獼猴桃軟腐病無損高光譜診斷技術研究

摘要：基于高光譜成像技術實現對獼猴桃軟腐病的室內無損快速檢測，以期為病果診斷、果實分選提供技術方案。在可見光近紅外波長范圍內（400～1000 nm）采集病果與健康果的高光譜圖像，并提取相應的感興趣區域（ROI），獲得樣本128個波段的高光譜數據，基于最小冗余最大相關（mRMR）特征排序算法，從中選擇8個最優特征波段。使用標準正態變量變換（SNV）方法對高光譜數據進行預處理，將樣本隨機分配為測試和訓練數據集，分別基于全波段和特征波段建立分類模型。同時，從自然發病果實分離軟腐病菌，并鑒定其種類。結果表明：獼猴桃軟腐病果實與健康果實的高光譜曲線存在明顯區別。針對獼猴桃軟腐病識別，可優化神經網絡模型識別效果最好，從發病果實分離到葡萄座腔菌 （Botryosphaeria dothidea）和甜櫻間座殼屬（Diaporthe eres）均為已知的獼猴桃軟腐病菌，表明自然發病組分類結果可靠。本研究利用高光譜成像技術能準確區分貴長獼猴桃軟腐病果實與健康果實，可實現獼猴桃軟腐病早期無癥狀時期的無損快速檢測，為采后果實分選提供了可靠技術。

關鍵詞：獼猴桃軟腐病；高光譜成像技術；無損快速檢測；機器學習

中圖分類號：S4文獻標識碼：A

文章編號：1008－0457（2025）02－0078－09國際DOI編碼：10.15958/j.cnki.sdnyswxb.2025.02.012

獼猴桃果實在儲藏過程中易受多種病原真菌侵染為害，發生軟腐病、灰霉病、青霉病等采后病害［1］。其中，軟腐病是獼猴桃儲藏期發生最嚴重的真菌性病害［2］，可導致多達40%的果實腐爛，嚴重影響獼猴桃的品質和經濟價值；其致病菌主要為葡萄座腔菌（Botryosphaeria dothidea）［3］和間座殼屬真菌（Diaporthe spp.）［4］。獼猴桃軟腐病前期發病不明顯，故很難通過人工篩選將其分類剔除，一旦病果混入冷庫，可快速傳染蔓延，導致整筐腐爛。因此，開發早期無損快速診斷技術，在入庫儲藏前將無明顯癥狀感染的果實剔除，可較大程度減少儲存與運輸期的損失。有研究針對葡萄座腔菌開發了環介導等溫擴增檢測技術［5］，但該方法需要抽樣提取基因組DNA，屬于破壞性檢測。也有研究使用電子鼻區分發病與健康獼猴桃果實，準確率達875%，但主要針對發病癥狀明顯的果實有效［6］。高光譜檢測技術是一種快速、準確、無損的檢測技術［7］，目前已廣泛應用于水果［89］、蔬菜［1011］等病蟲害早期無損檢測。高光譜檢測技術在獼猴桃上也有相關研究，如對獼猴桃硬度［12］、酸度［13］、可溶性固形物［14］、形狀特征［15］及內部品質［16］等進行無損檢測，這表明高光譜檢測技術可以反映獼猴桃的內部性質。近期，有研究對中華獼猴桃品種‘云海一號’的果實接種擬莖點霉屬真菌（Phomopsis sp）后，發現利用高光譜技術可有效區分健康果實、發病早期（接種后3～7 d）和發病晚期果實（接種7 d后），僅使用光譜特征時準確率達7977%，提取特征波段并結合圖像紋理特征時準確率達9205%［17］，這表明高光譜技術具有診斷獼猴桃軟腐病的潛力。當前，高光譜技術在區分自然條件下無明顯感染癥狀的帶菌獼猴桃果實以及檢測其他品種的軟腐病方面的能力尚不明確。此外，高光譜技術在獼猴桃軟腐病檢測方面的研究也較為少見，它面臨著成本高昂和設備操作復雜的挑戰［18］。因此，構建一個包含多種獼猴桃品種的軟腐病高光譜數據庫和病害檢測模型，對于實現該病害的田間早期診斷至關重要，這對防控獼猴桃軟腐病的發生和傳播起到重要作用。

本試驗以獼猴桃品種‘貴長’的果實為研究對象，設計自然發病組和接種發病組，將兩組的建模結果相互驗證，分別采集軟腐病果實與健康果實的128個波段的光譜信息，再基于最小冗余最大相關（minimum Redundancy and Maximum Relevance，mRMR）特征排序算法，從中選擇8個最優特征波段，對光譜信息進行標準正態變量變換（Standard Normalized Variate，SNV）方法預處理后，建立全波段和特征波段分類模型，主要對比可優化樹、可優化支持向量機（Support Vector Machine，SVM）、可優化最近鄰算法（KNearest Neighbor，KNN）和可優化神經網絡4種可優化分類模型的準確率，最終得到區分獼猴桃軟腐病果實和健康果實的最優模型，同時，本研究還分離鑒定了獼猴桃軟腐病菌的種類，以驗證試驗結果的可信度。

1材料與方法

11材料

111植物材料

本研究的獼猴桃果實樣本來自貴州省修文縣獼猴桃種植示范園（東經10686°，北緯2695°），共采集了兩次獼猴桃果實樣本，樣本的成熟度處于商業采收期。

第一次采集了600個獼猴桃，人工去除表面有損傷、有明顯病斑的果實后，共有546個果實用于試驗，對果實進行編號，采集各果實高光譜數據，放置7 d后分別記錄發病果實與健康果實的編號，最后用于采集光譜信息的發病果實有207個，健康果實有339個。此外，挑取一小塊位于自然發病果實病健交界處的果肉，接種于PDA培養基中，用于分離鑒定軟腐病病菌類型。

第二次采集了250個獼猴桃，人工去除表面有損傷、有明顯病斑的果實后，共有220個果實用于試驗，對果實的表面進行消毒、晾干后，將220個果實均分為兩組，每組110個。一組接種獼猴桃軟腐病病菌（甜櫻間座殼菌，Diaporthe eres），將病菌活化后制備病菌孢子懸浮液用于果實接種；另一組為健康果實，接種等量無菌去離子水。兩組果實放置于25 ℃恒溫恒濕培養箱中培養7 d，在培養期間，定時觀察果實發病情況，最終有94個發病果實（剔除其他16個未發病果實）和106個健康果實（剔除4個明顯皺縮果實）用于采集光譜信息。

113試劑和儀器

主要試劑：TSGelRed核酸凝膠染料（擎科生物）、Marker（2000 bp）（擎科生物）、BWGD2416真菌基因組DNA分離試劑盒（Biomiga）。

主要儀器：高光譜成像儀SOC710VP（北京安州科技有限公司）、超低溫冰箱（賽默飛世爾）、醫用低溫冰箱（中科美菱）、高速冷凍離心機（大龍興創實驗儀器（北京）有限公司）、PCR儀（Thermo Fisher）、電泳儀（諾揚生物）、全自動凝膠圖像分析系統（蘇州阿爾法生物實驗器材有限公司）、超微量分光光度計（賽默飛世爾）。

12高光譜成像系統

高光譜圖像采集系統如圖1所示，所用設備為高光譜成像儀系統（SOC710VP，北京安州科技有限公司）。該系統主要由1個穹頂光源、光譜相機、SOC710VP 主機、電源、計算機及控制軟件等組成，光譜采集范圍為400～1000 nm，光譜分辨率為21 nm，波段為128、256、512 三種，動態范圍為12 bit、16 bit，每行像素為696/1392，速度≥10 s/Cube，焦距可調，鏡頭類型為CMount，耗電為12VDC/100240VAC（50～60 Hz）。注：a為示意圖；b為實物圖。

13高光譜圖像采集

利用高光譜成像儀及數據采集軟件SOC710—VP采集獼猴桃高光譜圖像。首先采集配套校正白板的高光譜數據，隨后將獼猴桃果實放置于拍攝平面上（標簽朝下），在相同光照條件下采集果實光譜信息，注意拍攝過程不可移動果實。

14高光譜圖像數據處理方法

數據處理運用SRAnal710、Matlab（R2024a）、ENVI、Excel等軟件，模型建立主要依靠Matlab（R2024a）實現。

141光譜數據提取

使用SRAnal710軟件，在果實高光譜圖像對應感興趣區域（覆蓋整個果實）上提取光譜，求出每個區域中所有像素點的平均光譜作為該果實的原始光譜，計算并導出樣本反射率。使用Excel整理所提取的原始光譜反射率數據，對數據進行分類，健康果實編號為1，軟腐病果實編號為2。

142光譜數據校正

由于被測樣品表面光照強度分布不均和相機本身存在的暗電流，高光譜成像系統采集到的圖像有很大的噪聲，使用高光譜圖像前需要進行黑白校正。校正公式如下：

143光譜數據預處理

采集的原始光譜中有許多噪聲干擾和冗余信息，對建立模型的精度有很大的影響，選擇合適的預處理方法可以降低數據中的噪聲干擾，提高模型預測精度。本研究通過SNV方法對原始高光譜數據進行預處理。

144特征波段提取

所提取的原始光譜具有128個波段，基于mRMR特征排序算法，從中選擇8個最優特征波段，分別是column 45、54、62、73、89、101、114、117。

15建模方法和模型評價

151模型初步確立

將128個全波段全部輸入Matlab自帶的各種建模方法中，按照7∶3的比例分成建模訓練集與測試集，利用隨機挑選的70%樣本數據建立模型，剩余測試集部分用于模型準確性的測試。之后再將8個最優波段輸入Matlab中，同樣用上述方法建立模型。

研究建立了多種模型，分別為精細樹、中等樹、粗略樹、可優化樹、線性判別、二次判別、可優化判別、邏輯回歸、高斯樸素貝葉斯、核樸素貝葉斯、可優化樸素貝葉斯、線性SVM、二次 SVM、三次 SVM、精細高斯SVM、中等高斯SVM、粗略高斯SVM、可優化SVM、精細KNN、中等KNN、粗略KNN、余弦KNN、三次KNN、加權KNN、可優化KNN、集成提升樹、集成袋袋樹、集成子空間判別、集成子空間KNN、集成RUSBoosted樹、可優化集成、窄神經網絡、中型神經網絡、寬神經網絡、雙層神經網絡、三層神經網絡、可優化神經網絡、SVM 核與邏輯回歸核。通過比較Matlab計算的各模型訓練集及測試集的精確度，初步得出有效模型為：可優化樹（Optimizable Tree）、可優化SVM（Optimizable SVM）、可優化KNN（Optimizable KNN）及可優化神經網絡（Optimizable Neural Network）。

16光譜反射率曲線繪制及平均化處理

在Matlab（R2024a）中輸入命令行并運行，對光譜信息進行平均化處理，繪制原始光譜反射率曲線圖和平均光譜反射率曲線圖。并對數據進行SNV處理，繪制光譜反射率曲線圖。17軟腐病病原菌的分離與鑒定方法

171軟腐病病原菌的分離與DNA提取

分離的軟腐病原菌來自第一次采集樣品中自然發病組的果實，通過觀察獼猴桃果實的發病狀況，從出現軟腐病典型病癥的果實，取一小塊位于其病健交界處的正方形果實，接種于PDA固體培養皿中央，于25 ℃恒溫恒濕培養箱中培養2～3 d。待初次分離的病菌在培養皿中長出菌絲后，對其進行2次純化培養處理。本研究共分離得到4種形態不同的軟腐病菌，按照真菌基因組DNA提取試劑盒的步驟提取純化后的軟腐病菌DNA。

172軟腐病病原菌PCR特異性檢測

上下游片段擴增體系與反應條件為：2×EasyTaq PCR SuperMix（10 μL）、引物ITS1/4（2 μL）、模板（1 μL）、ddH2O（7 μL），總體積20 μL。設置合適的程序對所提取的軟腐病DNA進行PCR特異性檢測，程序為：預變性3 min（94 ℃）；變性30 s（94 ℃）、退火30 s（60 ℃）、延伸1 min（72 ℃），循環35次；終延伸5 min（72 ℃）；保存（14 ℃）。

173軟腐病菌鑒定

將進行PCR后的樣品送至擎科生物科技股份有限公司測序，將返回的序列結果上傳至NCBI進行BlAST對比分析。

18試驗流程

基于目前對軟腐病的檢測及高光譜檢測技術的描述，本試驗提出了高光譜成像技術用于獼猴桃軟腐病的檢測方法，總體試驗流程如圖2所示。2結果與分析

21原始與平均化處理的光譜反射率曲線以及SNV處理后光譜反射率曲線結果由圖3可知，兩組光譜反射率曲線的走勢大致相同，波長在400～700 nm 之間，軟腐病果實與健康果實光譜反射率重疊度較高，不能有效區分。波長在700～1000 nm 之間，軟腐病光譜反射率普遍低于健康組，重疊度低，能有效區分。基于自然發病果實建立的模型，可用于區分接種果實，而基于接種果實建立的模型也同樣可以用于區分自然發病果實。22基于兩組果實128波段與8波段數據的4種主要可優化模型的建模結果表3與表4分別列出自然發病組與接種發病組的混淆矩陣模型參數，據此計算并比較4種混淆矩陣模型的準確率、召回率及負正類率，模型的準確率、召回率越高，負正類率越低，則其分類結果越

在自然發病組中（表5），由全128個波段和8個最優波段建立的模型，訓練集和測試集中可優化神經網絡（Optimizable Neural Network）模型的各項判斷指標是4類可優化模型中最佳的，穩定性最好，具有較好的泛化能力，是最優的分類模型。其訓練集中準確率最高為9430%，召回率最高為9696%，負正類率最低為483%。在接種發病組中（表6），全128個波段建立的模型中，可優化樹是最佳的分類模型。而在8個最優波段建立的模型中，可優化神經網絡模型是最優的分類模型，其訓練集中準確率最高為9859%，召回率最高為9851%，負正類率最低為133%。

圖4為最佳分類模型可優化神經網絡系統的128 個全波段輸入混淆矩陣圖，自然發病組的訓練集中（圖4a），健康果實有225個樣本全部識別成功，有13個樣本被誤認為軟腐病果實，而軟腐病果實有136個樣本成功識別，其中有9個樣本被誤識別為健康果實。測試集中（4b）健康果實有94個樣本全部識別成功，有7個樣本被誤認為軟腐病果實，而軟腐病果實有60個樣本成功識別，其中有2個樣本被誤識別為健康果實。接種發病組的驗證集中（圖4c），軟腐病果實有66個樣本識別成功，有1個樣本被誤認為健康果實，而健康果實有74個樣本識別成功，有1個樣本被誤認為軟腐病果實。測試集中（圖4d）軟腐病果實有28個樣本全部識別成功，而健康果實有30個樣本成功識別，有2個樣本被誤識別為軟腐病果實。接種組的模型識別效果明顯優于自然發病組，其中產生誤判的原因可能是樣本是在不同生長物候期獲取的，隨著時間推移，果實受病害脅迫后一些內部特質也會發生改變，從而導致健康樣本與發病樣本的譜線較為接近，影響了模型的判別準確率。

232病原菌鑒定結果

將分離得到的4種病原菌株所得序列登錄NCBI進行BLAST比對，并將病原菌株的序列與同源性較高的相關序列在MEGA11軟件上進行系統發育樹構建，更清晰地揭示了菌種間的親緣關系。

由表7可知，菌株45B與Epicoccum layuense（拉裕附球菌），同源性達99%。菌株44C及菌株9A與Botryosphaeria dothidea（葡萄座腔菌），同源性達99%。菌株1C與Diaporthe eres（間座殼屬），同源性達99%。由此可知，本試驗分離鑒定的4種病原菌均為軟腐病致病菌，證明所建立的獼猴桃軟腐病診斷模型可信度高。

3討論與結論

在構建分類模型前，常需要對原始高光譜圖像數據進行預處理，如潘健等［19］使用SavitzkyGolay卷積平滑法（SG）、標準正態變量（SNV）、SG卷積一階微分（SGFD）、SG卷積二階微分（SGSD）4種預處理方法處理梨樹葉部病害原始光譜數據，綜合比較發現SNV方法的預處理效果最佳，基于SVM、反向傳播神經網絡（Back Propagation Neural Network，BPNN）建模方法，SVM模型在相同的預處理方法下判別效果優于BPNN模型。本研究采集‘貴長’獼猴桃果實的高光譜數據信息，使用標準正態變量變換方法對其進行預處理，建立光譜反射率曲線圖與分類模型。結果表明高光譜成像技術能夠將軟腐病果實與健康果實成功區分，在700～1000 nm波段的區分度最高，分類模型的精確度均超過了96%，可優化神經網絡模型為最優的分類模型。說明本文基于標準正態變量預處理效果與前者一致，構建的分類模型可靠。

近年來，基于高光譜成像技術的各種機器學習和神經網絡模型也被廣泛應用于水果早期病菌感染檢測中。楊捷鵬［20］結合光譜分析和機器學習算法，構建融合全局與局部光譜特征和基于譜圖融合模型對柑橘炭疽病進行早期檢測，綜合比較SVM、kNN和RF 3種分類模型，發現SVM模型分類效果最佳。孟凱鑫［21］基于全波段、特征波段和紋理特征構建番茄葉片病害早期檢測模型，并引入蜣螂優化算法（Dung Beetle Optimizer，DBO）對模型參數進行優化，比較SVM和雙向長短期記憶網絡（Bidirectional Long ShortTerm Memory，Bi LSTM）模型，建模結果均為DBOBi LSTM處理效果最優。Munera等［22］對枇杷的紫斑病菌等感染進行識別，對比隨機森林（Random Forest，RF）、極端梯度提升樹（extreme Gradient Boosting，XGBoost）、偏最小二乘法（Partial Least Squares，PLS）的效果，XGBoost識別效果最佳。由此可見，不同水果病害的高光譜分類所適用的機器學習方法有所不同，可能與不同水果表面理化性質及不同病害所造成的損傷特點不同。本研究嘗試了Matlab分類器中集成的38種機器學習模型，發現基于可優化神經網絡建立的模型在獼猴桃軟腐病自然發病組和人工接種組均表現優秀，可用于獼猴桃軟腐病早期無癥階段的診斷識別，為獼猴桃入庫儲藏前的分選提供了可靠技術。

本研究的創新點在于設計了自然發病組與接種發病組，兩組的分類結果能夠相互驗證，分離鑒定了自然發病組的病原菌類型，建立了8個特征波段的分類模型，為開發手持式高光譜成像儀提供了參考。但本研究樣品來源不夠豐富，處理后的高光譜圖像仍存在較大的噪點，分類方法的泛化能力還需進一步驗證。同時基于眾多學者的研究成果，均采用多種預處理和特征提取方法組合處理高光譜數據以提高模型精度［1922］，而本研究所使用方法較為單一，后續應進一步深入，利用更多預處理以及特征提取算法提升模型精度，并考慮開展多種優化算法以及模型之間組合效果的研究。通過建立多算法結合的分類模型［23］、譜圖融合［24］等方式以降低光譜圖像的噪聲。基于特征波段不僅能區分健康果實與發病果實，還能將潛育期果實與發病期果實區分開［25］。將高光譜成像技術全面運用到獼猴桃軟腐病的檢測中，助力農業可持續發展。

（責任編輯：胡吉鳳）

作者簡介：翟依晨（2003—），女，漢族，貴州大學農學院2021級植物保護專業本科生，Email：yczhai_gzu@163.com.

參考文獻：

[1]潘慧，龍超安，錢國良，等.獼猴桃采后真菌病害生物防治研究進展［J］.2024，44（1）：100106.

［2］邵寶林，劉露希，宿白玉，等.獼猴桃儲藏期病原真菌的分離與鑒定［J］.中國植保導刊，2020，40（6）：1721.

［3］田旭軍，廖遜，李榮玉，等.3種中藥提取物對獼猴桃葡萄座腔菌的毒力及聯合作用［J］.山地農業生物學報，2023，42（2）：8689.

［4］Li L，Pan H，Chen M Y，et al.Isolation and identification of pathogenic fungi causing postharvest fruit rot of kiwifruit （Actinidia chinensis） in China［J］.Journal of Phytopathology，2017，165（11/12）：782790.

［5］王大會，趙蕊，劉丹丹，等.獼猴桃軟腐病菌的環介導等溫擴增快速檢測技術［J］.植物保護學報，2022，49（6）：18111812.

［6］Wang Y J，Fei C X，Wang D，et al.Quantitative analysis and early detection of postharvest soft rot in kiwifruit using Enose and chemometrics［J］.Journal of Food Measurement and Characterization，2023，17（5）：44624472.

［7］Zhang N，Yang G J，Pan Y C，et al.A review of advanced technologies and development for hyperspectralbased plant disease detection in the past three decades［J］.Remote Sensing，2020，12（19）：3188.

［8］舒田，陳智虎，劉春艷，等.水果病蟲害高光譜遙感應用研究進展［J］.江蘇農業科學，2022，50（20）：1929.

［9］Siedliska A，Baranowski P，Zubik M，et al.Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging［J］.Postharvest Biology and Technology，2018，139：115126.

［10］謝傳奇，王佳悅，馮雷，等.應用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測研究［J］.光譜學與光譜分析，2013，33（6）：16031607.

［11］Li Y H，Luo Z H，Wang Y X，et al.Hyperspectral leaf imagebased cucumber disease recognition using the extended collaborative representation model［J］.Sensors，2020，20（14）：4045.

［12］尚靜，馮樹南，譚濤，等.基于高光譜成像的貴長獼猴桃硬度快速預測［J］.食品工業科技，2023，44（6）：345350.

［13］Ma T，Xia Y，Inagaki T，et al.Nondestructive and fast method of mapping the distribution of the soluble solids content and pH in kiwifruit using object rotation nearinfrared hyperspectral imaging approach［J］.Postharvest Biology and Technology，2021，174：111440.

［14］Guo W C，Zhao F，Dong J L.Nondestructive measurement of soluble solids content of kiwifruits using nearinfrared hyperspectral imaging［J］.Food Analytical Methods，2016，9：3847.

［15］黎靜，伍臣，劉木華，等.高光譜成像的獼猴桃形狀特征檢測［J］.光譜學與光譜分析，2020，40（8）：25642570.

［16］Zhu H，Chu B，Fan Y，et al.Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models［J］.Scientific Reports，2017，7（1）：7845.

［17］高宏盛，郭志強，曾云流，等.基于高光譜圖像波段融合的獼猴桃軟腐病早期分類檢測［J］.光譜學與光譜分析，2024，44（1）：241249.

［18］Lan T，Gao C X，Yuan Q Y，et al.Analysis of the aroma chemical composition of commonly planted kiwifruit cultivars in China［J］.Foods，2021，10（7）：1645.

［19］潘健，祁雁楠，陳魯威，等.基于可見/近紅外高光譜成像技術的梨樹葉部病害識別研究［J］.中國農機化學報，2024，45（8）：162169.

［20］楊捷鵬.基于高光譜成像技術的柑橘炭疽病早期檢測方法研究［D］.廣州：廣東技術師范大學，2023.

［21］孟凱鑫.基于高光譜成像技術的番茄葉斑病與枯萎病早期檢測方法研究［D］.泰安：山東農業大學，2024.

［22］Munera S，GómezSanchís J，Aleixos N，et al.Discrimination of common defects in loquat fruit cv.‘Algerie’ using hyperspectral imaging and machine learning techniques［J］.Postharvest Biology and Technology，2021，171（1）：111356.

［23］潘健.基于高光譜成像技術的梨樹褐斑病檢測方法研究［D］.南京：南京林業大學，2023.

［24］楊捷鵬.基于高光譜成像技術的柑橘炭疽病早期檢測方法研究［D］.廣州：廣東技術師范大學，2023.

［25］張凡，王文秀，張宇帆 等.高光譜和集成學習的鴨梨黑斑病潛育期快速識別方法［J］.光譜學與光譜分析，2023，43（5）：15411549.

Nondestructive Hyperspectral Imaging for the Detection of Kiwifruit Soft Rot Disease

Zhai Yichen， Zhang Lin， Zhu Jiajia， Long Yan， Yang Xinrui， Zhao Zhibo*

（1.College of Agriculture， Guizhou University， Guiyang 550025， Guizhou，China）

Abstract：This study aims to achieve rapid，nondestructive indoor detection of kiwifruit soft rot disease using hyperspectral imaging technology，providing a technical basis for disease diagnosis and fruit sorting.Hyperspectral images of diseased and healthy kiwifruits were acquired within the visiblenear infrared wavelength range （400～1000 nm），and regions of interest （ROIs） were extracted to obtain spectral data from 128 bands.Using the minimum Redundancy and Maximum Relevance （mRMR） feature selection algorithm，eight optimal spectral bands were identified.The hyperspectral data were normalized using the Standard Normal Variate （SNV） method and randomly divided into test and validation datasets to build classification models based on both fullband and featureband data.Soft rot pathogens were isolated from naturally infected kiwifruits，and their species were identified.The results demonstrated clear differences in the hyperspectral reflectance curves of diseased and healthy fruits.Among the classification models，the optimized neural network model achieved the best recognition performance for identifying soft rot disease.The isolated pathogens were identified as Botryosphaeria dothidea and Diaporthe eres，known causative agents of kiwifruit soft rot，confirming the reliability of the classification results for naturally infected fruits.This research highlights the potential of hyperspectral imaging technology for accurately distinguishing soft rotdiseased Guichang kiwifruits from healthy ones during the early symptomfree stage.The findings provide a robust foundation for postharvest fruit sorting based on rapid，nondestructive testing methods.

Keywords：kiwifruit soft rot; hyperspectral imaging technology; nondestructive testing; machine learning