高光谱成像结合机器学习和深度学习技术，用于无损检测辣椒（Capsicum annuum L.）粉剂中的掺假情况

《International Journal of Food Properties》：Hyperspectral imaging combined with machine and deep learning for non-destructive detection of defective red pepper (capsicum annuum L.) powder adulteration

非破坏性检测方法结合短波红外高光谱成像与机器学习/深度学习技术，有效识别含微生物污染的红辣椒粉末掺假，通过二维相关光谱降维（112波段→15关键波段），支持向量回归（RPD>9.81）和循环神经网络（R2>0.98）模型表现最佳，同时实现掺假比例可视化分布。

　　本研究旨在开发一种非破坏性方法，用于检测红辣椒粉中的掺假缺陷样品（Defective Red Pepper Powder, DRPP）。通过结合短波红外（Short-Wave Infrared, SWIR）高光谱成像（Hyperspectral Imaging, HSI）技术与先进的数据预处理、降维方法以及机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）算法，研究团队构建了一个高效、准确且可推广的检测系统。该方法不仅能够在不破坏样品的前提下实现快速检测，还能够通过光谱信息直观地呈现DRPP在红辣椒粉中的分布模式，为食品安全和农产品掺假评估提供了新的技术路径。

红辣椒作为一种广泛种植和消费的香料作物，尤其在亚洲和南美洲国家具有重要的经济和文化价值。然而，在其供应链中，由于红辣椒易受微生物污染影响，如霉菌、真菌等，导致其品质下降。这种劣化不仅影响产品的感官特性，还可能产生有毒代谢产物，如黄曲霉毒素，对消费者健康构成威胁。因此，建立一种快速、准确且非破坏性的检测手段对于保障食品安全至关重要。传统方法如高效液相色谱（HPLC）、毛细管电泳（CE）、气相色谱-质谱联用技术（GC-MS）、聚合酶链式反应（PCR）和微生物计数等虽然在实验室环境中具有较高的准确性，但往往需要复杂的样品前处理过程，耗费大量时间和人力，难以满足实际应用中对实时性和便携性的需求。

高光谱成像技术的出现为解决这一问题提供了新的思路。HSI不仅能够获取样品的光谱信息，还能保留其空间结构，使得在检测过程中可以同时分析化学成分和物理分布。特别是在短波红外波段（900–1700 nm），由于该波段能捕捉蛋白质、碳水化合物、脂肪和胺类分子的振动信息，因此在食品检测领域展现出独特的应用潜力。然而，HSI数据通常具有高维度和多变量相关性，这给后续建模带来了挑战。因此，本研究引入了多种预处理方法和降维技术，以提高模型的预测能力和计算效率。

在数据预处理方面，研究团队采用包括标准化（Standard Normal Variate, SNV）、Savitzky-Golay一阶导数（SG-1）、面积归一化（Area Normalization）、正交信号校正（Orthogonal Signal Correction, OSC）等方法。这些技术有助于去除噪声、校正背景干扰，并增强光谱特征的可辨识性。通过对比不同预处理方法对模型性能的影响，研究发现结合SNV和SG-1预处理的模型在预测能力上表现最佳，尤其是在支持向量回归（Support Vector Regression, SVR）模型中，其残差预测偏差（Residual Predictive Deviation, RPD）达到了9.81，远高于常规方法。这一结果表明，经过优化的预处理流程能够有效提升模型的鲁棒性和泛化能力。

在降维方面，研究采用二维相关光谱（Two-Dimensional Correlation Spectroscopy, 2D-COS）技术，将原始的112个波长数据缩减至15个具有代表性的波长。2D-COS通过将一维光谱数据扩展为二维矩阵，能够揭示光谱中因掺假引起的细微变化。这些波长主要集中在1139、1146、1153、1160、1223、1391、1398、1405、1413、1420、1427、1690、1697、1704和1711 nm，其中部分波长与碳水化合物中的O–H基团和糖类中的C–H和O–H伸缩振动有关。这些波长的变化反映了红辣椒粉在受到微生物污染后，其化学成分发生显著改变，如糖分、有机酸和辣椒素含量的变化，为后续建模提供了关键的输入信息。

为了进一步提高模型的预测性能，研究团队分别构建了多种机器学习和深度学习模型。其中包括偏最小二乘回归（Partial Least Squares Regression, PLSR）、支持向量回归（SVR）、弹性网络回归（Elastic Net Regression, ENR）以及人工神经网络（Artificial Neural Network, ANN）、一维卷积神经网络（1D-Convolutional Neural Network, 1D-CNN）和循环神经网络（Recurrent Neural Network, RNN）。这些模型在不同的预处理和降维条件下进行了训练和测试，结果显示，经过2D-COS降维后的模型在预测精度上不仅不逊色于全波长模型，反而在某些情况下表现出更优的性能。例如，SVR结合SNV和SG-1预处理的模型在RPD指标上达到了9.81，而RNN模型在归一化和SG-1预处理后，其预测相关系数（R2）和RPD均超过了0.98和7.85，说明这些模型在处理降维后的光谱数据时，依然能够保持较高的准确性。

此外，研究还利用主成分分析（Principal Component Analysis, PCA）对降维后的光谱数据进行了可视化分析。PCA能够将高维光谱数据转化为几个主要成分，从而揭示样本之间的差异性。通过PCA得分图，研究团队能够直观地看到DRPP掺假比例的变化如何影响红辣椒粉的光谱特征。例如，随着DRPP掺假比例的增加，样本在PCA图中的分布逐渐从原本的红色区域向蓝色区域移动，这表明DRPP的引入对红辣椒粉的化学成分产生了显著影响。同时，PCA还帮助识别了不同样品之间的关键化学差异，如自由糖和辣椒素含量的变化，这些特征可以作为区分正常红辣椒粉（Normal Red Pepper Powder, NRPP）和DRPP的重要依据。

研究团队还通过可视化地图（Distribution Mapping）展示了DRPP在红辣椒粉中的分布情况。利用SWIR光谱信息，结合PCA和RGB图像，研究团队能够以颜色变化的方式反映DRPP的含量比例。例如，在DRPP含量较高的样品中，地图的颜色逐渐从蓝色变为红色，表明DRPP的分布范围扩大。这种可视化方法不仅有助于直观判断样品的掺假程度，还能为后续的模型优化提供方向。此外，该方法适用于不同来源的红辣椒粉，包括中国和韩国的产品，说明其在不同地理背景下的通用性和适应性。

在模型构建过程中，研究团队特别关注了不同预处理方法对模型性能的影响。结果显示，SNV和SG-1预处理对SVR模型的预测能力有显著提升，而面积归一化对PLS和ENR模型的性能也有积极影响。然而，某些预处理方法如平滑（Smoothing）虽然有助于降低噪声，但可能在一定程度上掩盖了关键的光谱特征，从而影响模型的准确性。因此，选择合适的预处理策略对于提高模型的预测能力至关重要。

深度学习模型，特别是RNN，在本研究中表现出卓越的性能。RNN能够有效处理具有时间序列特性的数据，如高光谱图像中的像素序列，使其在识别DRPP掺假时具有更强的适应性和准确性。通过结合归一化和SG-1预处理，RNN模型在预测相关系数和RPD指标上均优于其他模型，显示出其在处理高维数据方面的优势。相比之下，ANN和1D-CNN模型虽然也受益于降维，但在整体预测能力上略逊一筹，这可能与它们对噪声和变量序列长度的敏感性有关。

通过对比不同模型的预测结果，研究团队发现，基于2D-COS降维后的模型在预测精度上表现更优，同时减少了计算负担。这表明，合理的特征选择策略能够显著提升模型的效率和性能。此外，研究还指出，尽管某些模型在训练过程中表现出较高的预测能力，但需要进一步的外部验证以确保其在实际应用中的稳定性和可靠性。

本研究的成果不仅为红辣椒粉掺假检测提供了新的技术手段，还展示了HSI技术在食品质量监控中的广泛应用前景。通过结合先进的预处理、降维和建模方法，研究团队构建了一个非破坏性的检测框架，能够快速、准确地识别DRPP的掺假比例。该方法不仅适用于红辣椒粉，还可推广至其他食品和农产品的检测领域，为食品安全和质量控制提供了强有力的技术支持。此外，该方法的可扩展性使其能够应用于实时、在线的质量监控系统，为食品行业提供了更加便捷和高效的检测方案。未来的研究可以进一步优化模型参数，探索更多预处理方法，并结合便携式HSI设备和自动化决策系统，以提高该技术的实用性和普及率。