手持UV-C荧光成像结合级联去噪与深度学习用于多种食品接触表面大肠杆菌浓度分级

《Sensors》：Handheld UV-C Fluorescence Imaging with Cascaded Denoising and Deep Learning for Escherichia coli Concentration Classification on Diverse Food-Contact Surfaces

　　

对食品接触表面上大肠杆菌（Escherichia coli）污染水平进行快速、无损评估，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（ultraviolet-C，紫外-C）荧光成像与级联去噪（cascaded denoising），用于对四种食品接触表面上预定义的大肠杆菌浓度水平进行分类。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（colony-forming units per milliliter，每毫升菌落形成单位）。评估了五种图像去噪算子（denoising operators，DNOs；小波阈值（wavelet thresholding）、非局部均值（non-local means，NLM）、非锐化掩蔽（unsharp masking）、维纳滤波（Wiener filtering）和RL-TV（Richardson–Lucy total variation，理查森–露西全变分正则化））在串行和并行配置中的表现。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（YOLO11 classification）变体、EfficientNetB7、ConvNeXtBase和视觉Transformer（Vision Transformer，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级联获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。YOLO11基模型总体优于ViT，尽管最高性能架构因表面而异。大多数误分类主要发生在10⁶和10⁷ CFU/mL之间，而10⁸ CFU/mL类始终分类准确。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，为快速、无损食品安全检验提供有前景的基础。结果还强调，表面特异性预处理和深度学习架构对于跨多种材料实现稳健性能的重要性。

本研究围绕食品接触表面大肠杆菌（Escherichia coli）污染的快速无损筛查展开。食源性疾病及产志贺毒素大肠杆菌（Shiga toxin-producing Escherichia coli，STEC）相关暴发构成公共卫生和经济负担；大肠杆菌可作为粪便污染指示菌，并可在不锈钢、塑料和橡胶等食品接触表面附着并形成生物膜，成为持续污染储库。传统培养、酶联免疫吸附测定（enzyme-linked immunosorbent assay，ELISA）和聚合酶链反应（polymerase chain reaction，PCR）虽灵敏特异，但耗时长或依赖专业设备与人员，难以满足动态工业场景的实时监测。UV-C（ultraviolet-C，紫外-C）荧光成像具有无损、免试剂潜力，但原始图像同时受混合泊松–高斯噪声、不均匀照明、材料依赖自荧光背景和点扩散函数（point-spread function，PSF）模糊影响，单一去噪方法难以同时校正；既有CSI-D+研究多集中于植物表面或有限材料，且多为单阶段去噪，缺乏卷积与注意力分类器的系统比较。因此，研究人员开发了整合手持UV-C荧光成像、级联去噪与深度学习的框架，在四种食品接触表面上对对照及10⁶、10⁷和10⁸ CFU/mL（colony-forming units per milliliter，每毫升菌落形成单位）大肠杆菌浓度进行多类分类，并比较八种分类器与Eigen-CAM可解释性。研究结论表明，有序级联去噪能提升跨表面稳健性，平均测试准确率达94.18%，白色塑料提升最明显；YOLO11基卷积模型总体优于ViT，误分类主要发生于相邻低浓度之间，10⁸ CFU/mL均准确。该工作为快速、无损食品安全现场筛查提供了方法基础，并强调表面特异性预处理和架构选择的重要性。

关键技术方法概括（不超过250字）：样本来源为非致病性通用Escherichia coli（ATCC 35218）。研究人员使用SafetySpect CSI-D+手持UV-C（275 nm）荧光成像系统，在四种食品接触表面采集对照及10⁶、10⁷、10⁸ CFU/mL图像；进行感兴趣区域（region of interest，ROI）隔离和背景去除；以信噪比（signal-to-noise ratio，SNR）筛选小波阈值、NLM、非锐化掩蔽、维纳滤波和RL-TV五种去噪算子，并构建串行与并行级联；将图像四象限、半幅和全幅重建并旋转增强；采用YOLO11-cls（n、s、m、l、x）、EfficientNetB7、ConvNeXtBase和ViT八种ImageNet预训练模型微调，AdamW优化、交叉熵损失、早停，留出测试集评估，并用Eigen-CAM生成类激活图。

结果部分如下。3.1 基于SNR的去噪算子表征：研究人员将五种去噪算子单独作用于原始荧光图像并以SNR比较保真性。小波阈值在四个表面均产生最高SNR，分别为黑塑料、白塑料、不锈钢和白橡胶40、48、36和36 dB，故被选为级联锚点；非锐化掩蔽和维纳滤波SNR一般较低，RL-TV与NLM居中。白色塑料的SNR范围最高（41–48 dB），其他表面为33–40 dB，提示去噪响应具有表面依赖性。

3.2 单一去噪算子评估与级联形成：通过八种模型、四种表面评估单一算子分类性能，未发现单一算子在所有表面最优：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和非锐化掩蔽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，故被剔除；保留小波、维纳和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%。随后构建串行级联及并行多通道配置。

3.3 级联比较与最佳流程选择：在相同模型、训练协议和数据划分下，三阶段小波→维纳→RL-TV级联取得最高平均准确率94.18%，并在不锈钢、白橡胶和白塑料上最佳或接近最佳：不锈钢97.57%（YOLO11 s），仅低于最高值97.74%（小波→维纳，EfficientNetB7）0.17个百分点；白橡胶97.57%（YOLO11 m）；白塑料87.15%（YOLO11 s），较最佳单算子提高11.46个百分点，较并行配置提高10.41个百分点。将去卷积置于最后（94.18%）明显优于置于中间（87.24%）和置于最前（白塑料68.75%）；三阶段级联优于两阶段小波→维纳（91.48%）和最佳单算子平均（90.94%）；小波锚定优于维纳锚定（87.88%）。串行级联在四个表面均优于并行多通道，白塑料差异最大（87.15%对76.74%）；黑塑料单RL-TV为95.14%，较最佳级联94.44%高0.70个百分点，但级联在其他三表面最高。固定单一模型YOLO11 L平均93.00%，表面特异选模平均94.18%。

3.4 误差模式分析：通过归一化混淆矩阵分析最佳表面模型。黑塑料准确率94.44%，对照和10⁸ CFU/mL全对，10⁶有20.37%误判为10⁷。白塑料准确率最低87.15%，10⁸全对，但对照有12.50%误判为10⁷，10⁶有20.83%误判为10⁷，10⁷有9.72%误判为10⁶、5.56%误判为对照。不锈钢准确率97.57%，10⁸全对，10⁶正确率99.31%，10⁷有6.25%误判为10⁶、0.69%误判为对照，对照正确率97.92%。白橡胶准确率97.57%，对照和10⁸全对，10⁶有7.41%误判为10⁷，10⁷仅0.93%误判为10⁶、正确率98.61%。总体上误分类主要发生于相邻浓度，尤其10⁶上判为10⁷，10⁸在各表面均准确；对照与污染样本混淆在黑塑料、不锈钢和白橡胶有限，在白塑料更明显。研究还计算了最佳表面特异模型的宏平均精确率、召回率和F1。

3.5 可解释性分析：利用Eigen-CAM（eigen class activation mapping，特征类激活映射）热图观察最佳流程下各表面和浓度的判别区域。随浓度升高，激活总体增强并更空间集中，不锈钢和白橡胶高浓度尤为局部，与这些表面高浓度分类准确相符；白塑料激活较弥散，与SNR分析中较高残余背景和剩余误分类一致。作者指出热图仅提供定性解释，激活区域代表模型判别特征，不等同于大肠杆菌荧光、单个液滴或成像伪影。

讨论部分总结：预处理效果不仅取决于单个去噪算子，还取决于互补算子的组合方式；串行有序预处理优于并行多通道融合，其中去卷积阶段位置尤为关键，RL-TV置于噪声抑制之后优于前置，符合理查森–露西去卷积对噪声放大的敏感性；两个噪声抑制算子互换影响较小。表面依赖性表明材料荧光和背景影响预处理效果，白塑料对单算子最困难但也从级联获益最大，然而表面效应未被完全消除，最佳分类器仍随表面变化。YOLO11总体优于ViT，可能与本任务荧光模式局部性和数据集规模有关，ViT或需更大领域数据或混合架构。误差集中于相邻浓度而非污染与对照，说明筛查污染比精细区分相邻浓度更容易；白塑料对照与低浓度剩余误差提示表面背景仍重要。与先前CSI-D+研究（Yadav et al. (2024)、Burks et al. (2025)、Vaddi et al. (2025)和Iqbal et al. (2026)）相比，本研究使用第二代设备、系统评估五种去噪算子、多种级联及八种分类器、四种食品接触表面；但图像分辨率、LED设计、数据集和评估协议差异限制直接比较。部署上存在固定模型与表面特异优化权衡。局限包括：表面感知性能为回顾性基准；实验为单一菌株预定浓度，属浓度级分类而非未知微生物混合物中的菌种鉴定；结果未必直接推广至玻璃、木材、陶瓷等未测表面；未来需重复种子与统计不确定性分析、更多微生物/有机残留/低浓度验证、更多表面和成像几何及手持嵌入式硬件上的预处理延迟与推理时间评估。

研究结论翻译：本研究开发并评估了一个基于人工智能的框架，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，对四种光学性质不同的食品接触表面上的Escherichia coli细胞浓度进行分类。结果表明，对于受多种共存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。有序小波→维纳→RL-TV级联成为最佳流程，在四个表面上取得94.18%的平均测试准确率。该级联在每个表面上均优于最强单-DNO配置和并行多通道配置，最大改善出现在具有挑战性的白塑料表面。顺序化、物理动机明确的级联及顺序实验支持将噪声抑制操作置于正则化去卷积之前。该发现凸显了组合预处理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。所选级联提供了跨表面的通用预处理策略，但最佳模型仍依赖表面，没有单一架构在所有材料上取得最高准确率。卷积YOLO模型总体优于ViT。实际使用中，级联与YOLO11 L-cls配对提供了在所评估表面上性能一致的通用配置。误差分析进一步显示，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间隔的污染水平，而非检测污染本身。尽管所提框架在高性能超级计算机上展示了有前景的分类性能，其在实际部署条件下的计算效率仍待在手持人工智能嵌入式控制器/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，并在额外表面材料、污染水平和应用场景中开展验证。这些努力可推进UV-C荧光成像与有序去噪级联及紧凑卷积模型，用于多种食品接触表面上各种细菌污染的快速、无损、现场监测。