知识引导的苹果大小变异光谱校正策略：提升可溶性固形物(SSC)检测精度与鲁棒性

为解决苹果大小变异导致的光谱漂移和模型性能下降问题，浙江大学联合研究团队提出知识引导的尺寸校正策略(Size-PLS)，通过抑制尺寸敏感波段实现光谱校正。相比传统方法，该策略使PLS和CNN模型的平均RMSEV分别降低28.92%/23.33%和32.69%/66.00%，显著提升跨尺寸样本的SSC预测稳定性，为农产品在线检测提供创新解决方案。

　　

苹果作为全球重要的经济作物，其内部品质检测直接关系到产业效益。可溶性固形物含量(Soluble Solids Content, SSC)是衡量苹果成熟度和风味的关键指标，可见-近红外(Vis/NIR)光谱技术因其非破坏性特点已成为主流检测手段。然而，果实尺寸变异会改变光在果肉中的传播路径(Theoretical Optical Path, TOP)，导致光谱基线漂移和模型预测失准。现有直径校正、全局/局部校准等方法存在依赖先验尺寸数据、建模成本高或适应性差等缺陷，难以满足在线分选场景需求。

浙江大学与Kepler技术联合研究中心团队在《Food Control》发表的研究中，采用知识引导的尺寸校正策略突破这一瓶颈。研究使用两个产自新疆阿克苏的"冰糖心"苹果数据集（共382个样本），通过Vis/NIR透射光谱采集结合化学法测定参考SSC值。核心技术包括：1) 建立尺寸-偏最小二乘(Size-PLS)模型识别VIP值>1的尺寸敏感波段；2) 算术映射算法抑制敏感波段；3) 构建PLS和CNN预测模型验证校正效果；4) 与7种传统方法进行跨数据集验证。

光谱与光学路径特征分析
透射光谱显示670nm（叶绿素吸收峰）和760nm（可能源于O-H三倍频）处存在特征峰。大尺寸果实因光程增加导致整体吸光度上升，尤其在900-1000nm区间差异显著。光学路径模拟证实尺寸增大会延长光子迁移距离，增强光散射效应。

知识引导校正模型效果
提出的知识引导PLS(KG-PLS)和CNN(KG-CNN)模型在跨尺寸预测中表现突出。对于Dataset 1和2，KG-PLS的RMSEV分别降低12.84%和45.00%，KG-CNN更达到58.39%和66.00%的降幅。相比传统方法中表现最佳的相关系数校正法（平均改善9.8%），新策略将PLS和CNN模型的平均RMSEV进一步降低28.92%/23.33%和32.69%/66.00%。

讨论与结论
该研究首次将光学传播机理与机器学习相结合，通过抑制而非消除尺寸敏感波段，既保留SSC相关特征又减少尺寸干扰。实验证明尺寸变异会使原始模型RMSEV恶化37.5%-82.6%，而知识引导策略使模型在未知尺寸样本上保持稳定。该方法无需预先测量果实直径，突破了传统校正技术对样本规模和数据一致性的依赖，为开发适应田间变异的智能分选设备奠定基础。研究提出的"先解耦后建模"思想，对解决温度、品种等其他干扰因素导致的模型失效问题具有普适指导意义。