综述：机器学习在高光谱成像食品安全检测中的应用综述

这篇综述系统探讨了高光谱成像（HSI）结合机器学习（ML）在食品安全领域的应用进展，重点聚焦主食（如小麦、淀粉）中化学成分的无损检测。文章对比了传统检测方法的局限性，详述了HSI技术原理（Vis-NIR/SWIR波段）、数据预处理方法（SNV/SG滤波），并评估了支持向量机（SVM）、卷积神经网络（CNN）和偏最小二乘（PLS）等ML模型的性能差异，最后提出工业落地的挑战与未来方向。

　　

高光谱成像与机器学习：重塑食品安全检测的新范式

引言

食品安全问题在全球范围内持续引发关注，从婴儿奶粉中的三聚氰胺事件到花生酱中的沙门氏菌污染，传统检测方法如人工目检和实验室化学分析因效率低、破坏样本等缺陷难以满足需求。高光谱成像（HSI）技术通过融合空间与光谱数据生成三维超立方体，结合机器学习（ML）算法，为食品安全的快速、无损检测提供了革新方案。

文献计量分析：揭示研究趋势

2020-2024年的文献计量数据显示，HSI与ML的结合研究呈现爆发式增长，中国成为该领域的核心研究区域。关键词共现网络凸显了"光谱分析"、"图像分类"和"深度学习（DL）"等技术热点的紧密关联，反映出自动化食品分类技术的快速发展。

高光谱成像技术原理

HSI技术覆盖可见光-近红外（Vis-NIR, 400-1000 nm）和短波红外（SWIR, 1000-2500 nm）波段，通过反射、透射或相互作用模式采集数据。例如，Vis-NIR擅长检测花青素等有机分子，而SWIR对水分子和脂肪的C-H键振动敏感。典型的HSI系统包含卤素灯照明（近年逐步被LED替代）和光谱分辨率达2.75 nm的成像光谱仪，可识别淀粉中掺入的石灰粉等微量污染物。

机器学习模型的关键应用

分类技术

• 支持向量机（SVM）：在小样本场景下表现优异，通过核函数处理非线性数据，但工业场景适应性不足。
• 卷积神经网络（CNN）：3D-CNN能同步提取空间-光谱特征，但对计算资源要求极高，需大量标注数据训练。
• 主成分分析（PCA）：通过降维提升信噪比，在木薯淀粉掺假检测中准确区分纯品与掺假样本。

回归分析

• 偏最小二乘回归（PLSR）：采用潜变量（LV）解决多重共线性问题，成功预测奶粉中三聚氰胺含量（R²

0.9）。

• 竞争性自适应重加权采样（CARS-PLS）：优化特征波长选择，提升模型鲁棒性。

挑战与未来方向

当前技术面临三大瓶颈：1）HSI设备成本高昂，数据存储需求大；2）ML模型在工业场景的实时性不足；3）缺乏针对主食作物的专用算法。未来研究应聚焦于开发轻量化DL模型、建立标准化光谱数据库，并探索基于核函数的PLS改进方案，以推动技术在实际产线的应用。

结语

HSI与ML的协同创新正深刻改变食品安全监测范式。从实验室到产业化，这项技术不仅有望大幅降低食源性疾病风险，还将助力实现联合国可持续发展目标（SDG 3和12），为全球食品供应链安全提供智能保障。