《食品科学》：新疆大学张慧副教授等：基于可见-近红外光谱的多策略特征融合新梅货架期判别分析

新梅作为新疆的特色果品，因其色泽鲜艳、风味独特和营养成分丰富而广受消费者青睐，被誉为“奇迹水果”和“功能水果”。作为呼吸跃变型水果，新梅在采后极易发生果实软化、果心糖化及水分流失等生理变化，从而导致外观萎蔫、表皮褶皱及光泽减退，严重影响商品价值。目前，采用1-甲基环丙烯处理、气调贮藏及冰温技术可在一定程度上延长其保鲜期，但通常仅能维持30～45 d，仍难以满足长途运输和供应链管理的需求。在常温条件下，新梅的货架期一般仅为3～7 d，且在外观上新梅颜色变化不明显，难以通过肉眼准确判别货架期，因而容易出现不同货架期样品混杂销售的问题，导致产品品质不均一从而降低市场信任度。当前零售环节中，新梅及其他果蔬在货架上的更新频率有限，随着消费者对食品新鲜度、安全性及品质的要求不断提高，对其存放时长敏感度也逐渐增加。因此，为确保新梅商品品质和提升市场价值，迫切需要一种无损检测方法，以便快速、有效、无损地判别新梅货架期。

无损检测技术因其非破坏性、检测灵敏度高、操作简便、成本低、无污染、适应性强等特点被广泛应用于农产品品质检测中，能够有效避免检测过程中样品成分和营养的损失。常用的无损检测方法有X射线成像、计算机视觉、电子鼻、核磁共振、高光谱成像和近红外光谱技术。X射线穿透农产品时，透射后的信号经采集分析转化为图像，可直观显示待测农产品的内部结构与缺陷（类型、位置、尺寸等）情况，但对软质高水分果品如新梅的组织变化敏感性较差。计算机视觉主要依赖颜色与纹理特征，难以捕捉农产品的水分、糖度、蛋白质、脂质等内部品质。电子鼻是模拟生物嗅觉器官开发的一种新颖的检测仪器，气敏传感器可以通过与农产品散发的挥发性物质发生反应，将组成和浓度等信息转化为电信号输送到模式识别系统中，经过系统的识别、过滤后，将信息数据化，再利用机器学习相关算法快速检测出被测样品的气味信息，但新梅香气物质变化不显著，且该方法受环境干扰较大，稳定性与重复性较差。核磁共振技术虽然能提供农产品精确的水分成分的分布与状态变化，但仪器昂贵、操作复杂、检测周期长，不利于呼吸跃变型果实的快速处理。高光谱成像技术实现了传统成像技术与光谱技术的有机融合，可同时获取农产品在多个窄波段下的光谱和空间信息，融合了光谱学和成像的优点，但高光谱图像包含大量冗余数据，提高了数据处理难度，检测速度相对较慢。

近红外光谱技术因其快速、无损、信息丰富、成本低廉、无需复杂样品预处理以及设备便携等优势，已在多种水果的品质分析中得到广泛应用。尽管该技术相较于高光谱成像在获取空间分布信息方面存在一定局限，但在可溶性固形物含量（SSC）、硬度和水分等农产品内部理化参数的无损检测中，依然展现出良好的灵敏性与检测稳定性。Jensen等对核桃仁在不同贮存时间下的近红外光谱数据采用二阶导数预处理，并结合偏最小二乘回归方法进行建模分析，可有效识别变质与新鲜样本，识别准确率达87%，验证了近红外光谱在评估核桃仁随贮存时间变化的品质状态方面的可行性与有效性。Guan Shihao等采集了贮藏4～9 个月的香榧种仁近红外光谱数据，采用一阶导数预处理并结合二次法构建主成分分析（PCA）-线性判别分析（LDA）模型，实现了不同贮藏时间样品的分类识别，分类准确率达97.33%。Zhai Chen等基于标准正态变量变换（SNV）与一阶导数预处理、竞争性自适应重加权采样（CARS）特征波长提取算法构建了最小二乘支持向量机（LS-SVM）模型，实现了对不同贮藏年份大米样品的有效区分，准确率达91.67%。

然而，模型往往依赖于对原始光谱数据的传统特征提取方法，可能在样本间光谱差异较小或处于病变早期阶段时，难以有效识别与目标变量相关的微弱特征变化，从而影响模型的检测精度与稳定性。为此，近年来有研究尝试引入光谱形态特征，即反映样品在特定波段吸收与反射变化趋势的导数特征或光谱几何结构信息，以提升模型对微小差异的识别能力。刘昊灵等针对轻微霉心病苹果与健康苹果之间光谱差异不明显，导致基于可见/近红外特征光谱的检测方法在早期病变判别中准确率偏低的问题，提出将光谱形态特征与传统光谱特征融合的方法应用于模型构建。研究结果表明，融合光谱形态信息可显著提升对轻微病变样本的识别精度。刘鸿阳将光谱形态特征引入硬度、SSC和含水率红枣品质参数的定量检测中，所构建模型性能显著优于传统方法，其中预测相关系数分别提升至0.859、0.922和0.955，预测均方根误差分别降低至1.049 N、0.792°Brix和0.767%。

尽管已有研究表明，近红外光谱技术结合特征提取算法可有效提升农产品品质判别性能，但在新梅等呼吸跃变型农产品的货架期判别中仍面临两项关键挑战：其一，不同货架期果实的光谱响应差异微弱，关键特征信号易被冗余波段掩盖；其二，传统特征选择方法主要关注变量与目标属性之间的线性相关性，难以兼顾判别敏感性与特征压缩效果，限制了模型在复杂场景下的泛化能力。为解决上述问题，新疆大学智能制造现代产业学院的张慧*、文龙、刘建江等提出一种基于可见-近红外光谱与多策略特征融合的无损判别方法，采用CARS、变量空间迭代收缩法（VISSA）和连续投影算法（SPA）3 种主流特征提取方法，融合波段比（BR）、波段差（BD）和归一化强度差（NSID）光谱形态特征，分别构建偏最小二乘判别分析（PLS-DA）与极限学习机（ELM）分类模型，确定最适宜的特征选择策略与建模方法，实现新梅货架期的快速、稳定、无损判别，以期为新梅以及其他呼吸跃变型农产品的货架期检测提供方法依据。

1 新梅贮藏期间SSC和硬度变化

从图3a可以看出，新梅在第1天货架期时SSC较低，随后在3 d显著上升并达到峰值，表明此时果实内糖类物质积累充分，处于最佳的可食用状态。之后在5 d略有下降，至7 d继续下降，表明糖分可能因呼吸代谢等生理过程被消耗，果实风味开始减弱。从图3b可以看出，随着贮藏时间延长，新梅硬度呈现持续下降趋势，表现出典型的呼吸跃变型果品在软化过程中的物理退化特征。1 d时果实硬度最高，至3 d略有下降，但仍保持较佳口感；5 d时硬度进一步降低，至7 d显著下降，已进入过熟阶段，口感软烂，不适宜长时间运输和销售。本研究在进行新梅货架期阶段划分与样本标注时，参考GB/T 38493—2020《感官分析 食品货架期评估（测评和确定）》的程序化框架，并结合SSC和硬度等理化指标与感官结果综合判断货架状态。在本实验条件下，将SSC达到峰值与硬度显著下降的拐点作为阶段划分的客观依据，将贮藏过程划分为4 个典型阶段：初采期（1 d，SSC较低、硬度高）、适食期（3 d，SSC达峰、硬度适中）、品质转变期（5 d，SSC与硬度同步下降）和过熟期（7 d，SSC 持续下滑、硬度显著降低）。Crisosto提出了基于SSC与最低硬度阈值的消费者品质指数，用于将消费者感官接受度转化为可量化的判别标准，研究表明，消费者对水果的接受度在SSC上升且硬度下降至适宜范围时显著提升。本研究在划分新梅货架期时同样发现，3 d时SSC达峰、硬度适中，与适食性最高阶段一致；而5 d后SSC与硬度同时下降，消费者接受度可能降低。此外，值得注意的是，虽然硬度和SSC在贮藏过程中表现出一定的时间演变规律，并作为本研究货架期划分的重要参考依据，但其变化趋势并非严格线性，也无法单独决定果实的货架状态。新梅的货架期属于基于综合生理特征的离散分类概念，其形成受到色泽、可溶性组分、水分迁移、细胞结构变化等多因素共同影响。因此，将硬度与SSC作为本研究货架期划分的辅助指标。

2 新梅在贮藏期间的光谱变化分析

在对原始光谱范围进行分析后，结合谱段特征分配与数据质量评估，剔除了400 nm以下噪声较强区段和1 050 nm以上仪器边缘响应不稳定区段，最终选取400～1 050 nm作为有效分析区间。该区间覆盖了新梅果实多类重要的理化特征吸收区域：400～500 nm局部吸收峰可能与类胡萝卜素等色素的特征吸收有关；680 nm附近的吸收峰通常归因于C—H基团的二次倍频吸收，同时能够反映叶绿素含量衰减及果皮色泽 变化；700～780 nm范围典型的光谱红边效应则源于叶绿素在可见区强吸收、在近红外区弱吸收的差异；而在700～900 nm区间，不同贮藏期之间光谱差异最为明显，可能与贮藏过程中可溶性糖、有机酸、氨基酸等内部成分变化密切相关。近红外区980 nm处的明显吸收峰对应O—H键的第二泛音，可用于表征果实内部水分含量的动态变化。

由图4可以看出，虽然4 个货架期的总体谱形趋势一致，但在关键波段呈现随时间演变的显著差异，体现出明确的货架期光谱特征变化规律。在400～600 nm可见光区，1 d样品反射率最高且标准差较大，表明初采期果皮光泽度高、结构完整、个体差异较大；随贮藏延长，3、5 d与7 d样品在该区间反射率逐渐降低，与表皮色素变化、角质层松弛及水分分布变化等生理过程一致。在680～760 nm红边区域，4 个货架期均呈现典型陡升趋势，但幅度随时间延长显著收敛：1 d样品红边反射率最高，7 d样品最低，说明叶绿素相关吸收逐渐削弱、细胞结构和细胞间隙光学特性发生变化，是区分货架期的核心光谱特征之一。在800～1 050 nm近红外区，反射率主要受细胞结构、水分含量及可溶性组分影响，在1～7 d呈现逐渐下降的趋势，反映贮藏过程中水分流失、组织软化和可溶性物质变化等典型生理过程。

3 不同货架期的新梅光谱预处理方法的确定

由图5a可以看出，新梅原始反射光谱在垂直方向存在明显偏移，并在部分吸收峰附近出现不规则强度差异，说明光谱中同时叠加了基线漂移、散射效应和高频噪声等物理干扰。这些干扰并非来源于果实的化学组成，而是由果皮粗糙度、蜡质层结构、水分分布差异以及光源稳定性等因素造成。针对上述问题，本研究分别采用SG卷积平滑、SNV、BC和MN方法对光谱进行预处理，以增强光谱特征的可解释性与建模稳定性。SG卷积平滑通过在滑动窗口内对光谱进行多项式拟合，可有效抑制高频随机噪声，使光谱曲线更加平滑（图5b），然而，SG卷积平滑在平滑的同时一定程度上会削弱反射率差异较小的微弱吸收特征；SNV通过对每条光谱按其均值和标准差进行标准化，有效消除样品间果皮表面形貌差异、样品放置角度轻微变化或散射效应引起的整体强度漂移，使460 nm和820 nm波长附近的吸收峰更加明显（图5c），其本质是纠正乘性散射和加性偏移，使光谱曲线保持在一致的尺度上，提高不同样本之间的可比性；BC主要用于去除光谱中因暗电流漂移、光路反射或环境杂散光产生的缓慢背景变化。通过校正基线，提高了光谱信噪比与可解释性，使不同样本光谱趋于在一致的反射率范围内展开（图5d）；MN通过对每条光谱按自身的最大值与最小值进行线性缩放，使反射率严格映射到区间（图5e），在不改变光谱形状的前提下，MN消除了样品间由水分含量差异或光照条件变化带来的整体幅值差异，使模型关注于反射率“相对变化”信息而非绝对强度，有助于强化关键波段的对比度。

基于4 种预处理方法，本研究分别构建了PLS-DA与ELM模型，以评估不同预处理方式对分类性能的影响。由图6a可以看出，不同的LV数会对PLS-DA模型的分类能力和泛化能力产生不同的影响，所以选择适当的LV数对于其性能至关重要。采用MN预处理后建立的PLS-DA模型分类效果较好，验证集识别准确率达到了81%，最佳LV数是9。由图6b可以看出，HLN的选择对建立ELM模型的分类能力有重要影响，合适的HLN数能够显著提高模型的分类准确度。结果表明，MN预处理后建立的ELM模型分类效果较好，验证集准确率为87%，最佳HLN个数为70。孙通等采用归一化预处理后光谱数据建立的苹果霉心病分类模型性能均优于其他预处理后所建立的分类模型，其报道判别准确率为92.70%。归一化预处理可以消除因光谱强度变化而引起的偏差，提高不同光谱数据之间的可比性，使分析更加准确和稳定。因此，本研究后续将利用MN预处理作为PLS-DA和ELM模型对不同货架期新梅分类的最佳预处理方法。

4 不同货架期新梅光谱有效特征波长的提取

4.1 基于CARS方法的特征波长提取结果

图7展示了预处理后的光谱数据通过CARS进行新梅货架期特征波段筛选的过程。随着采样迭代次数增加，被选择变量数按照指数衰减函数下降，当采样迭代次数为49 次时，仅剩下2 个变量，因此初步将采样迭代次数设为50 次。当采样迭代次数为26时，RMSECV达到最小值，为0.158，此时剔除了与新梅货架期无关信息或者共线的变量。随着采样迭代次数继续增加，RMSECV逐渐升高，这可能是剔除了表征新梅货架期差异的关键波段所致。因此，确定最优采样迭代次数为26，此时RMSECV最小（0.158），筛选出的特征波段为58 个，占全光谱波段数（1 948 个）的2.98%。

4.2 基于VISSA方法的特征波长提取结果

如图8a所示，随着所选取特征变量数的增加，RMSECV首先大幅度下降而后小幅度上升。当选取的特征变量数小于485时，RMSECV较大且下降速度较快，说明算法从中不断获取到了有用信息；当选取的特征变量数为485时，RMSECV达到最低（0.116 8），表明VISSA算法选择的485 个特征变量数为最佳。随着特征变量数从485增加到1 948，RMSECV保持基本稳定，后期略有上升，表明在这一过程中引入了无关或干扰的信息。

图8b展示了VISSA算法在91 次迭代过程中全部1 948 个特征变量的权重系数变化趋势。可以看出部分变量的权重系数在迭代的过程中保持着持续上升的趋势，而更多变量的权重系数在此过程中降低为0，说明算法在运行的过程中保留了特征变量而剔除了无用变量。综上，经过VISSA算法选择的485 个特征变量具有代表性，可以用于后续的建模分析。

4.3 基于SPA方法的特征波长提取结果

从图9可以看出，SPA在光谱变量选择过程中，通过迭代投影，能够有效筛选出对模型贡献较大的波段。SPA方法中设置最大变量数为30，最小变量数为1。随着模型中变量数的增加，模型的RMSE逐渐降低，当变量数较少（小于5 个）时，RMSE较高，表明此时模型对数据的拟合能力较弱；当变量数为20 个时，RMSE下降至趋于稳定（0.194 32），模型具有最佳的判别能力，筛选出的特征波段为20 个，占全光谱波段数（1 948 个）的1.03%。超过20 个变量后，RMSE变化趋于平缓或略有波动，表明多余变量的引入并未进一步提升模型性能。

图10展示了CARS、VISSA和SPA特征提取方法在新梅货架期判别中所选择特征变量的分布图。3 种特征提取方法在波段选择上表现出明显的差异性与互补性。采用VISSA特征提取方法后，所选特征波段主要集中在3 个区域：400～670、710～820 nm和890～1 045 nm，覆盖了可见光至近红外的重要光谱段，反映了VISSA特征提取方法在稳定提取多区域特征中的优势；CARS特征提取方法所提取的波段则集中于420～505、800～880 nm和915～1 000 nm，其特征波段相对更具聚集性，且与典型光谱吸收峰具有较高的一致性，显示出该方法在压缩变量维度同时保留关键信息方面的优越性。相比之下，SPA特征提取方法选取的波段分布更为分散，波长间距较大，体现出该方法在降低变量共线性方面的独特策略。尽管整体上波段较为稀疏，但仍可观察到两个相对集中的区域，分别位于400～425 nm和1 020～1 050 nm，说明SPA在关键区间仍能有效识别有代表性的特征波长。

5 不同货架期新梅光谱形态学特征的提取结果

图11展示了不同货架期新梅样本的平均反射光谱中波峰与波谷的提取结果。根据特征波段的识别，选取了460、610、680、820 nm和980 nm共5 个波段作为提取光谱形态特征的特征波段。在每个特征波段附近各选取5 个数据点的光谱反射率，计算其平均值后，依据 式（1）～（3）分别提取了BR、BD和NSID 3 类形态特征变量，获得了4 组BR、4 组BD及4 组NSID变量，用于后续分析。

如图12所示，在所有光谱形态学特征类型下，PLS-DA模型整体表现较差，验证集准确率均不高于55%，表明其泛化能力有限。相比之下，ELM模型在各光谱形态学特征下均表现出较高的分类精度，验证集准确率均在70%以上，其中基于BD特征构建的ELM模型在验证集上达到77%的准确率。然而，与基于全光谱数据建模的效果相比，其判别性能仍略有不足，说明尽管光谱形态特征能够反映和新梅货架期相关的信息，但在特征表达方面仍存在一定的信息损失。因此，为进一步提升模型性能，有必要将包括BR、BD、NSID在内的多种光谱形态特征与原始光谱特征进行融合建模，以系统评价其综合判别能力。

6 新梅货架期判别模型的建立与分析

如表1所示，MN对400～1 050 nm波段的光谱进行预处理，PLS-DA和ELM模型验证集准确率分别达到了80.95%和86.91%，相较于直接使用全光谱构建模型，CARS、VISSA和SPA 3 种特征提取方法显著提升了PLS-DA和ELM模型的判别能力。在不进行特征选择的情况下，PLS-DA与ELM模型的验证集准确率均为70.24%，表现欠佳，说明全光谱虽包含丰富信息，但同时引入了大量冗余变量，这些冗余特征干扰了模型的判别性能。在PLS-DA模型中，CARS、VISSA和SPA分别将验证集准确率提升至90.48%、86.90%和最高的92.86%。其中，SPA特征提取方法仅使用20 个变量即可获得最优结果，体现出其良好的特征压缩与模型泛化能力。相比之下，VISSA特征提取方法虽然选出的变量最多（485 个），但模型效果相对较差，说明过多特征可能引入噪声与冗余信息，反而削弱模型性能。尽管BR、BD和NSID光谱形态学特征在PLS-DA模型中的表现不尽如人意，且准确率甚至低于基准模型，尤其BR特征的验证集准确率仅为40.48%。然而，通过将这些光谱形态学特征与CARS、VISSA、SPA等主流特征提取方法相结合，可以消除单一特征的局限性，从而提升模型的整体性能。特别是SPA-BD组合特征的PLS-DA模型和SPA-NSID组合特征的ELM模型，均表现出了较强的判别能力，进一步验证了特征融合在提升新梅货架期判别能力中的潜力。具体而言，SPA-BD组合特征的PLS-DA模型相较BD的验证集准确率提升了28.57%，尽管相比单独使用SPA特征提取方法的PLS-DA模型，其准确率下降了9.53%，这一结果表明，多策略特征融合方法在提升模型性能的同时，需要根据不同模型和特征组合的特点进行合理选择，以确保获得最佳的判别效果。

与PLS-DA模型相比，在引入CARS、VISSA和SPA特征提取方法后，ELM模型在验证集上的准确率分别提升至92.86%、91.67%和90.48%。其中，CARS方法借助自适应加权与指数递减函数筛选出对模型贡献最大的波段，保留58 个变量即可获得最优效果。在利用相同特征提取方法下，ELM模型普遍优于PLS-DA，且训练集与验证集之间准确率差异较小，显示出其拟合稳定性更强，未出现明显过拟合，进一步验证了ELM模型在处理复杂非线性光谱特征时的优势。值得关注的是，将BR、BD和NSID光谱形态学特征与CARS、VISSA和SPA等特征提取方法相结合后构建的ELM模型，整体性能得到了进一步提升。其中，SPA-NSID组合特征在仅使用24 个变量数和30 个HLN时，验证集准确率高达97.62%，表现最为优异。如图13所示，适食期中仅2 个样本被误判为品质转变期，其余无混淆。此外，SPA-BR、SPA-BD、CARS-BR、CARS-BD、CARS-NSID、VISSA-BR、VISSA-BD和VISSA-NSID等组合在ELM模型中的预测准确率亦达到84.52%～95.24%，进一步表明将光谱形态学特征与主流特征提取特征融合后可获得具有更高判别力的特征集，且与ELM模型高度适配，适用于新梅货架期等复杂分类任务的快速无损检测。

7 新梅货架期判别分类方法的验证

为验证本研究提出的MN-SPA-NSID-ELM模型在不同新梅货架期判别任务中的泛化能力，特选用新一批共计120 个独立样本进行外部测试，各货架期样本数量均为30 个。结果如表2所示，该模型在外部验证集中实现了99.18%的整体判别准确率，品质转变期中有1 例样本被误判为适食期，其余3 类均实现100%准确。其Kappa系数为0.989，表明模型在排除偶然一致性影响后，仍具有高度一致性与鲁棒性。综上所述，MN-SPA-NSID-ELM模型在外部独立样本上的优异表现，验证了其良好的泛化能力与实际应用潜力。

周莉萍等采用可见-近红外和近红外光谱分别构建了不同覆盖保鲜膜菠菜货架期的PLS-DA判别模型，贮藏期的整体判别准确率分别为83%和81%。赵昕等利用高光谱成像与近红外光谱对金冠苹果进行货架期识别，其中以高光谱图像数据构建的一阶导数+无信息变量消除+BP模型表现最优，判别准确率达100%，而基于近红外光谱数据的卷积平滑+LS-SVM模型判别准确率为73.94%。与上述研究相比，相较于单一特征提取方法，SPA-NSID特征组合兼顾特征压缩与光谱形态信息提取，在提升特征信噪比的同时抑制冗余。基于该组合构建的MN-SPA-NSID-ELM判别模型在新梅货架期识别中表现出显著优势，验证集准确率高达97.62%。其中SPA能够有效降低光谱变量之间的共线性，优先选择信息冗余度低、代表性强的特征波长；NSID在波段之间的相对变化和归一化差异方面具有独特优势，能够挖掘出更深层次的光谱信息，从而弥补SPA方法在光谱形态描述上的一定局限性。两者结合后，既实现了特征空间的精简优化，又显著提升了特征信噪比，为后续ELM模型提供了高质量输入特征。同时ELM具备较强的非线性拟合能力及对特征维度的鲁棒性，能够充分挖掘SPA-NSID特征中的复杂信息结构，从而实现对新梅货架期的高精度分类。该结果不仅展示了近红外光谱在果品货架期判别中的应用潜力，也为新梅产业链的实时品质监控和智能分级提供了理论与技术支撑；同时，本研究构建的轻量化MN-SPA-NSID-ELM模型仅依赖少量关键波长，显著降低了部署算力，并具备与便携式或手持式微型光谱仪兼容的潜在优势，可为果园现场检测与产线在线快速分级的落地应用提供可行路径。

8 结 论

本研究基于可见-近红外光谱与多策略特征融合，利用MN-SPA-NSID-ELM组合模型构建新梅货架期判别模型，结果发现：1）通过采集新梅在不同贮藏时间（1、3、5、7 d）的光谱数据，并分析SSC和硬度变化，可将货架期划分为4 个阶段：初采期、适食期、品质转变期和过熟期，为后续模型构建提供了清晰的样本标注依据。2）通过对比SG、SNV、BC和MN 4 种预处理方法对模型性能的影响，最终确定使用MN对400～1 050 nm波段的光谱进行预处理，PLS-DA和ELM模型验证集准确率分别达到了80.95%和86.91%，可用于后续特征波段提取。3）单独使用全光谱构建PLS-DA与ELM模型时，由于全光谱含有的冗余变量严重干扰模型性能，导致验证集准确率均仅为70.24%，通过CARS、VISSA、SPA 3 种特征提取方法与BR、BD、NSID 3 种光谱形态特征融合，发现SPA特征提取方法与NSID形态特征融合形成的组合特征集效果最优，在降低变量维度的同时，有效保留了与新梅货架期相关的关键信息。4）最终构建了多策略特征融合的MN-SPA-NSID-ELM模型，在仅使用24 个变量数与30 个HLN的条件下，验证集准确率达97.62%。此外，在独立制备的新梅外部测试样本集上，其中准确率和Kappa系数分别为99.18%和0.989。

综上，本研究提出的方法可以有效判别新梅货架期，同时验证了可见-近红外光谱技术在新梅货架期检测中的应用可行性，也为进一步研究呼吸跃变型果品货架期检测提供了新思路。尽管所提出方法在新梅货架期无损判别中表现出较高准确性，但其模型的泛化能力仍受到样本品种、产地、成熟度与贮藏条件等因素的限制。后续研究应进一步扩展样本来源，增强样本多样性，并建立可动态更新的建模数据库，以提升模型在复杂应用场景下的准确性和鲁棒性。

通信作者&第一作者：

张慧副教授

新疆大学机械工程学院、智能制造现代产业学院

张慧，工学博士，新疆大学机械工程学院、智能制造现代产业学院副教授，硕士研究生导师，中共党员，四川资阳人。2011年毕业于海南大学农业机械化及其自动化专业，获学士学位；2015年至2020年于石河子大学农业工程专业攻读硕博，获博士学位；2019年赴新西兰林肯大学访学。长期从事农产品品质安全智能化检测技术与装备、智慧农业及智能农机装备等方向的教学与科研工作，重点聚焦果蔬、坚果等农产品内部品质无损检测、缺陷识别与智能分级等关键问题，在X射线成像、声学检测、光谱分析及智能识别等方面积累了较为扎实的研究基础。主持国家级、省部级、厅局级和校级科研项目多项，作为项目骨干参与多项省部级重点研发及科研项目，参与教材编写1 部。近年来发表学术论文10余篇，其中多篇被SCI、EI收录，申请及授权国家发明专利3 项。相关研究成果面向现代农业与智能装备发展需求，致力于提升农产品品质安全检测的智能化、精准化与高效化水平，为推动智慧农业发展和相关领域技术进步提供了有力支撑。

引文格式：

张慧, 文龙, 刘建江, 等. 基于可见-近红外光谱的多策略特征融合新梅货架期判别分析[J]. 食品科学, 2026, 47(8): 384-395. DOI:10.7506/spkx1002-6630-20251013-060

ZHANG Hui, WEN Long, LIU Jianjiang, et al. Shelf-life classification of Xinjiang plums using multi-strategy feature fusion based on visible-near infrared spectroscopy[J]. Food Science, 2026, 47(8): 384-395. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20251013-060

实习编辑：陈师昀；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。中国食品杂志社拟定于2026年8月13—14日在安徽合肥举办“第13届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。

长按或微信扫码进行注册

为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、皖西学院、滁州学院、蚌埠学院共同主办的“ 第六届食品科学与人类健康国际研讨会 ”，将于 2026年8月15-16日（8月14日全天报到） 在 中国 安徽 合肥 召开。

长按或微信扫码进行注册

为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）

n