基于深度学习和可解释人工智能(XAI)的红辣椒粉掺假检测技术研究

为解决红辣椒粉(RCP)掺假这一全球性食品安全问题，研究人员创新性地将8种预训练2D-CNN模型与AdamClr优化器(学习率0.00005-0.01)结合，构建了集成Grad-CAM和LIME的XAI框架。DenseNet_169模型在批次64时实现97.99%的检测准确率，XAI技术成功可视化模型决策关键区域，为食品质量控制提供了可解释的AI解决方案。

　　

在"香料王国"印度，红辣椒粉(RCP)作为年产量达259万吨的重要经济作物，其掺假问题正以惊人速度蔓延。不法商贩通过添加木屑(WS)、麦麸(WB)等天然掺杂物或合成色素，不仅损害消费者健康，更冲击着全球香料贸易体系。传统检测手段如高效液相色谱(HPLC)和傅里叶变换红外光谱(FTIR)虽精度较高，但存在耗时长、成本高、依赖专业人员等瓶颈。而新兴的计算机视觉技术又易受光照条件干扰，缺乏解释性。这种"检测精度与效率不可兼得"的困境，促使科研人员转向人工智能寻求突破。

来自国内的研究团队在《Journal of Food Composition and Analysis》发表的研究中，创新性地将深度学习与可解释人工智能(XAI)相结合。研究首先构建包含纯Jodhpuri品种RCP(C1_PRcP)和6种5%浓度天然掺杂物(C2_ARcP)的图像数据集，采用AdamClr优化器(循环学习率0.00005-0.01)训练8种预训练2D-CNN模型，最终通过Grad-CAM和LIME技术实现模型决策可视化。

框架
研究设计包含样本制备、数据生成、模型训练和XAI解释四阶段。创新性地将梯度中心化与循环学习率策略融入Adam优化器，形成AdamClr算法，有效提升模型在异质图像数据上的泛化能力。

结果与讨论
DenseNet_169在批次64时表现最优，对C2_ARcP检测准确率达97.99%。XAI分析显示，模型主要依据掺杂物特有的纹理特征进行判别：Grad-CAM热图突出显示木屑的纤维结构、麦麸的颗粒状分布等关键区域；LIME则量化了不同图像区块对分类结果的贡献度。相较传统方法，该体系在保持高灵敏度同时，将单样本检测时间缩短至毫秒级。

结论
该研究首次将XAI技术引入香料掺假检测领域，构建的2D-CNN-XAI框架兼具高精度与可解释性。DenseNet_169模型对最低5%掺假浓度的准确识别，为食品工业质量监控提供了可靠工具。Grad-CAM和LIME生成的视觉解释，不仅增强结果可信度，更能指导生产线快速定位掺假样本。这种"端到端"解决方案，为应对全球食品供应链中的经济驱动型掺假行为提供了新范式。

研究团队特别指出，未来通过扩充数据集覆盖更多品种和掺假类型，可进一步提升模型普适性。该技术的成功应用，标志着人工智能在食品安全领域从"黑箱"预测向透明化决策的重要转变，为构建可信AI质量控制系统奠定基础。