基于SHAP深度特征解释的亚健康霉心苹果非接触式振动法检测OA

霉心病是苹果常见内部病害之一,当霉菌未突破内果皮时为亚健康果,这类果及时检测有助于采取有效贮藏和销售策略以保持正常的商品价值。为此,该研究使用空气射流激振及激光多普勒测振相结合的方法非接触式获取苹果振动响应信号,将信号转换为时域和频域格拉姆角和场图以及时频图像,然后采用vision transformer(ViT)网络提取多域融合图像的深度特征并进行特征聚类分析,将聚类性能最好的深度特征分别输入k近邻(k-nearest neighbor,k NN)、支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)、随机森林(random forest,RF)以及决策树(decision tree,DT)进行分类并进行模型性能评价,对分类性能较优的模型进行SHAP(shapley additive explanations)分析和特征解释。结果表明,对于亚健康霉心苹果的分类任务,ViT网络第8层编码器模块中class token的深度特征聚类性能较好,使用该层特征构建的ViT-k NN模型分类性能较优,其总体分类准确率、F1值、Kappa系数、Matthews相关系数分别为83.10%、82.18%、74.14%和74.08%。相较于ViT-k NN模型,ViT-RF模型的总体性能与之接近,ViT-SVM和ViT-LR模型的总体性能略低,ViT-DT模型的总体性能较低。ViT-k NN模型所使用的768个深度特征中有60个特征对模型分类性能和泛化性能起主要贡献,所包含的25个消极特征虽然会抑制模型分类性能,但对模型泛化起重要作用。该研究为梨果内部早期病害检测及技术研发提供参考,同时也有助于深入认识特征对模型分类性能和泛化性能的贡献。