應用方向：在該研究中，高光譜成像技術主要應用于核桃破殼物料中內(nèi)源雜質(zhì)的快速無損檢測。借助近紅外高光譜成像（NIR-HSI），能夠同時獲取核桃樣品的空間信息與連續(xù)光譜信息，實現(xiàn)對雜質(zhì)、正常核桃仁以及不同內(nèi)在成分差異的精細區(qū)分，為傳統(tǒng)視覺檢測難以識別的內(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效率與智能化水平。通過該文獻，展現(xiàn)了高光譜在食品質(zhì)量與安全檢測、堅果原料分選、農(nóng)產(chǎn)品內(nèi)部缺陷識別等領域的廣闊應用前景，為構建智能、高效、無損的食品檢測體系提供重要技術支撐。

背景：隨著食品安全問題的日益受到重視，不合格食品可能導致嚴重的健康風險，因此在食品加工中對質(zhì)量的嚴格把控尤為重要。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，工人需在核桃仁篩選階段識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，給消費者健康及企業(yè)信譽帶來潛在威脅。

近年來，隨著人工智能與高光譜傳感技術的發(fā)展，近紅外高光譜成像（NIR-HSI）已在食品檢測領域展現(xiàn)出顯著優(yōu)勢。該技術結合光譜信息與空間成像特征，能夠實現(xiàn)樣品化學組成的定量分析與無損檢測，在肉類紋理、棗類糖分及果仁霉變識別等方面均取得良好效果。相比傳統(tǒng)化學檢測方法，高光譜成像具有操作簡便、快速無損的特點，為實現(xiàn)核桃雜質(zhì)的在線檢測提供了可能。

然而，現(xiàn)有研究多集中于食品成分分析與種類分類，對核桃中潛在風險雜質(zhì)的檢測仍研究不足。針對這一問題，本文提出利用NIR-HSI結合傳統(tǒng)化學計量學方法與深度學習模型，實現(xiàn)核桃破殼樣本中內(nèi)源雜質(zhì)的快速分類識別。研究不僅驗證了高光譜技術在核桃雜質(zhì)檢測中的可行性，也為食品工業(yè)中實現(xiàn)智能化、自動化質(zhì)量控制提供了新的思路與技術路徑。

作者信息：戴丹，浙江農(nóng)林大學，碩導

期刊來源：Journal of Food Composition and Analysis

研究內(nèi)容

核桃制品中的雜質(zhì)會對人體健康造成嚴重威脅，而傳統(tǒng)人工篩選效率低、準確率不足，因此本研究開發(fā)一種基于近紅外高光譜成像技術的核桃內(nèi)源雜質(zhì)快速檢測方法。首先，通過生化實驗驗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)化算法改進構建了支持向量機（SVM）分類模型，并利用核桃內(nèi)源雜質(zhì)的近紅外數(shù)據(jù)進行訓練。此外，研究提出了引入注意力機制的深度神經(jīng)網(wǎng)絡模型 WT-NIRSNet，通過與傳統(tǒng)方法的系統(tǒng)對比，驗證深度學習結合 NIR-HSI 在核桃內(nèi)源雜質(zhì)快速檢測中的優(yōu)勢與可行性，旨在為核桃加工過程中的安全質(zhì)量控制提供技術支撐。

實驗設計

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，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）對核桃破殼樣本進行高光譜采集，波段覆蓋 855–1705 nm，共 512 個連續(xù)波長。系統(tǒng)由成像光譜儀、四組 50 W 鹵素燈、升降平臺、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（DT）預處理方法，通過對光譜進行二項線性擬合并扣除趨勢線，消除了基線漂移對光譜的影響。此外，光譜數(shù)據(jù)通常具有高維性，這種冗余數(shù)據(jù)，會增加分類模型的計算量，并且不同波長之間可能存在一定的相關性，主成分分析（PCA）算法能夠提取出原始特征波長的主要成分，并保留足夠的有用信息。因此，采用PCA對原始光譜數(shù)據(jù)進行特征降維。

在機器學習方法中，作者開發(fā)了一個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)。

在深度學習方法上，作者對ResNet18進行了改進，典型 ResNet18由 7×7 首層卷積、八個殘差塊（每塊含兩層 3×3 卷積）及末端全連接層構成。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。該模塊可動態(tài)重標定通道權重，強化有效特征、抑制冗余信息，最終得到的改進網(wǎng)絡命名為 WT-NIRSNet，其架構如圖 3 所示。深度網(wǎng)絡的超參數(shù)統(tǒng)一設定為：Adam優(yōu)化器、學習率調(diào)度器ReduceLROnPlateau、初始學習率1×10??、訓練輪數(shù)50、批量大小32。

圖3 WT-NIRSNet 網(wǎng)絡結構。當特征層尺寸發(fā)生變化時，選用 BasicBlock_1；否則采用 BasicBlock_2。

結果

受實驗環(huán)境與光譜設備限制，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個波長作為原始數(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 比例劃分為訓練、驗證與測試集，其中訓練集 817 份，驗證集 102 份，測試集 103 份。本研究對核桃仁的總酚與總黃酮含量進行了測定。每份樣品均設 3 次重復。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：稱取等量樣品時需投入更多粒數(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，推測源于脂質(zhì)過氧化消耗及抗病代謝損失。

以 SVM 模型為基準，對比不同預處理效果。SNV 可有效抑制背景噪聲與環(huán)境擾動，提升識別精度；而 DT 處理反而顯著降低準確率，不適用于本任務。SG 與 SNV 聯(lián)合策略表現(xiàn)相較下很好，測試集準確率可達 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，削弱了設備因素與小樣本帶來的弱變異干擾。

圖5 經(jīng)SG+SNV預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 預處理后的前 5 個主成分的累計貢獻率已突破 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 個主成分作為 SVM 的輸入，實現(xiàn)降維后的精準分類。

本節(jié)通過混淆矩陣與測試集準確率對模型性能進行評估。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模型的測試集準確率達到96.12%，優(yōu)于PCA-SVM模型。圖6為模型的混淆矩陣：橫坐標為模型預測標簽，縱坐標為測試集真實標簽。圖中可見，黑斑仁與油脂仁的誤判率較高，這可能是因為它們的內(nèi)部成分相似。通過這一觀察推測，后續(xù)實驗需重點擴充這兩類樣本，以便模型學習更具判別力的特征。

圖6 不同SVM改進模型的混淆矩陣示意  NP：未預處理；SS：SG+SNV預處理

本研究采用多種人工神經(jīng)網(wǎng)絡對核桃內(nèi)源雜質(zhì)的近紅外光譜數(shù)據(jù)進行定性分析，多層感知（MLP）模型由三個連接的層堆疊在一起組成，Conv3Net是一種人工設計的CNN，由三個卷積層組成，卷積核的大小分別為1 × 21、1 × 19?？紤]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用中廣泛用于處理序列的長短時記憶（LSTM）模型來對核桃破殼材料進行分類。此外，作者還研究了AlexNet和VGG16模型，這兩種模型是對經(jīng)典Conv2D結構的改進，具有更深的網(wǎng)絡層。選取驗證集損失*低的權重文件用于計算測試集的各項評估指標。所有模型的曲線在迭代后期均趨于平穩(wěn)，表明訓練已收斂。

實驗結果匯總如下表所示。MLP、AlexNet 與 VGG16 的識別準確率均不足 90 %；三者的核心差異在于網(wǎng)絡深度，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 在未對光譜做任何預處理的情況下，測試集準確率即達 99.03 %。殘差結構有效緩解了深度網(wǎng)絡在近紅外定性分析中深層網(wǎng)絡信息丟失的問題，從而提高了模型的識別精度，顯著優(yōu)于BOA-PCA-SVM模型。充分證明 WT-NIRSNet 對背景噪聲具有強魯棒性，可從復雜數(shù)據(jù)集中精準提取關鍵特征并完成分類。

為進一步驗證 WT-NIRSNet 的泛化能力與魯棒性，本研究引入獨立外部數(shù)據(jù)集開展實驗。該批光譜數(shù)據(jù)采集自不同時間，本文提出的兩種模型（BOA-PCA-SVM和WT-NIRSNet）均保持高識別準確率；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)識別中展現(xiàn)出巨大潛力。

圖7 獨立實驗混淆矩陣

結論

本研究構建了一套基于近紅外高光譜成像（NIR-HSI）與深度學習的無損檢測體系，用于精準識別核桃內(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 預處理后，光譜信噪比顯著提升，再結合 PCA 降維以壓縮信息冗余。進一步引入BOA對 PCA-SVM 的超參數(shù)空間進行全局尋優(yōu)，最終模型在測試集上對 5 類核桃破殼樣本的識別準確率達 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），強化對微弱缺陷特征的捕捉能力。改進后的網(wǎng)絡在測試集上實現(xiàn) 99.03% 的識別準確率，并在外部驗證集中穩(wěn)健地定位了絕大多數(shù)內(nèi)源性雜質(zhì)，驗證了方法的泛化性能與工程落地潛力。綜上所述，在本研究任務中，深度學習全面優(yōu)于傳統(tǒng)化學計量學方法。憑借對高維特征的提取能力，深度學習尤其擅長面向大規(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）技術可精準分類破殼核桃物料，驗證了其工業(yè)落地可行性，也彰顯了模型在真實生產(chǎn)場景中的廣闊前景。