《Microchemical Journal》：Pixel-level maize aflatoxin B1 spectral detection using self-supervised learning
编辑推荐：
•利用少样本学习实现高效准确的黄曲霉素B1检测。•融合光谱特征和补丁特征以提高模型性能。•通过知识蒸馏实现轻量级模型，用于实时检测。引言玉米作为世界三大主要粮食作物之一，在粮食作物中的产量排名首位[1]。它的应用范围包括人类食品、动物饲料、能源生产和工业原材料[2][3]。然而，
- •
利用少样本学习实现高效准确的黄曲霉素B1检测。
- •
融合光谱特征和补丁特征以提高模型性能。
- •
通过知识蒸馏实现轻量级模型，用于实时检测。
引言
玉米作为世界三大主要粮食作物之一，在粮食作物中的产量排名首位[1]。它的应用范围包括人类食品、动物饲料、能源生产和工业原材料[2][3]。然而，玉米在储存过程中容易受到黄曲霉素的污染[4]。黄曲霉素是由Aspergillus flavus和Aspergillus parasiticus等真菌产生的次级代谢产物，属于霉菌毒素类[5]。这些毒素包括B1、B2、G1和G2等多种类型，其中黄曲霉素B1（AFB1）的毒性最强且危害最大[6]。黄曲霉素具有耐热性且难以去除，对食品安全构成重大威胁[7]。除了玉米之外，黄曲霉素污染是食品和饲料供应链中的普遍问题，其风险已扩展到食用油、大米、牛饲料作物和禽类饲料[8][9][10]。例如，通过受污染的食用油摄入AFB1与肝细胞癌的风险增加有关[11]。这些发现共同表明，黄曲霉素污染并非玉米特有的问题，而是一个系统性的食品安全挑战，进一步凸显了其实际重要性。因此，开发高效的黄曲霉素检测方法已成为研究热点[12][13]。高光谱成像技术将空间图像信息与光谱数据相结合，为无损检测提供了强大的工具[14]。其核心优势在于能够精确分析化学成分和物理性质，从而实现高精度检测。光谱成像广泛应用于水果和蔬菜的质量评估[15]，包括成熟度[16]、糖分含量[17]和内部缺陷检测[18]。该技术还用于作物健康监测、病虫害的早期诊断[19]以及土壤养分分析[20]。此外，高光谱成像支持大规模环境监测，评估植被覆盖率和水分含量，为精准农业提供关键技术支持[21][22]。
黄曲霉素在可见光下是不可见的，但具有荧光特性，这使得高光谱成像在其检测中具有优势[23]。近年来，相关研究取得了显著进展。例如，Li等人[24]使用迭代变量子集优化（IVSO）对近红外光谱进行预处理，并结合Beluga Whale Optimization（BWO）算法优化特征变量，构建了一个支持向量机（SVM）模型来预测花生中的AFB1含量。该模型预测的均方根误差（RMSEP）为24.6322 μg·kg?1，预测相关系数为0.9761，残差预测偏差（RPD）为4.6999。Huang等人[25]使用可见-近红外光谱技术检测花生粕中的AFB1，应用Norris导数滤波（NDF）多参数优化方法进行光谱预处理，并采用基于等距组合波长逐步淘汰（EC-WSP）的两阶段波长选择方法进行波长优化。他们构建了偏最小二乘（PLS）和偏最小二乘判别分析（PLS-DA）模型，验证准确率分别为79.8%和91.9%。然而，这些研究需要复杂的光谱特征选择，过程繁琐且严重依赖先验知识。
深度学习能够自动提取数据特征，有效克服了传统方法对先验知识的依赖。Guo等人[26]提出了一种深度模块组合优化（DMCO）算法，结合Bi-LSTM、1D-CNN和Transformer模块来检测花生籽粒中的AFB1，验证R2达到0.879。然而， exhaustived模块搜索带来了较高的计算成本，并且模型在独立批次上的性能明显下降，表明其对批次变化的鲁棒性有限。此外，该模型缺乏可解释性，且依赖较大的训练集，这与黄曲霉素检测中的典型少样本条件不符。Deng等人[27]应用迁移学习进行NIR基霉菌毒素检测，通过冻结源域CNN的特征提取器并仅重新训练回归器，花生AFB1的R2达到0.9419。但其有效性严重依赖于目标域样本量，直接迁移而不重新校准会导致显著的负面转移效果。Jiang等人[28]融合NIRS和E-nose信号，并利用Shapley值分析预测玉米中的AFB1含量和Aspergillus flavus菌落数量，将关键波长和传感器与生化机制联系起来，实现了高精度。然而，该方法依赖于笨重的台式仪器，并且仅在单一品种上进行了验证，Shapley值归因仍是一种事后统计解释，而非针对少样本条件的解决方案。
总体而言，由于用于黄曲霉素检测的样本数量通常有限，大多数相关研究都属于少样本学习场景，但现有的小样本检测方法仍然不够完善。此外，现有模型通常缺乏可解释性，难以确定哪些光谱波长对模型决策产生影响。这一限制阻碍了模型的进一步优化和实际应用。为了解决这些问题，本研究提出了一种基于少样本学习的光谱黄曲霉素检测策略，并分析了关键光谱波长对模型的贡献，从而提高了深度学习模型的可解释性。本研究的主要贡献如下：
1. 在预训练阶段，编码器通过比较平均补丁光谱特征和原始光谱特征向量来学习内在光谱特征。在微调过程中，加载预训练的编码器权重，并优化模型参数以实现快速收敛，从而提高小样本场景下的性能。
2. 本研究扩展了模型的功能。通过结合补丁光谱相似性和单个波长的重要性评估来选择关键波长，融合了广泛和详细的方法。这增强了模型的可解释性，并为分析模型决策提供了可视化支持。
3. 通过重新定义模型结构和知识蒸馏策略，将teacher模型的能力传递给student模型，实现了模型的轻量化，便于在现实世界场景中快速部署。
章节摘录
研究概述
本研究的整体实验流程如图1所示。步骤A：采集玉米籽粒的光谱数据。准备黄曲霉素B1溶液并将其应用于玉米籽粒表面。经过自然风干后，获得了受到黄曲霉素B1污染的玉米籽粒样本。随后，将样品放置在高光谱成像平台上，收集玉米籽粒的高光谱图像，同时获取光谱数据和空间信息
模型检测玉米黄曲霉素B1的性能
在本研究中，预训练阶段设置为50个周期，学习率为0.0001，批量大小为32。为了研究补丁大小对模型性能的影响，实验使用了5、20、40、80和100不等的补丁大小。在这些不同的补丁大小下对编码器进行了预训练，然后将优化后的编码器与分类器结合进行微调。微调阶段也包含50个周期，学习率为0.0001。模型性能
无监督阶段损失组合系数的权衡
无监督学习阶段的损失函数包括余弦相似度损失和InfoNCE损失。本研究讨论了这两种损失组件系数对模型准确性的影响。实验结果表明，随着余弦相似度损失系数（α）的增加和InfoNCE损失系数（β）的减少，模型的平均准确率呈下降趋势。然而，在最大准确率分布方面，随着α系数的增加，
结论
本研究提出了一种用于玉米黄曲霉素光谱检测的少样本学习策略。所提出的模型（Ours）在20 ppb的浓度下实现了0.9415 ± 0.0081的平均准确率，最佳准确率为0.9525。此外，该模型还提供了不同粒度下光谱重要性的洞察，基于模型重要性得分确定484 nm为关键波长。基于最优的Ours模型，开发了一个轻量级版本，实现了
CRediT作者贡献声明
Wenwen Guo：撰写 – 审稿与编辑，撰写 – 原稿，数据管理，概念构思。Hongfei Zhu：撰写 – 审稿与编辑，撰写 – 原稿，数据管理，概念构思。Zhongzhi Han：撰写 – 审稿与编辑，撰写 – 原稿，数据管理，概念构思。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
中央政府引导地方发展基金（YDZX2024018），海南省研究生创新研究项目（Qhyb2024-04）。
Wenwen Guo|Hongfei Zhu|Zhongzhi Han
