双流特性解耦网络：利用手持拉曼光谱技术实现快速且可靠的大米追溯

《Analytica Chimica Acta》：Dual-Stream Feature-Decoupling Network for Rapid and Robust Rice Traceability Using Handheld Raman Spectroscopy

水稻原产地鉴别中，手持拉曼光谱易受荧光干扰和噪声影响，本文提出RFDNet双流网络，通过小波分解和自编码器分离信号与背景，结合多头注意力和形态卷积提取互补特征，实验在16种稻米样本上达到91%准确率，提升2.25%。

　　

刘振芳|李静|娄俊刚|毕珍|沈青|赵康

浙江-法国水资源与环境数字监测实验室，湖州大学，中国湖州，313000

摘要

背景

大米分类和可追溯性对于确保食品安全、防止原产地欺诈以及提高农产品质量管理至关重要。低成本的手持拉曼光谱技术提供了一种非破坏性和快速的原场分析方法。然而，实际应用受到严重限制，因为这些便携式仪器获得的原始光谱数据通常受到严重的荧光干扰、随机噪声和光谱利用不足的影响，这些因素共同导致了实际应用中的分析准确性和稳健性降低。

结果

为了解决这些问题，我们提出了基于拉曼和荧光的双流网络（RFDNet）以实现稳健、便携的大米原产地识别。该框架首先采用小波分解结合自编码器来有效分离和提纯拉曼信号与背景荧光和噪声。随后进行双分支特征提取：一个用于增强细粒度峰梯度的拉曼分支，以及一个用于建模低频背景形态的荧光分支。我们整合了多头注意力机制和形态学卷积模块，以适应性地捕捉局部和全局的光谱依赖性。在大米原产地数据集上的实验结果表明，RFDNet的准确率达到了91%，比现有的基线模型提高了2.25%。

意义

这种双流方法为非破坏性、快速的原场大米可追溯性提供了一种稳健且通用的解决方案。通过分离和利用拉曼信号和荧光背景中的互补信息，RFDNet有效克服了便携式拉曼仪器中信号干扰和光谱利用不足的局限性。这凸显了其在更广泛农产品中的可靠认证和质量管理方面的巨大潜力。

引言

作为全球广泛消费的谷物，大米富含碳水化合物、蛋白质、脂质和其他必需营养素，具有重要的经济和社会价值[1]、[2]、[3]。大米品种和地理来源是其营养成分和市场价值的关键决定因素[4]。然而，由于不同大米品种之间的形态相似性，出于经济目的的掺假和原产地欺诈现象仍然普遍存在。因此，准确分类和可追溯大米对于确保食品安全和质量保证至关重要。在这种情况下，开发快速、准确且可在田间使用的分析技术变得至关重要。

传统的大米及其地理来源识别方法主要依赖于感官评估和物理化学分析[5]、[6]、[7]。这些方法往往依赖于受过培训人员的专业知识和主观判断，从而引入了人为误差。虽然分子生物学检测、微生物分析和色谱分析等先进技术[8]、[9]、[10]可以实现大米品种和微量元素的高精度识别，但它们受到高测试成本、资源利用效率低下以及适应检测环境能力有限的制约。光谱技术具有快速和非破坏性的分析优势。荧光高光谱成像结合灰狼优化器增强的随机森林模型已被证明可以有效进行大米品种的非破坏性分类[11]。近红外光谱结合软独立类比建模（SIMCA）已被用于快速大米品种分类[12]。尽管荧光和高光谱成像在食品可视化和分类方面显示出潜力，但它们在解析分子振动指纹和化学键级结构信息方面相对不够直接。近红外光谱提供快速定量分析，但对水分和物理变化敏感。相比之下，拉曼光谱提供了无标记、非破坏性的分子表征，特别适合农产品可追溯性和掺假检测[13]、[14]。

近年来，研究人员使用了高精度仪器，如共聚焦光纤拉曼光谱仪、经过改造用于拉曼散射光谱的倒置显微镜和台式拉曼系统，从去壳大米粉中获取光谱。通过主成分线性判别分析（PCA-LDA）、偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）等多变量分析技术，他们实现了不同大米品种和成分特征的准确区分[2]、[15]、[16]。虽然先进的拉曼光谱技术与数据分析方法的结合在实验室条件下能够高精度地识别食品类型、来源和掺假情况，但这限制了它们在需要快速、低成本和现场检测的实际应用场景中的适用性。Chai等人将整粒大米研磨成粉末，并使用便携式拉曼光谱仪收集光谱。通过多项式拟合进行基线校正，并使用双向长短期记忆（Bi-LSTM）网络对粳米品种进行分类[17]。然而，这种工作流程仍然需要预先研磨以减少表面不均匀性，因此不适合现场非破坏性检测场景。针对低强度手持式拉曼设备开发稳健的建模策略已成为将拉曼光谱技术实际应用于食品分析的关键步骤。

使用手持式低强度拉曼光谱仪收集的数据的稳健建模策略面临几个关键挑战。首先，由于激光功率和探测器灵敏度有限，获取的光谱通常信噪比较低，导致分辨率差，弱特征峰被掩盖，从而影响特征稳定性和下游模型性能。其次，荧光基线通常包含有用的信号成分，如微弱的拉曼散射、基部峰宽化和仪器引起的背景[18]、[19]、[20]、[21]。在传统的基线校正过程中，这些成分可能会被错误地去除，导致相关拉曼信息的丢失和定量及定性分析准确性的降低。最近的研究表明，长期以来被视为拉曼光谱干扰的荧光，在与拉曼数据融合时可以提供补充的化学信息。数据融合方法[22]、[23]、[24]利用这些光谱趋势来提高分类效果，通常采用简单的基线拟合、数学校正或特征连接，并侧重于整合分别获取的拉曼和荧光信号。这些策略限制了完全捕获混合拉曼-荧光信号中包含的化学和形态信息的能力。

此外，大米样品的固有表面不规则性（如颗粒分布不均、表面粗糙度和反射角度变化）会进一步降低信号一致性并损害模型泛化能力。深度学习的最新进展通过提高特征可解释性、在噪声条件下的稳健性以及通过可解释的卷积-注意力、基于注意力的和多尺度卷积架构进行分层特征提取，显示出改善拉曼光谱分析的强大潜力[25]。然而，以往的分析方法通常遵循两条路径：(a) 显式背景去除，这可能会丢弃低频化学信息；或 (b) 仅依赖数据的模型，缺乏可解释性。为了解决这些问题，本研究整合了现有的分析技术，构建了一个适用于便携式、现场拉曼检测的端到端深度模型。具体来说，我们的方法结合了基于小波的物理先验进行信号分离[26]和编码器-解码器细化方案[27]来分离拉曼和荧光信号。这使得模型能够利用互补信息，其中拉曼峰代表分子振动，而荧光形态反映矩阵特征，从而在复杂的现场环境中提高稳健性[28]。旨在提高在低质量拉曼数据条件下的检测准确性和可靠性。具体包括：

(1)

收集并表征来自不同地理来源的16种大米样品的拉曼光谱特征，彻底分析光谱特征以建立品种和来源之间的基线差异；

(2)

开发一个端到端的深度双分支网络RFDNet，该网络结合小波信息物理先验来有效分离复杂的拉曼和干扰荧光信号。该架构旨在提取互补且稳健的光谱特征，以实现高精度、现场分类和可追溯性；

(3)

通过详细的消融研究和分离的拉曼和荧光组分的可视化，展示每个网络组件的贡献，提供分类过程的机制洞察。

(4)

使用定量不确定性指标、交叉验证和自助重采样系统地评估RFDNet模型的预测性能和稳健性，以评估模型的可靠性和泛化能力。

部分片段

样品制备

共选择了16种大米品种（包括8种粳米和8种籼米），这些品种来自不同的地理来源和商业品牌。所有样品均在指定的保质期内从当地主要超市采购，并完全符合国家食品安全标准。表1总结了大米类型、样品ID、来源和大米名称。本研究中的样品涵盖了中国的主要产米地区和东南亚的关键区域。籼米品种来源于

拉曼信号分析

本研究从不同地理来源收集的16种大米样品在外观上非常相似。此外，以非破坏性和非接触方式获得的拉曼光谱也非常相似。如图3所示，大米样品中的主要拉曼峰位于大约476、673、1123、1340、1660、2020和2262 cm^-1处。为了便于解释，这些拉曼带及其对应的分子

结论

在这项研究中，我们开发了RFDNet，这是一个基于计量学的双流深度学习框架，它分离拉曼和荧光信号并提取互补的光谱特征，从而在低质量、高荧光条件下实现大米品种的稳健分类。消融研究明确验证了新型信号分离模块和双分支架构的不可或缺的贡献，显著提高了预测能力

CRediT作者贡献声明

毕珍：验证、资源、调查、数据管理。沈青：撰写——原始草稿、监督、软件、项目管理、调查。赵康：监督、资源、正式分析。刘振芳：撰写——原始草稿、可视化、软件、资源获取、正式分析、数据管理、概念化。李静：可视化、验证、软件、方法论、正式分析、概念化。娄俊刚：撰写——审阅与编辑，

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢：

本研究得到了浙江省自然科学基金 [授权号 LRG25F030003]和湖州市科技计划[授权号2024YZ35]的支持。