《Food Control》：Non-destructive honey adulteration fraud identification using hyperspectral imaging and deep learning
编辑推荐：
Muhammad Aqeel|Shahzad Hussain|Hammad Shahab|Khan Bahadar Khan|Kashif Munir巴基斯坦拉希姆亚尔汗64200，赫瓦贾·法里德工程与信息技术大学计算机与软件工程研究所，先进图像处理研究实验室（AIPRL）摘要在
Muhammad Aqeel|Shahzad Hussain|Hammad Shahab|Khan Bahadar Khan|Kashif Munir
巴基斯坦拉希姆亚尔汗64200，赫瓦贾·法里德工程与信息技术大学计算机与软件工程研究所，先进图像处理研究实验室（AIPRL）
摘要
在全球范围内，蜂蜜是第三大常被掺假的食物，因此蜂蜜造假问题对公共健康、消费者信任以及食品行业的可持续性构成了严重威胁。由于廉价糖浆被广泛使用，且其物理化学性质与纯蜂蜜极为相似，因此检测蜂蜜掺假极具挑战性。为此，亟需快速、准确且无损的技术来确保食品的真实性与安全性。本研究探讨了高光谱成像技术在自动识别纯蜂蜜及掺假蜂蜜样本方面的应用潜力。研究采用Specim Fx10系统在可见光近红外波段（400–1000纳米）获取高光谱数据，从而同时获得空间信息和光谱信息。在预处理阶段，通过萨维茨基-戈莱滤波器去除噪声并平滑光谱特征。此外，还结合卷积神经网络和长短期记忆网络开发出了高光谱成像技术，用以提取互补的光谱特征并实现精准分类。实验结果表明，该方法的分类准确率高达98.4%，能够有效区分纯蜂蜜以及不同浓度的糖浆掺假样品和碳酸氢钠掺假样品。这些结果证明了高光谱成像与深度神经网络相结合的方法，是一种快速、无损且可扩展的解决方案，可用于检测蜂蜜掺假行为并保障食品检验的质量。
引言
蜂蜜是由蜜蜂从花蜜中分泌出的天然甜味物质，因其具有营养、药用及抗菌功效而备受重视（Dodd等人，2025年）。由于市场需求大且经济价值高，蜂蜜已成为全球污染最严重的食品之一（Caprai等人，2025年）。在牛奶和橄榄油之后，蜂蜜也是全球掺假案例最多的三种食品之一。蜂蜜掺假通常涉及糖浆等低成本甜味剂，这不仅会严重影响产品的质量和真实性，还会欺骗消费者，损害原产商的利益。在食品欺诈领域，一种普遍存在的现象就是向纯蜂蜜中添加糖浆或化学添加剂等廉价掺假物，以此降低产品质量并误导消费者（Naseem & Rizwan，2025年）。过去，色谱法和同位素分析等传统化学方法曾被广泛用于检测蜂蜜的真伪，但这些方法耗时较长、成本高昂，且往往具有破坏性，因此不适用于需要快速检测的场景（Hao等人，2019年；Xu，2020年；Xu & Zhang，2021b、2023年）。正是由于这些限制，人们开始寻求诸如光谱技术和成像技术之类的创新性、无损且高效的分析方法（Aqeel, Muhammad等人，2025年）。高光谱成像技术作为一种强大的无损技术，将成像与光谱分析相结合，能够同时获取空间信息和光谱信息（Aqeel, Sohaib, Iqbal, Rehman & Rustam，2024年；Aqeel, Sohaib等人，2025年）。高光谱成像能够生成三维数据立方体，每个像素都存储完整的光谱特征，因此非常适合详细分析复杂的食品结构（Aqeel, Sohaib, Iqbal & Ullah，2024年；Aqeel, Munawar等人，2025年）。在食品质量与安全领域，高光谱成像已展现出识别异物、成分变化以及各类食品掺假的能力（Iqbal等人，2025年；Gowen等人，2007年）。例如，Phillips和Abdulla提出了基于高光谱成像的蜂蜜糖分掺假检测方法，在二元分类和基于浓度的多类分类中，其分类准确率均超过95.69%（Shafiee等人，2016年）。研究还表明，与传统仅依靠光谱分析的方法相比，高维光谱数据与机器学习的结合具有更大优势。利用机器学习方法检测蜂蜜掺假已经引发了大量关于高光谱数据分析的研究。支持向量机、随机森林和k最近邻等传统模型，在经过特征提取和降维处理后，也能以超过95%的准确率区分纯蜂蜜与掺假蜂蜜（Phillips & Abdulla，2023年）。近期有研究将高光谱成像与机器学习相结合，通过LDA特征提取再结合KNN分类，检测糖浆掺假时的验证准确率可达96.39%。此外，还有研究提出利用回归和堆叠泛化等方法，通过高拟合系数（R2≈0.99）预测蜂蜜中的糖分浓度（Hssaini & Ennahli，2025年）。这些实验表明，光谱特征蕴含着丰富的判别信息，传统分类器可以利用这些信息实现准确的掺假检测。近年来，深度学习模型，尤其是卷积神经网络和长短期记忆网络，因能够自动学习分层特征并识别复杂的光谱或空间模式，而备受关注，且无需进行额外的特征工程步骤。在蜂蜜掺假检测领域，CNN已经取得了显著成果——通过热成像与CNN结合，可在热成像数据集中实现88%-99%的纯蜂蜜与掺假蜂蜜分类率（Calle等人，2023年）。尽管目前关于蜂蜜掺假检测的深度学习研究大多较为新近，但这类深度学习架构在相关的无损检测应用中也展现出了良好的性能。CNN和LSTM网络还被应用于酒精饮料的掺假检测，在非蜂蜜相关领域，其预测精度也远高于传统方法（David等人，2025年）。这些结果表明，将空间特征学习方法（CNN）与序列光谱模式识别方法（LSTM或循环结构）相结合，有助于提升模型对不同类型掺假物的识别能力（Salehin等人，2025年）。虽然传统机器学习和深度学习结合高光谱成像技术已在蜂蜜掺假检测中取得良好效果，但现有文献大多基于二元分类或单一类型的掺假物分析，而现实情况下往往存在多种掺假物且浓度各异。进一步研究机器学习与高光谱成像在食品安全领域的应用，可以证实深度学习模型在特征提取和分类任务中的表现远优于传统模型，不过仍需更多研究将这些技术转化为可扩展的多类掺假检测系统（Gowen等人，2007年；Sun等人，2025年）。此外，目前还缺乏关于CNN和LSTM模型在高维蜂蜜光谱数据中的独立分类性能的比较研究（JIN & XU，2025年；Xu & Zhang，2021a；Jin & Xu，2024年）。
因此，本研究旨在弥补这一空白，通过评估高光谱成像技术以及独立的CNN和LSTM分类模型在检测多种掺假物（如不同浓度的糖浆和苯甲酸钠）的蜂蜜掺假问题中的应用，进一步提升自动化的、无损的食品欺诈检测水平。本研究的主要贡献如下：
- •
开发了一种基于高光谱成像的无损蜂蜜掺假检测方法。
- •
构建了一个包含多种浓度下的糖浆和苯甲酸钠在内的多掺假物数据集。
- •
开发了数据预处理和光谱分析技术，可从高光谱蜂蜜数据中提取具有显著差异性的光谱特征。
- •
实现了深度学习模型（CNN和LSTM）的构建，并对其进行了对比评估，以精准区分纯蜂蜜与掺假蜂蜜。
所提出的系统能够提供自动化、可扩展且高效的蜂蜜纯度识别方案，可助力现代食品质量监控及食品欺诈检测体系的建立。
章节节选
方法概述
尽管蜂蜜掺假是全球性重大问题，会对人类健康造成危害，但蜂蜜对于维持健康和营养依然具有重要意义。本研究采用了高光谱成像技术和深度学习模型来分析蜂蜜掺假问题，具体流程如图1所示。
本研究从市场上购买了Islamic Pure Honey和Marhaba Pure Honey两种商业蜂蜜样本，这些样本已被
结果与讨论
在本研究部分，对所提出的基于高光谱成像和深度学习的蜂蜜掺假检测方法进行了评估。通过分析获取的光谱特征，研究了不同掺假程度对蜂蜜光谱响应的影响，同时评估了所提取特征的判别能力。此外，还通过多种评估指标测试了所开发的深度学习模型的分类准确率，以判断其可靠性与
与现有系统的比较与讨论
表3展示了现有蜂蜜掺假检测研究与该研究框架的对比情况。以往的研究主要采用高光谱成像、近红外光谱、傅里叶变换红外光谱以及基于图像的传统机器学习算法，如KNN、SVM、随机森林、LDA和PLS-DA等。虽然这些方法表现良好，但其准确率通常在90%到98%之间，具体数值取决于检测对象的类型
结论
本研究通过将高光谱成像技术与深度学习模型相结合，构建了一种用于检测蜂蜜掺假的无损分析框架。在400–1000纳米波段获取的光谱数据经过了预处理，包括提取感兴趣区域以筛选特征、运用经验线法计算吸收光谱，以及通过萨维茨基-戈莱滤波提高信号质量并保留重要的光谱特性。所开发的CNN和LSTM模型
CRediT作者贡献说明
Muhammad Aqeel：撰写原文初稿、验证研究、确定研究方法、开展实验研究、进行正式分析、整理数据、构建研究概念。Shahzad Hussain：撰写原文初稿、参与验证研究、确定研究方法、开展实验研究、整理数据、构建研究概念。Hammad Shahab：负责文章审阅与编辑、指导研究工作、确定研究方法、进行正式分析。Khan Bahadar Khan：负责文章审阅与编辑、进行正式分析。Kashif Munir：负责文章审阅与编辑、进行正式分析、构建研究概念。
利益冲突声明
本研究的所有作者声明不存在任何可能影响本研究完整性的利益冲突。
