基于注意力融合的端到端可见近红外高光谱成像技术，用于精确鉴别宫颈锥切术（cervi cornu colla）样本

《Journal of Food Composition and Analysis》：End-to-end visible-NIR hyperspectral imaging with attention-based fusion for accurate cervi cornu colla authentication

鹿角胶真伪鉴别研究建立基于可见近红外高光谱成像的双分支注意力融合网络，通过光谱特征与空间形态的多维度融合实现85.2%的分类准确率，突破传统方法依赖化学试剂或破坏性检测的局限。

　　在传统医学和功能性食品领域，鹿茸角胶（Cervi Cornu Colla, CCC）是一种备受重视的原料。它不仅在中药中占有重要地位，而且因其丰富的胶原蛋白、生物活性肽、多糖以及微量元素而被广泛应用于健康食品、汤品和营养补充剂中。然而，由于CCC与鹿茸角（Cervi Cornu, CC）在外观上高度相似，且加工标准存在差异，导致了市场上的频繁掺假问题。这种现象不仅影响了产品的质量和安全性，还对消费者健康和行业信誉构成了威胁。因此，建立一种快速、非破坏性的检测方法对于确保CCC的真实性和品质控制至关重要。

当前，传统检测方法依赖于感官评估和化学分析，但这些方法往往存在主观性强、操作复杂、需要破坏性采样等局限。此外，化学试剂的使用也增加了成本和环境负担。为了克服这些问题，近年来研究者们开始探索基于光谱成像技术的解决方案，其中可见光-近红外（VNIR, 400–1000 nm）高光谱成像（HSI）因其能够同时获取样品的光谱和空间信息，成为非破坏性分析的有力工具。HSI技术可以实现对复杂生物组织的微结构和化学成分的精细可视化，为功能性食品和中药材料的真伪鉴别提供了新的思路。

然而，尽管HSI在多个研究中展现出良好的应用前景，大多数现有方法仍然局限于单一模态的光谱数据或图像信息。这种单一模态的分析方式在面对复杂样品时存在一定的局限性，例如光谱数据可能受到样品形态变化的影响，而图像数据则可能缺乏足够的化学特异性。因此，如何有效融合光谱与图像信息，以提高对样品特征差异的捕捉能力，成为当前研究的一个关键方向。

为了解决这一问题，本研究提出了一种基于VNIR高光谱成像的多模态融合策略，首次将纯HSI应用于实验制备的CCC（ECCC）与市场获取的CCC（CCCC）之间的二元分类。该方法构建了一个双分支注意力融合网络（RHSI-FANet），通过结合光谱分支和空间分支，实现了对样品化学成分和形态特征的全面分析。在光谱分支中，采用多层一维卷积（Conv1D）网络来提取不同波段之间的相关性，而在空间分支中，则利用卷积神经网络（Conv2D）来捕捉图像中的纹理和形态特征。随后，通过交叉注意力模块进行多模态特征融合，从而提升模型的分类性能和鲁棒性。为了增强模型的泛化能力，研究团队还引入了光谱和图像增强技术，以减少环境因素对检测结果的影响。

实验结果显示，RHSI-FANet在独立测试集上表现出优异的分类效果，整体准确率达到85.2%，特异性为92.6%，敏感性为77.8%，AUC值为0.86，显著优于传统的TCN、1D-CNN、ViT、Swin和MobileNetV3-Small等基线模型。这一结果表明，该方法不仅能够有效区分ECCC和CCCC，还具备较高的检测精度和可靠性。此外，该模型还引入了一个置信度评估模块，通过注意力图或置信度热图，可以直观地解释分类结果的可信度，为实际应用提供了更清晰的判断依据。

在实际应用中，该方法的优势在于其非破坏性和高效率。HSI技术无需使用化学试剂，也无需对样品进行破坏性处理，因此非常适合用于在线质量控制和实时检测。同时，该方法能够在短时间内完成对大量样品的分析，为食品生产和中药加工提供了一种便捷的检测手段。此外，RHSI-FANet的结构设计使得模型能够适应不同形态和背景的样品，从而提升了其在实际环境中的适用性。

值得注意的是，本研究不仅限于CCC的检测，其提出的多模态融合策略同样适用于其他功能性食品和中药材料的真伪鉴别。例如，近年来已有研究表明，HSI技术在检测其他高价值食品成分（如鱼胶、鸡皮胶）和中药材料（如人参、黄芪）的掺假问题中也展现出良好的效果。因此，RHSI-FANet的开发不仅有助于解决CCC的检测难题，还为其他类似材料的检测提供了可借鉴的框架和技术支持。

在研究过程中，团队还对样本的采集和预处理进行了详细规划。实验所用的ECCC样本来自山东认证的鹿场，确保了原料的来源可控和质量稳定。而CCCC样本则从市场上随机采集，以反映实际应用中的多样性。所有样本均按照标准流程进行预处理，包括75%乙醇消毒、标记和数据采集。通过这种方式，研究团队能够更真实地模拟实际检测环境，确保模型的泛化能力和实用性。

在光谱图像预处理方面，研究团队采用了多种技术手段来提升数据质量。原始光谱数据中存在明显的噪声波动和基线漂移，尤其是在短波长区域（<450 nm）。通过白参考校正、基线校正和归一化处理，这些干扰因素得到了有效抑制，使得光谱数据更加清晰和准确。处理后的光谱图像不仅保留了样品的原始特征，还增强了其在不同波段之间的对比度，为后续的特征提取和分类提供了更可靠的基础。

讨论部分指出，HSI技术在传统中药和食品检测中的应用已经取得了一定的成果，但大多数研究仍然集中在单一模态的数据分析上。例如，有研究利用近红外高光谱成像结合支持向量机（SVM）实现了对黑胡椒粉纯度的高准确率检测，也有研究通过融合光谱与图像信息提高了对其他材料的识别能力。然而，这些方法在处理复杂样品时仍存在一定的挑战，特别是在如何平衡不同模态信息的权重和如何处理环境变量对结果的影响方面。

本研究提出的RHSI-FANet方法则在这些方面进行了创新。通过引入注意力机制，该网络能够动态调整不同模态信息的重要性，从而在分类过程中更准确地捕捉到关键特征。此外，模型还结合了光谱和图像增强技术，以减少外部因素对检测结果的干扰，提高其在实际环境中的稳定性。这种端到端的融合策略不仅提升了检测精度，还增强了模型的解释能力，使得检测结果更具说服力和可追溯性。

结论部分强调，RHSI-FANet的开发为功能性食品和中药材料的非破坏性检测提供了一种新的解决方案。该方法不仅能够快速、准确地鉴别ECCC和CCCC，还具备良好的可扩展性，可应用于其他类似材料的检测。同时，研究团队也指出，尽管该方法在实验条件下表现出色，但在实际应用中仍需进一步优化，以适应更复杂的检测环境和更大的数据量。此外，模型的置信度评估模块也为后续的检测结果分析和质量控制提供了重要支持。

综上所述，本研究通过构建一个基于VNIR高光谱成像的双分支注意力融合网络，成功解决了CCC真伪鉴别中的关键问题。该方法不仅提高了检测的准确性和效率，还减少了对化学试剂和破坏性采样的依赖，为传统中药和功能性食品的质量控制提供了一种全新的技术路径。未来，随着HSI技术的不断进步和深度学习算法的持续优化，这种方法有望在更广泛的领域中得到应用，为保障食品安全和中药品质发挥更大作用。