基于X射线影像与CNN模型的榛子虫害缺陷无损检测研究

为解决榛子产业中虫害缺陷（cimiciato）传统检测方法效率低、破坏性强的问题，研究人员采用X射线成像技术结合12种预训练卷积神经网络（CNN）模型，实现了榛子内部虫害的高精度无损检测。研究发现InceptionV3模型综合性能最优（准确率85.5%），Xception模型特异性最高（96.1%），为榛子质量控制提供了高效技术方案。

　　

榛子作为巧克力等糖果工业的核心原料，全球年产量已突破140万吨。然而一种名为"cimiciato"的虫害（由半翅目害虫吸食果实导致）会引发榛子内部产生褐色或白色斑块，不仅造成苦味等感官缺陷，还会改变脂质氧化特性。当前联合国欧洲经济委员会（UNECE）虽规定虫斑尺寸需小于3mm，但糖果工业标准更为严苛。传统检测依赖人工剖切观察，效率低下且破坏产品，而基于RGB或紫外成像的方法仅适用于已切割样本。

为突破这一技术瓶颈，来自意大利的研究团队在《Journal of Agriculture and Food Research》发表创新研究，首次将X射线成像与深度学习结合应用于完整榛子内核的虫害检测。该研究采集意大利Presenzano产区Tonda di Giffoni品种榛子，通过Bruker Skyscan 1272微CT系统获取180°旋转的962张X射线影像（60kV/166μA，6-8.5μm分辨率），构建包含8例虫害和10例健康榛子的数据集。研究人员创新性地采用几何增强技术，通过90°-270°旋转和垂直镜像将测试集扩增至76,960张图像，并系统评估了VGG19、InceptionV3、Xception等12种CNN架构的性能。

关键技术包括：1）X射线影像采集与预处理（16位TIFF转8位RGB归一化，1000×1000像素中心裁剪）；2）数据集划分（45%训练验证集/55%测试集）；3）采用迁移学习策略微调预训练模型（SGD优化器，初始学习率0.001）；4）通过ROC曲线和混淆矩阵评估模型性能。

【3.1. Training and Validation】
所有模型验证准确率均达99%以上，其中SqueezeNet训练最快（12.7分钟），Xception耗时最长（599分钟）。轻量级模型（ShuffleNet、MobileNetV2）展现快速收敛特性，而Inception-ResNet-V2等深层架构虽需更多计算资源，但表现出更强鲁棒性。

【3.2. Testing】
InceptionV3展现出最佳平衡性能：总体准确率85.5%，召回率（TPR）79.5%，F1值0.826。Xception则在特异性（TNR 96.1%）和假阳性控制（FPR 3.9%）方面表现突出，其阳性预测值（PPV）高达0.963。值得注意的是，轻量模型SqueezeNet性能最差（准确率仅39.3%），反映模型复杂度对检测精度的重要影响。

【3.3. General remarks】
相比既往基于RGB图像的榛子分类研究（如ResNet-50准确率99.16%），本研究虽准确率略低，但突破性地实现了对完整内核内部缺陷的检测。Xception模型每万张图像仅产生39例误报，显示出工业化应用的潜力。

该研究为农产品无损检测提供了重要范式：1）证实X射线成像结合CNN可突破表层检测局限；2）建立适用于不同场景的模型选择策略（InceptionV3适合高精度需求，Xception适合低误报场景）；3）轻量级模型为嵌入式设备部署提供可能。未来通过扩大样本量和优化网络结构，该技术有望革新坚果加工业的质量控制体系，实现每小时数万颗榛子的精准分选。