果実の熟度予測（Fruit Ripeness Prediction, FRP）は、収穫前および収穫後の農業管理において広範な利点をもたらすため、分類ベースの農業分野におけるコンピュータビジョンタスクとして注目を集めている。機械学習／深層学習に基づくハイパースペクトル画像分類技術を用いることで、正確かつ迅速なFRPが実現可能である。しかし、ラベル付きデータの限界や、さまざまなハイパースペクトルカメラや果実種類に普遍的に適用可能な堅牢な手法の不足といった課題により、ハイパースペクトル画像を用いたFRPの効果が損なわれる場合がある。こうした課題に対処するため、本稿では果実熟度のハイパースペクトル分類に特化して設計された機械学習アーキテクチャ「Fruit-HSNet」を提案する。Fruit-HSNetは、フーリエ変換に基づく空間・スペクトル特徴抽出モジュールと、中央ピクセルのスペクトルシグネチャを組み合わせ、学習可能な特徴統合と熟度分類に最適化された分類器を備えている。提案アーキテクチャは、果実熟度予測に用いられる公開されている最大規模のラベル付き実世界ハイパースペクトルデータセット「DeepHS Fruit dataset」を用いて評価された。このデータセットには、アボカド、キウイ、マンゴー、柿、パパイアの5種類の果実が含まれており、異なる熟度段階で3種類の異なるハイパースペクトルカメラによって撮影されている。実験結果から、Fruit-HSNetは従来のベースラインモデルから最先端モデルまでを大幅に上回り、12%の性能向上を達成し、新たな最先端の全体正解率70.73%を記録した。