程職業學院、皖西學院、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

為對標農業農村部2035年科技規劃及“十四五”“十五五”發展方向，推動農產品加工與儲運的工程化、智能化、綠色化升級，由湖南省農業科學院、湖南農業大學、北京食品科學研究院、國際食品科技聯盟（IUFoST）、中國農業大學、岳麓山工業創新中心主辦，湖南大學、中南林業科技大學、長沙理工大學、湖南中醫藥大學、湘潭大學、岳麓山實驗室協辦，中國食品雜志社、洞庭實驗室、湖南省食品科學技術學會、湖南省農產品加工與質量安全研究所、湖南農業大學食品科學技術學院、Springer Nature-《Agricultural Products Processing and Storage》雜志承辦的“第二屆農產品加工與食品制造國際學術研討會—創新引領綠色智造，AI賦能科技進步”，將于2026年9月19-20日（9月18日會議報到）在中國 湖南 長沙召開。

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）

n