基于高光谱成像与可解释深度学习的牛肉淋巴掺假定量无损检测新方法

本文推荐一种结合近红外高光谱成像（NIR-HSI）与可解释深度学习（如LSTM、CNN）的新方法，用于牛肉中淋巴掺假肉的快速、无损定量检测。研究通过SNV-CARS预处理优化光谱数据，利用SHAP（SHapley Additive exPlanations）解析关键波长贡献机制，最终实现高精度（R2=0.9925）及可视化掺假分布，为食品安全监测提供创新技术支撑。

　　

Section snippets

Experimental instruments

高光谱设备：采用推扫式高光谱成像系统，设备组件的具体参数详见补充材料表S1。

多功能绞肉机：型号JR-E02G220（苏泊尔有限公司，浙江省，中国）；

电子天平：型号PR224ZH（奥豪斯仪器常州有限公司，江苏省，中国）。

Data Processing Software

近红外光谱数据提取：ENVI 4.8；开发者：Exelis Visual Information Solutions（现属Maxar公司）；

Spectral analysis

如图3所示，所有样本的光谱曲线趋势高度相似，表明样本化学组成极为接近。因牛肉样本中淋巴肉掺假比例不同，光谱反射率存在差异，导致各掺假比例曲线间存在间距。这是由于牛肉中的蛋白质、氨基酸等有机物，以及脂质和碳水化合物分子中的C-H、N-H、O-H化学键引起的光谱响应变化所致。

Conclusions

本研究验证了高光谱成像（HSI）结合长短期记忆网络（LSTM）模型定量检测牛肉中淋巴掺假肉的可行性。采用可解释人工智能技术（XAI）增强了对特定变量重要性（如关键波长）的化学机制解释。共获取14个掺假水平（0%-60%、100%）的224幅光谱图像，并通过阈值法提取感兴趣区域（ROI）。基于全光谱、预处理及特征波长筛选构建数据集，结果表明SNV-CARS-LSTM模型预测性能最优，其预测集决定系数（R²）、均方根误差（RMSEP）和残差预测偏差（RPD）分别达0.9925、0.3700和11.64。SHAP分析进一步揭示了948 nm与1088.5 nm等关键波长对掺假水平的定量贡献机制，最终实现了淋巴掺假肉的空间分布可视化。本研究为淋巴肉掺假检测提供了兼具高精度与可解释性的新方法。