基于高光谱成像与深度学习的猪肉中大肠杆菌快速无损检测及可视化研究

针对传统微生物检测方法耗时耗力的问题，本研究创新性地结合高光谱成像(HSI)与深度学习技术，开发了猪肉中大肠杆菌(E. coli)的快速无损检测方法。通过优化卷积神经网络(CNN)与支持向量机(SVM)的混合模型，结合粒子群优化(PSO)和变量迭代空间收缩算法(VISSA)，实现了87.50%的检测准确率，并完成细菌空间分布可视化，为食品安全监测提供了高效技术方案。

　　

猪肉作为全球消费量最大的肉类之一，其安全性始终备受关注。由于极易受到大肠杆菌(E. coli)等致病微生物污染，传统依赖平板培养技术的检测方法面临耗时（通常需要24-48小时）、成本高且难以实现复杂微生物组成分析的困境。尽管PCR技术具有快速灵敏的特点，但其高昂的技术门槛限制了广泛应用；免疫学方法虽经济实用，却无法满足现代工业化在线检测需求。在这一背景下，高光谱成像(HSI)技术凭借其非破坏性、高效实时等优势崭露头角，但如何从复杂光谱数据中精准提取微生物特征仍是亟待解决的科学问题。

来自杭州的研究团队在《Journal of Agriculture and Food Research》发表的研究中，开创性地将HSI与深度学习相结合，建立了猪肉中E. coli的快速检测体系。研究首先采集了接种不同浓度E. coli（2-7 log CFU/mL）的猪肉样本在387.06-1003.18 nm范围的高光谱图像，通过六种预处理方法（包括多元散射校正MSC、标准正态变量SNV等）和五种特征波长选择算法（如竞争性自适应重加权采样CARS）优化模型性能。创新性地构建了基于粒子群优化(PSO)的CNN-SVM混合模型，其中CNN负责从光谱序列中提取层次特征，SVM则通过核函数映射实现高维空间分类，最终VISSA-PSO-CNN-SVM模型在测试集达到87.50%准确率，并成功实现细菌空间分布可视化。

关键技术方法包括：1）使用推扫式高光谱成像系统采集447个光谱通道数据；2）采用样本集分区(SPXY)方法按4:1划分数据集；3）开发1D-CNN处理连续波段光谱序列；4）集成PSO算法同步优化CNN迭代次数、SVM核函数等超参数；5）通过二阶导数(2nd Der)预处理增强光谱特征差异。

研究结果显示，在光谱特征方面，530-580 nm波段对不同浓度E. coli区分效果显著。机器学习模型比较中，XGBoost在测试集F1-score达0.919，而传统SVM仅54.71%。通过模型融合，CNN-SVM较单一模型提升24.46%准确率，PSO优化后进一步提升至81.25%。特征选择环节，VISSA从231个全波长中动态筛选33个关键波长，使模型准确率突破87.50%。可视化方面，伪彩色成像清晰呈现了细菌浓度梯度变化（蓝→红），为污染评估提供直观依据。

该研究突破了传统微生物检测的技术瓶颈，证实HSI结合深度学习可实现猪肉中E. coli的快速（检测时间缩短80%以上）、无损识别。2nd Der-VISSA-PSO-CNN-SVM模型的建立不仅为食品安全监测提供了新范式，其揭示的530-580 nm特征波段更为便携设备开发奠定了理论基础。值得注意的是，该方法在低浓度差异样本（如6与7 log CFU/mL）中仍存在光谱重叠现象，未来可通过扩大样本量或引入注意力机制进一步优化。这项技术的推广应用将显著提升肉类供应链中的微生物风险管控能力，对保障公众健康具有重要实践价值。