高光譜成像+深度學習：紅棗干燥過程質(zhì)量的“可視化”新路徑
紅棗熱風干燥，高光譜成像技術
紅棗，是我國極&具代表性的特色農(nóng)產(chǎn)品之一。從鮮果到干制品，看似只是“脫水"，實則伴隨著一系列復雜而精細的物理、化學變化：
水分遷移、糖酸濃縮、組織結構重排、顏色與質(zhì)構演變……
干燥質(zhì)量，幾乎決定了紅棗最終的商品價值。
然而，在實際生產(chǎn)中，紅棗干燥過程的質(zhì)量控制長期面臨一個現(xiàn)實問題：
“看不見過程，只能驗收結果。"
近日，一篇發(fā)表于 Food Chemistry的研究工作，系統(tǒng)展示了如何利用 高光譜成像技術（HSI）結合深度學習模型，對紅棗熱風干燥全過程進行無損、定量、可視化的質(zhì)量監(jiān)測，為智能干燥與過程控制提供了全新思路。
質(zhì)量困局，干燥過程
在紅棗干燥過程中，行業(yè)普遍關注以下關鍵質(zhì)量參數(shù)：
水分含量（Moisture）：關系到安全性與儲藏穩(wěn)定性
可溶性固形物（SSC）：直接決定甜度與風味
可滴定酸（TA）：影響酸甜平衡
硬度（Hardness）：決定口感與咀嚼性
這些參數(shù)并非獨立變化，而是相互耦合、動態(tài)演化：
水分下降 → SSC 與 TA 濃縮
脫水過快 → 表面硬化、內(nèi)部遷移受阻
溫度不當 → 顏色變暗、組織結構破壞
傳統(tǒng)檢測方法（烘干法、滴定、質(zhì)構分析等）雖然準確，但普遍存在：
破壞性強，無法在線應用
檢測周期長，難以實時反饋
只能獲得平均值，缺乏空間信息
這使得干燥工藝在很大程度上仍依賴經(jīng)驗，而非數(shù)據(jù)驅(qū)動。
高光譜成像，一次掃描，多維信息
為解決上述問題，研究團隊引入了 可見—近紅外高光譜成像技術（400–1000 nm）。
與傳統(tǒng)成像或單點光譜不同，高光譜的核心優(yōu)勢在于：
每個像素都包含完整連續(xù)光譜
同時具備空間分布信息 + 成分響應信息
對水分、糖類、有機酸等化學鍵高度敏感
在實驗中，研究人員對紅棗在 55℃、60℃、65℃ 三種熱風干燥條件下，持續(xù) 0–56 h 進行高光譜采集，并同步測定理化指標作為參考。
光譜層面的關鍵發(fā)現(xiàn)包括：
在 930–1000 nm 波段，反射率隨水分降低顯著升高
不同干燥階段，光譜曲線呈現(xiàn)清晰的階段性演化
光譜變化與水分、SSC、TA 具有良好的相關性
這表明，高光譜不僅能“看到表面"，更能間接反映內(nèi)部品質(zhì)變化機制。
深度學習模型的引入，從光譜到質(zhì)量
高光譜數(shù)據(jù)本身是高維、強相關、非線性的，僅靠傳統(tǒng)線性建模難以充分挖掘其信息潛力。
為此，研究構建并對比了多種模型：
傳統(tǒng)化學計量學方法：PLSR
機器學習方法：SVR
深度學習模型：CNN_BiLSTM_SE
該深度模型的結構特點在于：
CNN（卷積神經(jīng)網(wǎng)絡）
自動提取光譜局部特征，減少人工特征選擇依賴BiLSTM（雙向長短期記憶網(wǎng)絡）
捕捉干燥過程中時間維度上的前后關聯(lián)SE 注意力機制
動態(tài)增強關鍵波段特征，提高模型對重要信息的敏感性
同時，研究通過 網(wǎng)格搜索 + 交叉驗證 對模型超參數(shù)進行優(yōu)化，確保預測穩(wěn)定性與泛化能力。
深度學習不僅“擬合得更好"，而且更適合處理干燥過程這種動態(tài)、非線性問題。
