基于高光谱成像与机器学习的掺假小麦粉快速无损检测技术研究

为解决小麦粉中霉变和发芽成分的快速检测难题，研究人员通过高光谱成像技术结合机器学习算法（RFR/XGBR等），建立了掺假小麦粉定量分析模型。结果显示，霉变小麦粉检测R2>0.99，发芽小麦粉R2>0.95，并实现劣变成分空间分布可视化。该研究为粮食质量安全监管提供了高效精准的技术手段。

　　

在全球粮食安全体系中，小麦作为主要口粮供应着40亿人每日40%的能量需求。然而潮湿气候和不当储存易导致小麦霉变或发芽，其制成的面粉可能含有致癌的脱氧雪腐镰刀菌烯醇（DON）等霉菌毒素，或因发芽导致品质劣变。传统检测方法如液相色谱-质谱联用（LC-MS/MS）虽准确但步骤繁琐、成本高昂，难以满足市场大规模筛查需求。

浙江省"领雁"研发计划项目支持的研究团队创新性地将高光谱成像技术与多元机器学习算法结合。通过采集不同掺假比例（0%-100%）霉变/发芽小麦粉的高光谱数据，采用竞争性自适应重加权采样（CARS）、无信息变量消除（UVE）等特征选择方法优化模型输入，最终构建的随机森林回归（RFR）与极端梯度提升回归（XGBR）组合模型表现最优，对霉变面粉的预测R2突破0.99，均方根误差（RMSE）低于0.02。研究还创新性地将光谱数据转化为热力图，直观展示劣变成分的空间分布特征。

关键技术包括：1）建立梯度掺假样本库（含河南产小麦原料）；2）高光谱成像系统采集900-1700nm波段数据；3）采用多元散射校正（MSC）、标准正态变量变换（SNV）等预处理方法；4）通过CARS/UVE/连续投影算法（SPA）筛选特征波长；5）构建PLSR/SVR/MLPR/RFR/XGBR五类定量模型。

【样本制备与分类】通过恒温恒湿箱培养霉变小麦（25°C，50%湿度），人工筛选发芽小麦，制备0%-100%梯度掺假样本，确保数据科学性。

【反射光谱分析】发现掺假比例与1000-1100nm、1300-1400nm波段反射率存在显著相关性，为特征波长选择提供依据。

【结论】该技术突破传统检测方法局限，实现分钟级快速筛查，对GB2761-2017标准中DON≤1000μg/kg的监管要求具有重要支撑作用。研究发表于《Journal of Food Composition and Analysis》，为智慧粮库建设和食品安全物联网发展提供了关键技术储备。