基于UV-C荧光成像与级联去噪的食品接触表面大肠杆菌浓度深度学习分类

《Biology》：Pyrimidine Metabolic Dysregulation Following pyrR Knockout Attenuates the Anti-Biofilm, Anti-Inflammatory, and Antioxidant Activities of Lacticaseibacillus casei Cell-Free Supernatant

　　

快速、无损评估食品接触表面上大肠杆菌（Escherichia coli）污染水平对食品安全监测和卫生验证具有重要意义。本研究开发了一个深度学习框架，整合UV-C荧光成像与级联去噪，用于对四种食品接触表面上预定义的大肠杆菌浓度等级进行分类。SafetySpect CSI-D+手持系统在不锈钢、白色橡胶、白色塑料和黑色塑料上采集四个浓度水平的荧光图像：对照（0）、10⁶、10⁷和10⁸ CFU/mL。研究在串行和并行配置中评估了五种图像去噪算子（小波阈值去噪、非局部均值（NLM）、反锐化掩模、维纳滤波和RL-TV）。采用一致的评估方案对八种深度学习分类器进行基准测试，包括五种YOLO11-cls变体、EfficientNetB7、ConvNeXtBase和ViT。分类性能随表面类型和去噪策略而变化。串行小波→维纳→RL-TV级联取得最高观测平均测试准确率（94.18%），不锈钢、白色橡胶、黑色塑料和白色塑料的表面特异性准确率分别为97.57%、97.57%、94.44%和87.15%。在最具挑战性的表面（白色塑料）上，该级联较最佳单一算子将准确率提高11.46个百分点。基于YOLO11的模型总体优于ViT，尽管表现最佳的架构因表面而异。大多数误分类主要发生在10⁶与10⁷ CFU/mL之间，而10⁸ CFU/mL类别始终被准确分类。总体而言，有序级联去噪可提高跨多种食品接触表面的稳健大肠杆菌浓度分类性能，为快速、无损食品安全检测提供了有前景的基础。结果还强调了表面特异性预处理和深度学习架构对于跨多样材料稳健性能的重要性。

研究背景与问题：食源性疾病与致病性大肠杆菌（Escherichia coli，E. coli）相关，仍是全球公共卫生问题并造成显著经济负担；产志贺毒素大肠杆菌（Shiga toxin-producing E. coli，STEC），尤其O157:H7，可导致严重胃肠疾病、溶血性尿毒综合征和肾衰竭。食品接触表面可作为污染储库，细菌易在不锈钢、塑料和橡胶上附着并形成生物膜，较浮游细胞更耐消毒剂，导致常规清洁消毒难以消除的持续污染。不同材料在纹理、孔隙率和光学性质上差异明显，影响细菌存活和光学检测。快速、准确、现场定量食品接触表面E. coli浓度对危害分析与关键控制点（hazard analysis and critical control point，HACCP）、卫生验证和预防性风险管理十分重要。常规培养、酶联免疫吸附试验（enzyme-linked immunosorbent assay，ELISA）和聚合酶链反应（polymerase chain reaction，PCR）灵敏度与特异性较高，但培养耗时18—48 h，ELISA和PCR需数小时，且均需专用设备和人员，不适合动态工业环境实时监测。新近快速方法虽缩小速度差距，但多依赖样品采集制备、笨重或脆弱光学器件或台式仪器，限制表面直接现场筛查。因此需要无试剂、可直接在表面实时定量、适应生产线多种材料的方法。UV-C（ultraviolet-C，紫外-C）近275 nm激发下，微生物细胞内芳香族氨基酸和辅因子产生自发荧光，可形成反映生物污染存在及相对浓度的空间模式；CSI-D+手持设备整合高强度UV-C发光二极管、荧光成像传感器及激光点和LiDAR辅助距离控制。但原始UV-C荧光图像同时受混合泊松—高斯噪声、照明不均、材料依赖自发荧光背景和点扩散函数（point-spread function，PSF）模糊影响，单一经典滤波器难以同时去除多种退化，因此需要研究级联预处理及分类器比较。研究人员据此开发并验证框架，对四种食品接触表面E. coli浓度（对照、10⁶、10⁷、10⁸ CFU/mL）进行多分类，设计评估级联去噪流程，基准八种深度学习分类器，表征表面反射和背景荧光对去噪与分类的影响，并用Eigen-CAM（Eigen class activation mapping，特征类激活映射）解释判别性荧光特征。结论表明有序级联去噪可提升跨材料稳健分类，为快速无损食品安全检测提供基础，并强调表面特异性预处理和架构选择的重要性。

关键技术方法（≤250字）：研究人员以非致病性大肠杆菌ATCC 35218制备对照、10⁶、10⁷、10⁸ CFU/mL四浓度，接种不锈钢、白橡胶、白塑料和黑塑料；用SafetySpect CSI-D+第二代手持设备在275 nm UV-C激发下采集3、6、12英寸视频，剔除12英寸，共41个视频流、394帧，以荧光阈值隔离感兴趣区域（region of interest，ROI）；评估小波、NLM、反锐化、维纳、RL-TV五种去噪算子（denoising operator，DNO）单独及串行/并行，以信噪比（signal-to-noise ratio，SNR）筛选并构建级联；图像经重建、象限/半图/全图与旋转增强至224×224；八种分类器（YOLO11-cls n/s/m/l/x、EfficientNetB7、ConvNeXtBase、ViT）经ImageNet预训练、AdamW优化和早停训练，在B200/HiPerGator上以准确率、宏平均P/R/F1和Eigen-CAM评价；样本为实验采集。

研究结果：3.1 基于SNR的去噪算子表征（SNR-Based Denoising Operator Characterization）：研究人员通过将五种DNO单独作用于ROI并与原始图像比较SNR，发现小波在四种表面SNR最高（黑色塑料40、白色塑料48、不锈钢36、白色橡胶36 dB），对原图修改最小，支持其作为级联锚点；白色塑料SNR范围最高（41—48 dB），其他表面较低（33—40 dB），提示需按表面分别分析。3.2 单一DNO评估与级联形成（Single-DNO Evaluation and Cascade Formation）：通过八种模型、四种表面和五种DNO的分类比较，发现无单一算子在所有表面最佳；最佳模型下维纳在不锈钢最高（96.53%），小波在白橡胶（96.41%）和白塑料（75.69%）最高，RL-TV在黑塑料最高（95.14%）；NLM和反锐化最佳模型平均准确率最低（83.01%和83.32%）且未在任何表面最高，故剔除；RL-TV因黑塑料最佳而保留；最终选小波、维纳、RL-TV构建级联；卷积模型总体优于ViT，ViT在白塑料仅42.71%—53.82%。3.3 级联比较与最佳流程选择（Cascade Comparison and Selection of the Best Pipeline）：通过相同模型、训练协议和数据划分比较候选级联及并行多通道，发现Wavelet→Wiener→RL-TV平均准确率最高（94.18%），在不锈钢、白橡胶、白塑料分别为97.57%（YOLO11 s）、97.57%（YOLO11 m）、87.15%（YOLO11 s），黑塑料94.44%（YOLO11 x）；白塑料较最佳单一DNO提高11.46个百分点，较并行配置提高10.41个百分点；反卷积置于末位优于中位（87.24%）和首位；三段级联优于两段Wavelet→Wiener（91.48%）和最佳单一DNO均值（90.94%）；小波锚定优于维纳锚定（87.88%）；串行级联四表面均优于并行配置（均值94.18% vs 90.94%）；黑塑料单RL-TV 95.14%略高于级联94.44%，差0.70个百分点；固定YOLO11 L配级联均值93.00%，按表面选模型均值94.18%。3.4 错误模式分析（Error Mode Analysis）：通过归一化混淆矩阵分析最佳模型，发现黑色塑料对照和10⁸完美，10⁶有20.37%误为10⁷；白色塑料总体最低（87.15%），10⁸完美，12.50%对照误为10⁷，20.83%的10⁶误为10⁷，9.72%的10⁷误为10⁶、5.56%误为对照；不锈钢10⁸完美，99.31%的10⁶正确，10⁷有6.25%误为10⁶；白橡胶对照和10⁸完美，7.41%的10⁶误为10⁷；总体主要误分类为相邻低浓度间，尤其10⁶上误为10⁷，10⁸在各表面均完美；并计算最佳表面模型宏平均精确率、召回率和F1分数。3.5 可解释性分析（Explainability Analysis）：通过Eigen-CAM热图观察，浓度升高时激活总体增强并更空间集中，不锈钢和白橡胶高浓度更明显；白塑料激活较弥散，与SNR分析中较高残余背景及剩余错误一致；但热图区域仅表示模型判别特征，不直接等同E. coli荧光、单个液滴或成像伪影。

讨论部分总结：研究人员认为，UV-C荧光分类的预处理效果不仅取决于单个DNO，还取决于DNO组合产生的互补作用；串行处理优于并行多通道融合，说明面对多种共现退化时显式有序预处理更有利。排序实验显示反卷积阶段位置尤其重要，将RL-TV置于噪声抑制之后明显优于前置，符合Richardson–Lucy反卷积对噪声放大的敏感性；仅颠倒两个DNO顺序影响较小，主要排序约束来自噪声抑制与反卷积交互。表面依赖结果说明单个DNO效果受材料荧光和背景特征影响，白色塑料对单个DNO最困难但也从级联获益最大，级联可缓解单一方法无法充分处理的残余退化，但表面效应未完全消除，最优分类器仍随表面变化。模型比较支持卷积架构适用性，YOLO11总体优于ViT，尤其在白塑料；原文认为这可能与细菌荧光模式的局部性及任务数据集规模有关，局部归纳偏置相对全局自注意力更有优势，ViT可能需要更大领域数据或混合架构。错误分析表明多数误分类发生在相邻浓度而非污染与对照之间，对筛查应用而言可靠识别污染比精确区分相邻浓度更重要；白塑料涉及对照和低浓度的剩余错误说明表面依赖背景仍重要。与前人CSI-D+研究相比，本研究用第二代设备系统评估五种DNO、候选级联和八种分类器、四种食品接触表面；但第二代图像分辨率和LED源设计、数据集构建及评价方案差异限制准确率直接比较。部署上存在简单性与表面特异性优化权衡：固定模型配所选级联无需先识别表面，按材料适配分类器需独立表面识别机制和验证选型。局限包括：表面感知性能为回顾性基准，最佳模型按测试集结果确定，未来需重复种子评估和统计不确定性分析；实验为受控条件下单一E. coli菌株预定义浓度，仅证明浓度分级而非未知微生物混合物中的种属鉴定，需其他微生物、有机残留和更低浓度验证；结果可能不能直接推广到玻璃、木材、陶瓷等未测表面，未来需更多表面材料、成像几何（含距离）和污染场景验证。

研究结论部分翻译：本研究开发并评估了一个基于AI的框架，用于利用CSI-D+手持设备的UV-C荧光成像、系统设计的去噪流程和八种深度学习分类器，在四种光学性质不同的食品接触表面对E. coli细胞浓度进行分类。结果表明，对于受多种共现退化影响的荧光图像，互补DNO的组合方式可能与单个DNO的选择同样重要。有序的Wavelet→Wiener→RL-TV级联成为表现最佳的流程，在四种表面上平均测试准确率为94.18%。该级联在每个表面上均优于最强单一DNO配置和并行多通道配置，最大提升出现在具有挑战性的白色塑料表面。串行、物理驱动的级联及排序实验的优越性能支持将噪声抑制操作置于正则化反卷积之前，这强调了组合预处理DNO时处理顺序的重要性。该框架还阐明了表面变异性如何影响分类性能：所选级联提供跨表面通用预处理策略，但最优模型仍依赖表面，没有单一架构在所有材料上达到最高准确率；卷积YOLO模型总体优于ViT。实际使用时，该级联与YOLO11 L-cls配对提供了在评估表面上性能一致的通用配置。错误分析进一步显示，大多数误分类发生在相邻浓度水平之间，而非污染样本与对照样本之间；这表明只要污染水平足够高以产生可检测荧光（≥10⁶ CFU/mL），主要剩余挑战是区分紧密相邻的污染水平而非检测污染本身。尽管该框架在高性能超级计算机上展示了有希望的分类性能，但其在实际部署条件下的计算效率仍待在手携AI嵌入式控制器/处理器上评估。未来工作将在目标部署硬件上评估预处理延迟、模型推理时间和端到端计算性能，并在更多表面材料、污染水平和应用场景中验证。这些努力可推动UV-C荧光成像结合有序去噪级联和紧凑卷积模型，朝着对多种食品接触表面上多种细菌污染进行快速、无损、现场监测的方向发展。