研究背景
冬枣作为一种营养丰富的功能性水果，其内部品质指标，尤其是可溶性固形物含量（SSC），是决定果实甜度、风味及消费者购买决策的核心因素。传统的SSC检测依赖于破坏性折光法，效率低下且无法满足大规模、无损、在线评估的需求。可见/近红外光谱技术（Vis-NIRS）因其快速、无损的特性，已成为农产品品质检测的主流手段。然而，在实际应用中仍面临因成熟度异质性和测量位置的不确定性导致模型预测结果波动。
近日，塔里木大学施明登老师团队在《Journal of Food Composition and Analysis》上发表了一项研究成果，提出了一种结合对比学习与光谱技术的新方法，成功攻克冬枣SSC无损检测中成熟度变异与测量位置不确定性两大技术瓶颈，为冬枣的在线品质监测提供了全新思路。
图1.无损数据采集系统。
研究方法
样本采集：冬枣采自新疆阿拉尔市塔克拉玛果业有限公司的果园，涵盖4个成熟度阶段（白熟、半红、红熟、过熟），共250个样本用于校正集（2024年），50 个样本用于外部预测集（2025年）；
光谱采集：ASD FieldSpec 4 Hi‑Res NG地物光谱仪采集所有样品的光谱特征，光谱特性如下：
光谱范围:350 nm~2500 nm；
光谱通道数：2151个；
采样间隔：VNIR区1.4 nm，SWIR区为1.1 nm；
参考值测定：采用数字折光法测定SSC，每个样品三次测量取均值；
模型架构创新：先构建图像‑光谱融合的VSF‑Net实现高准确度成熟度分类，并以分类概率为门控权重搭建回归模型ERCNN以消除全成熟阶段的统一回归偏差，再引入面向采样位置的对比学习机制，最终构建出对测量位置具有强鲁棒性的CLERCNN模型；
图2 .冬枣果实的平均反射光谱。
表1.基于单位置光谱、平均光谱及全局多点光谱建立的模型预测结果。
表2.单位置、平均及全局多位置光谱模型应用于不同测量位置时的SSC预测结果。
图3.三种模式在全局多位置光谱数据集上SSC预测结果的比较。
研究结果
成熟度差异和测量位置差异都会显著改变冬枣光谱特征；
全局多点光谱模型在跨位置验证中表现优于单点模型和平均光谱模型，表明其更能适应随机采样场景；
CLERCNN模型在引入对比学习和专家回归后，模型性能显著提升；
结语
该研究针对冬枣SSC无损检测中成熟度异质性与测量位置不确定性两大关键问题，构建融合成熟度引导专家回归与位置感知对比学习的CLERCNN 模型，有效提升检测精度与位置鲁棒性，显著抑制采样位置导致的预测波动。研究不仅增强了冬枣 SSC 无损检测的实用性，也为多成熟度、空间异质性果品的品质无损评价提供了通用建模范式。后续可面向多产区、多品种、跨年度样本与复杂场景开展验证，结合在线分选、轻量化部署与多源传感融合，进一步提升模型泛化性能与落地效率，推动果品内部品质无损检测向高精度、产业化方向发展。
发表期刊：Journal of Food Composition and Analysis【影响因子:6.5】
研究单位：塔里木大学
使用设备：ASD FieldSpec 4 Hi‑Res NG地物光谱仪
DOI：https://doi.org/10.1016/j.jfca.2026.109088