研究背景
哈密瓜的风味品质和商品价值与甜度密切相关，而可溶性固形物含量（SSC）是评价果实甜度的重要指标。传统SSC检测多依赖折光仪测定，虽结果可靠，但需取样、榨汁或切片，具有破坏性，难以满足批量化、连续化和在线分选对快速无损检测的需求。高光谱成像技术融合了图像与光谱信息，能够间接反映果实内部化学成分（如糖、水分、酸度）的分布与含量，为非破坏性检测提供了新路径。然而，现有研究多集中于单一品种，跨品种检测的模型泛化能力仍面临挑战，尤其是哈密瓜这类果皮差异大、糖分分布不均的厚皮甜瓜。
近日，青岛农业大学赵磊老师团队在《Symmetry》发表了一项研究，系统探索了高光谱成像结合机器学习在哈密瓜多品种可溶性固形物（SSC）无损检测中的应用，提出了一种基于RPD加权的集成模型，显著提升了跨品种预测的鲁棒性和准确性。
图1.光谱采集过程。
研究方法
样本准备：
品种：西州蜜、伽师瓜、金凤凰、黑眉毛（各40个，共160个）；
采样位置：赤道部位果肉，分别测量近核部（BRIX1）和近皮部（BRIX2）的SSC；
数据集划分：每品种30个训练，10个测试；
高光谱数据采集：通过穹顶光源 + 精密电动平移台搭载Resonon Pika L高光谱成像仪，结合150 W石英钨卤素灯、输送装置等进行高光谱数据采集；
光谱参数：
波长范围：400–1000 nm；
光谱分辨率：2.7 nm；
参数设置：帧率16 Hz，物距 978 mm、图像采集速度 15.3 mm/s；
数据处理和模型构建：研究采用“基线校正+SNV+Savitzky-Golay平滑”进行光谱预处理，并比较PLSR、SVR、RF、XGBoost和LightGBM等模型，最终通过随机搜索、5折交叉验证及基于验证集RPD加权的集成策略优化预测性能；
表1.不同预处理方法下PLSR模型预测性能比较（以BRIX1为例）。
图2.每个品种的样品子集的平均光谱：（a）原始光谱;（b）预处理后的光谱。
表2.模型性能的综合比较。
图3.四种哈密瓜品种无损SSC评估的模型结果：(a) 基于偏最小二乘回归（PLSR）模型的 SSC(BRIX1) 结果；(b) 基于随机森林（RF）模型的 SSC(BRIX2) 结果；(c) 集成模型对 SSC(BRIX1) 的预测结果；(d) 集成模型对 SSC(BRIX2) 的预测结果。
表3.所有基础模型和集成模型在独立测试集上的偏差-方差分解结果。
图4.集成模型预测误差分析：(a) BRIX1实测值与预测值的散点图（按品种着色）；(b) BRIX2实测值与预测值的散点图（按品种着色）。
研究结果
组合预处理提高了糖敏感波段光谱一致性，增强了模型建模质量与泛化能力；
BRIX1预测中，PLSR表现出较强泛化性，但集成模型整体性能最优；
BRIX2预测中，RF为最佳单一模型，集成模型进一步提升了近皮SSC预测稳定性；
RPD加权集成策略融合了不同模型优势，实现了预测精度与泛化稳定性的平衡；
不同品种间仍存在预测差异，提示后续需扩大样本并引入品种自适应校正；
结语
研究以四种主栽哈密瓜品种为对象，系统验证了高光谱成像技术结合机器学习在多品种SSC无损检测中的可行性。同时，研究也提示，跨品种统一模型仍会受到品种表型、生理差异及样本来源的影响。未来，随着样本规模扩大、整果检测场景验证以及品种自适应校正方法的引入，高光谱无损检测有望在果品品质分级、采后分选和智慧农业中发挥更大作用。
发表期刊：Symmetry【影响因子：2.2】
研究单位：青岛农业大学、哈密市农牧产业发展投资有限公司等
使用设备：Resonon Pika L高光谱成像仪
DOI：https://doi.org/10.3390/sym18030462