基于高光谱成像技术的海参盐分无损检测方法HyS2ANet：一种轻量化回归模型的研究与应用

《Journal of Food Composition and Analysis》：Nondestructive detection method of salt content in dried sea cucumber based on hyperspectral imaging

本刊推荐：本研究创新性地提出HyS2ANet模型，融合空间与光谱注意力机制（S2AM），结合高光谱成像（HSI）与竞争性自适应重加权采样（CARS）算法，实现了干海参盐含量的快速、无损、高精度检测（MAE=2.04, R2=0.92）。该轻量化模型参数量仅0.31M，推理速度达425FPS，为食品质量安全控制提供了技术新路径。

　　

Highlight

盐含量是评价干海参品质的关键指标之一。为解决传统化学检测方法成本高、破坏样本、效率低的问题，本研究提出HyS2ANet——一种基于高光谱成像的轻量化回归模型，用于干海参盐含量的无损高效预测。

Material and methods

实验材料为60只干海参，随机采购自青岛海鲜市场，分两批以体现多样性。采用高光谱成像系统获取样本光谱数据，经预处理后提取特征波段。需说明的是，高光谱成像主要采集样本表面及浅层光谱信息，但由于内外盐含量的相关性，表面光谱能有效反映整体盐分分布。

Experimental environment and hyperparameter setting

实验在配备NVIDIA GeForce RTX 2080 Ti GPU的硬件平台上进行，该平台为深度学习任务提供强劲性能，有效加速模型训练与推理。具体实验环境与超参数设置分别见表1和表2。

训练过程中，梯度裁剪阈值设为0.1以有效防止梯度爆炸。超参数的合理配置优化了训练稳定性与收敛效率。

Regression modeling differences between dorsal and ventral hyperspectral images

本研究分别使用干海参背侧（DS）和腹侧（VS）的高光谱图像进行模型训练。训练损失曲线如图10所示，直观反映了模型的训练性能。所提出模型在两类数据集上均表现出明显的收敛趋势，但损失下降速率和最终收敛行为存在差异。训练初期，两模型损失值均快速下降，表明网络能有效学习特征；但随着训练深入，背侧光谱模型展现出更稳定的收敛特性和更低的最终损失值。

Conclusion

准确检测干海参盐含量对保护消费者权益、加强市场监管和产品质量控制至关重要。因此，本研究提出了一种基于高光谱成像（HSI）的干海参盐含量无损检测方法。针对背腹侧表面的高通量HSI数据，采用CARS算法将高维光谱图像有效降维至34和24维。在此基础上，构建了一种轻量化回归模型HyS2ANet，实现了盐含量的高精度预测。