基于纹理特征分析的藏红花掺假检测：机器学习视觉系统的应用研究

为解决藏红花贸易中掺假问题，研究人员利用机器视觉系统采集不同掺假比例样本图像，结合GLCM、GLRM和LBP纹理特征提取算法，采用DA、SVM和ANN分类模型进行鉴别。研究在6类数据集上SVM模型准确率达80%，3类数据集中DA模型达97.78%，为藏红花快速无损检测提供了新方法。

　　

藏红花作为"红色黄金"，因其高昂的生产成本（每公斤需手工采摘20万朵花）成为全球最昂贵的香料，也使其成为掺假的重灾区。伊朗等地常见将形色相似的 safflower（红花）掺入藏红花牟利。传统检测方法如色谱技术、光谱分析和分子检测虽有效，但存在耗时长、成本高、需专业人员操作等局限。尤其当藏红花以粉末形式交易时，掺假更难以肉眼识别。近年来，非破坏性检测技术如机器视觉（Machine Vision）因其快速、自动化优势成为研究热点。

为开发高效可靠的掺假检测方法，研究人员设计了一套基于纹理特征分析的机器视觉系统。研究采集了纯藏红花、红花及5%-20%不同掺假比例的样本图像，通过灰度共生矩阵（GLCM，分析像素对空间关系）、灰度游程矩阵（GLRM，量化同质像素连续分布）和局部二值模式（LBP，局部纹理编码）三种算法提取纹理特征。采用判别分析（DA）、支持向量机（SVM）和人工神经网络（ANN）三类监督分类模型，分别在3类（纯品、10%和20%掺假）和6类（纯品、红花及5%-20%梯度掺假）数据集上进行测试。特征选择阶段引入卡方检验（CST）和最小冗余最大相关（MRMR）算法优化特征组合。

材料与方法
研究流程包括图像采集、GLCM（0°、45°、90°、135°四个方向）、GLRM和LBP特征提取，DA/SVM/ANN模型构建，以及CST和MRMR特征选择。GLCM计算了对比度、相关性等统计量；LBP通过3×3窗口比较中心像素q_c与邻域像素的强度关系；SVM采用核函数处理非线性分类问题。

结果与讨论
6类数据集中，SVM结合全特征集取得最高80%准确率；3类数据集中DA模型达97.78%。特征选择结果显示，GLCM特征经CST筛选10个关键特征后，测试准确率提升至76.94%。相比传统PCR和GC-MS方法易受基质干扰（如DNA抑制剂或色谱峰重叠），该视觉系统在保持非破坏性优势的同时，显著提升了检测效率。

结论
该研究证实纹理特征分析能有效区分藏红花与红花掺假，尤其在高掺假比例（20%）场景下准确率近98%。机器视觉技术的应用为香料行业提供了一种可集成于生产线的实时质量控制方案，对遏制商业欺诈、保障消费者权益具有重要意义。论文发表于《Journal of Food Composition and Analysis》，为食品真实性检测领域提供了新的技术范式。