利用高光谱透射成像技术无损检测蛋炒饭中嵌入的异物

《Food Frontiers》：Non-Invasive Detection of Foreign Matter Embedded Inside Egg Fried Rice Using Hyperspectral Transmittance Imaging

本研究利用高光谱传输成像技术（HSTI）检测蛋炒饭中不同异物（蛋壳、橡胶、纸张），系统比较了可见近红外（VNIR）和短波近红外（SWIR）波段、三种光照强度（70, 90, 110W）及三种分类模型（KNN、RF、MLP）的性能。结果表明，VNIR波段在110W光照下，结合PCA降维的MLP模型实现最高98.33%准确率，且异物定位精度显著优于SWIR波段。该研究为复杂基质中异物的非破坏性检测提供了新方法。

　　蛋炒饭（Egg Fried Rice, EFR）作为一种广受欢迎的中式快餐，其工业化生产过程中不可避免地引入了异物（Foreign Matter, FM），这不仅可能对消费者的健康构成威胁，还可能损害企业的声誉。然而，由于EFR的复杂成分和频繁的翻炒过程，这些异物往往被嵌入食物内部，难以通过传统的视觉识别或反射光谱技术检测。此外，金属探测器和X射线系统等常用异物检测设备在面对非金属或低密度的异物时表现不佳，例如蛋壳、纸屑和橡胶等。因此，研究更高效的异物检测方法显得尤为重要。

本研究提出了一种基于高光谱透射成像（Hyperspectral Transmittance Imaging, HSTI）的检测方法，利用异物与食品成分在化学组成和物理性质上的差异，实现对嵌入EFR内部异物的识别和定位。为了提高检测的准确性和可视化效果，系统地比较了不同的波长范围（近红外波段：VNIR，371.57–1028.85 nm；短波红外波段：SWIR，899.24–1390.07 nm）和不同光强（70、90和110 W）对异物识别的影响。经过Savitzky–Golay（SG）平滑和标准正态变量（SNV）预处理后，采用主成分分析（PCA）和竞争自适应加权采样（CARS）方法对光谱数据进行降维和特征选择。最终，将原始和筛选后的光谱数据输入K近邻（KNN）、随机森林（RF）和多层感知机（MLP）三种模型，进行异物分类和预测。

研究结果表明，基于VNIR波段的检测方法在整体表现上优于SWIR波段。特别是在110 W光强下，使用PCA降维后的光谱数据与MLP模型结合，实现了最高的识别准确率、精确率、召回率和F1分数，分别达到98.33%、98.59%、98.53%和98.52%。此外，预测可视化图谱清晰地展示了异物的位置分布，其分布准确性与模型输出一致。这一研究不仅探索了适用于EFR异物检测的HSTI理想协议，也为基于高光谱成像技术的复杂食品基质中的异物检测提供了新的思路。

在研究方法上，通过采集不同设置下的HSTI图像，对特定样本的感兴趣区域（Region of Interest, ROI）进行手动框选，提取平均光谱传输值。为了提升数据的稳健性，采用SG + SNV预处理方法，有效减弱了光谱噪声，减少了光散射的影响。在数据降维方面，PCA方法通过特征值矩阵将多维数据映射到低维空间，保留了主要的光谱信息，有助于后续模型的构建。CARS方法则通过回归系数评估变量的重要性，系统性地剔除无关变量，从而提高模型的预测能力。

模型预测结果显示，基于VNIR数据的模型整体表现优于SWIR数据。其中，KNN模型在原始光谱数据下表现最佳，而RF和MLP模型在经过PCA降维后的数据上表现更优。这表明，适当的特征提取和降维处理能够显著提升模型的性能。在SWIR系统中，光强对分类结果的影响更为显著，随着光强的增加，预测结果呈现稳定上升的趋势，说明增强的光强有助于提升信噪比，同时减少暗电流的干扰，从而增强光谱信号的清晰度和特征峰的区分度。

在可视化方面，HSTI能够将每个像素点的光谱信息转化为直观的图像信号，实现异物的定位。研究中采用的伪彩色图谱清晰地区分了异物与背景信号，有助于识别异物的轮廓和位置。特别是110 W光强下的HSTI图像，展现出最佳的异物可视化效果，能够更准确地定位嵌入在EFR中的异物。这一发现表明，选择合适的光谱波段和光强设置，不仅能够提升检测的准确性，还能提高异物识别的效率。

此外，研究还指出，VNIR系统相比SWIR系统具有更低的硬件成本，使其在实际工业应用中更具可行性。尽管SWIR系统在光谱分辨率上略胜一筹，但其较高的灵敏度和较强的散射效应可能在某些情况下导致噪声增加，影响模型的稳定性。因此，在考虑经济性和实用性的情况下，VNIR系统更适合于大规模的异物检测需求。

综上所述，本研究通过系统比较HSTI系统的不同参数设置和模型性能，提出了适用于EFR异物检测的优化方案。研究结果不仅验证了HSTI在异物检测中的有效性，还为食品工业中的异物筛查提供了科学依据和技术支持。未来，研究者可以进一步拓展异物种类，增加样本数量，提高检测系统的泛化能力，同时探索基于云平台的高光谱数据库建设，以加快异物检测在生产中的应用。