基于荧光高光谱成像与近红外光谱深度融合的莴苣叶片痕量镉无损检测新方法

为解决传统重金属检测方法破坏样本、成本高的问题，研究人员创新性地将荧光高光谱成像(FHSI)与近红外光谱(NIR)技术深度结合，通过卷积神经网络(CNN)提取镉相关特征，建立最小二乘支持向量回归(LSSVR)模型，实现了莴苣叶片痕量镉(0.0255 mg•kg?1)的高精度预测(R2p=0.9044)，为农产品安全监测提供了新范式。

　　

镉污染被称为"农田里的隐形杀手"，这种重金属不仅会通过食物链在人体内蓄积引发骨痛病和肾损伤，更因其在低浓度下就具有强生物毒性而备受关注。莴苣作为全球消费量最大的生食叶菜之一，其特殊的重金属富集特性使得痕量镉检测成为食品安全领域的重大挑战。传统检测方法如原子吸收光谱需要破坏样本且耗时耗力，而单一光谱技术又难以捕捉痕量镉的微弱信号特征。

针对这一技术瓶颈，国内某高校的研究团队在《Journal of Food Composition and Analysis》发表了一项突破性研究。他们开创性地将荧光高光谱成像(FHSI)和近红外光谱(NIR)两大技术深度融合，前者能敏感捕捉叶片中胡萝卜素等荧光物质的细微变化，后者则可获取OH/CH键的倍频组合谱带信息。研究人员设计了包含5个镉胁迫梯度（共50株）的莴苣样本队列，采用波长范围397.91-986.022 nm的FHSI系统和900.68-1700.12 nm的NIR光谱仪同步采集数据。通过卷积神经网络(CNN)深度挖掘两种光谱的互补特征，最终建立的LSSVR模型对低于限量标准(0.2 mg•kg^?1)的痕量镉实现了RPD（相对分析误差）达3.2342的精准预测。

样本制备

采用无土栽培的抗抽薹莴苣品种，通过梯度浓度氯化镉溶液胁迫处理构建含125个叶片的样本库，确保镉含量覆盖痕量到超标的全范围。

参考值统计

数据分析显示不同胁迫梯度间镉含量差异显著，且与叶片积累量呈正相关，其中近半数样本镉含量低于0.1 mg•kg^?1，为痕量检测提供了理想样本。

结论

该研究首次证实CNN在提取镉相关光谱特征方面显著优于传统方法，多模态数据融合使预测性能提升37.6%。特别是对0.05-0.2 mg•kg^?1临界值区间的样本，模型识别准确率达91.2%，为农产品安全监管提供了革命性的现场快检方案。

这项研究的创新点在于突破了"单一技术难以检测痕量污染物"的传统认知，通过深度学习方法挖掘多源光谱的隐含关联，将检测灵敏度提升至现有标准的1/8。Wu Xiaohong团队在讨论中指出，该技术框架可扩展应用于其他重金属的检测，对构建智能化农产品质量安全预警体系具有重要实践价值。研究获得国家自然科学基金(31971788)和江苏省研究生科研创新计划(KYCX24_3991)的联合资助。