基于高光谱成像与二维相关光谱技术结合的多视角深度学习方法,用于玉米籽粒中脱氧雪腐镰刀菌烯醇的定量检测与可视化分析
《Food Control》:Hyperspectral Imaging Combined with Two-Dimensional Correlation Spectroscopy Guided Multi-View Deep Learning for Quantitative Detection and Visualization of Deoxynivalenol in Corn Kernels
【字体:
大
中
小
】
时间:2026年08月06日
来源:Food Control 7.0
编辑推荐:
摘要:玉米籽粒中脱氧雪腐镰刀菌烯醇的污染是食品安全方面的一个重要问题,而传统的分析方法具有破坏性,且无法提供足够的空间信息。本研究探讨了近红外高光谱成像技术(900–1700纳米)与多视角深度学习方法相结合,用于检测玉米籽粒中的脱氧雪腐镰刀菌烯醇并实现模型驱动的可视化分析。研究使
摘要:玉米籽粒中脱氧雪腐镰刀菌烯醇的污染是食品安全方面的一个重要问题,而传统的分析方法具有破坏性,且无法提供足够的空间信息。本研究探讨了近红外高光谱成像技术(900–1700纳米)与多视角深度学习方法相结合,用于检测玉米籽粒中的脱氧雪腐镰刀菌烯醇并实现模型驱动的可视化分析。研究使用了禾谷镰刀菌对玉米样本进行七种不同感染时间(0–24天)的处理。通过二维相关光谱技术,确定了三个对脱氧雪腐镰刀菌烯醇敏感的光谱区域(970–1020纳米、1200–1370纳米和1450–1620纳米),共得到122个特征波长。所开发的挤压-激发多视角光谱融合网络整合了原始光谱、乘法散射校正后的光谱以及萨维茨基-戈莱一阶导数光谱。在经过基于蒙特卡洛方法的异常值筛选后,实验室准备的样本被随机分为80:20的比例,用于模型构建和内部验证预测,模型构建过程中还进行了五折交叉验证。性能最佳的模型在内部验证预测集上的R2p值为0.9101,RMSEP值为527.43微克/千克,RPD值为3.38。经IAC-HPLC方法验证,该模型的检测结果可靠,其最低检测浓度和最低定量浓度分别为8.25/25.00微克/千克。模型生成的伪彩色图谱反映了不同感染时期玉米籽粒中脱氧雪腐镰刀菌烯醇空间分布的变化情况。另外,使用来自银川的30份天然受污染玉米样本进行测试,通过三次IAC-HPLC测定其脱氧雪腐镰刀菌烯醇含量,结果显示R2值为0.912,平均相对误差为6.4%。尽管这些结果令人满意,但目前的验证仅限于可控的感染条件,且样本量相对较小,来自单一地区。在实际应用之前,还需要在不同玉米品种、真菌菌株、地区以及储存条件下进行更广泛的独立验证。
引言:玉米作为世界三大主要粮食作物之一,不仅是人类饮食中的重要能量来源,也是动物饲料和工业加工的关键原料。然而,玉米在田间生长、收获和储存期间极易受到产毒真菌的感染。其中,由禾谷镰刀菌引起的脱氧雪腐镰刀菌烯醇是三萜霉菌毒素中最常见且危害最大的种类(Pestka, 2010; Rong et al., 2022)。脱氧雪腐镰刀菌烯醇具有较高的热稳定性和化学稳定性,因此在传统食品加工过程中很难将其有效去除。该物质化学性质稳定,急性接触可引发恶心症状,长期摄入则可能与免疫功能下降有关(Malczak et al., 2025)。为确保食品安全,世界各国都制定了严格的谷物及谷物制品中脱氧雪腐镰刀菌烯醇的最大限量标准。中国的国家标准GB 2761–2017《食品安全国家标准 食品中霉菌毒素最大限量》规定,玉米及玉米制品中脱氧雪腐镰刀菌烯醇的最大残留量为1000微克/千克(Luo et al., 2021)。因此,开发一种快速、准确且无损的脱氧雪腐镰刀菌烯醇检测方法,对于保障玉米籽粒的加工质量、维护公众健康以及规范市场秩序具有重要意义。
传统的脱氧雪腐镰刀菌烯醇检测方法主要依赖于高效液相色谱法、液相色谱-串联质谱法和免疫亲和色谱-高效液相色谱法等物理化学分析技术(Ren et al., 2007; Wang et al., 2024b; Zhang et al., 2018)。虽然高效液相色谱法等色谱技术灵敏度较高,但存在耗时、成本高昂且具有破坏性的缺点,难以实现快速的空间分析。因此,这些方法难以满足现代粮食储存和食品加工领域对大规模样本进行实时、快速筛查的实际需求(Xu et al., 2019; Zhang & Banerjee, 2020)。近期的一些传感器研究试图通过双识别电化学或光电化学策略来实现快速、便携的污染物分析(Geng et al., 2025a; Geng et al., 2025b; Niu et al., 2024; Zhang et al., 2025)。不过,传统方法只能确定整个样本的平均毒素含量,无法揭示单个玉米籽粒及亚颗粒层面上的脱氧雪腐镰刀菌烯醇空间分布的差异性。而霉菌毒素的产生往往具有高度局部化且分布不均的特点,这种信息的缺失限制了精准追溯和基于风险的选择策略的有效实施(Caporaso et al., 2018; Kandpal et al., 2015)。因此,亟需一种新的检测技术,既能实现快速、无损的定量分析,又能解析空间分布信息。
近红外高光谱成像技术能够同时获取空间信息和光谱信息,从而实现污染物的快速定量分析和空间定位(Feng & Sun, 2012; Gowen et al., 2007; Ziani et al., 2024)。该技术可以同时获取样本的空间纹理信息和连续的光谱响应数据。通过捕捉与玉米籽粒成分变化、含水量以及真菌感染导致的散射特性变化相关的光谱特征,高光谱成像技术可以依据参考毒素浓度进行校准,从而基于像素级光谱数据实现快速预测和可视化分析(Elmasry et al., 2012; Liu et al., 2025)。近年来,研究人员已将高光谱成像技术应用于粮食中霉菌毒素的检测。例如,Tao等人(2022)利用近红外高光谱成像技术检测玉米籽粒中的黄曲霉毒素污染,而Chu等人(2017)则使用短波红外高光谱成像技术检测玉米籽粒中的黄曲霉毒素B1。此外,机器学习和深度学习方法也被越来越多地应用于从复杂的分析数据中提取有用的特征信息,以支持数据驱动的优化过程。注意力增强型特征融合技术提升了对复杂信号的分析能力,而机器学习辅助建模和全光谱感知平台则为智能分析提供了更丰富的信息基础(Liang et al., 2024; Wang et al., 2024c; Wang et al., 2026)。最近的一些高光谱研究还探索了光谱-空间注意力机制以及多种预处理策略的结合使用,以更好地提取有价值且互补的光谱信息(Liang et al., 2023; Mishra et al., 2020)。相比之下,针对脱氧雪腐镰刀菌烯醇的高光谱研究主要集中在光谱预处理、波长选择以及传统的化学计量学建模方面(Femenias et al., 2020)。因此,将具有脱氧雪腐镰刀菌烯醇响应特性的光谱先验明确纳入基于注意力的多视角学习模型中的应用仍然较为有限。
尽管已有诸多进展,但利用高光谱成像技术检测脱氧雪腐镰刀菌烯醇仍面临三个相互关联的挑战:首先,现有的方法大多依赖线性模型,这类模型可能无法完全反映光谱响应与脱氧雪腐镰刀菌烯醇浓度之间的复杂非线性关系(Li et al., 2019; Paoletti et al., 2019);其次,不同光谱预处理方式所包含的互补信息未能得到充分结合利用(Liang et al., 2023; Sahu & Panda, 2025);最后,在深度学习特征重新校准过程中,与脱氧雪腐镰刀菌烯醇相关的光谱区域的可追溯性不足(Barbedo et al., 2017; Femenias et al., 2020; Femenias et al., 2022; Shen et al., 2021; Teixido-Orries et al., 2026; Wang et al., 2024a)。
为克服上述挑战,本研究采用了二维相关光谱技术(Noda, 2014; Yang et al., 2020)。在此研究中,我们以脱氧雪腐镰刀菌烯醇含量作为扰动因素,利用二维相关光谱技术动态区分重叠的光谱带,确定敏感的光谱区域,为后续建模奠定基础。在此基础上,本研究开发了一种多视角深度学习模型——SE-MVSF-Net。该模型采用三分支并行输入结构,整合了三种互补的光谱信息:原始光谱、乘法散射校正后的光谱以及萨维茨基-戈莱一阶导数光谱。该模型能够全面覆盖宏观基线变化、纯化学吸收效应以及细微的峰形梯度等三维信息;同时,它还包含了基于二维相关光谱先验的挤压-激发注意力模块。在该模块中,按波长划分的二维相关光谱重要性向量会被转换为带有先验权重的光谱描述符,随后与传统的全局平均池化描述符相结合,再用于生成通道注意力(Hu et al., 2019)。因此,二维相关光谱先验可以直接参与模型推理过程中的特征重新校准,而不仅仅作为模型构建前的波长选择手段。这种基于机制和数据的設計既引入了可解释的光谱先验,又保持了数据驱动的非线性特征学习能力。通过消融实验,研究了波长选择和先验引导的注意力机制对模型预测性能的影响(Marín et al., 2024; Vicens-Sans et al., 2024)。
为达成研究目标,本研究采取了以下措施:首先,系统地监测不同霉菌生长阶段玉米籽粒中脱氧雪腐镰刀菌烯醇的积累规律,并收集相应的近红外高光谱数据;其次,运用二维相关光谱技术分析光谱变化与脱氧雪腐镰刀菌烯醇积累之间的动态关联,从而识别出高度敏感的特征光谱带;第三,开发并验证了一种基于二维相关光谱先验的多视角深度学习模型——SE-MVSF-Net,将该模型中选定的波长以及按波长划分的二维相关光谱重要性向量分别纳入模型输入和SE注意力机制的生成过程中(Chen et al., 2014; LeCun et al., 2015; Xie et al., 2023; Yuan & Jin, 2021);第四,利用优化后的模型实现玉米籽粒中脱氧雪腐镰刀菌烯醇空间分布的像素级可视化,并通过天然受污染样本初步评估该方法的通用性。