咖啡豆的非破坏性地理溯源：一种结合优化深度学习算法的超光谱引导RGB成像方法

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Non-destructive geographical authentication of coffee beans: A hyperspectral-guided RGB imaging approach with optimized deep learning algorithms

　　

摘要

不同产地的咖啡豆在风味、化学成分和感官特性上存在显著差异。随着消费者对高品质咖啡需求的持续增长，确定咖啡豆的产地对于确保产品质量和安全至关重要。传统的产地鉴定方法依赖于人工感官评价和化学分析。本研究提出了一种基于红绿蓝（RGB）图像的高光谱引导方法，用于识别咖啡豆产地，旨在利用低成本 RGB 相机实现高效且无损的质量检测。收集了中国云南、越南、肯尼亚和埃塞俄比亚的阿拉比卡豆的高光谱和 RGB 图像，进行了预处理和特征提取。对 GoogLeNet、AlexNet 和视觉 Transformer（ViT）的比较显示，采用迁移学习的 GoogLeNet 在验证集上达到了 100% 的验证准确率，并在散装豆的外部实景测试中达到了 95% 的平均准确率。四个产地的整体识别准确率在 87.5% 到 100% 之间，宏平均 F1 分数为 0.944。这种方法将高光谱特征转移到 RGB 分析中，提高了检测效率，并显示出作为咖啡质量控制中具有成本效益且可扩展的解决方案的潜力。未来的工作将专注于提高模型泛化能力并探索自监督学习，以减少对高光谱成像的依赖。

引言

咖啡作为全球最具经济价值的食品产品之一，其质量与其产地特征密切相关。由于土壤、气候和处理技术的差异，不同产地的咖啡豆在风味、化学成分和感官特性上表现出显著差异 [1]。例如，埃塞俄比亚的耶加雪菲以其独特的柑橘和花香闻名，而云南咖啡则因其均衡的口感而受到青睐。随着消费者对咖啡豆质量需求的增加，产地追溯已成为确保产品质量和安全的关键因素。此外，产地标签的准确性直接关系到市场公平和消费者权益，这使得高效可靠的产地鉴定技术的发展具有经济和社会意义 [2]。

传统的咖啡豆产地鉴定方法主要依赖于人工感官评价和化学分析（例如，高效液相色谱 - 质谱联用、气相色谱 - 质谱联用）[3]。虽然这些方法在特定场景下有效，但感官评价难以标准化 [4], [5]，且化学分析成本高、耗时，并通常需要破坏性采样 [6], [7]。随着咖啡贸易的全球化和供应链复杂度的增加，传统方法已无法满足大规模、快速检测的需求，突显了对高效、无损且可扩展的产地鉴定技术的迫切需求 [8]。

最近，光谱分析（如近红外光谱（NIRS）和高光谱成像（HSI））技术由于其快速、无损和信息密度高的特点，在食品产品质量检测领域显示出巨大的潜力 [9]。近红外光谱已成功应用于茶、酒、肉、奶和谷物等食品的产地鉴定 [10], [11]。据报道，利用近红外光谱结合化学计量学方法建立了苦荞粉中普通荞麦掺假的快速检测模型。研究表明，基于近红外光谱数据结合偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）算法，可以有效地识别苦荞粉中低至 5% 的普通荞麦掺假，准确率超过 95% [12]。此外，还证明了近红外光谱结合化学计量学（PCA、PLS-DA、SVM）有效地按地理产地对西班牙原产地保护（PDO）葡萄酒醋进行了分类，基于有机酸、多酚和糖的光谱指纹。这种无损方法在真实性控制方面优于传统分析，在保持高精度的同时提供了快速、高效的 PDO 验证 [13]。

具有高光谱成像和光谱数据的高光谱成像可以实现目标空间信息和光谱信息的同步获取，从而实现对样本化学成分和物理性质的全面表征 [14]。研究表明，高光谱成像在咖啡豆质量检测中表现优异，例如，特定波段（如 1200 nm 和 1700 nm）可以准确识别污染物或内部化学成分（如蔗糖和咖啡因）[15]。然而，数据处理要求复杂和设备笨重等问题严重限制了其在工业场景中的广泛应用 [16], [17]。

为了平衡检测精度和成本，多模态图像融合技术逐渐成为研究热点。通过将高光谱成像技术与低成本 RGB 图像相结合，可以充分利用前者的丰富光谱信息和后者的有效空间分辨率 [18]。结合光谱特征转移的 RGB 图像在果实质量检测中实现了糖含量和成熟度的准确预测。3D 卷积神经网络（3D-CNNs）模型是最准确的模型，正确分类率为 94%，优于 2D 模型的性能（< 83%）[19]。这种融合策略不仅降低了硬件门槛，还显著提高了检测效率，为食品产地鉴定提供了新的技术途径。

通过从高光谱图像中提取特征并将其转移到 RGB 图像中，结合深度学习算法（GoogLeNet、AlexNet 和视觉 Transformer），旨在实现高精度和低成本的产地鉴定（图 1A）。在使用高光谱设备完成一次性模型训练后，终端用户只需使用校准过的普通 RGB 相机即可实现高精度产地鉴定，这为工业咖啡质量控制提供了一种低成本且可扩展的解决方案。

章节摘要

样品制备

四个产地（云南、越南、肯尼亚和埃塞俄比亚）的原始咖啡豆均由园区仓库（越南大叻华 t??i大叻公园上海仓库）直接供应或由可追溯公司（小豆咖啡（深圳）有限公司）供应（图 S1）。所有四种咖啡豆均为阿拉比卡品种，所有样本均为具有初始水分含量一致的未烘焙绿咖啡。收集后，所有样本均密封并在恒定温度下储存和

高光谱图像和 RGB 图像

RGB 和高光谱图像既有重叠特征（可见光波段），又有互补特性（光谱细节与空间细节）。在实际应用中，通过多模态融合或波段选择，结合空谱协同注意力模块和级联残差块，重建精度和细节保留能力得到了显著提高，从而最大化了两者的协同价值 [25]。

在本研究中，阿拉比卡

结论

本研究提出了一种基于高光谱引导 RGB 图像处理的方法，旨在实现一种高效且无损的咖啡产地鉴定新方法。它收集了四个产地（云南、越南、肯尼亚和埃塞俄比亚）阿拉比卡咖啡豆的数据，进行了高光谱成像和 RGB 图像的多模态特征融合，并比较了三种模型（GoogLeNet、AlexNet 和 ViT）的性能。结果显示 GoogLeNet

利益冲突声明

作者声明他们没有任何已知的竞争经济利益或个人关系，这些关系可能影响本论文报道的工作。

致谢

本研究得到国家自然科学基金（编号：32472425）和江苏科技大学人才启动项目（1182932009）的资助。

卢斯恒|杜逸飞|赵静|余跃|黄跃|曹福良|李展明

江苏科技大学粮食科学技术学院，中国镇江 212100