[顶刊解析] COMPAG｜利用高光谱成像实现果园原位沃柑糖度估算

导读：

传统折光仪测糖需要摘果取样，很难同时获取树上全部果实糖度，难以支撑果园选择性采摘作业。中国农科院联合广西农科院团队，使用双利合谱GaiaField‑V10E 采集 1536 个田间沃柑样本，结合 Transformer 三维高光谱建模与 RGB 光谱重建技术开展可溶性固形物（糖度）原位估算。原始高光谱模型测试集 R² 可达 0.70；经 RGB 重建得到的高光谱预测效果显著优于普通 RGB 图像。

顶刊身份卡

期刊名称：Computers and Electronics in Agriculture

影响因子：10.3

中科院分区：农林科学1区TOP期刊

JCR分区：Q1区

发表年份：2026年

论文标题：In situ orange soluble solids content estimation based on hyperspectral imaging and transformer

中文标题：基于高光谱成像与Transformer的田间沃柑可溶性固形物估算

作者单位：中国农业科学院农业信息研究所；农业农村部农业大数据重点实验室；中国农业科学院***南繁研究院；广西农业科学院农业科技信息研究所

使用设备：GaiaField-V10E高光谱成像系统（双利合谱）

应用方向速览

研究内容

在果园自然光照和复杂背景条件下采集沃柑高光谱图像，用Transformer估算单果可溶性固形物含量，并把预测结果映射到树上不同果实。

方法设计

以1536个田间样本训练模型，直接使用未经白板反射率校正和降维的三维高光谱图像；同时探索从普通RGB图像重建400-1000 nm范围内31个波段，再用于糖度估算。

主要结果

原始高光谱Transformer测试集R²为0.70、RMSE为0.83 °Brix。31波段重建高光谱的R²为0.64，优于对应的三通道RGB图像R² 0.56；手机RGB重建后，R²由0.42提高到0.48。

研究背景

可溶性固形物含量是衡量柑橘成熟度和风味的重要指标。传统折光仪测定需要摘果、榨汁，难以覆盖果园中不同位置、长势和成熟程度的果实，也不适合直接接入采摘机器人。

高光谱成像能够同时记录果实的空间和光谱信息，但田间光照变化明显，推扫成像对平台稳定性有要求，设备成本也限制了大规模应用。该研究分别从预测模型和数据获取成本两方面进行探索。

实验设计

研究对象为广西南宁果园中的沃柑。团队在2023年11月至2024年3月分五批采集1536个样本，覆盖早熟至晚采阶段，并纳入不同果园区域、树体健康状况以及晴天、阴天和不同时段的光照变化。

每个样本包括一幅田间高光谱图像、一幅手机RGB图像和一个实测可溶性固形物值。图像采集后当天摘果，使用折光仪测定SSC真值；数据随机划分为80%训练集和20%测试集。

▲图1 数据采集与分析流程

▲图2 同一果园场景的高光谱真彩色合成图与手机RGB图

高光谱数据采集

研究使用双利合谱 GaiaField-V10E 推扫式高光谱成像系统，安装在三脚架上完成田间扫描。

表一

研究没有在每次采集时使用白板进行反射率校正，而是直接使用数字量化值DN训练模型；***采集前拍摄黑场图像，用于去除暗噪声。果实被枝叶遮挡时，研究人员适当移动枝叶，确保至少一半果面可见。

这种设计减少了田间连续反射率校正的操作，但也意味着模型对采集设备、曝光策略和现场光照分布存在依赖。

▲图3 五个采集阶段的SSC分布。全部样本范围为6.5-18.0 °Brix，随成熟进程整体升高

研究结果

三维高光谱图像直接进入Transformer

模型将单果高光谱图像统一到152 × 152 pixels，并切分为空间小块。每个小块保留256个光谱通道，通过位置编码和自注意力机制学习果面不同位置之间的光谱空间关系，最后输出单个SSC预测值。

▲图4 沃柑SSC预测Transformer结构。模型输入为三维高光谱图像，而不是把果实压缩成一条平均光谱

对PLS和DeepSpectra，研究使用的是单果平均光谱；对Transformer，输入则是完整的三维光谱图像。因此，结果差异同时反映了模型结构和输入信息形式的变化。

原始数据取得***预测结果：

表二

Transformer在不做光谱预处理时表现***。相较原始光谱PLS，R²从0.61提高到0.70，RMSE从0.94降至0.83 °Brix。SG加归一化或SNV没有继续提升Transformer结果。

光谱差异对应成熟进程与SSC变化

不同采收阶段的光谱差异主要出现在576 nm和600 nm附近、600-730 nm以及840-910 nm；不同SSC分组的差异集中在570 nm、630-730 nm、760 nm和790-830 nm附近。论文将可见光区差异与果皮色素变化、成熟进程联系起来，将近红外差异与含水量、组织结构和碳水化合物相关吸收联系起来。

▲图5 不同生长阶段与不同SSC范围的平均光谱。灰色区域为论文标出的敏感波段

▲图6 ***模型在测试集上的预测值与实测值

树上不同果实呈现出SSC差异

研究将***模型用于四个采集日期的代表性场景。总体上，预测SSC随采收期推进而升高；同***、同一棵树上的果实也存在差异，说明统一按时间采收可能忽略单果成熟度差别。

▲图7 四个日期的沃柑SSC预测可视化。颜色越暖，模型估算的SSC越高

RGB重建高光谱提高SSC预测表现

256波段原始高光谱的R²为0.70；等距保留31波段后仍达到0.69。由渲染RGB重建的31波段高光谱为0.64，高于对应RGB的0.56，但仍低于原始高光谱。手机RGB重建后，R²由0.42提高到0.48。

▲图8 左侧比较原始高光谱、31波段重采样、重建高光谱和RGB；右侧比较手机RGB及其重建高光谱

重建结果保留了可见光和近红外信息

研究重新训练MST++模型，将RGB图像重建为400-1000 nm范围内31个等间隔波段。测试集光谱重建结果为MRAE 0.224、RMSE 0.033、PSNR 30.34。

▲图9 RGB图像、选定像素的真实与重建光谱，以及470、538、654和857 nm处的真实和重建影像

重建影像保留了主要空间纹理和光谱趋势，也存在局部偏差。论文指出，重建精度与RGB相机的光谱响应和图像处理流程有关；更换相机后，需要重新建立与该相机匹配的数据和重建模型。

结论与启发

田间大样本支撑了更复杂的光谱空间模型

1536个样本覆盖五个采收阶段以及不同天气和光照条件，为Transformer学习三维高光谱特征提供了基础。相比只使用平均光谱，完整图像保留了果面空间差异和边缘混合像素。

31波段结果说明光谱信息可以进一步压缩

原始高光谱等距保留31个波段后，R²仅从0.70降至0.69，说明256个波段中存在一定冗余。后续若结合特征波段选择，而不是等间隔采样，可能进一步支持专用多光谱或重建系统设计。

RGB光谱重建仍处于技术验证阶段

重建高光谱优于对应RGB，但尚未达到原始高光谱水平；手机结果也低于渲染RGB结果。实际用于机器人前，需要针对具体相机响应、果园类型、光照和遮挡情况重新训练并开展跨果园验证。该研究在真实田间复杂光照条件下完成大样本试验，证明 Transformer 可以直接学习三维高光谱立方体特征；RGB 光谱重建为低成本果园感知方案提供新思路。同时论文也指出局限性：模型当前仅基于单一果园数据集，距离跨果园、商业化采摘机器人落地，还需要更多场景验证。

引用信息

Xiong, X., Sun, Q., Li, Z., Wu, S., Zhang, N., Zeng, Z., Chai, X. (2026). In situ orange soluble solids content estimation based on hyperspectral imaging and transformer. Computers and Electronics in Agriculture, 248, 111824.