基于可解释人工智能的高光谱成像技术快速评估鲜羊肉食源性病原体安全风险

《International Journal of Food Microbiology》：Interpretable AI-driven hyperspectral imaging for rapid assessment of foodborne pathogen safety risks in fresh mutton

　　

**摘要**

新鲜羊肉中的食源性病原体对人类健康构成严重威胁，凸显了快速、准确检测对保障食品安全的必要性。本研究采用短波近红外高光谱成像（SWIR-HSI）结合可解释人工智能，在卷积神经网络（CNN）模型中动态评估光谱波长的的重要性。提出了一种新颖的可解释人工智能框架——目标特定SHAP注意力（TSSA），通过动态更新的SHAP值量化每个光谱波段对病原体分类的贡献，同时整合了基于类别优先级的注意力权重。该机制实现了对关键波长的精确聚焦以及模型决策的动态可解释性。基于该方法，实现了对羊肉中食源性病原体污染的定性检测，包括污染识别和食源性病原体类型识别。TSSA-CNN模型在经过5400次训练轮次后，稳定聚焦于与CH、OH和NH官能团的倍频和组合振动相关的关键光谱区域（1655.61 nm、1435.68 nm和2309.26 nm）。消融实验证实TSSA-CNN表现出最佳性能，验证集和测试集的准确率分别为98.04%和95.88%。此外，与基线相比，TSSA显著提高了高优先级类别的识别性能，"无污染"类别的相对准确率提高了16.00%，"鼠伤寒沙门氏菌污染"类别提高了12.50%。这些研究结果表明，将高光谱成像与TSSA-CNN模型相结合可实现新鲜羊肉中食源性病原体的快速精确检测，为可解释的、目标特定的、动态自适应的病原体监测技术提供了理论基础。

**引言**

新鲜羊肉因其富含优质蛋白质、必需氨基酸和微量元素，在全球饮食结构中占据重要地位（Wang et al., 2025b）。大量研究表明，肉类在加工、运输和零售过程中极易受到常见致病微生物的污染，如大肠杆菌、鼠伤寒沙门氏菌和金黄色葡萄球菌（Panagou et al., 2014; Soni et al., 2022）。这些食源性病原体不仅加速肉类腐败，还对食品安全和公共卫生构成严重威胁（Sun et al., 2026）。因此，建立新鲜羊肉中病原体的绿色高效检测技术，对保障肉制品安全具有重要的现实意义。

目前，检测新鲜羊肉中食源性病原体的主流方法包括培养法、聚合酶链反应（PCR）和酶联免疫吸附试验（ELISA）。然而，这些技术受限于步骤复杂、耗时长以及对生化试剂高度依赖等固有缺陷（Gao et al., 2025; Zhang et al., 2025）。随着现代光学技术的发展，机器视觉、近红外光谱和高光谱成像（HSI）已被广泛应用于食品安全检测。HSI将成像的空间分辨率与光谱的分析能力相结合，能够快速评估样品的理化属性，在食品微生物污染检测方面显示出巨大潜力（Guo et al., 2025; Lu et al., 2024; Xing et al., 2025）。多个研究小组在食品产品中活菌总数（TVC）估算（Huang et al., 2013; Siripatrawan and Makino, 2015）、腐败细菌（Cao et al., 2020; Wang et al., 2025d）和食源性病原体（Bonah et al., 2020a; Kang et al., 2020）检测的系统探索方面取得了显著进展。（Bai et al., 2024）率先成功利用短波近红外高光谱成像对羊肉中的大肠杆菌、鼠伤寒沙门氏菌和金黄色葡萄球菌进行区分。（Qiu et al., 2023）将高光谱成像与传统机器学习和深度学习模型相结合，实现了对鸡胸肉中金黄色葡萄球菌的定性识别。（Gu et al., 2020）利用视觉-近红外高光谱成像，充分利用其融合光谱和图像信息的优势，结合机器学习方法，在三种常用培养基上对大肠杆菌、金黄色葡萄球菌和鼠伤寒沙门氏菌三种常见食源性病原体进行了统一分类。在更广泛的微生物鉴定方面，（Bonah et al., 2020b）应用可见光-近红外高光谱成像结合像素级分析和化学计量学方法，准确分类了平板上的八种典型食源性病原体，包括大肠杆菌、单核细胞李斯特菌和金黄色葡萄球菌。该研究为快速无损检测此类微生物提供了新的技术途径。此外，（Jin et al., 2023）采用荧光高光谱成像构建了不同包装条件下鸡胸肉贮藏过程中微生物腐败的可视化分布图，实现了对活菌总数和大肠杆菌污染水平的直观评估。这一系列研究突显了基于高光谱成像的病原体检测在肉类产品中高效无损应用的日益增长和前景广阔。

高光谱数据的高维特性表现为波段间强相关性以及显著的噪声冗余，容易引发维度灾难（Fulladosa et al., 2025; Zhang et al., 2022）。这为识别与目标病原体相关的特征变量、有效消除无关噪声以及从大量光谱波段构建稳健的预测模型带来了巨大挑战（Xing et al., 2023; Chen et al., 2021）。虽然传统机器学习算法结合遗传算法（GA）、竞争性自适应重加权采样（CARS）和连续投影算法（SPA）等特征选择方法可以在一定程度上实现降维，但其选择过程主要依赖于数据的统计特征，难以深入挖掘嵌入在光谱中的潜在特征信息（Ding et al., 2025; Wang et al., 2025a）。相比之下，深度学习模型，特别是卷积神经网络（CNN），具备从高维数据中自动提取层次特征的能力，在高光谱成像分析方面表现出显著优势（Treme et al., 2026）。例如，（Long et al., 2024）构建了包含多通道残差模块的CNN用于玉米籽粒霉变种类识别。（Zhao et al., 2025）将空间注意力机制整合到CNN中，通过动态强调关键特征并抑制冗余信息，提高了小麦叶片氮浓度预测的准确性。（Ji et al., 2025）开发了基于1H NMR光谱和CNN-CBAM-SVM架构的深度学习模型，用于精确识别枸杞蜂蜜中的糖浆掺假。然而，高光谱数据的复杂结构和波段间高相关性意味着仅依靠传统深度学习架构往往无法充分聚焦于关键信息区域。因此，引入注意力机制已成为提升模型区分性能的关键策略（Liu et al., 2025）。尽管现有的注意力模块如挤压-激励（SE）、高效通道注意力（ECA）和卷积块注意力模块（CBAM）可以自适应地对特征进行加权，但其权重生成很大程度上依赖于隐式的特征间关系或全局统计信息，缺乏对波段贡献的物理解释（Wu et al., 2025b）。这导致模型的决策过程仍然较为不透明，无法满足食源性病原体检测对可解释性和可追溯性的严格要求。最近，SHAP（SHapley Additive exPlanations）可解释性分析作为一种量化单个光谱波段对检测结果贡献的解决方案脱颖而出，从而增强了模型决策的透明度和可信度（Sun et al., 2025）。其有效性已在多种应用中得到验证。（Bai et al., 2025）将SHAP与XGBoost-RFE特征选择方法相结合，系统地评估了高光谱数据中单个波长的贡献，随后提取了关键特征。（Ahmed et al., 2025）利用SHAP对基于高光谱特征预测番薯硬度的CNN决策依据进行解释，不仅识别了关键波长，还显著提高了模型的透明度和预测可信度。此外，（Dong et al., 2025）通过SHAP量化了模型中每个波长的贡献，并阐明了特征对输出结果的影响方向，从而有效验证了所提出的CNN-SSAE的可靠性，将其从一个仅有高精度的不透明模型转变为结合高准确度与可解释性的分析工具。然而，仅仅将注意力模块和SHAP与CNN模型进行拼接的传统方法缺乏动态适应性和数据特异性调优能力。它既不会根据模型训练过程中的参数更新或样本分布变化来动态调整注意力权重，也未能充分针对一维序列光谱数据的特征进行定制，从而阻碍了对与病原体类别强相关特征的精确捕捉。此外，由于未将食源性病原体定性检测任务中固有的类别优先级纳入权重生成逻辑中，这些方法无法主动聚焦于区分高价值类别的关键特征。这限制了对通用特征关联的学习，使其容易受到冗余信息的干扰。

为解决上述挑战，本研究创新性地提出了目标特定SHAP注意力（TSSA）。该方法将SHAP值与注意力机制相结合，解决模型决策的不透明问题。此外，针对传统注意力机制缺乏动态适应性和数据特异性优化的问题，我们的方法在训练过程中动态更新SHAP值以调整光谱特征的权重。这使得模型能够有效处理复杂数据，同时增强其稳定性和泛化能力。同时，权重生成逻辑根据食源性病原体分类任务中固有的类别优先级进行设计。这确保了模型主动聚焦于区分高价值类别的关键特征，促进了通用特征关系的学习并减少了冗余信息的干扰。最后，将所提出的TSSA嵌入CNN模型中，高效识别新鲜羊肉中食源性病原体的污染状态。整体研究方案如图1所示。

**章节摘要**

**样品制备**

本研究使用的标准食源性病原体菌株为大肠杆菌（EC）ATCC 25922、鼠伤寒沙门氏菌（ST）ATCC 14028和金黄色葡萄球菌（SA）ATCC 25923。新鲜羊肉样品购自中国新疆石河子市，均符合标准检疫规定。采购后立即将样品无菌密封于无菌采样袋中，于4°C下保存并运至实验室。样品制备方案按如下进行：分析羊肉来源微生物群落结构。羊肉来源微生物群落组成的差异通过细胞结构和代谢特征的变化影响短波近红外吸收和散射（Bai et al., 2025）。因此，在解释复杂混合菌体系的光谱响应之前，对基线微生物群落进行系统表征是必要的。未受大肠杆菌、鼠伤寒沙门氏菌和金黄色葡萄球菌自然污染的新鲜羊肉样品。

**结论**

本研究证明了将短波近红外高光谱成像与所提出的TSSA-CNN模型相结合用于新鲜羊肉食源性病原体污染定性检测的可行性，能够同时实现污染识别和病原体类型识别。通过将可解释人工智能与短波近红外高光谱成像相结合，所提出的框架增强了CNN决策的可解释性，同时通过动态光谱特征加权实现了目标特定的病原体检测。

**作者贡献声明**

胡玉霞：撰写-审阅与编辑，撰写-原始稿，软件，方法学，调查，概念化。朱荣光：撰写-审阅与编辑，监督，项目管理，方法学，资金获取。王世昌：撰写-审阅与编辑，形式分析。邢福康：调查。谢强：调查。

**资金支持**

本研究由新疆生产建设兵团自然科学支持计划资助（2024DA028）。

**利益冲突声明**

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

作者感谢其所在学校和学院，以及项目的资金支持。真诚感谢所有支持和帮助。此外，我们衷心感谢本论文编辑和审稿人的工作。

胡玉霞 | 朱荣光 | 王世昌 | 邢福康 | 谢强

石河子大学机电工程学院，新疆石河子，832003，中国