食品行業
在豬肉及其制品的加工與流通過程中，新鮮度是衡量其品質和安全性的重要指標。傳統檢測方法如揮發性鹽基氮（TVB-N）和菌落總數（TVC）的測定，雖結果可靠，但操作繁瑣、耗時長，且對樣品具有破壞性，難以滿足現代食品工業對在線、快速、無損檢測的需求。
近年來，高光譜成像技術因其信息豐富、非接觸、快速分析等特點，在食品質量評估領域展現出應用潛力。彩譜科技的FS-IQ-VISNIR型高光譜相機（400-1000 nm）為此類研究提供了數據采集支持。
在一項發表于《Journal of Food Composition and Analysis》的研究中，鄭州輕工業大學的研究團隊采用彩譜科技的FS-IQ-VISNIR高光譜相機，采集了豬肉里脊在4℃冷藏條件下14天內的可見-近紅外高光譜數據。共112個樣本，覆蓋7個時間點，每點16個樣本。該相機采用推掃式成像方式，波長范圍為400-1000 nm，包含1200個波段，光譜采樣間隔約0.5 nm，空間分辨率為1920×1920像素。
為提升信號質量，研究團隊設計了基于光譜差異的無監督圖像預處理方法，結合Otsu自適應閾值分割與形態學操作，有效提取了感興趣區域（ROI），減少了背景干擾。
研究提出了一種名為HFE（Hybrid-FeatureExtractor）的雙分支高光譜特征提取網絡。該網絡包含兩個并行的特征提取通道：
l光譜分支：引入Squeeze-and-Excitation（SE）注意力機制，自適應學習各波段權重，并結合多層感知機（MLP）提取關鍵光譜特征。
l空間分支：采用二維卷積神經網絡（CNN）結合殘差模塊（BasicBlock）與空洞空間金字塔池化（ASPP）模塊，提取多尺度空間特征。
兩類特征通過門控融合機制進行整合，隨后分別輸入偏最小二乘回歸（PLSR）和支持向量回歸（SVR）模型，完成對TVB-N和TVC含量的定量預測。
實驗結果表明，HFE模塊與PLSR和SVR結合后，在預測TVB-N和TVC含量方面表現出較高精度：
lHFE + PLSR：TVB-N預測的R2為0.9786，RMSE為2.4685；TVC預測的R2為0.9529，RMSE為0.3223。
lHFE + SVR：TVC預測的R2為0.9597，RMSE為0.3066。
l相比傳統化學計量學方法（如SG+SPA、SNV+CARS），該方法的預測精度與模型穩定性均有所提升。在殘差預測偏差（RPD）方面，TVB-N和TVC分別達到7.1204和5.1831，表明模型具備較強的預測能力。
通過SE注意力機制，研究團隊對光譜分支中不同波段的權重進行了可視化分析。結果顯示，模型在600-920 nm范圍內賦予較高權重，該區域與蛋白質氧化及微生物代謝產物（如胺類、醛類、酮類等）的光學響應密切相關。隨著貯藏時間延長，TVB-N和TVC含量上升，該特征波段范圍也有所擴展，表明模型能夠捕捉與新鮮度變化相關的細微光譜變化。
該研究表明，FS-IQ-VISNIR高光譜相機結合雙分支特征提取網絡與機器學習回歸模型，能夠在不對樣品造成破壞的前提下，實現對豬肉新鮮度指標的有效預測。該方法在食品加工、冷鏈運輸及零售環節中的在線、無損檢測方面具有一定的實用參考價值。
彩譜科技將持續為食品質量安全領域提供高光譜成像設備與技術支持，助力行業實現更高效、更智能的檢測方式轉型。
產品推薦
FS-IQ-VISNIR便攜式高光譜相機
l光譜范圍：400-1000nm
l光譜分辨率：2.5nm
l圖像分辨率：1920*1920
l光譜通道數：1200
