В этой статье мы рассмотрим научные основы определения сладости без очистки фруктов при сортировке.
В прошлом классификация фруктов основывалась на двух основных подходах: опытные работники оценивали фрукты на ощупь и по цвету, что неизбежно вносило субъективные погрешности, или отбирали и разрезали фрукты для лабораторного рефрактометрического анализа, что напрямую повреждало фрукты и приводило к значительным потерям при массовой сборке. Существует ли способ оценить сладость мякоти фруктов с первого взгляда, не очищая и не повреждая их? Сегодня давайте разберем технологию гиперспектральной визуализации и поговорим об этой практической технологии для проверки внутреннего вкуса при сортировке фруктов.
I. Гиперспектральная визуализация позволяет считывать молекулы из мякоти плодов.
Гиперспектральная камера способна разлагать свет на сотни непрерывных узких полос, создавая уникальную спектральную кривую для каждого пикселя изображения. Это эквивалентно выполнению оптического «молекулярного сканирования» плода, позволяющего одновременно получить два ключевых слоя информации:
1. Пространственная информация изображения: выявление царапин, деформаций, черных пятен и других дефектов поверхности;
2. Спектральная химическая информация: улавливание молекулярных сигналов сахара, влаги и органических кислот внутри мякоти для глубокого изучения ее внутренних качеств.
Среди них ближний инфракрасный диапазон (900–1700 нм) является основным интервалом для измерения содержания сахара. Молекулы сахара содержат химические связи, такие как OH и CH, которые демонстрируют фиксированные характеристики поглощения и отражения при воздействии соответствующих длин волн света — подобно уникальному спектральному отпечатку для каждого вещества. Чем выше содержание сахара, тем заметнее изменение сигнала спектрального поглощения в соответствующем диапазоне. После того, как оборудование зафиксирует эти различия, оно преобразует их с помощью алгоритмических моделей для получения точных значений Brix (содержания сахара) без повреждения или разрезания фруктов в процессе обработки.
II. Простой анализ: процесс «измерения сладости без очистки».
Многие задаются вопросом, как этот прибор точно определяет высокий и низкий уровень сахара прямо через кожуру фрукта. Это можно понять в три простых шага:
1. Метод отбора проб с проникновением света: устройство излучает мягкий источник ближнего инфракрасного света. Свет проникает сквозь тонкую кожуру плода и взаимодействует с глюкозой, фруктозой и влагой внутри мякоти. Часть света поглощается сахаром, а другая часть отражается обратно к гиперспектральному детектору. Плоды с разным уровнем сладости демонстрируют стабильные различия в интенсивности поглощенного и отраженного света.
2. Эксклюзивное извлечение спектральных характеристик: камера собирает данные об отражении в сотнях диапазонов, выбирает характерные пики поглощения, соответствующие сахару, и отфильтровывает помехи от кожуры, семян и волокон плодов, чтобы выделить эффективные данные, относящиеся исключительно к содержанию сахара.
3. Преобразование алгоритмической модели и сортировка: На начальном этапе создается обширная база данных с использованием фруктов различной сладости для обучения моделей машинного обучения на основе взаимосвязи между спектральными кривыми и измеренными значениями содержания сахара. Во время тестирования на конвейере в режиме реального времени система мгновенно сопоставляет спектральные данные, быстро выдает значения содержания сахара и взаимодействует с сортировочным оборудованием для автоматической сортировки — разделения фруктов с высоким, средним и низким содержанием сахара на разные потоки.
Эта логика не ограничивается измерением сахара; кислотность мякоти, влажность, внутренние повреждения от сжатия и внутреннее потемнение/пустотность могут быть одновременно определены на основе спектральных различий различных веществ, что позволяет проводить внутренний и внешний контроль качества одновременно на одной производственной линии.
III. Рекомендация по продукту: Промышленная онлайн-гиперспектральная коротковолновая инфракрасная камера
После понимания основных принципов неразрушающего измерения содержания сахара и выявления внутренних повреждений многие перерабатывающие предприятия задаются вопросом, какое оборудование может стабильно адаптироваться к высокоскоростным линиям сортировки фруктов и овощей. В данной статье мы представляем промышленную высокоскоростную гиперспектральную камеру, работающую в режиме онлайн в коротковолновом инфракрасном диапазоне.
Это оборудование, специально разработанное для динамических сценариев промышленной сортировки, идеально соответствует потребностям в определении содержания сахара во фруктах/овощах и обнаружении внутренних дефектов:
1. Точное соответствие диапазонам длин волн требованиям измерения содержания сахара: Весь прибор работает в коротковолновом инфракрасном диапазоне 900–1700 нм, который точно соответствует основному диапазону, где молекулы сахара и органических кислот во фруктах и овощах генерируют характерные спектры. В сочетании со спектральным разрешением около 8 нм он может улавливать тонкие спектральные колебания содержания сахара в мякоти фруктов, не упуская мельчайших изменений сладости, и различать различия в тканях, вызванные повреждениями бананов от давления и внутренним потемнением плодов.
2. Высокоскоростная съемка, адаптированная для сборочных линий: Несколько моделей в этой серии обеспечивают скорость съемки до 7800 кадров в секунду. Даже при высокоскоростной транспортировке материалов по производственной линии, система позволяет полностью собирать спектральные данные по каждому фрукту без пропусков проверок или размытия данных, что соответствует непрерывному ритму производства крупных предприятий по переработке фруктов и овощей.
3. Компактный корпус с низким порогом модификации: Общая конструкция компактна, а корпус из алюминиевого сплава прочен и долговечен, обеспечивая стабильную работу в пыльных и влажных заводских условиях при комнатной температуре. Объектив поддерживает различные варианты фокусных расстояний (6/8/12/25/35 мм). Установка и отладка могут быть выполнены гибко как при строительстве новой сортировочной линии, так и при модернизации существующего традиционного оборудования для сортировки по цвету.
4. Полный набор вспомогательного программного обеспечения упрощает эксплуатацию: он включает в себя соответствующее программное обеспечение для обработки гиперспектральных изображений со встроенными шаблонами для анализа содержания сахара во фруктах/овощах и внутренних повреждений, что позволяет предприятиям самостоятельно расширять локальные базы данных фруктов. Кроме того, он открывает доступ к SDK для поддержки вторичной разработки, напрямую подключаясь к существующим системам сортировки, отбраковки и управления транспортировкой, чтобы выполнить весь процесс «сканирование-анализ-классификация/отбраковка» в одном месте.
Помимо сортировки фруктов и овощей, серия FS-19 может быть расширена для классификации пластиковых материалов и просеивания руды, удовлетворяя потребности в контроле нескольких производственных линий с помощью одной машины. Для малых и средних предприятий, занимающихся выращиванием фруктов, нет необходимости полагаться на импортное гиперспектральное оборудование, поскольку локализованная техническая поддержка обеспечивает более быстрое реагирование на запросы по отладке и оптимизации моделей.
Гиперспектральная визуализация для оценки качества переработанных пищевых продуктов: пример исследования содержания сахара в яблочном джеме.
Яблочное варенье — широко используемый продукт, доступный в любое время года. Качество варенья тесно связано с концентрацией сахара, которая влияет на его вкус, текстуру, срок хранения и соответствие законодательным требованиям к производству. Хотя традиционные методы измерения сахара, такие как титрование, ферментативные методы и хроматография, являются точными, они также инвазивны, разрушительны и непригодны для быстрой проверки.
В этом исследовании изучается неразрушающий и неинвазивный альтернативный метод, использующий гиперспектральную визуализацию (ГСИ) в сочетании с машинным обучением для оценки содержания сахара в переработанных яблочных продуктах. Было выбрано восемь сортов из Центральноазиатского региона, признанного родиной яблок и известного своим богатым разнообразием сортов. Всего было приготовлено 88 образцов варенья с концентрацией сахара от 25% до 75%.
Для каждого образца было получено несколько гиперспектральных изображений с использованием камеры видимого и ближнего инфракрасного диапазона (VNIR). Полученные спектральные данные затем были обработаны и проанализированы с использованием регрессионных моделей, включая метод опорных векторов (SVM), экстремальный градиентный бустинг (XGBoost) и одномерную остаточную сеть (1D ResNet). Среди них ResNet показала наивысшую точность прогнозирования R² = 0,948. Результаты подчеркивают потенциал гиперспектральной визуализации (HSI) и машинного обучения для быстрой, точной и неинвазивной оценки содержания сахара в переработанных пищевых продуктах.
1. Введение
Яблоки — один из самых распространенных и культивируемых фруктов в мире, являющийся хорошим источником витаминов и антиоксидантов. Регулярное употребление фруктов, включая яблоки, связывают с пользой для здоровья, например, со снижением риска развития астмы и сердечно-сосудистых заболеваний, а также некоторых видов рака [1]. Происхождение этого ценного с точки зрения питания фрукта восходит к Центральной Азии, которая широко признана основным центром генетического разнообразия благодаря наличию дикого предка современных сортов яблони Malus sieversii [2]. Уникальные экологические [3] условия региона и долгая история культивирования способствовали исключительно богатому генофонду яблок, отличающемуся разнообразием размеров, форм, цветов, текстур и вкусов плодов. Эта естественная изменчивость делает центральноазиатские яблоки идеальным объектом для исследований, посвященных этому региону [2].
Яблоки — сезонные фрукты. Чтобы продлить их доступность после сезона сбора урожая, их часто консервируют в виде джемов, желе и мармеладов. Яблочный джем — это переработанный продукт, приготовленный путем кипячения яблочного пюре с сахарами, такими как сахароза или фруктозный сироп [4]. За прошедшие годы эта традиционная практика консервирования фруктов превратилась в мировую индустрию. Растущий спрос на натуральные продукты на основе фруктов подпитывает рынок фруктовых джемов, желе и консервов, который в 2024 году оценивался в 1,2 миллиарда долларов США и, по прогнозам, достигнет 1,8 миллиарда долларов США к 2033 году [5].
Точное определение концентрации сахара в яблочном джеме имеет решающее значение для поддержания качества, обеспечения безопасности и соответствия законодательным требованиям. Согласно Кодексу Алиментариус, общее содержание растворимых сухих веществ (ОСВ) должно составлять не менее 60–65% [4]. Недостаток сахара может ухудшить качество продукта из-за порчи, в то время как чрезмерное потребление представляет опасность для здоровья, например, приводит к увеличению веса и ожирению [6], что подчеркивает необходимость точных методов измерения [7, 8].
Традиционные методы анализа содержания сахара, такие как титрование [9, 10], хроматография (например, высокоэффективная жидкостная хроматография [11, 12], газовая хроматография-масс-спектрометрия [13]) и ферментативные анализы [14], являются высокоточными, но также разрушительными, трудоемкими и требуют хорошо подготовленного персонала и специализированных лабораторных условий [15]. Более быстрые, неразрушающие альтернативы, такие как рефрактометрия [16], ближнеинфракрасная спектроскопия [17, 18] и инфракрасная спектроскопия с преобразованием Фурье [19], широко используются; однако им не хватает пространственного разрешения [20], что делает их менее эффективными в промышленных условиях, где необходим мониторинг в реальном времени.
Гиперспектральная визуализация (ГСИ), особенно в сочетании с методами машинного обучения, предлагает неразрушающую и экономически эффективную альтернативу, требующую минимальной подготовки образцов и не требующую стерильных лабораторных условий [15]. ГСИ приобрела популярность в различных областях, включая экологию [21, 22], медицину [23] и контроль качества пищевых продуктов [24] благодаря своей высокой точности и способности автоматически анализировать большие объемы данных.
В пищевой промышленности HSI используется для оценки физических и химических характеристик качества таких продуктов, как мясо [25, 26], чай [27] и кофе [28], а также для мониторинга состояния сельскохозяйственных культур [24]. Эти приложения улучшают контроль качества, а также снижают эксплуатационные расходы за счет автоматизации процессов и раннего выявления нарушений.
Хотя существующие исследования продемонстрировали возможности HSI в оценке качества фруктов и овощей, включая влажность, твердость и спелость, его применение в переработанных пищевых продуктах остается недостаточно изученным. Одним из часто используемых параметров является содержание растворимых твердых веществ (SSC), которое относится к концентрации сахаров, кислот и других растворенных соединений, влияющих на вкус, зрелость и коммерческую ценность. Как показано в таблице 1 , во многих исследованиях HSI успешно применялся в сочетании с методами машинного обучения, включая классические алгоритмы и модели глубокого обучения, для прогнозирования SSC и связанных с ним характеристик в сыром продукте. Например, Rady et al. [29] применили регрессию методом частичных наименьших квадратов (PLSR) и нейронные сети для оценки уровня глюкозы в картофеле, а Yun et al. [30] использовали 1D ResNet для повышения точности прогнозирования современных методов твердости томатов. Аналогичные подходы были применены к винограду [31], киви [32], клубнике [33], персикам [34] и яблокам [35, 36, 37], продемонстрировав высокую точность прогнозирования.
Таблица 1. Сравнительный анализ существующих решений.
| Литература | Продукт | Тип | Глубокое обучение | Классическое машинное обучение | Целевой признак(ы) |
|---|---|---|---|---|---|
| [ 29 ] | Картофель | Сырой | ✗ | ✓ | ССК |
| [ 30 ] | Помидор | Сырой | ✓ | ✓ | SSC, Прочность |
| [ 31 ] | Грейпвайн | Сырой | ✓ | ✓ | Состояние воды |
| [ 32 ] | киви | Сырой | ✗ | ✓ | SSC, Прочность |
| [ 33 ] | Клубника | Сырой | ✓ | ✓ | SSC, зрелость |
| [ 34 ] | Персик | Сырой | ✓ | ✓ | ССК |
| [ 35 ] | Яблоко | Сырой | ✗ | ✓ | ССК |
| [ 36 ] | Яблоко | Сырой | ✓ | ✓ | ССК |
| [ 37 ] | Яблоко | Сырой | ✗ | ✓ | SSC, Прочность |
| [ 38 ] | Сыр | Обработанный | ✗ | ✓ | Содержание жира |
| [ 39 ] | сухое молоко | Обработанный | ✗ | ✓ | Меламин |
| Эта работа | Яблочное варенье | Обработанный | ✓ | ✓ | ССК |
Хотя HSI хорошо зарекомендовал себя в оценке качества сырой продукции, его использование для переработанных фруктовых продуктов остается недостаточно изученным [38, 39]. Переработанные продукты вносят дополнительную сложность из-за неоднородного состава и визуального шума, что делает неразрушающую оценку качества более сложной задачей.
Обзор литературы не выявил исследований, посвященных применению гиперспектральной визуализации в сочетании с машинным обучением для оценки содержания сахара в переработанном пищевом продукте, таком как яблочное варенье. Варенье определяется как продукт, доведенный до подходящей консистенции, изготовленный из целых фруктов, кусочков фруктов, неконцентрированной и/или концентрированной фруктовой мякоти или фруктового пюре одного или нескольких видов фруктов, смешанный с подслащивающими пищевыми продуктами с добавлением или без добавления воды [4]. Данное исследование восполняет этот пробел, применяя гиперспектральную визуализацию в сочетании с моделями машинного обучения для оценки содержания сахара в яблочном варенье, широко потребляемом переработанном фруктовом продукте. В этом контексте машинное обучение позволяет автоматически обнаруживать закономерности в гиперспектральных данных, что позволяет прогнозировать концентрацию сахара на основе информации изображения без разрушительных испытаний и вносит следующие основные вклады:
- Выпущен открытый, хорошо структурированный, аннотированный набор гиперспектральных изображений яблочного джема, приготовленного из 8 сортов яблок, произрастающих в Центральной Азии, главном центре генетического разнообразия яблок, при одиннадцати уровнях содержания сахара.
- Получение 1760 аннотированных гиперспектральных изображений в контролируемых условиях освещения, угла и расстояния с использованием гиперспектральной камеры видимого и ближнего инфракрасного диапазона (VNIR) для обеспечения стандартизированной и воспроизводимой основы для экспериментов по машинному обучению и глубокому обучению.
- Сравнительный анализ гиперспектральных и RGB-изображений для прогнозирования содержания сахара в яблочном джеме, с оценкой эффективности модели с использованием стандартных метрик регрессии (R² , RMSE, MAE).
- Сравнительный анализ классических методов машинного обучения (SVM, XGBoost) и моделей глубокого обучения (1D ResNet) для регрессии уровней концентрации сахара, с систематической оценкой в различных конфигурациях пространственной сетки и стратегиях разделения данных.
- Набор данных, код и обученные модели опубликованы на GitHub для обеспечения воспроизводимости результатов и возможности дальнейших исследований.
2. Материалы и методы
2.1. Экспериментальная установка
В качестве сырья для данного исследования были выбраны восемь сортов яблок, распространенных в Центральной Азии, таких как Granny Smith, Aport, Gala, Starcrimson, Idared, Golden, Simirenko и Red Jonaprince (см. рис. 1). Каждый из этих сортов яблок был закуплен в количестве 3 кг, затем тщательно вымыт, очищен от кожуры и семян и измельчен до однородной массы с помощью обычного кухонного комбайна. Затем, на следующем этапе, сахароза добавлялась контролируемыми порциями с шагом в 5%, чтобы получить 11 уровней концентрации сахара в диапазоне от 25% до 75%. Каждая смесь варилась в контролируемых и постоянных условиях до получения джемообразной текстуры с однородной консистенцией и цветом. Затем приготовленные образцы распределялись на белой тарелке в три слоя различной толщины (0,5 см, 1 см и 2 см) для получения гиперспектральных изображений в различных условиях.
Рисунок 1. Восемь сортов яблок, использованных в данном исследовании.
После подготовки образцов джема были получены гиперспектральные изображения с использованием контролируемой процедуры для обеспечения согласованности и воспроизводимости всех образцов. Система визуализации состояла из портативной гиперспектральной камеры Specim IQ (Specim, Spectral Imaging Ltd., Оулу, Финляндия) [40], которая работает на длине волны 400–1000 нм в диапазоне VNIR и собирает данные в 204 спектральных диапазонах со спектральным разрешением приблизительно 3 нм. Камера имеет пространственное разрешение 512 × 512 пикселей и встроенный объектив диаметром 18 мм, оптимизированный для съемки крупным планом.
Для обеспечения равномерного освещения два галогенных источника света мощностью 50 Вт были симметрично расположены под углом 45 градусов по обе стороны от камеры на высоте 50 см от поверхности образца. Такая конфигурация минимизирует тени и зеркальные отражения, обеспечивая при этом равномерное освещение по всему полю зрения. Гиперспектральная камера была установлена на неподвижном штативе и расположена непосредственно над образцом для получения изображения сверху вниз, а затем смещена под углом 45 градусов для получения изображения сбоку, чтобы зафиксировать дополнительную изменчивость поверхности и геометрических размеров (см. рисунок 2).
Рисунок 2. Подготовка образца (этап А) и схема получения изображений (этап В), используемые для получения RGB и гиперспектральных данных (204 полосы).
Изображения были получены с трех расстояний: 20 см, 30 см и 40 см, чтобы обеспечить вариативность пространственного разрешения и перспективы. Радиометрическая калибровка проводилась перед каждой сессией съемки с использованием встроенных процедур, предоставляемых Specim IQ. Она включала получение белого эталонного изображения с использованием белой тарелки, в которую помещалось варенье, и темного эталонного изображения путем закрытия затвора камеры. Затем данные калибровки использовались для вычисления значений отражательной способности R для каждого пикселя в соответствии со следующим уравнением:
Процедура получения изображений проводилась для всех восьми сортов яблок, при одиннадцати уровнях концентрации сахара и трех толщинах джема (0,5 см, 1,0 см и 2,0 см). Для толщины 0,5 см изображения были получены с шести разных углов, тогда как для толщин 1,0 см и 2,0 см — с семи углов. В результате было получено 1760 гиперспектральных изображений.
2.2. Сбор и предварительная обработка данных
После получения всех изображений были извлечены гиперспектральные данные, состоящие из нескольких файлов, сгенерированных программой Specim IQ для каждого снимка. Для каждого образца файлы .hdr и .dat, представляющие собой гиперспектральный куб, были выделены в качестве основного источника данных об отражательной способности.
Для идентификации и выделения области, покрытой затором, из фона, для каждого изображения была создана бинарная маска с использованием алгоритма сопоставления спектральных углов (SAM). Этот метод вычисляет угловое сходство между спектральным вектором p каждого пикселя и предопределенным эталонным спектром r, полученным из однородной области затора. Спектральный угол θ определяется следующим образом:
Был применен пороговый уровень в 0,2 радиана, и пиксели, удовлетворяющие этому критерию, считались частью затора. Наименьший ограничивающий прямоугольник, охватывающий эти пиксели, определял область интереса (ROI), и каждое изображение впоследствии обрезалось до этой ROI, пример которой заключен в зеленый прямоугольник на рисунке 3.
Рисунок 3. Этапы предварительной обработки изображений яблочного джема.
Хотя выделение областей интереса (ROI) эффективно изолировало участки, покрытые джемом, некоторые обрезанные изображения все еще содержали нерелевантную визуальную информацию, такую как края посуды или фон. Чтобы минимизировать этот шум и максимально выделить содержимое джема, перед подразделением обрезанных изображений был добавлен 10%-ный отступ с каждой стороны.
Затем каждое обрезанное гиперспектральное изображение было разделено на несколько сеток (2 × 2, 3 × 3, 4 × 4 и 5 × 5), чтобы исследовать, как изменение уровня пространственного разделения повлияет на обучение модели. Эти сетки сравнивались с исходными обрезанными изображениями без применения какой-либо сетки (1 × 1), что позволило провести систематическую оценку пространственного разрешения и прогностической эффективности. Эта стратегия не только расширила набор данных, но и была направлена на выявление наиболее эффективной конфигурации сетки для улучшения обобщения в контексте относительно ограниченного размера выборки в 1760 полных изображений. Иллюстрация примененных конфигураций сетки представлена на рисунке 3.
Каждый подрегион обрабатывался независимо на следующих этапах. Для каждого из сгенерированных подрегионов сегментированные пиксели использовались для вычисления среднего спектрального вектора, который затем нормализовался до единичной длины. Это позволило получить компактное и согласованное представление признаков для каждого участка затора.
2.3. Статистический анализ набора данных
Итоговый набор данных состоял из 1760 обрезанных гиперспектральных изображений яблочного джема, приготовленного из восьми сортов яблок, произрастающих в Центральной Азии, с одиннадцатью уровнями концентрации сахара: 25%, 30%, 35%, 40%, 45%, 50%, 55%, 60%, 65%, 70%, 75%. Данные хранились в табличном формате CSV (значения, разделенные запятыми), где каждая строка соответствует одному подрегиону. В общей сложности было сгенерировано пять отдельных наборов данных на основе конфигураций сетки (1 × 1, 2 × 2, 3 × 3, 4 × 4 и 5 × 5), каждый из которых представлял различный уровень пространственного подразделения. В дополнение к нормализованным спектральным характеристикам, каждая запись включает связанные метаданные: содержание сахара, обозначение сорта яблок, исходный индекс изображения и позицию в сетке.
Чтобы предотвратить утечку данных и оценить обобщающую способность модели, мы провели два отдельных эксперимента по разделению данных. В первом эксперименте мы использовали стратегию, основанную на сортах: из восьми сортов яблок шесть (75%) использовались для обучения, один (12,5%) — для валидации и один (12,5%) — для тестирования. Такое строгое разделение гарантировало, что модель оценивалась на совершенно новых типах яблок, что позволило нам оценить ее способность к обобщению на новые сорта. Эта стратегия последовательно применялась ко всем пяти конфигурациям сетки, чтобы изучить, как пространственное разрешение влияет на точность прогнозирования.
Во втором эксперименте, как показано в таблице 2 , мы использовали разделение по концентрации сахара. Вместо того чтобы исключать целые сорта, мы присвоили определенные концентрации сахара каждого типа яблок исключительно тестовому (≈15,9%) или валидационному набору (≈13,6%), обеспечив при этом отсутствие этих концентраций в обучающем наборе (≈70,5%). Такая схема позволила модели охватить все сорта во время обучения.
Таблица 2. Распределение значений концентрации сахара по видам яблочного джема. Зеленый = Тест, Красный = Проверка.
| Тип яблочного варенья | Концентрация сахара в % | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| порт | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| гала | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| золотой | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| бабушка | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| принц | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| idared | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| симиренко | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
| звездный малиновый | 25 | 30 | 35 | 40 | 45 | 50 | 55 | 60 | 65 | 70 | 75 |
2.4. Спектральный анализ сортов яблок
Для обзора полученных гиперспектральных данных на рисунке 4 представлены средние спектры отражения всех восьми сортов яблок при одиннадцати уровнях концентрации сахара (25–75%). Несмотря на добавление сахара, общие спектральные характеристики остаются одинаковыми для всех сортов, демонстрируя характерный провал в диапазоне 400–500 нм и пики отражения в диапазоне 700–900 нм. Различия между сортами все еще можно наблюдать, например, сорт Idared, как правило, демонстрирует более высокое отражение в большинстве длин волн по сравнению со сортами Granny Smith и Gala. Видимые различия подчеркивают потенциал гиперспектрального зондирования для различения сортов яблок и количественного определения содержания сахара в яблочном джеме.
Рисунок 4. Спектры отражения (безразмерные величины, после калибровки по белому/темному эталону) образцов джема, приготовленных из восьми сортов яблок (Aport, Gala, Golden, Granny Smith, Idared, Prince, Semirenko и Starcrimson) при одиннадцати уровнях концентрации сахара (25–75%). Данные были получены с помощью Specim IQ в диапазоне 400–1000 нм с 204 полосами.
2.5. Машинное обучение
Для прогнозирования содержания сахара по гиперспектральным данным были оценены три алгоритма регрессии: метод опорных векторов (SVM) [ 41 ], экстремальный градиентный бустинг (XG-Boost) [ 42 ] и одномерная остаточная сеть (1D ResNet) [ 43 ]. Каждая модель была обучена и проверена с использованием предварительно обработанных спектральных данных, полученных из пяти конфигураций сетки (1 × 1, 2 × 2, 3 × 3, 4 × 4 и 5 × 5).
2.5.1. SVM
SVM — это алгоритм обучения с учителем на основе ядра, широко используемый для моделирования сложных нелинейных зависимостей в задачах регрессии среднего размера. В данном исследовании SVM был выбран в качестве классической базовой модели из-за его устойчивости и высокой производительности на многомерных данных, таких как гиперспектральные спектры. Мы использовали ядро радиальной базисной функции (RBF), которое хорошо подходит для улавливания нелинейности в спектральных характеристиках [ 44 ]. Перед обучением все входные векторы были масштабированы до диапазона [0, 1] с использованием нормализации MinMax для обеспечения численной стабильности.
Для определения оптимальных гиперпараметров был проведен поиск по сетке. Наилучшая конфигурация, согласно результатам валидации, оказалась равной C = 110, ε = 0,1 и γ = 0,01. Эти значения обеспечили хороший баланс между гибкостью модели и ее способностью к обобщению.
2.5.2. XGBoost
XGBoost — это алгоритм построения деревьев решений с градиентным бустингом, широко известный своей эффективностью, масштабируемостью и высокой прогностической способностью на структурированных табличных данных. В данном исследовании XGBoost использовался в качестве классического ансамблевого базового алгоритма для моделирования нелинейных зависимостей в спектральных характеристиках. Перед обучением все входные характеристики были масштабированы до диапазона [0, 1] с использованием нормализации MinMax. Обучающие данные были преобразованы в объекты DMatrix для оптимизации обработки в рамках XGBoost.
Модель была настроена с шагом обучения 0,10, максимальной глубиной дерева 5 и коэффициентом субдискретизации столбцов, установленным на 0,95 для уменьшения переобучения. Обучение проводилось до 400 итераций бустинга, при этом ранняя остановка применялась, если среднеквадратная ошибка (RMSE) валидации не улучшалась в течение 40 последовательных итераций. Целевая функция была установлена на регрессию квадратичной ошибки.
D ResNet
В данном исследовании использовалась одномерная ResNet, специально разработанная для обработки последовательных спектральных входных данных. Архитектура начинается с пользовательского одномерного сверточного слоя с заполнением, за которым следуют 8 остаточных блоков. Каждый блок состоит из двух сверточных слоев с пакетной нормализацией и активацией ReLU, а также слоев Dropout. Понижение разрешения применяется через каждый второй блок, а количество фильтров удваивается через регулярные интервалы, что позволяет сети постепенно увеличивать размерность признаков, одновременно уменьшая временное разрешение. Это позволяет модели улавливать как мелкозернистые, так и высокоуровневые спектральные паттерны. Сеть завершается глобальным усредняющим пулингом и полносвязным регрессионным блоком.
Модель была реализована на PyTorch и обучена с использованием оптимизатора Adam с фиксированной скоростью обучения 10⁻³ и коэффициентом затухания весов 10⁻⁴. В качестве функции потерь использовалась средняя абсолютная ошибка (MAE), а обучение было ограничено 30 эпохами, с досрочной остановкой на основе результатов валидации. Если MAE валидации не улучшалась в течение 5 последовательных эпох, обучение останавливалось.
Перед обучением все спектральные входные данные были нормализованы в диапазон [0, 1] с использованием масштабирования MinMax, а значения содержания сахара также были масштабированы. Данные подавались в сеть с помощью ‘DataLoader’ из PyTorch, при этом перемешивание данных применялось во время обучения. Эксперименты проводились с использованием нескольких размеров пакетов (32, 64, 128 и 256) для оценки чувствительности модели к разрешению входных данных и динамике обучения.
3. Результаты
Модели оценивались на пяти конфигурациях сетки: 1 × 1, 2 × 2, 3 × 3, 4 × 4 и 5 × 5. Производительность оценивалась с помощью коэффициента детерминации (R² ) , среднеквадратичной ошибки (RMSE) и средней абсолютной ошибки (MAE). Все модели обучались на ноутбуке Lenovo Legion 5 15ARH05H, оснащенном графическим процессором NVIDIA GeForce GTX 1660 Ti. Эксперименты по глубокому обучению проводились в PyTorch (v2.7.0+cu118) с ускорением CUDA (v11.8) с использованием одномерных моделей ResNet. Каждая конфигурация обучалась до 30 эпох с ранней остановкой (терпение = 5), хотя сходимость обычно достигалась в течение 10–15 эпох. Время обучения варьировалось от приблизительно 5 минут (например, сетка 1 × 1, размер пакета 256) до примерно 1 часа (например, сетка 5 × 5, размер пакета 32). Более длительное время выполнения, наблюдаемое для сетки 5 × 5 с размером пакета 32, отражает совокупный эффект разделения изображений на более мелкие сетки, что создавало больше сегментов данных, и меньших размеров пакетов, что требовало большего количества итераций для завершения каждой эпохи. Для обеспечения стабильности каждая настройка повторялась в 5 независимых запусках, чтобы учесть вариативность обучения и получить стабильные оценки производительности модели.
Классические модели обучались на центральном процессоре (CPU) на том же ноутбуке без ускорения с помощью графического процессора (GPU). Обучение SVM завершалось менее чем за одну минуту на каждой конфигурации, в то время как XGBoost требовал немного больше времени из-за итеративного процесса построения дерева и ранней остановки. Для этих моделей не применялась параллелизация или ускорение на основе GPU, и эксперименты проводились с использованием одного потока на центральном процессоре.
Эти различия во времени выполнения подчеркивают компромисс между сложностью модели и вычислительными затратами, демонстрируя, что глубокие нейронные сети достигают высокой репрезентативной способности за счет увеличения времени обучения, в то время как классические модели остаются легковесными и эффективными в условиях работы только на ЦП.
3.1. Экспериментируйте с RGB-изображениями
Для оценки ограничений RGB-изображений при прогнозировании содержания сахара модели обучались исключительно на RGB-данных с использованием разделения по размерам сетки в зависимости от концентрации. Как показано в таблице 3 , все модели продемонстрировали существенно более низкую точность, при этом лучший результат CNN достиг лишь R² = 0,22, в то время как XGBoost и SVM показали аналогично скромные значения (R² = 0,21 и R² = 0,18 соответственно). Кроме того, увеличение размера сетки постоянно ухудшало производительность всех моделей, вероятно, потому что более мелкое пространственное разбиение разбивало данные на слишком мелкие фрагменты, из-за чего и без того ограниченная спектральная информация не могла сохранить глобальные закономерности, что, в свою очередь, усиливало шум и локальные флуктуации, тем самым ограничивая способность моделей улавливать значимые спектрально-пространственные взаимосвязи.
Таблица 3. Производительность моделей, обученных на RGB-изображениях, при разделении по размерам сетки на основе концентрации.
| Модель | Размер сетки | Р 2 | RMSE | МАЭ |
|---|---|---|---|---|
| 1D ResNet | 1 × 1 | 0,22 | 13.96 | 11.48 |
| 2 × 2 | 0,14 | 14.59 | 11.84 | |
| 3 × 3 | 0.11 | 14.87 | 12.18 | |
| 4 × 4 | 0,08 | 15.10 | 12.24 | |
| 5 × 5 | 0,06 | 15.28 | 12.28 | |
| SVM | 1 × 1 | 0,18 | 14.27 | 11.81 |
| 2 × 2 | 0,14 | 14.61 | 12.11 | |
| 3 × 3 | 0,13 | 14.71 | 12.24 | |
| 4 × 4 | 0,12 | 14.81 | 12.31 | |
| 5 × 5 | 0.11 | 14.83 | 12.32 | |
| XGBoost | 1 × 1 | 0,21 | 13.98 | 11.78 |
| 2 × 2 | 0,18 | 14.29 | 11.87 | |
| 3 × 3 | 0,17 | 14.39 | 11.98 | |
| 4 × 4 | 0,14 | 14.58 | 12.13 | |
| 5 × 5 | 0,14 | 14.61 | 12.18 |
Эти систематически низкие результаты указывают на то, что сигналы RGB, ограниченные тремя широкими каналами, недостаточны для обнаружения биохимических изменений, таких как концентрация сахара, независимо от их пространственного разделения. Результаты подчеркивают необходимость гиперспектральной визуализации (HSI) для этого применения.
3.2. Разделение данных по сортам в рамках HSI
Наилучшие результаты регрессии были получены моделью ResNet на сетке 4 × 4 с размером пакета 64, с коэффициентом детерминации R² равным 0,948, среднеквадратичной ошибкой RMSE равной 3,622 и средней абсолютной ошибкой MAE равной 2,764 (см. Таблицу 4).
Другие конфигурации с наилучшими результатами включали 5 × 5 с размером пакета 64 (R² = 0,944) и 4 × 4 с размером пакета 32 (R² = 0,943), что показывает, что в целом умеренное пространственное разрешение (4 × 4 и 5 × 5) оказалось наиболее выгодным, поскольку более мелкое разбиение позволяет сети улавливать локализованные спектрально-пространственные закономерности. Напротив, меньшие размеры пакетов, такие как 32 и 64, как правило, показывали лучшие результаты, тогда как размер пакета 256, как правило, показывал худшие результаты. Этот эффект был особенно заметен для сетки 1 × 1, где размер пакета 256 привел к значительно более низкому среднему значению R², равному 0,292, что указывает на недообучение при обучении с низкой вариативностью данных и отражает неспособность глубоких моделей извлекать надежные спектрально-пространственные представления в таких ограниченных условиях.
Таблица 4. Производительность 1D ResNet, SVM и XGBoost при различных размерах сетки в условиях разделения по сортам.
| Модель | Размер сетки | Р 2 | RMSE | МАЭ |
|---|---|---|---|---|
| 1D ResNet | 1 × 1 | 0,92 | 4.47 | 3.60 |
| 2 × 2 | 0,92 | 4.54 | 3.66 | |
| 3 × 3 | 0,90 | 4.18 | 3.31 | |
| 4 × 4 | 0,95 | 3.62 | 2.76 | |
| 5 × 5 | 0,94 | 3.73 | 3.01 | |
| SVM | 1 × 1 | 0,90 | 4.95 | 4.04 |
| 2 × 2 | 0,90 | 5.13 | 4.17 | |
| 3 × 3 | 0,90 | 4.95 | 3.83 | |
| 4 × 4 | 0,94 | 3.94 | 3.11 | |
| 5 × 5 | 0,92 | 4.42 | 3.59 | |
| XGBoost | 1 × 1 | 0,84 | 6.27 | 4.71 |
| 2 × 2 | 0,91 | 4.63 | 3.65 | |
| 3 × 3 | 0,92 | 4.42 | 3.50 | |
| 4 × 4 | 0,93 | 4.05 | 3.17 | |
| 5 × 5 | 0,92 | 4.37 | 3.44 |
Модель SVM продемонстрировала высокую и стабильную производительность при всех размерах сетки, достигнув наилучших результатов в конфигурации 4 × 4 с R² = 0,938, RMSE = 3,940 и MAE = 3,107. Эта стабильность подчеркивает устойчивость SVM к разделению данных. Аналогично, как показано в таблице 4 , XGBoost показала наилучшие результаты в сетке 4 × 4 (R² = 0,9344, RMSE = 4,048, MAE = 3,173), продемонстрировав конкурентоспособные результаты во всех конфигурациях.
В целом, пространственное разбиение 4 × 4 неизменно давало наилучшие результаты среди всех методов. ResNet показал наиболее сильный индивидуальный результат, в то время как SVM и XGBoost обеспечили более равномерную производительность при разных размерах сетки. Эти результаты свидетельствуют о том, что использование пространственного разбиения приводит к повышению точности регрессии и что нейронные модели, такие как ResNet, могут иметь больший потенциал при правильной настройке.
3.3. Разделение данных на основе концентрации сахара в HIS
В целом, подход к разделению на основе концентрации привел к улучшению показателей регрессии во всех моделях по сравнению с разделением на основе сорта, подтверждая, что наличие частичной информации обо всех сортах позволяет моделям более эффективно обобщать результаты на разные уровни концентрации сахара. Согласно таблице 5 , наилучшие результаты были достигнуты моделью ResNet на сетке 5 × 5 с размером пакета 64, достигнув R² 0,962 , RMSE 2,754 и MAE 2,129. Другие эффективные конфигурации включали 4 × 4 и 3 × 3 со значениями R² 0,955 и 0,953 соответственно. Эти результаты подтверждают преимущества пространственного разделения и предполагают, что при наличии частичной информации обо всех сортах модель может легче обобщать результаты на разные уровни сахара.
Таблица 5. Производительность 1D ResNet, SVM и XGBoost при различных размерах сетки в условиях разделения по концентрации.
| Модель | Размер сетки | Р 2 | RMSE | МАЭ |
|---|---|---|---|---|
| 1D ResNet | 1 × 1 | 0,91 | 4.26 | 3.36 |
| 2 × 2 | 0,92 | 4.02 | 3.08 | |
| 3 × 3 | 0,95 | 3.20 | 2.40 | |
| 4 × 4 | 0,95 | 3.13 | 2.42 | |
| 5 × 5 | 0,96 | 2.75 | 2.13 | |
| SVM | 1 × 1 | 0,96 | 2.98 | 2.40 |
| 2 × 2 | 0,96 | 2.99 | 2.52 | |
| 3 × 3 | 0,96 | 2.98 | 2.47 | |
| 4 × 4 | 0,96 | 2.92 | 2.37 | |
| 5 × 5 | 0,96 | 2.92 | 2.39 | |
| XGBoost | 1 × 1 | 0,89 | 4.74 | 3.67 |
| 2 × 2 | 0,89 | 4.72 | 3.65 | |
| 3 × 3 | 0,89 | 4.73 | 3.67 | |
| 4 × 4 | 0,89 | 4.76 | 3.70 | |
| 5 × 5 | 0,89 | 4.76 | 3.69 |
Интересно, что, хотя модель SVM также показала высокую производительность, достигнув пика в R² = 0,958 на сетке 5 × 5 (см. Таблицу 5 ), XGBoost продемонстрировал заметно более низкую производительность, чем в эксперименте на основе сортов. Его лучший показатель R² составил 0,889 на сетке 2 × 2, и, в отличие от других моделей, увеличение пространственного разрешения не привело к заметному повышению производительности, что предполагает, что методы на основе ядра могут надежно использовать спектральные характеристики независимо от конфигурации сетки. В XGBoost отсутствие преимуществ от увеличения пространственного разрешения предполагает, что деревья с градиентным бустингом менее способны улавливать тонкие спектрально-пространственные закономерности по сравнению с ResNet и SVM.
Среди всех моделей ResNet показала наиболее значительный прирост от этой стратегии разделения, что указывает на ее способность использовать тонкие различия в данных. И ResNet, и SVM выиграли от более высокого пространственного разрешения, при этом сетки 5 × 5 и 4 × 4 дали наилучшие результаты. На рисунке 5 представлен диаграмма рассеяния прогнозируемых и фактических концентраций сахара на тестовом наборе. Тесное скопление прогнозируемых точек вокруг красных точек истинного значения демонстрирует, что одномерная модель ResNet обеспечивает высокоточные прогнозы для всех уровней концентрации.
Рисунок 5. Диаграмма рассеяния прогнозируемых и фактических концентраций сахара для тестового набора данных с сеткой 5 × 5, полученная с использованием одномерной модели ResNet. Каждая синяя точка представляет собой одно прогнозируемое значение, а красные точки указывают на истинные уровни концентрации сахара.
4. Обсуждение
В этом исследовании изучался потенциал сочетания гиперспектральной визуализации с машинным обучением в качестве неинвазивного метода прогнозирования содержания сахара в переработанном яблочном джеме. Традиционные методы, хотя и точные, часто являются разрушительными и трудоемкими, что делает их менее подходящими для высокопроизводительных или приложений реального времени [45]. Используя спектральные данные, полученные с портативной VNIR-камеры, и применяя как классические, так и модели глубокого обучения, мы стремились оценить быструю и масштабируемую альтернативу для оценки качества переработанных пищевых продуктов.
Выбор гиперспектральной визуализации был не случайным, а необходимым, поскольку обычные RGB-изображения предоставляют только три широких видимых диапазона (красный, зеленый и синий) с ограниченным спектральным разрешением. Большая разница в прогностической способности обусловлена различием как в количестве, так и в диапазоне спектральных диапазонов. RGB-изображения захватывают только три широких канала в видимом спектре (около 400–700 нм), которые предоставляют ограниченную информацию об образце. Гиперспектральная визуализация, напротив, регистрирует 204 узких, смежных диапазона, простирающихся в ближний инфракрасный диапазон до 1000 нм. Это более широкое и детальное покрытие позволяет системе обнаруживать тонкие изменения отражательной способности, которые напрямую зависят от химического состава джема, включая различия, связанные с содержанием сахара. Результаты в таблице 3 подтверждают, что гиперспектральная визуализация незаменима для надежной оценки содержания сахара в переработанных продуктах.
В предыдущих исследованиях HSI применялся для прогнозирования содержания сахара в сырых сельскохозяйственных продуктах, включая томаты (R² = 0,90, MSE ≈ 0,018 °Brix) [30], киви (R² = 0,95, RPD = 3,26) [32] и персики (R² = 0,92, RMSE ≈ 0,67 °Brix) [34]. Важно отметить, что в этих более ранних исследованиях производительность модели оценивалась в основном при случайном разделении данных, что не позволяет в полной мере проверить способность модели к обобщению на неизвестные сорта или различные уровни сахара. В отличие от этого, в нашей работе были введены две более строгие стратегии разделения: разделение по сортам, при котором целые сорта яблок были исключены из обучения, и разделение по концентрации сахара, при котором были исключены диапазоны значений концентрации.
В этих более строгих условиях наша лучшая модель ResNet достигла R² = 0,948 (разделение по сорту) и R² = 0,962 (разделение по концентрации), со значениями MAE около 2,1 °Brix. Эти результаты сопоставимы, а в некоторых случаях и превосходят результаты, полученные для сырых фруктов, демонстрируя, что гиперспектральное обучение также эффективно для переработанных продуктов, где приготовление пищи, гомогенизация и добавление ингредиентов приводят к различным оптическим и химическим свойствам по сравнению со свежими продуктами. Включение разделения по сорту и концентрации обеспечивает более строгий критерий для оценки обобщения по сравнению со случайным разделением, что делает это исследование одним из первых, в котором представлены результаты для переработанных джемов и применены такие стратегии разделения в оценке качества пищевых продуктов на основе гиперспектральной визуализации.
При стратегии разделения по сортам, когда целые типы яблок исключались из обучения, одномерная модель ResNet неизменно превосходила классические методы, достигнув пикового значения R² равного 0,948. Ее высокая производительность объясняется способностью улавливать сложные спектральные характеристики за счет глубоких остаточных связей. Примечательно, что этот подход к разделению выявил значимые и устойчивые тенденции во всех моделях. В частности, пространственная сетка 4 × 4 показала наилучшие результаты в целом, в то время как сетка 5 × 5 показала несколько худшие результаты, что предполагает, что чрезмерное пространственное разбиение может ослаблять сигнал шумом. Меньшие сетки, такие как 1 × 1 и 2 × 2, часто показывали худшие результаты, вероятно, из-за недостаточного пространственного разнообразия. Эти результаты предполагают оптимальный баланс вблизи конфигурации 4 × 4, где каждый фрагмент сохраняет достаточно релевантной информации, минимизируя при этом шумовые помехи. Для ResNet размер пакета также влиял на производительность: умеренные значения часто приводили к более стабильным и точным результатам обучения, в то время как наибольший размер (256) иногда приводил к нестабильному обучению или снижению точности, особенно при меньших размерах сетки. Эти наблюдения делают разделение на основе сортов ценным эталоном, поскольку оно представляет собой более сложную, но интерпретируемую задачу для оценки поведения модели в зависимости от архитектурных решений и выбора входных данных.
Напротив, стратегия разделения на основе концентрации показала более высокую общую производительность по всем моделям. ResNet достиг пикового значения R² равным 0,962, в то время как SVM достигла 0,958. Однако тенденции были менее последовательными. SVM и XGBoost показали почти одинаковую производительность для всех размеров сетки, не продемонстрировав явного преимущества от повышения пространственного разрешения, наблюдаемого при разделении по сортам. В частности, XGBoost показал худшие результаты по сравнению с результатами, полученными при разделении по сортам, что предполагает, что он может получить больше пользы от столкновения с полностью неизвестными образцами, а не от частичного воздействия различных типов. Только 1D ResNet сохранила значимую реакцию на пространственное подразделение, продолжая улучшаться с более мелкими сетками и демонстрируя свою способность обучаться на основе локализованных спектральных структур даже при менее строгом разделении.
При сравнении двух стратегий становится очевидно, что, хотя подход, основанный на концентрации, привел к большей точности, он является менее строгим тестом способности модели к обобщению. Поскольку модель видит все типы яблок во время обучения, она может полагаться на общие визуальные и спектральные характеристики для оценки содержания сахара, что упрощает задачу. С другой стороны, разделение по сортам представляет собой более реалистичный и надежный сценарий, в котором модель должна предсказывать содержание сахара для типов яблок, которые она никогда раньше не видела. Несмотря на несколько меньшую производительность, эта конфигурация выявила более значимые тенденции, такие как последовательное улучшение при более мелких размерах сетки и более стабильную производительность при промежуточных размерах пакета. Сетка 4 × 4 неизменно давала лучшие результаты для всех моделей, в то время как сетка 5 × 5 показала несколько худшие результаты, что предполагает, что чрезмерное подразделение может вносить шум или уменьшать полезный сигнал.
Этот контраст дополнительно проиллюстрирован на рисунке 6 , где показана средняя абсолютная ошибка (MAE) для каждого класса для модели ResNet с наилучшими показателями при обеих стратегиях разделения. При разделении на основе концентрации, как показано на рисунке 6b , MAE в целом ниже и более стабильна для разных уровней сахара, что указывает на то, что модель выигрывает от общих визуальных и спектральных паттернов, наблюдаемых во время обучения. Напротив, разделение на основе сорта приводит к более высокой средней MAE и большей изменчивости, что показывает чувствительность модели к действительно ранее не встречавшимся данным и подчеркивает сложность этой задачи обобщения (см. рисунок 6a).
Рисунок 6. Средняя абсолютная ошибка (MAE) для каждого класса для модели ResNet с наилучшими показателями при двух стратегиях разделения данных: ( a ) разделение по сорту и ( b ) разделение по концентрации сахара.
Хотя результаты демонстрируют значительный потенциал применения гиперспектральной визуализации и машинного обучения в анализе переработанных пищевых продуктов, исследование имело ряд ограничений, которые следует учитывать. Одним из отмеченных ограничений было то, что, хотя большинство гиперспектральных изображений были высокого качества, некоторые из них демонстрировали незначительные несоответствия в расположении джема или угле съемки, что вносило вариативность в размер и выравнивание обрезанных областей, используемых для анализа. Другим ограничением были случайные артефакты отражения, вызванные сильным освещением, когда переэкспонированные области были ошибочно представлены как темные области из-за несовершенного белого эталона. Эти случаи были немногочисленны и заметно не повлияли на общую производительность модели. Тем не менее, в будущих исследованиях можно было бы повысить надежность за счет внедрения более стандартизированной настройки визуализации и процесса калибровки. Наконец, область исследования была ограничена одним типом продукта, и необходимы дальнейшие исследования, чтобы оценить, насколько предложенный подход хорошо применим к другим переработанным пищевым продуктам с различной текстурой, составом и оптическими характеристиками.
5. Выводы
В ходе этого исследования мы создали новый набор данных, состоящий из восьми сортов яблок, полученных из самого разнообразного в мире источника яблок, включающий 1760 образцов. Эти образцы содержали концентрацию сахара от 25% до 75% и были получены при разных углах съемки.
В данном исследовании было показано, что гиперспектральная визуализация в сочетании с моделями машинного обучения предлагает перспективное неразрушающее решение для прогнозирования содержания сахара в переработанном яблочном джеме. Среди оцененных методов одномерная модель ResNet неизменно демонстрировала наивысшую точность прогнозирования при обеих стратегиях разделения данных, особенно при применении к умеренно сегментированным пространственным областям. Хотя ResNet требовала более длительного времени обучения и тщательной настройки, ее высокая производительность подчеркивает преимущества глубокого обучения в улавливании сложных спектральных и пространственных закономерностей.
Классические модели, такие как SVM и XGBoost, хотя и в целом менее точны, все же дают надежные оценки со значительно меньшими вычислительными затратами и более быстрым временем обучения. Эти результаты демонстрируют практический компромисс: глубокие модели обеспечивают превосходную производительность для приложений с высокой точностью, в то время как классические модели могут быть предпочтительнее в условиях, где приоритет отдается скорости и простоте.
Сосредоточившись на типе переработанной продукции, который часто игнорировался в предыдущих гиперспектральных исследованиях, данная работа способствует расширению применимости гиперспектральной визуализации (ГСИ) за пределы сырых продуктов. Предложенный подход обеспечивает основу для разработки масштабируемых инструментов контроля качества в режиме реального времени в условиях пищевой промышленности. В будущих исследованиях эти результаты могут быть распространены на другие типы продукции, изучены альтернативные архитектуры моделей и оценена их устойчивость в промышленных условиях. Дальнейшие исследования могут расширить эти результаты за пределы прогнозирования содержания сахара на другие типы продукции, альтернативные архитектуры моделей и оценки в промышленных условиях. Более того, гиперспектральная визуализация может быть дополнительно применена в таких важных областях, как подлинность пищевых продуктов и обнаружение фальсификации пищевых продуктов, что имеет важное значение для обеспечения целостности продукции и доверия потребителей. Таким образом, ГСИ потенциально может служить не только инструментом для оценки качества состава, но и надежным подходом для решения задач проверки подлинности и мониторинга фальсификации в различных пищевых системах.
Сокращения
| HSI | Гиперспектральная визуализация |
| ВНИР | видимый и ближний инфракрасный диапазон |
| ТСС | Общее содержание растворимых сухих веществ |
| ССК | Содержание растворимых твердых веществ |
| ПЛСР | Регрессия методом частичных наименьших квадратов |
| ROI | Область интересов |
| CSV | Формат значений, разделенных запятыми |
| SVM | машина опорных векторов |
| XGBoost | Экстремальный градиентный бустинг |
| 1D ResNet | Одномерная остаточная сеть |
| МАЭ | Средняя абсолютная ошибка |
Литература
- Boyer, J.; Liu, R.H. Apple phytochemicals and their health benefits. Nutr. J. 2004, 3, 5. [Google Scholar] [CrossRef]
- Richards, C.M.; Volk, G.M.; Reilley, A.A.; Henk, A.D.; Lockwood, D.R.; Reeves, P.A.; Forsline, P.L. Genetic diversity and population structure in Malus sieversii, a wild progenitor species of domesticated apple. Tree Genet. Genomes 2009, 5, 339–347. [Google Scholar] [CrossRef]
- Auyeskhan, U.; Azhbagambetov, A.; Sadykov, T.; Dairabayeva, D.; Talamona, D.; Chan, M.Y. Reducing meat consumption 435 in Central Asia through 3D printing of plant-based protein-enhanced alternatives—A mini review. Front. Nutr. 2024, 10, 1308836. [Google Scholar] [CrossRef]
- CXS 296-2009; Standard for Jams, Jellies and Marmalades. Codex Alimentarius, International Food Standards, FAO/WHO: Rome, Italy, 2009.
- Verified Market Reports. Apple Jam Market Size and Forecast. 2024. Available online: ссылка (accessed on 23 July 2025).
- Razbekova, M.; Issanov, A.; Chan, M.Y.; Chan, R.; Yerezhepov, D.; Kozhamkulov, U.; Akilzhanova, A.; Chan, C.K. Genetic 441 factors associated with obesity risks in a Kazakhstani population. BMJ Nutr. Prev. Health 2021, 4, 90–101. [Google Scholar] [CrossRef] [PubMed]
- Khan, S.; Litaf, U.; Shah, S.; Bilal, M.; Khan, A.; Ali, M.; Rani, S.; Shah, F.; Naz, R. Comparative studies on the shelf stability ofdifferent types of apple jams. Pak. J. Food Sci. 2015, 25, 37–42. [Google Scholar]
- Rippe, J.M.; Angelopoulos, T.J. Relationship between added sugars consumption and chronic disease risk factors: Current understanding. Nutrients 2016, 8, 697. [Google Scholar] [CrossRef]
- Sewwandi, S.D.; Arampath, P.; Silva, A.B.G.; Jayatissa, R. Determination and comparative study of sugars and synthetic colorants in commercial branded fruit juice products. J. Food Qual. 2020, 2020, 7406506. [Google Scholar] [CrossRef]
- Taleat, A.; Alabaakanfe, F.; Adeniyi, B. Evaluation of sugar types in selected brands of commercial fruit juice in Osun State, Nigeria. Int. J. Innov. Sci. Res. Technol. 2020, 5, 984–987. [Google Scholar] [CrossRef]
- Ma, C.; Sun, Z.; Chen, C.; Zhang, L.; Zhu, S. Simultaneous separation and determination of fructose, sorbitol, glucose and sucrose in fruits by HPLC–ELSD. Food Chem. 2014, 145, 784–788. [Google Scholar] [CrossRef] [PubMed]
- Damayanti, S.; Permana, B.; Weng, C. Determination of sugar content in fruit juices using high performance liquid chromatography. Acta Pharm. Indones. 2012, 37, 131–139. [Google Scholar] [CrossRef]
- Al-Mhanna, N.M.; Huebner, H.; Buchholz, R. Analysis of the sugar content in food products by using gas chromatography mass spectrometry and enzymatic methods. Foods 2018, 7, 185. [Google Scholar] [CrossRef]
- Luzzana, M.; Agnellini, D.; Cremonesi, P.; Caramenti, G.C. Enzymatic reactions for the determination of sugars in food samples using the differential pH technique. Analyst 2002, 126, 2149–2152. [Google Scholar] [CrossRef]
- Jie, D.; Xie, L.; Rao, X.; Ying, Y. Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an on-line detection system. Postharvest Biol. Technol. 2014, 90, 1–6. [Google Scholar] [CrossRef]
- Misto, M.; Mulyono, T.; Cahyono, B. Using Multisample Refractometer to Determine the Sugar Content of Sugarcane Juice in Sugar Factory Besuki. AIP Conf. Proc. 2020, 2278, 020026. [Google Scholar] [CrossRef]
- Jarén, C.; Ortuño, J.C.; Arazuri, S.; Arana, I. Sugar Determination in Grapes Using NIR Technology. Int. J. Infrared Millim. Waves 2001, 22, 1521–1530. [Google Scholar] [CrossRef]
- Borba, K.; Sapelli, K.S.; Spricigo, P.; Ferreira, M. Near Infrared Spectroscopy Sugar Quantification in Intact Orange. Citrus Res. Technol. 2017, 38, 1–7. [Google Scholar] [CrossRef]
- Farooq, Z.; Ismail, A. Successful sugar identification with ATR-FTIR. Agro Food Ind. Hi-Tech 2014, 25, 36–39. [Google Scholar]
- Gao, L.; Smith, R.T. Optical hyperspectral imaging in microscopy and spectroscopy—A review of data acquisition. J. Biophotonics 2015, 8, 441–456. [Google Scholar] [CrossRef] [PubMed]
- Zhao, Y.; Zeng, Y.; Zheng, Z.; Dong, W.; Zhao, D.; Wu, B.; Zhao, Q. Forest species diversity mapping using airborne LiDAR and hyperspectral data in a subtropical forest in China. Remote Sens. Environ. 2018, 213, 104–114. [Google Scholar] [CrossRef]
- Zhang, Y.; Kong, X.; Deng, L.; Liu, Y. Monitor water quality through retrieving water quality parameters from hyperspectral images using graph convolution network with superposition of multi-point effect: A case study in Maozhou River. J. Environ. Manag. 2023, 342, 118283. [Google Scholar] [CrossRef]
- Fei, B. Hyperspectral imaging in medical applications. In Data Handling in Science and Technology; Amigo, J.M., Ed.; Elsevier: Amsterdam, The Netherlands, 2019; Volume 32, pp. 523–565. [Google Scholar] [CrossRef]
- Temiz, H.T.; Ulaş, B. A Review of Recent Studies Employing Hyperspectral Imaging for the Determination of Food Adulteration. Photochem 2021, 1, 125–146. [Google Scholar] [CrossRef]
- Jia, W.; van Ruth, S.; Scollan, N.; Koidis, A. Hyperspectral imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends. Curr. Res. Food Sci. 2022, 5, 1017–1027. [Google Scholar] [CrossRef]
- Hitchman, S.; Loeffen, M.P.F.; Reis, M.M.; Craigie, C.R. Robustness of hyperspectral imaging and PLSR model predictions of intramuscular fat in lamb M. longissimus lumborum across several flocks and years. Meat Sci. 2021, 179, 108492. [Google Scholar] [CrossRef]
- Hu, Y.; Huang, P.; Wang, Y.; Sun, J.; Wu, Y.; Kang, Z. Determination of Tibetan tea quality by hyperspectral imaging technology and multivariate analysis. J. Food Compos. Anal. 2023, 117, 105136. [Google Scholar] [CrossRef]
- Santana, D.C.; Ratke, R.F.; Zanatta, F.L.; Campos, C.N.S.; Seron, A.C.d.S.C.; Teodoro, L.P.R.; Silva, N.P.d.; Oliveira, G.S.; Santos, R.G.d.; Alvarez, R.d.C.F.; et al. Caffeine content prediction in coffee beans using hyperspectral reflectance and machine learning. AgriEngineering 2024, 6, 4480–4492. [Google Scholar] [CrossRef]
- Rady, A.; Guyer, D.; Lu, R. Evaluation of Sugar Content of Potatoes using Hyperspectral Imaging. Food Bioprocess Technol. 2015, 8, 995–1010. [Google Scholar] [CrossRef]
- Yun, X.; Chen, Q.; Su, Z.; Zhang, L.; Chen, Z.; Zhou, G.; Yao, Z.; Xuan, Q.; Cheng, Y. Deep learning and hyperspectral images based tomato soluble solids content and firmness estimation. Front. Plant Sci. 2022, 13, 860656. [Google Scholar] [CrossRef] [PubMed]
- Kang, C.; Diverres, G.; Karkee, M.; Zhang, Q.; Keller, M. Assessing grapevine water status through fusion of hyperspectral imaging and 3D point clouds. Comput. Electron. Agric. 2024, 226, 109488. [Google Scholar] [CrossRef]
- Zhu, H.; Chu, B.; Fan, Y.; Tao, X.; Xin, W.; He, Y. Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selectio Algorithms and Chemometric Models. Sci. Rep. 2017, 7, 7845. [Google Scholar] [CrossRef]
- Su, Z.; Zhang, C.; Yan, T.; Zhu, J.; Zeng, Y.; Lu, X.; Gao, P.; Feng, L.; He, L.; Fan, L. Application of hyperspectral imaging for maturity and soluble solids content determination of strawberry with deep learning approaches. Front. Plant Sci. 2021, 12, 736334. [Google Scholar] [CrossRef]
- Yang, B.; Gao, Y.; Yan, Q.; Qi, L.; Zhu, Y.; Wang, B. Estimation method of soluble solid content in peach based on deep features of hyperspectral imagery. Sensors 2020, 20, 5021. [Google Scholar] [CrossRef]
- Ma, T.; Li, X.; Inagaki, T.; Yang, H.; Tsuchikawa, S. Noncontact evaluation of soluble solids content in apples by near-infrared hyperspectral imaging. J. Food Eng. 2017, 213, 89–97. [Google Scholar] [CrossRef]
- Tian, Y.; Sun, J.; Zhou, X.; Yao, K.; Tang, N. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm. J. Food Process. Preserv. 2022, 46, e16414. [Google Scholar] [CrossRef]
- Çetin, N.; Karaman, K.; Kavuncuoğlu, E.; Yıldırım, B.; Jahanbakhshi, A. Using hyperspectral imaging technology and machine learning algorithms for assessing internal quality parameters of apple fruits. Chemom. Intell. Lab. Syst. 2022, 230, 104650. [Google Scholar] [CrossRef]
- Darnay, L.; Kralik, F.; Oros, G.; Koncz, A.; Firtha, F. Monitoring the effect of transglutaminase in semi-hard cheese during ripening by hyperspectral imaging. J. Food Eng. 2017, 196, 123–129. [Google Scholar] [CrossRef]
- Lim, J.; Kim, G.; Mo, C.; Kim, M.S.; Chao, K.; Qin, J.; Fu, X.; Baek, I.; Cho, B.K. Detection of melamine in milk powders using near infrared hyperspectral imaging combined with regression coefficient of partial least square regression model. Talanta 2016, 151, 183–191. [Google Scholar] [CrossRef]
- Specim, Spectral Imaging Ltd. Specim IQ: Portable Hyperspectral Imaging Camera. 2024. Available online: https://www.specim.com/iq/tech-specs/ (accessed on 23 July 2025).
- Cortes, C.; Vapnik, V. Support-vector networks. Mach. Learn. 1995, 20, 273–297. [Google Scholar] [CrossRef]
- Chen, T.; Guestrin, C. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, 13–17 August 2016; pp. 785–794. [Google Scholar]
- He, K.; Zhang, X.; Ren, S.; Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30 June 2016; pp. 770–778. [Google Scholar]
- Wang, X.; Li, Y.; Xu, C.; Wang, Z.; Du, Q. Spectral-similarity-based kernels of SVM for hyperspectral image classification. Remote Sens. 2020, 12, 2154. [Google Scholar] [CrossRef]
- Nikzadfar, M.; Rashvand, M.; Zhang, H.; Shenfield, A.; Genovese, F.; Altieri, G.; Matera, A.; Tornese, I.; Laveglia, S.; Paterna, G.; et al. Hyperspectral Imaging Aiding Artificial Intelligence: A reliable approach for food qualification and safety. Appl. Sci. 2024, 14, 9821. [Google Scholar] [CrossRef]
Авторы: Danila Lissovoy, Alina Zakeryanova, Rustem Orazbayev,Tomiris Rakhimzhanova, Michael Lewis, Huseyin Atakan, Mei-Yen Chan
