基于高光谱成像与激光诱导荧光数据融合的花生AFB1污染快速无损检测技术研究

《Food Control》：Rapid and non-invasive identification of the AFB 1 contaminated peanut by data fusion of hyperspectral imaging and laser induced fluorescence

本研究针对花生中黄曲霉毒素B1(AFB1)传统检测方法成本高、耗时长的问题，创新性融合高光谱成像(HSI)和激光诱导荧光(LIFs)技术，通过中层级数据融合与随机森林(RF)建模，实现对人工添加标准品和自然霉变样本的精准判别（准确率最高达97.14%）与定量预测（验证集R2v达0.927），为粮油食品安全监测提供了高效无损检测新范式。

　　

花生作为"植物肉"富含营养，却因易受黄曲霉毒素污染成为食品安全高风险品类。其中黄曲霉毒素B₁(AFB₁)被世界卫生组织列为I类致癌物，我国规定花生中限量为20 μg/kg。传统检测依赖高效液相色谱(HPLC)等破坏性方法，难以满足粮油储运环节的实时监测需求。虽然近红外光谱(NIRs)等无损检测技术崭露头角，但单技术存在明显局限：NIRs仅能间接反映样品成分变化，激光诱导荧光(LIFs)虽可直接捕获AFB₁特征荧光（425 nm蓝光），却易受样品基质干扰。如何突破技术壁垒实现精准检测，成为保障食品安全的关键科学问题。

针对这一挑战，江苏高校优势学科建设项目(PAPD)资助的研究团队创新性地提出多模态数据融合策略。研究人员选取人工添加AFB₁标准品的花生样本（品种为花育16和小白沙）与模拟自然环境霉变的鲁花样本展开对比研究。通过高光谱成像系统获取400-1000 nm范围内的反射光谱、颜色（Lab*空间）和纹理特征（灰度共生矩阵），同时采用365 nm激光激发采集荧光光谱。运用无信息变量消除(UVE)算法筛选特征变量后，分别建立单一技术和中层级数据融合的随机森林(RF)模型。

关键技术方法包括：1) 构建双模式检测系统同步采集HSI和LIFs数据；2) 采用UVE进行光谱特征优化；3) 通过主成分分析(PCA)和t-SNE实现高维数据可视化；4) 建立RF分类与回归模型评估预测性能；5) 结合脂肪酸值、水分活度等理化指标解析光谱响应机制。

主要研究结果

花生样本制备
通过人工添加AFB₁标准品（0-500 μg/kg）和模拟仓储霉变（温度28°C、湿度85%）获得两类污染样本，HPLC验证显示自然霉变组AFB₁含量分布更离散（5-326 μg/kg），且伴随显著色泽变化（ΔE>8）和脂质氧化（酸价升高2.5倍）。

高光谱与荧光特征提取
HSI处理显示霉变样本表面出现菌丝团块，纹理熵值增加47%。LIFs检测发现人工添加组在425 nm处荧光强度与AFB₁浓度呈线性相关（R²=0.91），而自然污染组因基质干扰出现荧光猝灭现象。

模型构建与验证
对于人工添加样本，单一LIFs技术即表现优异，RF分类准确率达96.88%，定量预测R²_v为0.927。自然污染样本需融合HSI的反射光谱（特征波长：672 nm、728 nm）与纹理特征（能量、相关性），使RF模型准确率提升至97.14%，R²_v达0.841。对比实验证实，单技术模型在跨样本类型预测时失败率高达34%。

讨论与结论
该研究首次系统论证了HSI与LIFs的协同检测优势：HSI提供的物理特征（颜色、纹理）可有效补偿LIFs受样品异质性影响的缺陷，而LIFs特异性荧光信号则弥补了HSI无法直接识别AFB₁的不足。研究建立的检测框架在保持非侵入性的同时，将自然污染样本的预测误差控制在HPLC方法的15%以内，为粮油仓储智能化监测提供了关键技术支撑。

值得关注的是，研究揭示了花生霉变过程中微观结构坍塌（扫描电镜显示细胞壁断裂）与光谱响应的关联机制，这为开发普适性检测模型提供了理论依据。未来研究可进一步探索多模态数据融合在其它真菌毒素检测中的迁移应用潜力。该成果发表于食品领域顶级期刊《Food Control》，为食品安全风险防控提供了创新方法学参考。