上海
前言：
可溶性固形物含量（TSSC）是决定枇杷风味、口感与市场竞争力的核心指标。传统检测有损、耗时、难以适配规模化快速分级。
广东省农业科学院设施农业研究所联合多单位团队在《Agriculture》发表研究：搭建900–1700 nm 近红外光谱检测体系，融合光谱预处理、特征波长筛选、机器学习建模，并通过 SHAP 可解释 AI 解析模型机理，实现枇杷 TSSC 快速、无损、高精度定量预测。
一、实验材料与检测平台
样本：
广州果园156个商品成熟枇杷，4℃冷藏、20℃平衡8h；TSSC：6.4–13.8°Brix
光谱采集：
如海光电XS9214近红外光谱仪（现已升级为NIRPro），900–1700nm，分辨率3.5nm
采集参数：
积分时间50ms，平均次数100次，连续采集模式
理化参照：
ATAGO PAL-1手持糖度计
样本划分：SPXY算法3:1，校正集109 个，预测集47个
表1 枇杷样本校正集与预测集的可溶性固形物含量（TSSC）分布情况
图1 枇杷近红外光谱检测平台
二、光谱预处理与优化
原始光谱存在噪声与基线漂移，研究对比7种预处理，以PLSR为评价基准。结果显示：SG(7)‑SNV‑DT三联预处理效果最优。
图2 (a)原始光谱；(b)SG-SNV-DT预处理后光谱
表2 基于原始光谱与不同预处理方法的PLSR模型对TSSC的预测结果
三、建模与结果分析
基于SG(7)-SNV-DT预处理后的数据，研究分别建立PLSR、BPNN、ELM三种模型并结合全波段与六种特征波长筛选方法进行对比，结果显示特征筛选建模效果整体优于全波段，其中SPA-PLSR组合表现最优，仅用26个特征波段便实现预测集相关系数Rp=0.9031、RMSEP=0.6171、RPD=2.2803，达到高可靠检测水平；ELM以UVE特征、BPNN以 VCPA-IRIV特征取得各自最佳效果，但整体精度与稳定性均低于SPA-PLSR，说明在枇杷TSSC近红外检测中，线性关系占主导，SPA特征筛选与PLSR建模的搭配更具实用价值
图3 基于不同模型与特征波段组合的实测TSSC与预测TSSC散点图。(a
四、可解释AI（SHAP）机理分析
采用SHAP值可视化各波长对模型输出的贡献度，定位核心响应波段：PLSR‑SPA高贡献波段集中在950nm、1150nm、1410nm附近，与O–H、C–H倍频与合频吸收高度吻合，直接对应可溶性糖分子特征；SHAP正负值清晰区分：高反射率在1172/1260/1424 nm正向提升TSSC，在1450nm附近负向抑制预测，为波段优选提供机理解释。
图4 基于（a）偏最小二乘回归（PLSR）与连续投影算法（SPA）组合
五、研究结论
最优路线：
近红外光谱→SG(7)-SNV-DT→SPA→ PLSR→SHAP解释
核心性能：
仅26波段实现高可靠预测，RPD=2.28>2.0，满足产业分级
可解释性：
SHAP明确关键波段与贡献方向，模型透明可信
硬件支撑：
如海光电XS9214近红外光谱仪（现已升级为NIRPro）提供稳定、高质量光谱数据
六、文章来源
*免责声明：
如海光电账号发布内容（含图片、图表）来源于公开学术文献。文章版权、数据及所述观点归原作者所有。本文旨在分享科研应用案例，如有侵权请联系后台处理。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
