利用双面高光谱数据与双流协同注意力模型实现艾草和茵陈的精确地理起源溯源

《Food Control》:Accurate Geographical Origin Traceability of Artemisia argyi and Artemisia stolonifera Using Double-Sided Hyperspectral Data and a Dual-Stream Collaborative Attention Model

【字体: 大 中 小 】 时间:2026年07月22日 来源:Food Control 7.0

编辑推荐:

  摘要确定植物性食品的地理来源对于打击出于经济目的的掺假行为至关重要。然而,由于叶片光谱的复杂性以及缺乏可解释的特征选择方法,快速的无损鉴定仍然面临挑战。我们提出了一种深度学习框架,该框架将双面高光谱成像与一种新的双流协同注意力变换器相结合,并在严格的与叶片结构无关的空间划分下运行

  

摘要

确定植物性食品的地理来源对于打击出于经济目的的掺假行为至关重要。然而,由于叶片光谱的复杂性以及缺乏可解释的特征选择方法,快速的无损鉴定仍然面临挑战。我们提出了一种深度学习框架,该框架将双面高光谱成像与一种新的双流协同注意力变换器相结合,并在严格的与叶片结构无关的空间划分下运行。通过因果筛选流程,从336个光谱带中筛选出20个核心特征带,从而在数学上消除数据集特有的噪声,使模型以稳定的生理特性为依据,而非动态的含水量。对于艾叶而言,全频段DS-CAT模型能够区分物理和生化特征,其在省级层面的准确率为91.43%,在地市级层面的准确率为88.21%。而经过压缩的20个特征带仍能保持较高的准确率(分别为81.07%和72.14%),同时实现了超过94%的维度降低,从而便于快速、低成本地进行工业级检测。在茵陈上的跨物种迁移学习也显示出出色的应用潜力:仅需更新0.79%的参数即可约28秒内达到最佳收敛效果。值得注意的是,这20个因果特征带可作为强大的自然正则化手段,有效防止小样本过拟合,其准确率可与全频段省级检测结果相当(96.00%),在地市级层面甚至更为出色(97.00%)。这一成果为植物性食品的无损鉴定提供了一种具有可解释性、高效且可迁移的解决方案。

引言

优质植物性食品的质量、安全性和经济价值都与其地理来源密切相关(Deng等人,2023;Saha等人,2026;Wu等人,2024)。艾叶及其近缘种茵陈因其丰富的生物活性成分而被视为重要的膳食及功能性原料(Chen等人,2026;Sun等人,2015;Wang等人,2022)。然而,这些代谢物的积累受到地理微环境的严格调控,从而形成了具有较高市场价值的地理标志产品,其价格也相应更高。正因为如此,一些逐利商家常常将普通混合来源的叶片冒充为高端地理标志产品。这种出于经济目的的掺假行为不仅破坏了市场的公平性,还可能影响后续加工的稳定性(Chen等人,2020;Li等人,2023)。因此,开发快速、无损的鉴定方法已成为全球范围内的迫切需求。
中国每年生产的艾叶量超过21万吨,同时茵陈的种植面积也在不断扩大(Huang & Zhang,2024)。尽管需求巨大,但由于不同产地的叶片宏观形态高度相似,仅靠视觉检查难以准确判断(Luo等人,2021)。虽然传统的色谱法和同位素技术具有较高的准确性,但其破坏性强且成本高昂,不适合大规模工业检测(Li等人,2021、2022;Nie等人,2025)。高光谱成像则提供了一种强大的无损替代方案,能够同时获取植物的生化与物理特征信息(Feng等人,2025;Zhang等人,2023;Zhao等人,2018)。
然而,要真正将高光谱成像技术广泛应用于监管领域,仍存在诸多瓶颈:第一,单视角成像无法获取对精确溯源至关重要的双面微观结构信息;第二,单一任务学习难以处理不同尺度上的区分问题,常常导致特征混淆;第三,现有的“黑箱”式降维方法依赖虚假的统计相关性而非生理学上的因果关系,容易引发过拟合现象;第四,现有模型缺乏严格的空间验证机制,且难以实现小样本下的跨物种迁移学习。
为解决这些问题,我们提出了双流协同注意力变换器DS-CAT。该框架通过严格的与叶片结构无关的空间划分策略整合双面光学信号,有效避免了样本信息泄露问题,同时还包含了四项创新点:第一,双流协同融合机制——通过协同注意力机制分别处理叶片的正反两面光谱,从而分离物理特征与植物化学特征,突破了单表面鉴定的精度限制;第二,多任务学习正则化机制——通过同时预测省级和地市级来源,将多任务学习从可能导致“负迁移”的风险转化为一种有效的正则化手段;第三,基于生理可解释性的特征选择机制——不同于传统的统计相关性分析,该机制能够识别出与稳定生理特性相关的波长,从而提升鉴定的可信度;第四,出色的跨物种应用能力——DS-CAT仅需更新0.79%的参数即可实现快速收敛,能够将已有的地理识别知识应用到茵陈这类小样本近缘物种上。
本研究为植物性食品的溯源工作提供了一种快速、可解释且易于应用的决策支持工具,也为全球范围内的质量管控提供了标准化的技术路径。

内容节选

样本采集与高光谱成像数据获取

本研究共收集了来自中国七个省份的14个地级市的艾叶样本,共计280份(见图1)。同样,茵陈样本也来自五个省份,共计100份。所有样本均于2024年6月采集,以确保其生长阶段的一致性。详细的地理来源信息详见表S1和S2。
高光谱成像数据是在受控的暗室环境中,使用HySpex系统在400–2500纳米波长范围内采集的,共包含396个数据带。此外,还使用了VNIR-1024相机在400–1000纳米波长范围内进行补充数据采集。

叶片表面特征与地理来源对高光谱谱图的综合影响

艾叶和茵陈的高光谱特征是由叶片的基本解剖结构与地理来源共同决定的,这两者既会导致光谱特征的相似性,也会造成差异。其中最关键的因素是叶片的物理结构,尤其是叶片正反两面之间的差异。这种差异为两种植物形成了相似的光谱基础,其特点是正反两面的反射率存在显著差异,其中叶片的背面

结论

准确区分植物性食品的地理来源对于打击出于经济目的的掺假行为至关重要。为了实现原材料溯源的标准化,本研究提出了一种无损的深度学习框架——双流协同注意力变换器DS-CAT。该框架通过结合叶片的正反两面光谱信息,有效分离了物理特征与化学特征,所构建的多任务全频段模型在识别艾叶的省级来源时取得了91.43%的较高准确率。

作者贡献说明

Meng Li:论文撰写与修改、研究指导、概念构思。Jiawei Huang:论文撰写与修改、定量分析、数据整理。Lin Chen:论文初稿撰写、实验研究、定量分析。Juanjuan Liu:论文撰写与修改、实验研究、定量分析。Mingxu Zhang:论文撰写与修改、实验研究、定量分析、数据整理。Suhua Huang:论文撰写与修改、方法设计。Xue Sun:论文撰写与修改、初稿撰写、定量分析

未引用参考文献

Bach等人,2024;Grant,1987。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

数据可用性

相关数据可应要求提供。

利益冲突声明

? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了以下机构的支持:国家中药资源可持续利用和质量控制重点实验室(项目编号CI2024E003KC-08);中央财政重大科研项目(项目编号2060302);中国中医科学院下属的多个公益研究机构(项目编号ZZXT202412、ZZXT202510);中国中医科学院的创新基金(项目编号CI2025E00-13);以及其他相关科研项目支持。
Xue Sun|Suhua Huang|Mingxu Zhang|Jiawei Huang|Meng Li|Juanjuan Liu|Lin Chen|Jian Yang|Jiahui Sun|Youyou Wang|Xiaobo Zhang
中国中医科学院国家中药资源可持续利用和质量控制重点实验室,北京100700,中华人民共和国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号