便携式高光谱成像系统实现核桃破壳物料中内源杂质的快速无损检测

应用方向：

在该研究中，高光谱成像技术主要应用于核桃破壳物料中内源杂质的快速无损检测。借助近红外高光谱成像（NIR-HSI），能够同时获取核桃样品的空间信息与连续光谱信息，实现对杂质、正常核桃仁以及不同内在成分差异的精细区分，为传统视觉检测难以识别的内源性组织差异提供有效依据，大幅提升食品加工过程中的检测效率与智能化水平。通过该文献，展现了高光谱在食品质量与**检测、坚果原料分选、农产品内部缺陷识别等领域的广阔应用前景，为构建智能、高效、无损的食品检测体系提供重要技术支撑。

背景：

随着食品**问题的日益受到重视，不合格食品可能导致严重的健康风险，因此在食品加工中对质量的严格把控尤为重要。中国浙江与安徽交界的天目山地区是核桃的重要产区，但目前在核桃破壳和筛选过程中仍主要依赖人工目视检测，工人需在核桃仁筛选阶段识别并剔除诸如黑斑仁、油变仁、干瘪仁及碎壳等内源杂质。这种人工方式不仅效率低、成本高，而且容易出现误判与漏检，给消费者健康及企业信誉带来潜在威胁。

近年来，随着人工智能与高光谱传感技术的发展，近红外高光谱成像（NIR-HSI）已在食品检测领域展现出显著优势。该技术结合光谱信息与空间成像特征，能够实现样品化学组成的定量分析与无损检测，在肉类纹理、枣类糖分及果仁霉变识别等方面均取得良好效果。相比传统化学检测方法，高光谱成像具有操作简便、快速无损的特点，为实现核桃杂质的在线检测提供了可能。

然而，现有研究多集中于食品成分分析与种类分类，对核桃中潜在风险杂质的检测仍研究不足。针对这一问题，本文提出利用NIR-HSI结合传统化学计量学方法与深度学习模型，实现核桃破壳样本中内源杂质的快速分类识别。研究不仅验证了高光谱技术在核桃杂质检测中的可行性，也为食品工业中实现智能化、自动化质量控制提供了新的思路与技术路径。

作者信息：戴丹，浙江农林大学，硕导

期刊来源：Journal of Food Composition and Analysis

研究内容

核桃制品中的杂质会对人体健康造成严重威胁，而传统人工筛选效率低、准确率不足，因此本研究开发一种基于近红外高光谱成像技术的核桃内源杂质快速检测方法。首先，通过生化实验验证了不同类型核桃仁在总酚含量与黄酮含量上的差异。随后，基于蝶群优化算法改进构建了支持向量机（SVM）分类模型，并利用核桃内源杂质的近红外数据进行训练。此外，研究提出了引入注意力机制的深度神经网络模型 WT-NIRSNet，通过与传统方法的系统对比，验证深度学习结合 NIR-HSI 在核桃内源杂质快速检测中的优势与可行性，旨在为核桃加工过程中的**质量控制提供技术支撑。

实验设计

核桃样品于从中国杭州临安区道石的一家核桃厂采购，秋季是核桃厂作业的主要季节，确保样品采集光谱与生产线要求一致，采用物理方法将完整核桃破壳后，从核桃破壳材料中，根据外观和形态，筛选出具有代表性的样品1022个，涵盖黑斑仁、油脂仁、萎缩仁、碎壳及正常仁 5 类（示于图 1）。所有样品均置于阴凉干燥处密封保存，以确保品质稳定。并测定其黄酮类化合物和总酚类化合物含量。

图1 破壳核桃物料示例  

(a) 油脂仁　(b) 正常仁　(c) 碎壳　(d) 萎缩仁　(e) 黑斑仁

采用 NIR-HSI 系统（Gaia-Field-N17E，双利合谱）对核桃破壳样本进行高光谱采集，波段覆盖 855–1705 nm，共 512 个连续波长。系统由成像光谱仪、四组 50 W 卤素灯、升降平台、控制电脑及配套软件（Optiplex 7080MT / SpecView）组成。图 2 所示为核桃仁的伪彩色高光谱立方体（x × y × λ），其中 x、y 为空间维，λ 为光谱维。借助 ENVI 5.3 在图像上勾画感兴趣区域（ROI），并提取区域内平均反射率生成光谱库。

图2 核桃仁高光谱图像伪彩色示意图

研究方法

为减轻光散射的影响，本研究通过SNV和SG方法提升信噪比（SNR）。此外，采用了去趋势（DT）预处理方法，通过对光谱进行二项线性拟合并扣除趋势线，消除了基线漂移对光谱的影响。此外，光谱数据通常具有高维性，这种冗余数据，会增加分类模型的计算量，并且不同波长之间可能存在一定的相关性，主成分分析（PCA）算法能够提取出原始特征波长的主要成分，并保留足够的有用信息。因此，采用PCA对原始光谱数据进行特征降维。

在机器学习方法中，作者开发了一个BOA-PCA-SVM的光谱分类模型。BOA为蝶形优化算法，通过模拟蝴蝶在觅食过程中的行为来寻求目标函数的*优解。SVM模型使用径向基函数（RBF）作为核函数。

在深度学习方法上，作者对ResNet18进行了改进，典型 ResNet18由 7×7 首层卷积、八个残差块（每块含两层 3×3 卷积）及末端全连接层构成。为使其适配一维近红外数据，作者在第 4、第 8 残差块后嵌入高效通道注意力（ECA）模块。该模块可动态重标定通道权重，强化有效特征、抑制冗余信息，*终得到的改进网络命名为 WT-NIRSNet，其架构如图 3 所示。深度网络的超参数统一设定为：Adam优化器、学习率调度器ReduceLROnPlateau、初始学习率1×10⁻⁴、训练轮数50、批量大小32。

图3 WT-NIRSNet 网络结构。当特征层尺寸发生变化时，选用 BasicBlock_1；否则采用 BasicBlock_2。

结果

受实验环境与光谱设备限制，扫描首尾波段易引入固有噪声。据此，本研究截取 900–1650 nm 范围内的 450个波长作为原始数据。图 4 给出了该片段的光谱曲线，可见部分类别走势高度趋同、五类样本吸光度相互交叠，为核桃内源杂质的精准判别带来显著挑战。

图4 破壳核桃样本的原始光谱曲线

1022 份样本按 8:1:1 比例划分为训练、验证与测试集，其中训练集 817 份，验证集 102 份，测试集 103 份。本研究对核桃仁的总酚与总黄酮含量进行了测定。每份样品均设 3 次重复。萎缩仁的两种活性成分含量*高，可能与其单粒质量小有关：称取等量样品时需投入更多粒数，而酚类和黄酮主要富集于种皮。油脂仁与黑斑仁的含量则低于正常仁，推测源于脂质过氧化消耗及抗病代谢损失。

以 SVM 模型为基准，对比不同预处理效果。SNV 可有效抑制背景噪声与环境扰动，提升识别精度；而 DT 处理反而显著降低准确率，不适用于本任务。SG 与 SNV 联合策略表现*优，测试集准确率可达 95.15%。经该组合处理后的光谱（图 5）在吸收峰处放大了不同杂质类别的差异，削弱了设备因素与小样本带来的弱变异干扰。

图5 经SG+SNV预处理后的破壳核桃物料光谱曲线

本研究引入 PCA 将海量光谱变量压缩为少量主成分。经 SG+SNV 预处理后的前 5 个主成分的累计贡献率已突破 98%，足以囊括光谱的绝大部分信息。因此，后续建模将保留这 5 个主成分作为 SVM 的输入，实现降维后的精准分类。

本节通过混淆矩阵与测试集准确率对模型性能进行评估。BOA的智能优化算法迭代地选择参数的*佳组合：c = 7.7，σ = 0.2。BOA-PCA-SVM模型的测试集准确率达到96.12%，优于PCA-SVM模型。图6为模型的混淆矩阵：横坐标为模型预测标签，纵坐标为测试集真实标签。图中可见，黑斑仁与油脂仁的误判率较高，这可能是因为它们的内部成分相似。通过这一观察推测，后续实验需重点扩充这两类样本，以便模型学习更具判别力的特征。

图6 不同SVM改进模型的混淆矩阵示意  NP：未预处理；SS：SG+SNV预处理

本研究采用多种人工神经网络对核桃内源杂质的近红外光谱数据进行定性分析，多层感知（MLP）模型由三个完全连接的层堆叠在一起组成，Conv3Net是一种人工设计的CNN，由三个卷积层组成，卷积核的大小分别为1 × 21、1 × 19。考虑到光谱数据可以被视为序列数据，因此也采用了在各种应用中广泛用于处理序列的长短时记忆（LSTM）模型来对核桃破壳材料进行分类。此外，作者还研究了AlexNet和VGG16模型，这两种模型是对经典Conv2D结构的改进，具有更深的网络层。选取验证集损失*低的权重文件用于计算测试集的各项评估指标。所有模型的曲线在迭代后期均趋于平稳，表明训练已收敛。

实验结果汇总如下表所示。MLP、AlexNet 与 VGG16 的识别准确率均不足 90 %；三者的核心差异在于网络深度，单纯堆叠卷积层并不能提升近红外判别性能。LSTM、Conv3Net 与本文提出的 WT-NIRSNet 表现优异，其中 WT-NIRSNet 在未对光谱做任何预处理的情况下，测试集准确率即达 99.03 %。残差结构有效缓解了深度网络在近红外定性分析中深层网络信息丢失的问题，从而提高了模型的识别精度，显著优于BOA-PCA-SVM模型。充分证明 WT-NIRSNet 对背景噪声具有强鲁棒性，可从复杂数据集中精准提取关键特征并完成分类。

为进一步验证 WT-NIRSNet 的泛化能力与鲁棒性，本研究引入独立外部数据集开展实验。该批光谱数据采集自不同时间，本文提出的两种模型（BOA-PCA-SVM和WT-NIRSNet）均保持高识别准确率；其中 WT-NIRSNet 仅将 5 例样本误判（图 7），其余均正确分类。综上，NIR-HSI 在核桃内源杂质识别中展现出巨大潜力。

图7 独立实验混淆矩阵

结论

本研究构建了一套基于近红外高光谱成像（NIR-HSI）与深度学习的无损检测体系，用于精准识别核桃内部杂质。首先，将SVM与近红外光谱数据耦合，建立定性判别模型；经 SG+SNV 预处理后，光谱信噪比显著提升，再结合 PCA 降维以压缩信息冗余。进一步引入BOA对 PCA-SVM 的超参数空间进行全局寻优，*终模型在测试集上对 5 类核桃破壳样本的识别准确率达 96.12%。为再度提升杂质检出精度，本研究在 ResNet 图像分类框架中嵌入高效通道注意力模块（ECA），强化对微弱缺陷特征的捕捉能力。改进后的网络在测试集上实现 99.03% 的识别准确率，并在外部验证集中稳健地定位了绝大多数内源性杂质，验证了方法的泛化性能与工程落地潜力。综上所述，在本研究任务中，深度学习**优于传统化学计量学方法。凭借对高维特征的**提取能力，深度学习尤其擅长面向大规模近红外数据集的定性判别。近红外高光谱成像（NIR-HSI）技术可精准分类破壳核桃物料，验证了其工业落地可行性，也彰显了模型在真实生产场景中的广阔前景。