基于深度导数增强的光谱注意力网络，用于区分真八角与有毒假冒八角的水果级高光谱识别

《Food Control》：Deep Derivative-Enhanced Spectral Attention Network for Fruit-Level Hyperspectral Discrimination of Illicium verum from Toxic Illicium Adulterants

　　摘要：有毒的八角属伪品在外观上与真八角极为相似，这使得在常规食品安全检测中难以快速进行无损鉴定。本研究基于深度导数增强光谱注意力网络，构建了一种用于果实级别的超光谱鉴别框架，以区分真八角与有毒的伪品（即长叶八角和亨利八角）。研究人员使用可见光/近红外超光谱成像技术对完整的八角样本进行成像，从分割后的光谱数据中提取具有代表性的果实级别光谱以便后续分析。该网络采用了轻量级的波长级光谱注意力机制，通过对原始光谱及其一阶和二阶数值导数进行组合处理，使网络能够突出具有辨识度的光谱特征。模型性能评估通过10次重复的板组留一板验证法进行，结果并与四种传统化学计量模型以及五种深度学习基准模型进行了比较。为防止信息泄露，研究还采用了基于训练集统计数据的特征过滤和z分数标准化处理。DSAN模型的准确率为99.13±0.41%，平衡准确率为99.03±0.43%，对有毒伪品的召回率为98.54±0.73%，F1值为98.90±0.52%。而其他基准模型的准确率在80.25%至97.08%之间，平衡准确率在79.93%至96.53%之间，召回率在74.69%至96.88%之间，F1值在75.96%至96.26%之间。这些结果充分证明了基于导数增强光谱注意力学习的方法在区分真八角与有毒伪品方面的有效性。

引言：食品欺诈和掺假问题在现代食品体系中一直存在，因为它们会危及消费者安全、损害市场信心并削弱监管力度（Robson等人，2021年）。香料、草药及其他植物性材料尤其容易受到侵害，因为它们往往要经过漫长而复杂的供应链，且可能以干燥、破碎或粉末形式交易，难以通过视觉手段进行识别（Osman等人，2019年）。真八角是一种广泛使用的烹饪香料和传统草药成分。一个主要问题是，它可能会被外观相似的有毒八角属物种替代或污染，从而影响其真实性。近期研究指出，长叶八角和亨利八角可能是潜在的掺假品种（Zhou等人，2023年）。由于亲缘关系相近的八角属物种在干燥果实形态上可能存在相似之处，仅依靠视觉检查很难准确判断（Zhou等人，2023年）。这是一个严重的食品安全问题，因为这些有毒八角属物种含有茴香酸类神经毒性倍半萜内酯，而真八角中则不存在这类物质（Bao等人，2020年；Jin等人，2023年；Shen等人，2012年）。根据临床和化学分析，真八角被掺假或替代后可能导致呕吐、烦躁、异常动作及抽搐等健康问题，尤其是对敏感人群而言（Shen等人，2012年；Vermaak等人，2013年）。

为解决这一鉴定难题，人们已经探索了多种分析方法。Joshi、Srinivas和Khan（2005年）结合宏观和微观特征以及色谱分析来区分真八角与茴香八角。对于完整样品，这些方法较为有效，但当样品被破坏、混合或经过商业加工后，其可靠性就会下降。Techen等人（2009年）后来采用基于DNA的鉴定技术来检测商业真八角产品中的有毒掺假物质，但这种方法需要实验室操作且会对样品造成破坏。以茴香酸或类似标志物为依据的化学分析方法也能获得较高的特异性，不过它们通常依赖于样品提取、实验室仪器以及破坏性的样品处理过程（Patil等人，2023年；Shen等人，2012年）。

超光谱成像作为一种有前景的无损检测技术，能够在单次采集过程中同时获取光谱信息和空间信息。它在食品领域被广泛用于检测掺假、监测污染以及评估质量差异，同时还能保持样品的完整性（Mendez等人，2019年）。最近的综述还表明，光学成像与光谱技术正逐渐与化学计量学、机器学习及深度学习相结合，用于食品的真实性、营养成分及危害性评估（Li等人，2025年；Medina–García等人，2025年）。特别是Li等人（2025年）总结了用于谷物品质和安全评估的新一代光学成像与光谱技术。他们的综述强调了在利用光学数据进行真实性与安全性检测时，光谱预处理、化学计量建模、人工智能驱动的特征提取以及严格的验证工作的重要性。尽管该综述聚焦于谷物，但这些方法论考虑同样适用于植物材料的鉴定工作，因为在可靠的验证设计下，必须能够解读细微的光谱差异。Medina–García等人（2025年）进一步强调了在利用高维超光谱数据进行食品品质与安全评估时，预处理、特征提取及验证工作的重要性。Miao等人（2025年）也强调了结合可见光/近红外光谱技术与超光谱成像，利用机器学习快速评估食品的品质与安全特性，包括是否掺假、化学成分、霉菌毒素以及内部缺陷等。

在其他用于食品鉴定和安全性监测的光学技术方面，也有类似的进展，比如拉曼光谱、荧光光谱及相关光谱成像技术（Patel等人，2024年）。与此同时，结合机器学习和深度学习模型的超光谱成像技术也被用于无损检测食品掺假，例如检测红辣椒粉中的掺假问题（Choi等人，2025年）。在植物和草药材料领域，超光谱成像已被证明有助于物种鉴定和真实性验证，不过在数据处理、特征提取及实际应用方面仍存在一些障碍（Vermaak等人，2013年；You等人，2025年）。针对真八角而言，Lu等人（2020年）表明，即使是对已破损的样品，结合化学计量模型使用的可见光/近红外超光谱成像也能以无损方式区分真八角与有毒的长叶八角。该研究证明了利用可见光/近红外超光谱技术进行真八角鉴定的可能性，但并未建立基于重复分组验证和导数增强光谱加权的果实级别鉴定框架。

深度学习在超光谱分析中的应用日益重要，因为它比许多传统分析方法更能有效地模拟非线性关系和复杂的特征相互作用（Moosavi-Nasab等人，2021年；Nie等人，2024年）。在基于超光谱成像的食品安全性与真实性评估中，近期研究及实地应用结果表明，机器学习和深度学习具有巨大潜力。同时，这些研究也强调了提升模型泛化能力、做好预处理以及采用更严格的验证策略的重要性（Das等人，2025年；Wu等人，2026年；Yang等人，2025年）。这些考虑在此项研究中尤为重要，因为全部样品无法放置在同一块检测板上，所以这些果实被分散在多个检测板上进行采集。如果将来自同一块检测板的果实分别分配到训练集和测试集中，那么基于单个果实的随机验证方法可能会高估模型的实际性能。因此，采用板组验证方法能在更为严格且更符合实际情况的条件下评估模型的泛化能力。

另一个实际问题是，仅凭原始光谱数据可能难以识别那些细微的化学差异。此前，光谱分析中就已采用导数预处理技术，以此增强那些微弱但重要的光谱特征，同时减少基线干扰（Rohman等人，2019年）。在本研究中，将原始光谱与其一阶和二阶数值导数结合使用，可以为鉴别提供更丰富的信息。此外，还可以采用波长级门控机制，重点突出重要的光谱信息，而非赋予所有波长相同的权重。对于当前的研究任务来说，这种策略十分理想，因为真八角与有毒八角样品在视觉上极为相似，而鉴别关键就在于光谱内的细微差异。

基于上述思路，本研究开发了一种深度导数增强光谱注意力网络，用于在无损的前提下，对果实级别的真八角与有毒伪品（长叶八角和亨利八角）进行区分。该网络采用了轻量级的波长级门控机制，能够自适应地调整导数增强后的光谱特征的权重。鉴于研究目标是实现单个果实的鉴定，本研究采用了留一板交叉验证策略，严格评估模型在不同样品上的泛化能力。本研究的具体目标包括：（1）建立果实级别的超光谱表示方法，通过一阶和二阶数值导数增强有用的光谱特征；（2）开发一种带有波长级门控功能的轻量级导数增强光谱注意力网络，能够突出具有辨识度的波长区域；（3）在多次重复的板组验证条件下，将所提出的DSAN模型与四种传统化学计量模型以及五种典型的深度学习基准模型进行对比评估。

片段内容：

果实级别采样：本研究共使用了240个完整的干燥八角果实作为实验样本，其中包括来自大红、甘枝和春华三个品种的144个真八角果实，每个品种48个。其余96个果实为有毒伪品，其中48个为长叶八角，48个为亨利八角。所有样本均从大批量库存中随机选取，以完整果实状态用于超光谱分析。在成像之前，已去除表面的杂质，且未对样品进行任何破坏性处理。

八角样本的视觉特征：图3展示了三种八角样本的典型伪彩色RGB合成图像。所有果实干燥后都具有相同的星形结构，因此单独观察时很难通过外观进行明显区分。主要的视觉差异在于表面亮度、裂片清晰度以及局部纹理的细微差别，而非明显的宏观特征。这种外观上的相似性恰恰凸显出需要采用无损光谱分析方法的必要性。

结论：本研究基于分组验证设计，利用可见光/近红外超光谱成像技术，开发了一种深度导数增强光谱注意力网络，用于在果实级别对真八角与有毒八角伪品进行超光谱鉴别。所有模型的训练与评估均在果实级别上进行，而检测板的归属信息仅用于确保留一板验证的独立性。在多次重复的留一板验证流程中，表现最好的传统基准模型是PCA-LDA，其准确率为97.08±0.00%。

CRediT作者贡献说明：Yingzhe Lu：软件工具、研究实施、数据整理、概念构思。Eunice Oluwabunmi Owoola：文章润色与编辑、初稿撰写、方法设计、定量分析、概念构思。Yao Lu：文章润色与编辑、研究实施、资金申请、数据整理、概念构思。Yinfa Yan：文章润色与编辑、结果可视化、项目监督。Jing Wang：文章润色与编辑、结果可视化。Mochen Liu：结果可视化、项目监督。Qinglu Yang：软件工具。

利益冲突声明：作者声明不存在任何利益冲突。

竞争性利益声明：无

? 作者声明自己没有已知的可能影响本文研究结果的财务利益或个人关系。

致谢：本研究得到了中国博士后科学基金会（编号2025M772987）以及山东省自然科学基金（编号ZR2023QC074）的支持。

Eunice Oluwabunmi Owoola|Yingzhe Lu|Qinglu Yang|Mochen Liu|Jing Wang|Yinfa Yan|Yao Lu
中国山东省泰安市泰山学院机电工程学院，邮编271018