《Food Control》：Low-cost detection method for early-stage mildew in Hami melons based on hyperspectral image reconstruction using Sim-MST++
編輯推薦：
為解決哈密瓜采后貯藏運輸中早期霉變檢測難題，研究人員探索 RGB 轉高光譜圖像（HSI）用于串珠鐮孢菌侵染早期霉變檢測。引入二維相關光譜提取 13 通道敏感變量，Sim-MST++ 重建效果佳，分類模型準確率達 92%，為農食檢測提供新方法。
在瓜果貯藏運輸的漫長旅途中，哈密瓜常常面臨著看不見的 “敵人”—— 病原微生物的侵襲。這些微小的破壞者會悄悄引發霉變，不僅讓香甜的果實品質下降，還可能帶來食品安全隱患。目前，哈密瓜早期霉變檢測主要依賴人工識別和生化分析，這些方法要么靠經驗、耗時長，要么操作復雜，難以快速準確地評估果實的整體病害程度。如何在不破壞果實的前提下，低成本、高效率地識破早期霉變的 “偽裝”，成為了擺在科研人員面前的重要課題。
為了攻克這一難題，來自國內的研究人員開展了一項頗具創新性的研究，相關成果發表在《Food Control》。他們將目光投向了高光譜圖像（HSI）技術，這種技術兼具光譜和機器視覺的優勢，能同時獲取圖像和光譜數據，在農產品霉變檢測中潛力巨大。但高光譜成像設備成本較高，限制了其廣泛應用。于是，研究人員另辟蹊徑，探索利用 RGB 圖像重建高光譜圖像的方法，試圖為早期霉變檢測找到一條低成本之路。
研究人員主要采用了以下關鍵技術方法：首先進行樣本制備，采集 50 個新疆石河子市炮臺鎮兩個田地的哈密瓜樣本（品種為西州蜜 25 號），經處理后用于后續實驗；引入二維相關光譜分析（2D-COS）技術，提取敏感光譜變量；運用改進的 Sim-MST++ 等 12 種先進的光譜重建（SR）模型進行高光譜圖像重建，并通過 SSIM、t-SNE 等進行評估，同時構建 3D-Dilated 注意力卷積神經網絡（3D-DACNN）用于霉變檢測分類。
樣本制備與數據采集
研究人員采集了 50 個哈密瓜樣本，品種為西州蜜 25 號，于 2024 年 7 月 19 日在中國新疆石河子市炮臺鎮的兩個田地收集，每個樣本成熟度為 80%。樣本經清潔、酒精消毒后，置于恒溫（25℃）恒濕（30%）的農產品質量安全檢測實驗室 12 小時，隨后進行病原接種等操作，獲取不同霉變程度（健康期、無癥狀期、霉變期）的樣本，同時采集其 HSI 和 RGB 數據。
敏感光譜變量提取
通過二維相關光譜分析（2D-COS）技術，研究人員從眾多光譜數據中提取出 13 個敏感光譜特征波長，僅占總波長的 2.8%，顯著降低了數據冗余問題，為后續的光譜重建奠定了基礎。
光譜重建模型評估
在光譜重建模型評估中，對改進的 Sim-MST++ 和 11 種先進的重建算法進行了比較。通過多元可視化、SSIM（結構相似性指數）和 t-SNE（t 分布隨機鄰域嵌入）評估重建一致性，利用綜合質量屬性系統（PSNR-Params-FLOPS）確定最佳重建模型。結果顯示，Sim-MST++ 表現優于其他模型，其 MRAE（平均相對絕對誤差）為 0.0446，RMSE（均方根誤差）為 0.0158，PSNR（峰值信噪比）為 36.27，SSIM 為 0.9333，展現出良好的重建效果。
霉變檢測分類模型構建
研究人員構建了 3D-DACNN 模型，并與 1D-CNN 和 2D-CNN 模型進行比較，基于原始 HSI 和重建 HSI 數據對哈密瓜霉變程度進行評估。結果表明，基于 Sim-MST++ 重建數據集的分類模型準確率達到 92%，顯示出該方法在哈密瓜早期霉變檢測中的有效性。
這項研究表明，基于改進 Sim-MST++ 重建模型結合 3D-DACNN 的方法，在哈密瓜串珠鐮孢菌侵染早期霉變檢測中具有顯著可行性。通過二維相關光譜分析提取關鍵光譜變量，結合先進的光譜重建技術和深度學習模型，實現了低成本、高效的早期霉變檢測。該研究為農產品質量安全檢測提供了新的思路和方法，有望在實際生產中推廣應用，為哈密瓜等農產品的貯藏運輸安全保駕護航，助力農食領域的質量與安全檢測技術邁向新臺階。
