高光谱成像融合机器学习实现红茶中合成色素的快速无损检测与可视化分析

《Food Chemistry: X》：Rapid detection of synthetic pigments in black tea using hyperspectral imaging technology and machine learning

本研究针对红茶中人工色素非法添加的检测难题，创新性地结合高光谱成像（HSI）技术与机器学习算法，建立了色素种类鉴别、掺伪率定量预测及分布可视化的无损检测模型。研究通过构建柠檬黄、胭脂红和日落黄三种合成色素掺伪的红茶高光谱数据集，开发出定性识别准确率>98%、定量预测相关系数Rp>0.95、RMSEP<0.025的高精度模型，为茶叶质量安全检测提供了新的技术方案。

　　

在茶叶生产和消费领域，保持产品的天然无添加特性是行业的基本准则。然而，一些商家为了提升茶叶外观品质，违规添加合成色素的行为时有发生。这不仅影响茶叶本身质量，扰乱市场秩序，更可能对消费者健康构成潜在威胁。研究表明，长期摄入诱惑红等合成色素可能通过调节肠道菌群和血清素通路加剧实验性结肠炎。传统的高效液相色谱法（HPLC）和气相色谱-质谱联用技术（GC-MS）虽然检测精度高，但存在样品前处理复杂、检测周期长、无法实现在线无损检测等局限性，更难以实现色素分布的可视化分析。

针对这一技术瓶颈，山东省农业科学院茶叶研究所的研究团队在《Food Chemistry: X》上发表了创新性研究成果。该研究首次将高光谱成像技术（HSI）与机器学习方法相结合，建立了红茶中合成色素掺伪的快速无损检测体系。研究团队以武夷工夫红茶为实验对象，针对柠檬黄、胭脂红和日落黄三种常见合成色素，构建了掺伪浓度梯度为0.1%、0.2%、0.3%的实验样本集，采用FS-13型高光谱成像系统采集391-1001nm范围内的光谱数据。

关键技术方法包括：使用多元散射校正（MSC）和去趋势波动分析（DFA）进行光谱预处理；结合主成分分析（PCA）和LASSO回归进行特征波长选择；建立随机森林（RF）、支持向量机（SVM）和偏最小二乘判别分析（PLS-DA）定性模型，以及基于DFA-LASSO-LM的定量预测模型。

研究结果方面：

光谱特征分析表明，三种色素掺伪的红茶样品在500-600nm和800-900nm波段呈现显著差异。胭脂红掺伪茶在600nm附近出现明显吸收峰，而柠檬黄和日落黄在700nm后表现出不同的反射趋势，这些特征为色素鉴别提供了"光谱指纹"基础。

定性分类模型结果显示，经过MSC预处理的PCA分析能够清晰区分四类样品，PC1和PC2的累计方差贡献率达到86.3%。三种机器学习模型中，RF模型在预测集上取得了98.77%的准确率和99.07%的F1分数，表现出最优的综合性能和泛化能力。

定量预测模型方面，DFA-LASSO-LM模型对三种色素的预测性能突出：胭脂红的R_p=0.9631、RMSEP=0.0229；柠檬黄的R_p=0.9561、RMSEP=0.0194；日落黄的R_p=0.9597、RMSEP=0.0230。LASSO特征选择筛选出的关键波长与色素分子的最大吸收区域高度吻合，体现了良好的化学可解释性。

色素分布可视化成果显示，该方法能够清晰呈现不同掺伪浓度下色素的分布情况，从0.1%到0.3%的掺伪梯度变化明显，色彩发育面积和强度与掺伪量呈正相关，实现了痕量色素的可视化识别。

研究结论表明，高光谱成像技术能有效捕获不同色素掺伪红茶的光谱特征，关键识别波段集中在500-700nm可见光区域。MSC-PCA-RF定性模型和DFA-LASSO-LM定量模型分别实现了高精度的分类识别和掺伪量预测。该研究通过光谱预处理和特征选择显著提升了模型性能，为红茶掺伪无损检测提供了可靠的技术方案。

尽管该研究在实验室条件下取得了显著成果，但作者也指出其存在一定的局限性，如实验环境与实际情况存在差异、色素种类覆盖范围有限、未涉及混合掺伪情况等。未来研究将扩展色素数据库，探索多组分混合掺伪检测策略，扩大茶样品种和浓度范围，并致力于开发实时在线检测系统和轻量化算法，推动该技术向实际应用转化。

这项研究不仅验证了高光谱成像结合机器学习在红茶色素掺伪检测中的可行性，也为构建智能化、高效化的茶叶质量安全检测体系提供了重要技术支撑，对促进茶产业可持续发展和保障消费者安全具有积极意义。