應(yīng)用方向：在該研究中，高光譜成像技術(shù)主要應(yīng)用于核桃破殼物料中內(nèi)源雜質(zhì)的快速無損檢測(cè)。借助近紅外高光譜成像（NIR-HSI），能夠同時(shí)獲取核桃樣品的空間信息與連續(xù)光譜信息，實(shí)現(xiàn)對(duì)雜質(zhì)、正常核桃仁以及不同內(nèi)在成分差異的精細(xì)區(qū)分，為傳統(tǒng)視覺檢測(cè)難以識(shí)別的內(nèi)源性組織差異提供有效依據(jù)，大幅提升食品加工過程中的檢測(cè)效率與智能化水平。通過該文獻(xiàn)，展現(xiàn)了高光譜在食品質(zhì)量與安全檢測(cè)、堅(jiān)果原料分選、農(nóng)產(chǎn)品內(nèi)部缺陷識(shí)別等領(lǐng)域的廣闊應(yīng)用前景，為構(gòu)建智能、高效、無損的食品檢測(cè)體系提供重要技術(shù)支撐。

背景：隨著食品安全問題的日益受到重視，不合格食品可能導(dǎo)致嚴(yán)重的健康風(fēng)險(xiǎn)，因此在食品加工中對(duì)質(zhì)量的嚴(yán)格把控尤為重要。中國浙江與安徽交界的天目山地區(qū)是核桃的重要產(chǎn)區(qū)，但目前在核桃破殼和篩選過程中仍主要依賴人工目視檢測(cè)，工人需在核桃仁篩選階段識(shí)別并剔除諸如黑斑仁、油變?nèi)?、干癟仁及碎殼等內(nèi)源雜質(zhì)。這種人工方式不僅效率低、成本高，而且容易出現(xiàn)誤判與漏檢，給消費(fèi)者健康及企業(yè)信譽(yù)帶來潛在威脅。

近年來，隨著人工智能與高光譜傳感技術(shù)的發(fā)展，近紅外高光譜成像（NIR-HSI）已在食品檢測(cè)領(lǐng)域展現(xiàn)出顯著優(yōu)勢(shì)。該技術(shù)結(jié)合光譜信息與空間成像特征，能夠?qū)崿F(xiàn)樣品化學(xué)組成的定量分析與無損檢測(cè)，在肉類紋理、棗類糖分及果仁霉變識(shí)別等方面均取得良好效果。相比傳統(tǒng)化學(xué)檢測(cè)方法，高光譜成像具有操作簡(jiǎn)便、快速無損的特點(diǎn)，為實(shí)現(xiàn)核桃雜質(zhì)的在線檢測(cè)提供了可能。

然而，現(xiàn)有研究多集中于食品成分分析與種類分類，對(duì)核桃中潛在風(fēng)險(xiǎn)雜質(zhì)的檢測(cè)仍研究不足。針對(duì)這一問題，本文提出利用NIR-HSI結(jié)合傳統(tǒng)化學(xué)計(jì)量學(xué)方法與深度學(xué)習(xí)模型，實(shí)現(xiàn)核桃破殼樣本中內(nèi)源雜質(zhì)的快速分類識(shí)別。研究不僅驗(yàn)證了高光譜技術(shù)在核桃雜質(zhì)檢測(cè)中的可行性，也為食品工業(yè)中實(shí)現(xiàn)智能化、自動(dòng)化質(zhì)量控制提供了新的思路與技術(shù)路徑。

作者信息：戴丹，浙江農(nóng)林大學(xué)，碩導(dǎo)

期刊來源：Journal of Food Composition and Analysis

研究?jī)?nèi)容

核桃制品中的雜質(zhì)會(huì)對(duì)人體健康造成嚴(yán)重威脅，而傳統(tǒng)人工篩選效率低、準(zhǔn)確率不足，因此本研究開發(fā)一種基于近紅外高光譜成像技術(shù)的核桃內(nèi)源雜質(zhì)快速檢測(cè)方法。首先，通過生化實(shí)驗(yàn)驗(yàn)證了不同類型核桃仁在總酚含量與黃酮含量上的差異。隨后，基于蝶群優(yōu)化算法改進(jìn)構(gòu)建了支持向量機(jī)（SVM）分類模型，并利用核桃內(nèi)源雜質(zhì)的近紅外數(shù)據(jù)進(jìn)行訓(xùn)練。此外，研究提出了引入注意力機(jī)制的深度神經(jīng)網(wǎng)絡(luò)模型 WT-NIRSNet，通過與傳統(tǒng)方法的系統(tǒng)對(duì)比，驗(yàn)證深度學(xué)習(xí)結(jié)合 NIR-HSI 在核桃內(nèi)源雜質(zhì)快速檢測(cè)中的優(yōu)勢(shì)與可行性，旨在為核桃加工過程中的安全質(zhì)量控制提供技術(shù)支撐。

實(shí)驗(yàn)設(shè)計(jì)

核桃樣品于從中國杭州臨安區(qū)道石的一家核桃廠采購，秋季是核桃廠作業(yè)的主要季節(jié)，確保樣品采集光譜與生產(chǎn)線要求一致，采用物理方法將完整核桃破殼后，從核桃破殼材料中，根據(jù)外觀和形態(tài)，篩選出具有代表性的樣品1022個(gè)，涵蓋黑斑仁、油脂仁、萎*仁、碎殼及正常仁 5 類（示于圖 1）。所有樣品均置于陰涼干燥處密封保存，以確保品質(zhì)穩(wěn)定。并測(cè)定其黃酮類化合物和總酚類化合物含量。

圖1 破殼核桃物料示例  

(a) 油脂仁　(b) 正常仁　(c) 碎殼　(d) 萎*仁　(e) 黑斑仁

采用 NIR-HSI 系統(tǒng)（Gaia-Field-N17E，雙利合譜）對(duì)核桃破殼樣本進(jìn)行高光譜采集，波段覆蓋 855–1705 nm，共 512 個(gè)連續(xù)波長(zhǎng)。系統(tǒng)由成像光譜儀、四組 50 W 鹵素?zé)?、升降平臺(tái)、控制電腦及配套軟件（Optiplex 7080MT / SpecView）組成。圖 2 所示為核桃仁的偽彩色高光譜立方體（x × y × λ），其中 x、y 為空間維，λ 為光譜維。借助 ENVI 5.3 在圖像上勾畫感興趣區(qū)域（ROI），并提取區(qū)域內(nèi)平均反射率生成光譜庫。

圖2 核桃仁高光譜圖像偽彩色示意圖

研究方法

為減輕光散射的影響，本研究通過SNV和SG方法提升信噪比（SNR）。此外，采用了去趨勢(shì)（DT）預(yù)處理方法，通過對(duì)光譜進(jìn)行二項(xiàng)線性擬合并扣除趨勢(shì)線，消除了基線漂移對(duì)光譜的影響。此外，光譜數(shù)據(jù)通常具有高維性，這種冗余數(shù)據(jù)，會(huì)增加分類模型的計(jì)算量，并且不同波長(zhǎng)之間可能存在一定的相關(guān)性，主成分分析（PCA）算法能夠提取出原始特征波長(zhǎng)的主要成分，并保留足夠的有用信息。因此，采用PCA對(duì)原始光譜數(shù)據(jù)進(jìn)行特征降維。

在機(jī)器學(xué)習(xí)方法中，作者開發(fā)了一個(gè)BOA-PCA-SVM的光譜分類模型。BOA為蝶形優(yōu)化算法，通過模擬蝴蝶在覓食過程中的行為來尋求目標(biāo)函數(shù)的優(yōu)解。SVM模型使用徑向基函數(shù)（RBF）作為核函數(shù)。

在深度學(xué)習(xí)方法上，作者對(duì)ResNet18進(jìn)行了改進(jìn)，典型 ResNet18由 7×7 首層卷積、八個(gè)殘差塊（每塊含兩層 3×3 卷積）及末端全連接層構(gòu)成。為使其適配一維近紅外數(shù)據(jù)，作者在第 4、第 8 殘差塊后嵌入高效通道注意力（ECA）模塊。該模塊可動(dòng)態(tài)重標(biāo)定通道權(quán)重，強(qiáng)化有效特征、抑制冗余信息，最終得到的改進(jìn)網(wǎng)絡(luò)命名為 WT-NIRSNet，其架構(gòu)如圖 3 所示。深度網(wǎng)絡(luò)的超參數(shù)統(tǒng)一設(shè)定為：Adam優(yōu)化器、學(xué)習(xí)率調(diào)度器ReduceLROnPlateau、初始學(xué)習(xí)率1×10??、訓(xùn)練輪數(shù)50、批量大小32。

圖3 WT-NIRSNet 網(wǎng)絡(luò)結(jié)構(gòu)。當(dāng)特征層尺寸發(fā)生變化時(shí)，選用 BasicBlock_1；否則采用 BasicBlock_2。

結(jié)果

受實(shí)驗(yàn)環(huán)境與光譜設(shè)備限制，掃描首尾波段易引入固有噪聲。據(jù)此，本研究截取 900–1650 nm 范圍內(nèi)的 450個(gè)波長(zhǎng)作為原始數(shù)據(jù)。圖 4 給出了該片段的光譜曲線，可見部分類別走勢(shì)高度趨同、五類樣本吸光度相互交疊，為核桃內(nèi)源雜質(zhì)的精準(zhǔn)判別帶來顯著挑戰(zhàn)。

圖4 破殼核桃樣本的原始光譜曲線

1022 份樣本按 8:1:1 比例劃分為訓(xùn)練、驗(yàn)證與測(cè)試集，其中訓(xùn)練集 817 份，驗(yàn)證集 102 份，測(cè)試集 103 份。本研究對(duì)核桃仁的總酚與總黃酮含量進(jìn)行了測(cè)定。每份樣品均設(shè) 3 次重復(fù)。萎*仁的兩種活性成分含量相較下很高，可能與其單粒質(zhì)量小有關(guān)：稱取等量樣品時(shí)需投入更多粒數(shù)，而酚類和黃酮主要富集于種皮。油脂仁與黑斑仁的含量則低于正常仁，推測(cè)源于脂質(zhì)過氧化消耗及抗病代謝損失。

以 SVM 模型為基準(zhǔn)，對(duì)比不同預(yù)處理效果。SNV 可有效抑制背景噪聲與環(huán)境擾動(dòng)，提升識(shí)別精度；而 DT 處理反而顯著降低準(zhǔn)確率，不適用于本任務(wù)。SG 與 SNV 聯(lián)合策略表現(xiàn)相較下很好，測(cè)試集準(zhǔn)確率可達(dá) 95.15%。經(jīng)該組合處理后的光譜（圖 5）在吸收峰處放大了不同雜質(zhì)類別的差異，削弱了設(shè)備因素與小樣本帶來的弱變異干擾。

圖5 經(jīng)SG+SNV預(yù)處理后的破殼核桃物料光譜曲線

本研究引入 PCA 將海量光譜變量壓縮為少量主成分。經(jīng) SG+SNV 預(yù)處理后的前 5 個(gè)主成分的累計(jì)貢獻(xiàn)率已突破 98%，足以囊括光譜的絕大部分信息。因此，后續(xù)建模將保留這 5 個(gè)主成分作為 SVM 的輸入，實(shí)現(xiàn)降維后的精準(zhǔn)分類。

本節(jié)通過混淆矩陣與測(cè)試集準(zhǔn)確率對(duì)模型性能進(jìn)行評(píng)估。BOA的智能優(yōu)化算法迭代地選擇參數(shù)的*優(yōu)組合：c = 7.7，σ = 0.2。BOA-PCA-SVM模型的測(cè)試集準(zhǔn)確率達(dá)到96.12%，優(yōu)于PCA-SVM模型。圖6為模型的混淆矩陣：橫坐標(biāo)為模型預(yù)測(cè)標(biāo)簽，縱坐標(biāo)為測(cè)試集真實(shí)標(biāo)簽。圖中可見，黑斑仁與油脂仁的誤判率較高，這可能是因?yàn)樗鼈兊膬?nèi)部成分相似。通過這一觀察推測(cè)，后續(xù)實(shí)驗(yàn)需重點(diǎn)擴(kuò)充這兩類樣本，以便模型學(xué)習(xí)更具判別力的特征。

圖6 不同SVM改進(jìn)模型的混淆矩陣示意  NP：未預(yù)處理；SS：SG+SNV預(yù)處理

本研究采用多種人工神經(jīng)網(wǎng)絡(luò)對(duì)核桃內(nèi)源雜質(zhì)的近紅外光譜數(shù)據(jù)進(jìn)行定性分析，多層感知（MLP）模型由三個(gè)連接的層堆疊在一起組成，Conv3Net是一種人工設(shè)計(jì)的CNN，由三個(gè)卷積層組成，卷積核的大小分別為1 × 21、1 × 19。考慮到光譜數(shù)據(jù)可以被視為序列數(shù)據(jù)，因此也采用了在各種應(yīng)用中廣泛用于處理序列的長(zhǎng)短時(shí)記憶（LSTM）模型來對(duì)核桃破殼材料進(jìn)行分類。此外，作者還研究了AlexNet和VGG16模型，這兩種模型是對(duì)經(jīng)典Conv2D結(jié)構(gòu)的改進(jìn)，具有更深的網(wǎng)絡(luò)層。選取驗(yàn)證集損失*低的權(quán)重文件用于計(jì)算測(cè)試集的各項(xiàng)評(píng)估指標(biāo)。所有模型的曲線在迭代后期均趨于平穩(wěn)，表明訓(xùn)練已收斂。

實(shí)驗(yàn)結(jié)果匯總?cè)缦卤硭尽LP、AlexNet 與 VGG16 的識(shí)別準(zhǔn)確率均不足 90 %；三者的核心差異在于網(wǎng)絡(luò)深度，單純堆疊卷積層并不能提升近紅外判別性能。LSTM、Conv3Net 與本文提出的 WT-NIRSNet 表現(xiàn)優(yōu)異，其中 WT-NIRSNet 在未對(duì)光譜做任何預(yù)處理的情況下，測(cè)試集準(zhǔn)確率即達(dá) 99.03 %。殘差結(jié)構(gòu)有效緩解了深度網(wǎng)絡(luò)在近紅外定性分析中深層網(wǎng)絡(luò)信息丟失的問題，從而提高了模型的識(shí)別精度，顯著優(yōu)于BOA-PCA-SVM模型。充分證明 WT-NIRSNet 對(duì)背景噪聲具有強(qiáng)魯棒性，可從復(fù)雜數(shù)據(jù)集中精準(zhǔn)提取關(guān)鍵特征并完成分類。

為進(jìn)一步驗(yàn)證 WT-NIRSNet 的泛化能力與魯棒性，本研究引入獨(dú)立外部數(shù)據(jù)集開展實(shí)驗(yàn)。該批光譜數(shù)據(jù)采集自不同時(shí)間，本文提出的兩種模型（BOA-PCA-SVM和WT-NIRSNet）均保持高識(shí)別準(zhǔn)確率；其中 WT-NIRSNet 僅將 5 例樣本誤判（圖 7），其余均正確分類。綜上，NIR-HSI 在核桃內(nèi)源雜質(zhì)識(shí)別中展現(xiàn)出巨大潛力。

圖7 獨(dú)立實(shí)驗(yàn)混淆矩陣

結(jié)論

本研究構(gòu)建了一套基于近紅外高光譜成像（NIR-HSI）與深度學(xué)習(xí)的無損檢測(cè)體系，用于精準(zhǔn)識(shí)別核桃內(nèi)部雜質(zhì)。首先，將SVM與近紅外光譜數(shù)據(jù)耦合，建立定性判別模型；經(jīng) SG+SNV 預(yù)處理后，光譜信噪比顯著提升，再結(jié)合 PCA 降維以壓縮信息冗余。進(jìn)一步引入BOA對(duì) PCA-SVM 的超參數(shù)空間進(jìn)行全局尋優(yōu)，最終模型在測(cè)試集上對(duì) 5 類核桃破殼樣本的識(shí)別準(zhǔn)確率達(dá) 96.12%。為再度提升雜質(zhì)檢出精度，本研究在 ResNet 圖像分類框架中嵌入高效通道注意力模塊（ECA），強(qiáng)化對(duì)微弱缺陷特征的捕捉能力。改進(jìn)后的網(wǎng)絡(luò)在測(cè)試集上實(shí)現(xiàn) 99.03% 的識(shí)別準(zhǔn)確率，并在外部驗(yàn)證集中穩(wěn)健地定位了絕大多數(shù)內(nèi)源性雜質(zhì)，驗(yàn)證了方法的泛化性能與工程落地潛力。綜上所述，在本研究任務(wù)中，深度學(xué)習(xí)全面優(yōu)于傳統(tǒng)化學(xué)計(jì)量學(xué)方法。憑借對(duì)高維特征的提取能力，深度學(xué)習(xí)尤其擅長(zhǎng)面向大規(guī)模近紅外數(shù)據(jù)集的定性判別。近紅外高光譜成像（NIR-HSI）技術(shù)可精準(zhǔn)分類破殼核桃物料，驗(yàn)證了其工業(yè)落地可行性，也彰顯了模型在真實(shí)生產(chǎn)場(chǎng)景中的廣闊前景。