短波红外成像结合机器学习技术检测Queso fresco奶酪中单核细胞增生李斯特菌的效果研究

研究人员针对Queso fresco(QF)奶酪易受单核细胞增生李斯特菌(LM)污染的问题，采用短波红外(SWIR)成像技术结合四种机器学习(ML)算法，开发了非破坏性检测方法。通过提取反射率均值、标准差等特征，发现随机森林(RF)在二元分类和菌群数量分类中准确率达100%，支持向量机(SVM)和k近邻(kNN)分别达94%和92%，为奶酪行业提供了新型安全评估工具。

　　

墨西哥风味新鲜奶酪Queso fresco(QF)因其高水分(41-59%)、低盐(1-3%)和近中性pH值(5.3-6.5)的特性，成为单核细胞增生李斯特菌(Listeria monocytogenes, LM)的理想滋生环境。这种食源性病原体能在4°C冷藏条件下两周内从100 CFU/g增殖至1000 CFU/g，而仅需10⁴-10⁵ CFU/g即可致病。传统检测方法需耗时48-96小时，且需破坏样品，无法满足实时监测需求。加拿大圭尔夫大学(University of Guelph)工程学院的研究团队创新性地将短波红外(Shortwave Infrared, SWIR)成像技术与机器学习相结合，为这一难题提供了突破性解决方案。

研究采用900-1700 nm波段的SWIR相机，对接种三种LM菌株(ATCC? 43256?、43257?和BAA-3134?)的QF样本进行成像，菌群浓度梯度设为1.0、2.0和3.0 log₁₀ CFU/g。通过图像增强技术将原始500张图像扩充至5000张，提取反射率均值、标准差、偏度和峰度四个关键特征，采用逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)和k近邻(kNN)四种算法进行三级分类：二元(污染/未污染)、菌群数量级和菌群-菌株组合分类。

图像特征与菌群相关性

研究发现反射率均值与LM浓度呈显著负相关(R²=0.95)，3 log₁₀ CFU/g组的反射率(2147-2154)较对照组(2195)降低2.2%。标准偏差随污染程度增加而减小，表明LM细胞均匀分布导致表面粗糙度降低。

机器学习模型表现

RF在二元和菌群数量分类中均实现100%准确率；SVM和kNN在二元分类中分别达94%和92%，但在菌群-菌株分类中精度降至54-55%。LR整体表现最差(二元分类64%)，显示线性模型不适用此场景。值得注意的是，菌株间分类效果不佳，提示SWIR难以区分遗传相似的亚型。

技术局限与工业应用

当前技术主要检测表面污染，对QF内部渗透的LM灵敏度有限。研究建议结合切片成像或多角度采集提升检出率。虽然SWIR设备成本较高，但其非破坏性和实时检测优势，配合RF算法的高准确性，为奶酪生产线提供了革命性的安全监测方案。该成果发表于《Food Control》，为实施"零容忍"政策提供了技术支撑，未来通过卷积神经网络(CNN)等深度学习优化，有望实现更精准的污染定位和定量分析。