使用先进变量选择和监督分类的中红外光谱分析提升草莓成熟度评估

为何更智能的果实检测很重要

谁被外观漂亮却没有滋味的草莓骗过就知道，外表可能具有欺骗性。农民、零售商和消费者都希望水果在恰到好处的时刻采摘——既足够成熟以保证风味，又足够结实以便运输。目前，对成熟度的判断仍然严重依赖人眼、捏一捏的感觉或会破坏果实的实验室测定。本研究探索了一种更快、更清洁的方法，利用不可见光和智能计算算法判断草莓成熟度，有望改变从温室到货架的水果质量监测方式。

用不可见光探查草莓内部

研究人员没有切开果实或仅依赖颜色，而是使用了中红外光谱——这是人眼看不见但分子有强烈响应的波段。当这类光照射到草莓上时，某些波长被吸收、另一些被反射，形成一种称为光谱的化学指纹。这些指纹能捕捉糖分、酸度、水分和细胞壁在成熟过程中发生的变化。研究团队使用便携式手持仪器记录了443颗在法国温室中生长的草莓的光谱，并将每颗果实仔细标注为八个成熟阶段之一，范围从绿色到深红。

教计算机识别成熟信号

每个光谱包含约900个测量点，远多于简单判断所需，而且可能包含噪声或冗余信息。为聚焦最有信息量的部分，科学家们采用了一类称为元启发式的搜索策略。这些算法从自然中汲取灵感——比如进化、狼群、蜂群和蚁群——以探索大量可能的光谱点组合，并保留那些最能区分成熟阶段的组合。研究中并列测试了六种此类策略，并将它们与四种标准的分类方法配对，这些分类器学习将每个光谱分配到正确的成熟等级。

找到一小组强有力的成熟线索

在相同条件下让这些搜索算法角逐后，团队发现部分组合表现突出。特别是一种基于自然选择的遗传算法与线性判别分析方法配对时，反复找到了非常小的中红外测点集，通常不到900个点中的20个，却仍能在交叉验证测试中以约95%–99%的准确率对草莓进行分类。其他方法，如受蜂群或重力启发的搜索，也表现良好，但通常需要更多的光谱点。关键是，当不做特征选择而将全部900个点直接输入分类器时，准确率明显下降，模型也变得不可靠，强调了谨慎选择光谱区段的重要性。

将光学模式与真实果实变化联系起来

由于中红外光直接与化学键相互作用，被选中的光谱点可以追溯到特定类型的分子。最有用的波段对应于糖类、有机酸、水分和果实结构成分的信号。这些恰恰是草莓从硬且酸到软且甜的转变中会发生变化的特征。这种化学可解释性是相较于仅靠图像或黑箱深度学习方法的一大优势：它不仅能预测果实的成熟度，还能提示模型为何做出该判断，从而为种植者和质量控制人员建立信任。

这对未来水果质量检测意味着什么

简而言之，该研究表明，手持中红外传感器结合精心选择的算法，能够快速且非破坏性地仅用极少的数据片段高精度判断草莓的成熟度。这为智能化的田间工具打开了大门，帮助农民决定最佳采收时间、帮助分拣人员根据本地销售或长途运输对果品进行分级，并帮助供应链通过避免过熟或未熟的发货来减少浪费。尽管还需在不同品种和种植条件下进行更多测试，但该方法指向了一个未来：不可见光与智能软件默默保障我们所购浆果风味与质量的时代。

引用: Rammal, A., Assaf, R., Perrin, E. et al. Enhancing strawberry maturity assessment using mid-infrared spectral analysis with advanced variable selection and supervised classification. Sci Rep 16, 10154 (2026). https://doi.org/10.1038/s41598-026-40157-7

关键词: 草莓成熟度, 红外光谱学, 水果质量, 机器学习, 精准农业