NIRDiffusion：基于扩散模型的工业植物材料近红外光谱质量评估新框架

为解决工业植物材料中水溶性蛋白(WSP)和人参皂苷(TG)快速精准检测的难题，研究人员开发了基于扩散模型的NIRDiffusion框架，结合1D-CNN回归模型，实现了大豆种子WSP（R2=0.973）和西洋参TG（R2=0.949）的高精度预测，较传统方法误差降低17.89%以上。该研究为植物源性材料的无损检测提供了创新解决方案，推动了人工智能与近红外光谱技术在工业质量控制中的深度融合。

　　

在生物基材料和制药原料生产中，大豆和西洋参等工业植物材料的质量控制至关重要。传统检测方法如化学滴定和高效液相色谱(HPLC)虽准确但耗时耗力，而近红外(NIR)光谱技术虽快速无损，却受高维数据、环境噪声和小样本限制。现有特征提取方法如主成分分析(PCA)和自编码器(AE)难以捕捉非线性特征，自监督学习方法如掩码自编码器(MAE)对概率分布建模不足。这些瓶颈严重制约了NIR技术在工业场景中的应用。

针对这一挑战，中国的研究团队在《Industrial Crops and Products》发表研究，提出NIRDiffusion框架。该研究采用扩散模型(Diffusion Model)的迭代扰动-去噪机制，通过1D-UNet提取多尺度潜在特征，结合1D-CNN回归模型，构建了端到端的质量评估系统。实验使用1835份大豆种子和1785份西洋参样本，覆盖中国哈尔滨、加拿大蒙特利尔等多产地来源，通过标准正态变量(SNV)预处理和Kennard-Stone样本划分，采用十倍增强训练策略提升模型鲁棒性。

研究结果显示，在特征有效性方面，NIRDiffusion提取的特征与目标成分的相关系数较AE/MAE提升0.05-0.12。模型性能上，对大豆WSP的预测R²达0.973（RMSE=0.312%），西洋参TG预测R²达0.949（RMSE=3.135%），较PCA误差降低17.89%（WSP）和11.21%（TG）。Bland-Altman分析证实其预测偏差范围显著窄于传统方法。扩散过程分析表明，在时间步t=5时重建的光谱曲线能最佳保留有效特征，此时特征维度压缩至原始数据的1/16。

该研究的创新性体现在三方面：首先，将扩散模型的概率生成能力引入NIR分析，通过前向加噪-反向去噪的迭代过程有效分离噪声与信号；其次，设计多尺度特征融合机制，整合d/4、d/8、d/16三个尺度的光谱特征；最后，构建轻量级1D-CNN预测模块，参数数量仅为传统CNN的1/3。在讨论部分，作者指出该方法在异质性样本（如不同产地的西洋参）中表现优异，RPD值均超过4.0，证明其强大的泛化能力。

这项研究为工业植物材料的智能检测提供了新范式，其技术路线可扩展至其他生物活性成分分析。未来工作将聚焦于模型压缩以适应便携式NIR设备，并探索跨物种迁移学习策略。该成果对实现制药和食品工业的实时质量监控具有重要实践价值，标志着人工智能与光谱分析技术的融合进入新阶段。