《Toxins》：Hyperspectral Imaging for Mycotoxin Monitoring in Food: A Comprehensive Review of Technologies, Algorithms, and Applications
真菌毒素污染是全球最紧迫的食品安全挑战之一，每年有数百万吨农产品受到影响。常规检测方法虽具有较高的准确性，但操作劳动密集、具有破坏性，且不适合大规模筛查。高光谱成像（Hyperspectral Imaging，HSI）已成为一种变革性的无损分析技术，能够在数百个连续波长上同时捕获空间和光谱信息。本综述系统评估了HSI技术在食品真菌毒素检测中的研究现状，涵盖光谱-真菌毒素相互作用的物理原理、主要真菌毒素类别（黄曲霉毒素（aflatoxins）、脱氧雪腐镰刀菌烯醇（deoxynivalenol，DON）、赭曲霉毒素A（ochratoxin A，OTA）、伏马菌素（fumonisins）和玉米赤霉烯酮（zearalenone，ZEN））的系统性应用，以及机器学习（machine learning，ML）和深度学习（deep learning，DL）算法在光谱数据分析中的整合。综述揭示，可见-近红外（Vis-NIR，400–1000 nm）和短波红外（SWIR，1000–2500 nm）HSI系统在多种真菌毒素-基质组合中已实现超过90%的分类准确率，但在模型可迁移性、法规阈值水平的直接定量以及工业部署的可扩展性方面仍存在根本性挑战。Transformer架构、迁移学习（transfer learning）、可解释深度学习以及便携式多光谱系统的最新进展展示了迈向实际应用的令人鼓舞的进展。本综述最后指出了关键研究空白，并提出了将基于HSI的真菌毒素检测从实验室概念验证推进到常规工业应用的战略方向。
**1. 引言**
真菌毒素是由曲霉属（Aspergillus）、镰刀菌属（Fusarium）和青霉属（Penicillium）等真菌产生的有毒次级代谢产物。联合国粮食及农业组织（FAO）估计全球每年约25%的作物受到真菌毒素污染，其中黄曲霉毒素（aflatoxins，AFs）、脱氧雪腐镰刀菌烯醇（deoxynivalenol，DON）、赭曲霉毒素A（ochratoxin A，OTA）、伏马菌素（fumonisins，FBs）和玉米赤霉烯酮（zearalenone，ZEN）因其致癌性、肾毒性和免疫抑制性受到多国法规监管。国际癌症研究机构（IARC）将黄曲霉毒素列为第1类致癌物，OTA和伏马菌素列为第2B类，DON和ZEN列为第3类。鉴于污染在谷物批次内的高度异质性分布，高效液相色谱（HPLC）、酶联免疫吸附测定（ELISA）和液相色谱-串联质谱（LC-MS/MS）等常规分析方法尽管分析精度高，但在取样代表性方面存在固有限制。HSI技术作为快速无损替代方案，将计算机视觉的空间分辨率与光谱学的化学特异性相结合，高光谱数据立方体中的每个像素包含完整的反射率、吸光度或荧光光谱，可同步评估污染程度和化学组成。HSI与人工智能特别是ML和DL算法的融合，从根本上加速了该领域的发展。本综述的文献检索基于Web of Science数据库，覆盖2020年至2026年的出版物，以"hyperspectral imaging""mycotoxin"和"food"为关键词组合进行检索。与现有综述相比，本综述的独特贡献在于：首次系统整合并批判性评估Transformer架构和可解释深度学习方法（特别是SHAP分析），首次专门比较荧光HSI和拉曼HSI作为反射式HSI的互补光谱模态，纳入截至2026年的最新进展包括快照HSI和迁移学习策略，并建立了从间接检测的物理基础到法规合规的完整分析逻辑链。
**2. 原理与技术基础**
**2.1 光谱区域及其与真菌毒素分析的相关性**
光谱区域的选择从根本上决定了HSI对真菌毒素分析的检测能力。Vis-NIR系统（400–1000 nm）检测电子跃迁和高阶分子倍频，具有高空间分辨率和较低硬件成本，但光谱信息主要反映表面特征、色素沉着、形态变化和真菌菌落发育，而非真菌毒素的分子特征。SWIR系统（1000–2500 nm）可获取分子振动的第一倍频和组合频带，为有机化合物鉴定提供显著更强的信号，涵盖酰胺键（1450–1480 nm）、脂质组分（1720–1760 nm）和碳水化合物结构（2100–2300 nm）等特征吸收。研究显示SWIR HSI在鉴别黄曲霉毒素B
1（AFB
1）污染玉米籽粒方面优于Vis-NIR系统，关键波长包括1206、1380、1664、1858和2130 nm。荧光HSI利用真菌代谢产物和真菌毒素的自发荧光特性，AFs在紫外激发下表现出特征性荧光，其中黄绿色荧光（BGYF）历史上被用作污染玉米的筛查指标。
**2.2 数据采集模式**
高光谱数据可通过四种采集配置获取：点扫描（空间扫描）、线扫描（推扫式）、面扫描（波长扫描）和快照成像（全数据立方体）。推扫式线扫描在食品和农业应用中占主导地位，因其在采集速度、光谱质量和空间分辨率之间取得了良好平衡。快照HSI代表了实时监测的变革性方法，可在单次曝光中捕获完整空间-光谱数据立方体，消除了机械扫描瓶颈，使其能够部署在传送带系统上。
**2.3 HSI间接检测真菌毒素的本质**
HSI捕获的光谱变化对应于真菌感染和真菌毒素生物合成过程中在多个波长区域发生的特定物理化学改变。在可见光范围（400–700 nm），受感染籽粒中叶绿素和类胡萝卜素的降解产生可检测的反射率偏移，在680–750 nm附近的红边过渡区域尤为显著。在近红外区域，970、1450和1940 nm附近的水分吸收带反映真菌定殖引起的水分重新分布。C–H和O–H倍频相关的碳水化合物吸收（约1200、1700–1800和2100–2300 nm）对淀粉降解和多糖转化敏感。1480和2050–2200 nm附近的蛋白质相关吸收反映宿主蛋白质分解和真菌酶的积累。脂质C–H伸缩和组合频带（1720–1760和2300–2350 nm）指示脂质代谢和膜破坏。必须强调一个根本性区别：传统HSI并不直接检测法规浓度水平的真菌毒素分子，而是捕获由真菌感染、代谢活动以及伴随真菌毒素生物合成的生化变化引起的食品基质光谱改变。这种间接检测机制既带来优势也带来局限：它无需样品制备即可快速筛查，但光谱特征与实际真菌毒素浓度之间的相关性取决于真菌生长与毒素产生之间的特定生物学关系，该关系随环境条件、基质组成和真菌菌株而变化。
**3. HSI在真菌毒素检测与真菌分类中的应用**
**3.1 真菌分类与早期检测**
除真菌毒素定量外，HSI已广泛应用于真菌物种鉴定和早期检测。研究人员通过HSI区分产毒和非产毒黄曲霉菌株，分类准确率超过80%；利用Vis-NIR HSI区分多种产毒真菌属（镰刀菌属、黄曲霉、木霉属、寄生曲霉和青霉属），为物种特异性检测策略奠定了基础。在培养基上对五种谷物真菌的分类研究表明，随着孵育时间延长、真菌生物量增加，分类准确率逐步提高，揭示了早期检测灵敏度关键取决于真菌生长的时间动态。
**3.2 黄曲霉毒素**
黄曲霉毒素主要由黄曲霉（Aspergillus flavus）和寄生曲霉（A. parasiticus）产生，因其强效致癌性和监管重要性成为HSI研究中研究最广泛的真菌毒素类别。早期研究奠定了症状前检测的基础概念，证明高光谱分析可在可见症状出现前识别真菌定殖。后续研究在多个维度上系统性地优化检测能力：通过SWIR HSI（1000–2500 nm）结合偏最小二乘判别分析（PLS-DA）实现了玉米籽粒表面AFB
1的鉴别，分类准确率超过85%；利用PCA载荷分析识别最佳波长，特别是在与O-H和C-H组合频带对应的1350–1450 nm和1900–2100 nm区域。单籽粒分析代表了实际应用的关键进展，Vis-NIR HSI结合支持向量机（SVM）和偏最小二乘回归（PLSR）实现了约90%的检测准确率。在树坚果方面，SWIR-HSI结合预训练Inception V3网络对杏仁籽粒中AFB
1的检测实现了84.82%的交叉验证准确率；对开心果的三级分类（<8、>160和>300 μg/kg）达到96.7%准确率。特征波长选择方法如竞争性自适应重加权采样（CARS）和连续投影算法（SPA）已被广泛验证为黄曲霉毒素检测模型的有效降维方法。
**3.3 脱氧雪腐镰刀菌烯醇**
DON污染是温带谷物生产系统中经济影响最显著的真菌毒素问题，主要由禾谷镰刀菌（Fusarium graminearum）和黄色镰刀菌（F. culmorum）产生。在DON检测标准化方面，研究人员系统性地解决了图像采集标准化、单籽粒分选方案、DON与麦角甾醇同步估算等关键问题，图像采集方法的标准化减少了实验室间变异，提高了模型在不同HSI仪器间的可迁移性。Vis-NIR和SWIR HSI系统的系统比较表明，SWIR HSI因其对真菌感染引起的蛋白质和碳水化合物结构变化的敏感性提供了更优的分类性能。近期的定量预测进展方面，NIR-HSI结合化学计量学实现了单个小麦籽粒中0–12 mg/kg范围DON浓度的预测，R
2值超过0.85；对600个单籽粒按DON水平分类并通过选择性剔除实现了批次水平的显著污染降低。
**3.4 赭曲霉毒素A和伏马菌素**
OTA由疣孢青霉（Penicillium verrucosum）在温带谷物中以及赭曲霉（Aspergillus ochraceus）在咖啡和干果中产生，其在HSI研究中受到的关注相对较少。在储存大麦中，基于PCA的分析识别出1310、1360和1480 nm为显著波长，其中1480 nm峰为OTA污染样品独有。在小麦中，显著光谱特征出现在1280、1300和1350 nm，对应于真菌定殖期间细胞水分和碳水化合物结构的改变。咖啡虽为受OTA影响的主要商品，但因其化学成分复杂（包括高水平的绿原酸、咖啡因和烘焙过程中形成的Maillard反应产物），HSI研究仍属空白。伏马菌素主要由轮枝镰刀菌（Fusarium verticillioides）和层生镰刀菌（F. proliferatum）在玉米中产生，其HSI检测主要在与黄曲霉毒素共污染的组合中进行研究。特征波长（1038、1110、1393和1480 nm）与黄曲霉毒素相关特征部分重叠，使得共污染样品中单个真菌毒素贡献的解卷积复杂化。
**3.5 玉米赤霉烯酮**
ZEN主要由禾谷镰刀菌和黄色镰刀菌在玉米、小麦和大麦中产生，常与DON及其他B型单端孢霉烯族毒素共现。多光谱成像结合机器学习实现了玉米籽粒中ZEN的快速无损检测，竞争群优化近红外（CSA-NIR）技术结合化学计量学算法实现了小麦中ZEN的定量测定。首次将可解释深度学习与HSI结合的研究利用SHAP（SHapley Additive exPlanations）分析识别了与ZEN分子结构相关的核心光谱区域（1380–1420 nm和1880–1920 nm），为检测能力提供了机制验证。
**3.6 多种真菌毒素共污染**
多真菌毒素共污染是食品中的普遍现实，大规模调查表明美国玉米样品中超过95%含有两种或以上真菌毒素，平均每样品8.7种共污染毒素。同时检测多种真菌毒素引入了实质性分析复杂性。NIR-HSI（900–1700 nm）结合CNN实现了玉米籽粒中AFB
1和OTA的同步检测；SWIR-HSI平台（1000–2500 nm）实现了小麦中多种镰刀菌代谢产物的并行检测；NIR-HSI实现了小麦样品中DON和麦角甾醇的双分析物模型；Vis-NIR光谱和NIR-HSI对单个燕麦籽粒中T-2和HT-2毒素的检测达到93.3%的分类准确率。多任务学习框架和集成方法为解决多真菌毒素光谱特征解卷积提供了潜力。
**4. 机器学习与深度学习整合**
**4.1 常规机器学习算法**
PLSR和PLS-DA因其处理高维共线性光谱数据的有效性而成为最广泛使用的方法。SVM通过在高维特征空间中构建最优超平面，在区分污染与未污染样品的分类任务中表现出强泛化性能。随机森林（RF）提供稳健的集成分类并具有固有的特征重要性排序功能。在玉米真菌污染检测的系统比较中，1D-CNN实现了最高准确率（94.2%），但需要显著更多的训练数据和计算资源，且籽粒方向显著影响模型性能。
**4.2 深度学习架构**
1D-CNN将光谱向量作为序列数据处理，通过卷积滤波器提取局部光谱模式，可自动学习特征表示而无需手动波长选择。3D-CNN处理完整的空间-光谱数据立方体，同时提取光谱和空间特征（如真菌菌落形态和污染模式分布），但需要更大的训练数据集。Transformer架构代表了HSI分析的前沿：双视角注意力空间-光谱Transformer（DAASST）通过自注意力机制捕获长程光谱依赖关系，其全局感受野整合了整个波长范围的光谱信息，提高了低水平污染的检测灵敏度。CNN-Transformer混合模型结合了局部特征提取与全局依赖建模。
**4.3 模型稳健性与可迁移性**
模型在不同仪器、样品来源和污染条件间的可迁移性仍是持久挑战。标准化图像采集方案和校准转移方法的开发维持了不同NIR-HSI仪器间的模型准确率。迁移学习作为解决模型可迁移性局限的策略，使预训练模型可利用有限目标域数据进行微调以实现竞争性能。然而，大多数研究仅报告基于内部验证的性能指标，缺乏对独立采集数据的外部验证，这一方法学局限高估了真实世界检测性能。
**5. 光谱预处理与特征选择**
**5.1 预处理策略**
高光谱数据固有地包含多种噪声和系统变异源，样品表面异质性、粒度变化和仪器漂移引起的散射效应引入了乘性和加性光谱畸变。标准预处理技术包括多元散射校正（MSC）、标准正态变量（SNV）、Savitzky–Golay（SG）平滑和导数计算以及降噪滤波。MSC和SNV通过归一化光谱强度校正光散射效应，SG平滑在保留光谱形状的同时降低高频噪声，一阶或二阶导数计算通过消除基线偏移和放大细微光谱差异增强光谱特征。预处理策略的选择显著影响模型性能，建议对每种应用进行多种预处理组合的系统比较。
**5.2 特征波长选择**
HSI系统获取的数百个光谱波段包含大量冗余和噪声。CARS通过自适应采样策略基于回归系数大小迭代选择波长，SPA构建具有最小共线性的波长子集。结合图像和光谱信息的特征选择方法识别了反映真菌感染相关的化学组成和形态变化的特征波长。所选波长的机制解读为检测方法提供了验证：黄曲霉毒素检测所选波长（956、984、1046、1350–1450和1900–2100 nm）对应于真菌代谢产物和种子组成变化的分子振动；DON检测相关波长（1408、1904、2100–2200 nm）反映镰刀菌感染引起的蛋白质、淀粉和水分吸收改变；OTA检测的波长选择（1300、1350、1480 nm）对应于青霉生长期间细胞水分和碳水化合物结构变化。
**6. 互补光谱模态**
**6.1 荧光HSI**
荧光成像利用真菌毒素和真菌代谢产物的固有荧光特性，提供与反射式HSI互补的检测灵敏度。从基础BGYF筛查到先进荧光HSI和便携式检测系统的演进表明，荧光方法在黄曲霉毒素分析中实现了比反射式HSI更低的检测限。荧光HSI捕获发射光谱和空间荧光分布，实现像素级污染绘图和定量，结合机器学习的荧光光谱实现了玉米中多种共污染真菌毒素的同时识别。
**6.2 拉曼HSI**
拉曼光谱通过非弹性光散射提供分子指纹信息，可实现真菌毒素分子结构的直接检测。表面增强拉曼光谱（SERS）通过等离子体增强效应将拉曼信号大幅放大，实现痕量浓度检测。拉曼HSI纹理和光谱特征的整合为玉米籽粒霉变定量测定提供了直接化学信息；线扫描拉曼HSI鉴定了感染多种黄曲霉的 peanut 籽粒，实现了物种特异性识别。拉曼和HSI信息通过数据融合策略的结合代表了增强真菌毒素检测的新兴方法。
**7. 工业实施与便携式系统**
**7.1 从实验室到工业**
HSI真菌毒素检测从实验室研究向工业应用的转化面临若干相互关联的挑战：谷物加工设施的吞吐量需求（通常为每小时数千吨）超过了传统推扫式HSI系统的能力；实时光谱分析的计算需求需要适合生产环境的硬件加速和优化算法；在可变环境条件（温度、湿度、粉尘）下的模型稳健性必须经过验证。标准化的NIR-HSI方案用于小麦籽粒按DON水平分选，以及NIR-HSI作为分选工具实现批次DON降低，证明了HSI分选的技术可行性。物联网（IoT）传感器与HSI系统的集成为工业规模部署提供了基础，使实时数据采集、远程监控和自动化真菌毒素评估成为可能。
**7.2 便携式与低成本系统**
便携式低成本HSI系统的开发回应了现场和资源受限条件下真菌毒素筛查的需求。低成本便携式设备利用荧光成像技术检测和分选AFB
1污染玉米籽粒，在保持小农户可及成本水平的同时实现了可接受的检测准确率。手持光谱设备和便携式光谱仪以空间分辨率换取便携性和易用性，为现场快速筛查提供了替代方案。便携式荧光或拉曼光谱与靶向实验室HSI分析的混合方法为资源受限环境提供了实用途径。
**7.3 法规合规与法律认可的路径**
HSI在实际食品真菌毒素监测中的部署最终取决于能否满足食品安全监管机构的要求。欧盟委员会法规（EC）No 1881/2006及后续修订（EU）2023/915对直接消费谷物中AFB
1的最大限量设定为2–4 μg/kg。美国FDA对食品中总黄曲霉毒素的行动水平为20 μg/kg。中国GB 2761-2017对谷物和坚果制品中AFB
1的最大允许水平为5–20 μg/kg。虽然HSI在实验室环境中已展示超过90%的分类准确率，但目前技术在法规阈值水平的直接定量方面面临根本性限制。本研究提出两级筛查策略作为将HSI整合到真菌毒素监测计划的实用框架：第一级（Tier 1）采用HSI作为高通量初级筛查工具进行快速分类，第二级（Tier 2）将所有可疑或临界样品转至经验证的确认方法如LC-MS/MS进行分析。实现法规合规的HSI真菌毒素监测需要若干基础性发展：开发和认证专门用于HSI校准的基质匹配参考物质、建立标准化高光谱数据集、以及制定统一的图像采集、光谱预处理和模型报告标准协议。
**8. 挑战与未来展望**
**8.1 根本性技术挑战**
HSI间接检测的本质仍是最根本的局限——检测灵敏度和准确性取决于可观测光谱变化与实际真菌毒素浓度之间相关性的强度，该相关性在不同真菌毒素类别、食品基质和污染情景中差异显著。一个关键方法学区别在文献中未获足够关注：自然污染/实验感染样品与纯化真菌毒素人工添加样品的区别。当纯化真菌毒素被添加到清洁基质中时，真菌定殖常伴随的生化修饰（细胞壁降解、淀粉水解、蛋白质分解、脂质过氧化和组织微结构破坏）完全不存在，因此添加样品的光谱特征主要反映毒素分子的直接吸收特征而非自然污染的综合生物响应。模型可迁移性跨仪器、样品群体和环境条件仍是关键障碍。数据质量和数量限制制约模型开发，许多研究使用有限样本量（通常少于200个），训练数据不足以支持稳健深度学习模型的开发。多种真菌毒素在同一食品基质中的共污染还引入了实质性的光谱重叠和干扰。
**8.2 新兴研究方向**
可解释深度学习应用于HSI真菌毒素检测解决了传统神经网络的"黑箱"局限：基于SHAP的可解释性分析可识别模型预测的核心波长和光谱机制，为模型决策提供机制验证并建立检测可靠性的信心。数据增强技术通过光谱导数预处理和Mixup增强等策略应对深度学习模型的训练数据局限。多模态数据融合将HSI与拉曼光谱、荧光成像或电子鼻数据相结合，提供全面的化学和空间表征，数据级、特征级和决策级融合各具优势。
**8.3 战略建议**
基于本综述的批判性分析，提出以下战略建议：（1）建立标准化验证方案和代表性校准及验证数据集，用于跨研究比较和模型基准测试，这些数据集应刻意纳入生物学和基质变异性；（2）优先发展面向HSI真菌毒素检测模型的可解释AI框架，使SHAP分析、注意力可视化和波长重要性映射成为标准实践；（3）拓展反映真实污染复杂性的多真菌毒素检测情景研究，系统开发和验证多任务学习架构和集成方法；（4）开发共享基准数据集和开放获取模型库以加速研究进展；（5）推进快照HSI技术在高速工业部署中的应用，重点提高空间分辨率、光谱覆盖范围和计算效率。
**8.4 HSI法规合规部署路线图**
本文提出三阶段路线图：阶段1（第1–3年）致力于基础建设，包括创建标准化公开高光谱数据集、制定光谱图像采集标准协议、建立基准性能指标并启动认证参考物质（CRM）开发计划。阶段2（第3–5年）聚焦验证与认证，包括执行多实验室协作研究（至少10–15个独立实验室）、提交HSI方法申请AOAC性能测试方法（PTM）认证、与监管机构正式对接定义HSI作为两级框架内筛查方法的具体验收标准，以及开发校准转移方法。阶段3（第5–8年）致力于工业试点与部署，包括在工业谷物加工线上部署试点HSI筛查系统、开展经济可行性评估、在至少三个不同地理区域的主要谷物加工设施中实施完整的两级筛查策略，以及争取Codex Alimentarius或各国监管机构的正式认可。
**9. 结论**
HSI已确立为食品真菌毒素检测的强大无损分析技术，能够同步捕获数百个波长的空间和光谱信息。本综述系统审视了HSI真菌毒素研究全谱系的技术基础、算法方法、应用成果和现存挑战。SWIR和Vis-NIR HSI系统在玉米黄曲霉毒素检测、小麦和大麦DON分类以及储存谷物OTA检测中已展示超过90%的分类准确率。ML和DL算法的整合——从传统PLSR和SVM到先进1D-CNN、3D-CNN和Transformer架构——显著增强了检测能力。光谱预处理和特征波长选择方法学已臻成熟，能够实现保持高准确率同时降低计算需求的高效模型。然而，间接检测机制限制了法规阈值附近低浓度水平的定量准确性，模型可迁移性仍未充分验证，训练数据可用性制约了稳健深度学习模型的开发。可解释深度学习、迁移学习、数据融合和快照成像技术的融合为解决这些局限提供了有希望的途径。标准化验证方案、共享基准数据集和实验室间协作研究是建立性能基线、加速迈向实际实施的必要条件。随着这些基础性要素的成熟，基于HSI的真菌毒素检测系统有望对全球食品供应链的食品安全监测产生变革性影响。
