水果成熟度檢測是保障食品安全和農產品質量的關鍵環節。當前，使用碳化鈣等化學物質的人工催熟手段雖能加速水果上市，但會導致營養流失并殘留砷、磷化氫等有害物質。傳統檢測方法依賴顏色、質地等物理特征，易受人為修飾干擾；而基于ResNet50、VGG16等深度學習的模型又面臨計算復雜度高、泛化性差等問題。針對這些挑戰，研究人員開發了名為SmartRipen的創新混合模型。

該研究通過整合長短期記憶網絡(LSTM)和門控循環單元(GRU)的時序特征提取能力，結合細菌覓食優化算法(BFO)進行特征選擇，并創新性地用XGBoost替代傳統CNN的全連接層，構建卷積XGBoost網絡(CXGBN)。研究采用芒果和蘋果的熱成像數據集，通過比特平面切片和YCbCr色彩空間轉換提取顯著性特征，利用LSTM-GRU捕捉時空特征變化，最終通過CXGBN實現分類。

在方法學方面，研究首先采用比特平面切片技術分割水果圖像，通過公式S_i=∪(P_r,c⊕2ⁱ)提取不同強度層特征。隨后轉換至YCbCr色彩空間計算亮度(Y)和色度(C_b, C_r)分量，結合結構特征和熵估計構建顯著性圖譜。LSTM和GRU分別通過f=var(x_in*U^f+h_t-1*W^f)等公式提取時序特征，BFO則基于方差最大化選擇判別性特征。最終分類采用XGBoost目標函數obj(θ)=L(θ)+Ω(θ)進行優化決策。

研究結果顯示，該模型在多個關鍵指標上顯著超越傳統方法。在準確度方面，模型在150k樣本量下達到98.04%，較VGG16(88.25%)、MLP CNN(94.75%)和決策樹(94.07%)分別提升10.5%、3.9%和4.5%。精度分析表明，模型有效降低誤報率，最高精度達95.85%，比基準模型提高2.5-8.5%。召回率測試中，模型以95.83%的表現證實其捕捉真陽性的能力，這對減少優質水果誤判至關重要。

在效率方面，模型展現出優異的實時處理能力。分類延遲測試顯示，處理150k圖像僅需108.93ms，較對比模型縮短1.5-3.9%。這歸功于BFO的特征優化和XGBoost的高效決策機制，使其適合部署在工業級分揀流水線上。

討論部分指出，該研究的創新點在于：首次將LSTM-GRU融合架構用于水果成熟度時序分析；開發基于方差最大化的BFO特征選擇方法；創建CXGBN替代傳統CNN分類層。與MobileNet等輕量模型相比，該模型在保持精度的同時解決了序列建模的短板；較Transformer架構更適應邊緣計算場景。

該研究的實際意義在于：為農產品質量檢測提供自動化解決方案，準確識別人工催熟水果保障食品安全；通過降低6.5%的分類延遲提升產線效率；模型架構對多品類水果的適應性為農業AI應用提供新范式。未來可通過引入Q-Learning強化學習優化動態決策，并整合多光譜數據提升檢測維度。論文發表在《Food Physics》，為智能農業與食品物理交叉領域樹立了技術標桿。