DOI: https://doi.org/10.3389/fpls.2025.1634785
PMID: https://pubmed.ncbi.nlm.nih.gov/41049205
تاريخ النشر: 2025-09-18
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تقدم هذه الدراسة نموذجًا جديدًا لشبكة عصبية تلافيفية-وحدة متكررة بوابة ثنائية الاتجاه-انتباه (CNN-BiGRU-Attention) مصمم للقياس غير المدمر لمحتوى المواد الصلبة القابلة للذوبان (SSC)، وفيتامين C (VC)، والبروتين القابل للذوبان (SP) في التفاح باستخدام التصوير الطيفي عالي الدقة (HSI). تم تطوير النموذج باستخدام بيانات من ستة أصناف من التفاح عبر مناطق جغرافية مختلفة، مستفيدًا من البيانات الطيفية في نطاق 400-1000 نانومتر. تشير النتائج إلى أن النموذج حقق توقعات مثالية لـ VC ($R^2_{VC} = 0.891$, $RPD_{VC} = 3.117$) و SSC ($R^2_{SSC} = 0.807$, $RPD_{SSC} = 2.337$) من خلال نمذجة الطيف الكامل. بالنسبة لـ SP، حدد اختيار طول الموجة المميزة عبر خوارزمية الإسقاطات المتعاقبة (SPA) الأطوال الموجية الرئيسية، مما أسفر عن $R^2 = 0.848$ و $RPD = 2.642$.
تؤكد النتائج على قوة النموذج، كما تم التحقق منها من خلال اختبار عبر السنوات مع مجموعة بيانات 2024، حيث حقق قيم $R^2$ تبلغ 0.829 و0.779 و0.835 لـ VC وSSC وSP، على التوالي، مع قيم RPD التي تتجاوز باستمرار 2.0. تسلط هذه الدراسة الضوء على فعالية دمج CNNs وBiGRU وآليات الانتباه لتحسين التحليل الطيفي، مما يظهر تحسينات كبيرة في التعرف على الأنماط غير الخطية مقارنة بالطرق التقليدية. يوفر الإطار المقترح حلاً قابلاً للتوسع لتقييم جودة التفاح غير المدمر، مع تداعيات على التطبيقات الصناعية عبر أصناف ومناطق مختلفة. يجب أن تركز الأعمال المستقبلية على توسيع مجموعة البيانات وضم أصناف إضافية لمزيد من التحقق وتعزيز قدرات النموذج التنبؤية.
مقدمة
تناقش مقدمة ورقة البحث أهمية التفاح (Malus domestica) كفاكهة مزروعة على نطاق واسع، مع التأكيد على قيمتها الغذائية ونكهتها، التي تتأثر بمحتوى المواد الصلبة القابلة للذوبان (SSC) ومستويات حمض الأسكوربيك (فيتامين C، VC) والبروتين القابل للذوبان (SP). تُلاحظ الطرق التقليدية لقياس هذه المعلمات، مثل قياس الانكسار والكروماتوغرافيا السائلة عالية الأداء، بأنها مدمرة وتحتاج إلى جهد كبير، مما يجعلها غير مناسبة للرصد الجيد على نطاق واسع. بالمقابل، يتم تقديم التصوير الطيفي عالي الدقة (HSI) كتقنية واعدة غير مدمرة تسمح بالتحليل السريع والفعال من حيث التكلفة لمجموعة متنوعة من مقاييس الجودة في وقت واحد.
على الرغم من مزايا HSI، لا تزال هناك تحديات، خاصة فيما يتعلق بتعميم النماذج عبر أصناف التفاح المختلفة وظروف النمو بسبب التباين البيئي. تقتصر الطرق التقليدية للنمذجة، مثل الانحدار الجزئي الأقل والمساند الناقلة، على اعتمادها على معالجة مسبقة شاملة واختيار ميزات يدوي. تسلط الورقة الضوء على إمكانيات هياكل التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، لتعزيز التحليل من خلال استخراج الميزات تلقائيًا من البيانات الطيفية الخام. لتحسين نمذجة البيانات الطيفية بشكل أكبر، يقدم المؤلفون وحدات متكررة بوابة ثنائية الاتجاه (BiGRUs)، التي تلتقط بفعالية الاعتماديات بعيدة المدى في التسلسلات الطيفية. تهدف الدراسة إلى تطوير نماذج قوية يمكن أن تستوعب التباين عبر الأصناف والمناطق، مما يعزز في النهاية تكنولوجيا HSI للتطبيقات الزراعية العملية.
طرق البحث
في هذه الدراسة، تم تطوير مكتبة عينات التفاح لتحليل التباين المزدوج للأصل الجغرافي والموارد الوراثية عبر ثلاث مناطق إنتاج رئيسية في الصين: شينجيانغ، شمال الصين، وشبه جزيرة جياودونغ. تتكون المكتبة من 144 عينة من ستة أصناف تمثيلية، بما في ذلك ثلاثة أصناف ذات مؤشر جغرافي (GI) – شينجيانغ أكسو ريد فوجي (AKS)، هيبي شونبينغ ريد فوجي (SPFS)، وشاندونغ يانتاي ريد فوجي (YTFS) – كل منها يحتوي على 16 عينة، بالإضافة إلى ثلاثة أصناف غير GI: تفاح الكرز (YT)، رالس جانيت (GG)، وتفاح هوانيو (HN)، أيضًا مع 16 عينة لكل منها.
تم جمع العينات خلال مواسم النمو 2023-2024، حيث تم جمع 96 عينة أساسية في 2023 و48 عينة إضافية للتحقق في 2024. وقد أخذ هذا التصميم الطبقي بعين الاعتبار الخلفيات الوراثية للأصناف، وظروف المناخ الإقليمية، وتوقيت الحصاد، مما يعزز من قوة النمذجة الطيفية. تم تقسيم مجموعة بيانات 2023 إلى مجموعات تدريب واختبار بنسبة 7:3، بينما تم استخدام مجموعة بيانات 2024 كمجموعة تحقق خارجية، مما يضمن دعم بيانات شامل لأهداف الدراسة.
النتائج
قيمت نتائج الدراسة الأداء التنبؤي لثلاث هياكل شبكات عصبية – CNN وCNN+BiGRU وCNN+BiGRU+Attention – عبر أربعة تكوينات إدخال طيفية (RAW وSG وSPA + RAW وSPA + SG) لتوقع فيتامين C (VC) ومحتوى المواد الصلبة القابلة للذوبان (SSC) والبروتين القابل للذوبان (SP) في التفاح. تفوق نموذج CNN+BiGRU+Attention الهجين على CNN بمفرده، محققًا قيم R² تبلغ 0.899 و0.891 لمجموعات التدريب والاختبار، على التوالي، في توقع VC، مع قيم RPD تتجاوز 3.100. بالنسبة لـ SSC، حافظ النموذج على قيمة R² لمجموعة الاختبار تبلغ 0.807 وRPD قدره 2.337، بينما بالنسبة لـ SP، حقق R² قدره 0.848 وRPD قدره 2.673، مما يبرز تكامله الفعال للميزات الطيفية.
كشفت الدراسة عن أنماط حساسية مميزة لتكوينات الإدخال الطيفية المختلفة. استخدمت النماذج المثلى لتوقعات VC وSSC مدخلات طيفية خام، مما يؤكد قدرة الشبكات العميقة على استخراج الميزات بشكل مستقل من خلال تحويلات غير خطية هرمية. على العكس، تطلب توقع SP اختيار ميزات SPA، مع التركيز على نطاقات الامتصاص المحددة لتقليل تداخل الضوضاء في البيانات عالية الأبعاد. ومن الجدير بالذكر أن المدخلات الطيفية الخام تفوقت باستمرار على نظيراتها الملساء (SG)، مما يشير إلى أن الشبكات العصبية العميقة بارعة في الحفاظ على العلاقات غير الخطية المعقدة في البيانات الخام، بينما قد يؤدي التنعيم المفرط إلى تعطيل هذه العلاقات.
المناقشة
في هذه الدراسة، تم تطوير إطار عمل قائم على التعلم العميق باستخدام بنية CNN-BiGRU-Attention للتنبؤ بالمعلمات الرئيسية لجودة التفاح، وخاصة فيتامين C (VC) ومحتوى المواد الصلبة القابلة للذوبان (SSC) والبروتين القابل للذوبان (SP)، باستخدام بيانات التصوير الطيفي عالي الدقة. شمل سير العمل أربع مراحل رئيسية: جمع البيانات من خلال التصوير الطيفي عالي الدقة، اختيار الميزات باستخدام معالجة Savitzky-Golay وخوارزمية الإسقاطات المتعاقبة (SPA)، بناء النموذج مع ثلاث هياكل تعلم عميق، والتدريب والتحقق الدقيق باستخدام مجموعات بيانات من سنوات مختلفة. أظهرت النماذج قدرات تنبؤية قوية، محققة قيم R² تبلغ 0.829 لـ VC و0.779 لـ SSC و0.835 لـ SP خلال التحقق الخارجي، مما يشير إلى تعميم قوي عبر أصناف وأصول جغرافية مختلفة.
سلطت الدراسة الضوء على أهمية معالجة البيانات الطيفية واستخراج الميزات في تعزيز أداء النموذج. قللت SPA بشكل فعال من الأبعاد مع الاحتفاظ بالمعلومات الطيفية الحيوية، خاصة لتوقع SP. تشير النتائج إلى أن الإطار المقترح لا يحسن فقط دقة تقييم جودة التفاح غير المدمر، بل يوفر أيضًا رؤى حول الخصائص الطيفية المرتبطة بمكونات كيميائية متنوعة. تشمل اتجاهات البحث المستقبلية دمج بيانات بيئية متعددة النماذج وتطوير نماذج خفيفة للتطبيقات العملية في الصناعة الزراعية، مما يعزز قابلية توسيع الإطار وتطبيقه عبر سياقات زراعية متنوعة.
DOI: https://doi.org/10.3389/fpls.2025.1634785
PMID: https://pubmed.ncbi.nlm.nih.gov/41049205
Publication Date: 2025-09-18
Author(s): Zhenyun Du et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
This study presents a novel convolutional neural network-bidirectional gated recurrent unit-attention (CNN-BiGRU-Attention) model designed for the non-destructive quantification of soluble solids content (SSC), vitamin C (VC), and soluble protein (SP) in apples using hyperspectral imaging (HSI). The model was developed using data from six apple varieties across different geographical regions, utilizing hyperspectral data in the range of 400-1000 nm. The results indicate that the model achieved optimal predictions for VC ($R^2_{VC} = 0.891$, $RPD_{VC} = 3.117$) and SSC ($R^2_{SSC} = 0.807$, $RPD_{SSC} = 2.337$) through full-spectrum modeling. For SP, feature wavelength selection via the successive projections algorithm (SPA) identified key wavelengths, yielding $R^2 = 0.848$ and $RPD = 2.642$.
The findings underscore the model’s robustness, as validated by cross-year testing with a 2024 dataset, achieving $R^2$ values of 0.829, 0.779, and 0.835 for VC, SSC, and SP, respectively, with RPD values consistently above 2.0. This research highlights the effectiveness of integrating CNNs, BiGRU, and attention mechanisms for enhanced spectral analysis, demonstrating significant improvements in non-linear pattern recognition compared to traditional methods. The proposed framework offers a scalable solution for non-destructive quality assessment of apples, with implications for industrial applications across various cultivars and regions. Future work should focus on expanding the dataset and including additional cultivars to further validate and enhance the model’s predictive capabilities.
Introduction
The introduction of the research paper discusses the significance of apples (Malus domestica) as a widely cultivated fruit, emphasizing their nutritional value and flavor, which are influenced by soluble solids content (SSC), ascorbic acid (vitamin C, VC), and soluble protein (SP) levels. Traditional methods for measuring these parameters, such as refractometry and high-performance liquid chromatography, are noted for being destructive and labor-intensive, making them unsuitable for large-scale quality monitoring. In contrast, hyperspectral imaging (HSI) is presented as a promising non-destructive technique that allows for rapid and cost-effective analysis of multiple quality metrics simultaneously.
Despite the advantages of HSI, challenges remain, particularly regarding the generalization of models across different apple varieties and growing conditions due to environmental variability. Traditional modeling approaches, such as partial least squares regression and support vector machines, are limited by their reliance on extensive preprocessing and manual feature selection. The paper highlights the potential of deep learning architectures, specifically convolutional neural networks (CNNs), to enhance the analysis by automatically extracting features from raw hyperspectral data. To further improve the modeling of spectral data, the authors introduce Bidirectional Gated Recurrent Units (BiGRUs), which effectively capture long-range dependencies in spectral sequences. The study aims to develop robust models that can accommodate variability across cultivars and regions, ultimately advancing HSI technology for practical agricultural applications.
Methods
In this study, an apple sample library was developed to analyze the dual heterogeneity of geographical origin and genetic resources across three major Chinese production regions: Xinjiang, North China, and the Jiaodong Peninsula. The library consists of 144 samples from six representative cultivars, including three geographical indication (GI) cultivars—Xinjiang Aksu Red Fuji (AKS), Hebei Shunping Red Fuji (SPFS), and Shandong Yantai Red Fuji (YTFS)—each with 16 samples, as well as three non-GI cultivars: Cherry Apple (YT), Ralls Janet (GG), and Huaniu Apple (HN), also with 16 samples each.
Samples were collected during the 2023-2024 growing seasons, with 96 baseline samples gathered in 2023 and 48 additional validation samples in 2024. This stratified design effectively accounted for cultivar genetic backgrounds, regional climatic conditions, and harvest timing, thereby enhancing the robustness of the spectral modeling. The dataset from 2023 was divided into training and testing sets in a 7:3 ratio, while the 2024 dataset was utilized as an external validation set, ensuring comprehensive data support for the study’s objectives.
Results
The results of the study evaluated the predictive performance of three neural network architectures—CNN, CNN+BiGRU, and CNN+BiGRU+Attention—across four spectral input configurations (RAW, SG, SPA + RAW, SPA + SG) for predicting vitamin C (VC), soluble solids content (SSC), and soluble protein (SP) in apples. The hybrid CNN+BiGRU+Attention model outperformed the CNN alone, achieving R² values of 0.899 and 0.891 for training and testing sets, respectively, in VC prediction, with RPD values exceeding 3.100. For SSC, the model maintained a testing set R² of 0.807 and an RPD of 2.337, while for SP, it achieved an R² of 0.848 and an RPD of 2.673, highlighting its effective integration of spectral features.
The study revealed distinct sensitivity patterns for different spectral input configurations. The optimal models for VC and SSC predictions utilized raw spectral inputs, confirming the capability of deep networks to autonomously extract features through hierarchical nonlinear transformations. Conversely, SP prediction required SPA feature selection, focusing on specific absorption bands to reduce noise interference in high-dimensional data. Notably, raw spectral inputs consistently outperformed smoothed (SG) counterparts, suggesting that deep neural networks are adept at preserving complex nonlinear relationships in raw data, while excessive smoothing may disrupt these relationships.
Discussion
In this study, a deep learning-based framework utilizing a CNN-BiGRU-Attention architecture was developed to predict key quality parameters of apples, specifically vitamin C (VC), soluble solids content (SSC), and soluble protein (SP), using hyperspectral imaging data. The workflow involved four main phases: data acquisition through hyperspectral imaging, feature selection using the Savitzky-Golay preprocessing and Successive Projections Algorithm (SPA), model construction with three deep learning architectures, and rigorous training and validation using datasets from different years. The models demonstrated strong predictive capabilities, achieving R² values of 0.829 for VC, 0.779 for SSC, and 0.835 for SP during external validation, indicating robust generalization across different cultivars and geographical origins.
The study highlighted the importance of spectral data preprocessing and feature extraction in enhancing model performance. The SPA effectively reduced dimensionality while retaining critical spectral information, particularly for SP prediction. The findings suggest that the proposed framework not only improves the accuracy of non-destructive apple quality assessment but also offers insights into the spectral characteristics associated with various chemical components. Future research directions include integrating multimodal environmental data and developing lightweight models for practical applications in the agricultural industry, thereby enhancing the framework’s scalability and applicability across diverse agricultural contexts.