食品安全是一个日益严重的全球性问题，涉及不同经济发展水平的国家，农业部门在提高食物供应方面发挥着关键作用。随着世界努力满足不断增长的人口对食物的需求，令人担忧的是，在采后处理过程中有超过三分之一的食物被损失或浪费。采后损失指的是从收获到最终消费期间食物的数量和质量下降，包括加工、储存、市场营销和家庭决策等活动（Abass等人，2014年）。木薯（Manihot esculenta Crantz）是一种主要的主食作物，为全球超过8亿人提供主要的热量来源，其干重中的淀粉含量可高达85%。小农户广泛种植木薯，因为它能够在贫瘠的土壤中以最少的投入生长（Ceballos等人，2004年）。除了在食品安全方面的作用外，木薯还是一种工业作物，用于生产淀粉、动物饲料和生物燃料。过去几十年里，全球木薯的种植和产量迅速增长，印度在生产力方面处于领先地位（FAOSTAT，2024年）。
新鲜的木薯根部由于一种称为采后生理劣化（Post-harvest Physiological Deterioration, PPD）的生理过程而极易变质，这一过程在收获后24小时内就开始发生。PPD最初表现为储存组织中的蓝黑色变色，并迅速扩散到整个根部，使得木薯在2-3天内不再适合食用。据估计，每年全球有近三分之一的木薯产量因PPD而损失。其根本机制被认为是一种氧化过程，涉及活性氧（Reactive Oxygen Species, ROS）的快速积累，这与症状的发展密切相关。关键的ROS相关酶以及酚类化合物（如山柰酚和过氧化氢H?O?）水平的增加，都与这种快速劣化有关。
已经探索了多种管理和延缓PPD的方法，包括物理方法如涂蜡和用杀菌剂包装，以及旨在修改ROS代谢的遗传策略，如育种和重组技术（Saravanan等人，2016年）。然而，这些干预措施在实际应用中取得的成功有限。木薯根组织本身蛋白质含量低，且对伤口有强烈的氧化反应，这使得延长采后保质期的努力变得复杂。深入了解木薯的伤口信号通路和酶反应对于开发更有效、持久的解决方案以减轻PPD至关重要。
尽管传统做法如部分收获可以在自给农业中延缓劣化，但它们不适合大规模生产。气候变化进一步加剧了延长保质期的需求，因为温度相关的劣化现象更加明显。虽然正在努力培育抗PPD的品种并开发储存解决方案，但目前的PPD评估方法主要依赖于症状的视觉评估，因此迫切需要一种客观、快速且可扩展的筛选方法（Saravanan等人，2016年）。尽管大量研究已经阐明了PPD涉及的生理、生化和分子机制，如氧化应激、酚类氧化、伤口诱导的反应以及细胞完整性的变化，但PPD的表型分析仍然主要依赖于人工和主观的视觉评估（Beeching等人，2002年；Reilly等人，2004年；Zidenga等人，2012年）。
深度学习（Deep Learning, DL）技术已在园艺研究中得到广泛应用，并在品种鉴定、产量估算、质量评估、胁迫和疾病表型分析以及作物生长监测等方面表现出色。基于DL的图像和光谱分析方法已成为检测园艺产品质量的强大工具，解决了传统检测方法中存在的主观性、劳动强度高和重复性低的问题。DL的最新进展，结合RGB成像和非破坏性传感技术，使得对多种园艺作物的质量评估实现了自动化和客观化。与传统机器学习方法相比，DL模型能够从复杂的数据集中自动学习层次化的特征表示，包括图像、高光谱特征和声学信号，从而实现更优秀的分类和预测性能（Kamilaris和Prenafeta-Boldu，2018年；Liakos等人，2018年）。多项研究成功应用DL模型通过RGB图像进行表面质量和缺陷检测。例如，Nasiri等人（2019年）使用基于VGG-16的CNN对有缺陷和健康的枣进行分类，准确率达到96.98%；Rosanna等人（2020年）报告称基于DL的香蕉分级准确率超过90%。这些研究表明RGB成像在检测可见缺陷方面的有效性。然而，在木薯等作物中，PPD症状是内部逐渐发展的，仅依靠视觉检查往往不足以准确量化劣化的程度，尤其是在早期阶段。
为了评估内部和皮下质量属性，非破坏性传感技术如近红外（Near-Infrared, NIR）光谱学、高光谱成像（Hyperspectral Imaging, HSI）、热成像和激光背散射越来越多地与DL框架结合使用。高光谱成像提供了与植物组织内生化和结构变化相关的丰富光谱空间信息。Wang等人（2021年）展示了基于ResNet的CNN使用高光谱透射数据检测蓝莓内部机械损伤的有效性，准确率达到88.0%，F1分数为0.90。同样，Zhang等人（2020年）使用全卷积网络（FCN）结合高光谱图像检测蓝莓的内部瘀伤，性能优于传统的SVM分类器。除了缺陷检测外，基于DL的模型还广泛用于预测内部质量属性，如可溶性固形物含量（Soluble Solids Content, SSC）和硬度，这些属性与生化组成和组织完整性密切相关。Bai等人（2019年）报告称使用NIR光谱学结合DL回归预测苹果的SSC的相关系数为0.99，而Yu等人（2018年）使用高光谱成像和深度神经网络实现了梨的SSC和硬度的高预测准确率。这些发现强调了DL方法在模拟复杂生理和生化变化（如木薯中的PPD进展）方面的潜力。
本研究旨在探索基于深度学习的图像分类模型，如ResNet50、EfficientNetV2S、MobileNetV3-Large、YOLOv8以及集成学习策略，基于横截面图像对木薯根部的采后生理劣化（PPD）进行分类，并提高预测性能。该研究还包括通过用户可访问的界面部署训练好的模型，以便在实际的木薯质量评估中应用。
