高光谱成像技术与人工智能和计算机视觉相结合，已证明其有潜力成为一种快速且经济高效的方法，用于检测人眼不可见或传统方法无法检测到的异物。

食品安全是公共卫生、国际贸易和消费者信任的基本支柱。其目标是确保食品不含微生物或化学污染物，并防止物理污染物的存在。在这后一项挑战中，异物检测正变得至关重要，因为这些异物可能包括金属碎片、玻璃、骨头、塑料、木头甚至机械零件，它们可能在加工或包装过程中进入食品，并可能对健康造成严重后果，如窒息、口腔损伤、胃肠道损伤或感染。

事实上，食品药品监督管理局将物理物体污染视为食品警报的主要原因之一，近年来超过 10% 的食品召回归因于此类污染物。同样，我们也认识到异物污染对食品供应链完整性的威胁，并强调在加工环境中需要更有效的检测系统。

除了对消费者健康的明显风险外，从企业角度来看，异物的出现通常意味着昂贵的产品召回、监管处罚、法律诉讼以及品牌声誉的重大损失。

此外，供应链日益复杂和全球化使这一问题更加恶化，因此必须实施比传统方法（如金属探测器、X 射线检查或目视检查）更先进和高效的检测技术。传统方法在检测低密度或小尺寸等容易被忽视的污染物时存在局限性。

为了应对这些挑战，高光谱成像（HSI）等新兴技术应运而生，这些技术已显示出巨大的潜力。

高光谱成像结合数据科学提高效率和精度

高光谱成像结合了空间和光谱信息，用于分析食品的化学成分和物理特性，从而能够检测到人眼不可见或传统方法无法检测到的污染物。

这项技术与人工智能和计算机视觉相结合，可在所谓的 “食品质量与安全 4.0” 框架内进行实时检测和智能决策。“食品质量与安全 4.0” 将视觉技术和数字技术与数据科学相结合，具有结果快速、不破坏样品等优势，正如我们接下来将看到的，还能检测到人眼不可见的物体。

挑战：检测脱水牛肝菌中的异物

最近的研究已经验证了高光谱成像在复杂食品基质中检测异物的有效性，如三文鱼中的残留物 、棉纤维中的物理物体、茶叶 或鲜切蔬菜中的异物。

2023 年，食品技术研究所的一项研究指出，通过使用高光谱成像系统结合预先根据光谱特征调整的数学模型，有可能在脱水牛肝菌中检测到与基质密度相似的低密度异物。

在这一领域，我们与专注于脱水产品的公司 合作，开发了一个概念验证，基于应用于高光谱技术设备的人工智能模型，该模型通过一张简单的图像就能区分哪些部分属于产品，哪些是异物。由于样品的复杂性，目前该模型仍在使用新图像进行训练，以达到公司要求的检测指标。

光谱成像技术测量物体产生的光反射及其相应的吸收，从而提供有关其成分的信息。根据实验目的，可以使用从紫外（200-400 nm）、可见光（380-800 nm）、VIS-NIR（400-1000 nm）、NIR（900-1700 nm）到近红外或 NIR（970-2500 nm）的广泛光谱波长范围。

出于本研究的目的，选择了 NIR 和 VIS-NIR 范围，它们在食品领域因与分类和回归相关的问题而被广泛使用，且表现良好。

为了进行概念验证，使用了不同切块大小的脱水牛肝菌样品：颗粒状（a）、小（b）、中（c）和大（d），以及中等大小的牛肝菌最终产品包装样品。

由于该样品根据所取牛肝菌部位（菌盖、菌褶、菌肉或菌皮）的不同而存在差异，脱水过程后的产品因切块不同而具有异质性，见图 1。

图1-按切割数量分列的产品

所使用的异物是事先根据其出现频率并试图涵盖这些物体的最大变异性的标准选择的，其大小从 0.95×2.02 mm 到 6.69×11.27 mm 不等。

关于用于以反射模式获取图像的高光谱成像系统，如图 2 所示，使用了一个由两个组件组成的系统：一个带有两个相机的线性扫描仪（Specim FX10 和 Specim FX17，Specim，Spectral Imaging Ltd.，奥卢，芬兰），分别覆盖 VIS-NIR（400-1000 nm）和 NIR（900-1700 nm）光谱区域。

图2 - 使用的高光谱图像

NIR 和 VIS-NIR 光谱的分析与建模

从图像采集开始，选择感兴趣区域并获取样品的数据立方体，这些数据立方体同时包含光谱和空间信息。

信息图 1 展示了获得结果所遵循的流程。

随后，进行了模型筛选过程，评估了结合不同预处理技术和每个评估算法的性能。使用交叉验证技术，获得了准确率（accuracy），即模型相对于总预测数的正确预测概率，这是用于选择最佳模型的评估指标。

这个过程进行了两次，一次使用 NIR 相机的图像，另一次使用 VIS-NIR 相机的图像。结果，为每个采样图像生成了一个彩色图，通过颜色突出显示最终模型检测到的异物（见图 3）。

图3 -不同剪裁的模型生成的色图

在 NIR（Specim FX17）光谱范围内，能够检测到比 VIS-NIR（Specim FX10）范围内更多的异物。

目前，仍在研究算法以训练模型，以检测其他更难看到的异物，如干叶、纸张或干果等。

高光谱技术的优势高光谱技术与预测性和经过训练的智能模型结合，已成为应用于食品安全的一种非破坏性和快速的方法，为传统方法提供了替代方案，具有不破坏样品、实时获取图像或使用方便等优势。此外，从长远来看，它是一种经济高效的选择，特别是当需要在大量产品批次中即时获取每个样品的结果时。

当然，人工智能和高光谱成像的结合作为预测技术仍面临挑战，因为它们不如传统技术精确，并且需要初始设备投资。

转自：撸陆

注：文章版权归原作者所有，本文内容、图片、视频来自网络，仅供交流学习之用，如涉及版权等问题，请您告知，我们将及时处理。