基于双分支高光谱特征提取网络与机器学习融合的猪肉新鲜度快速无损检测模型研究

《Journal of Food Composition and Analysis》：Research on rapid and non-destructive detection model for pork freshness based on dual-branch hyperspectral feature extraction network combined with machine learning

本研究针对传统猪肉新鲜度检测方法耗时、破坏性强的问题，开发了一种结合双分支高光谱特征提取网络（HybridFeatureExtractor）与机器学习回归器的创新框架。该模型通过SE注意力机制和ASPP模块分别提取光谱与空间多尺度特征，并采用门控融合机制整合信息，最终实现对猪肉TVB-N和TVC含量的高精度预测（TVB-N预测R2=0.9786，TVC预测R2=0.9597）。该方法在有限样本条件下显著提升了检测效率与鲁棒性，为肉类品质无损监测提供了可靠的技术路径。

　　

随着全球猪肉消费量的持续增长，保障肉类从加工到流通全程的质量安全已成为食品工业智能化发展的重要课题。猪肉及其制品富含蛋白质、脂肪和人体必需微量元素，是日常饮食的重要组成部分，但极易因微生物污染导致品质劣变，引发食品安全风险。目前，总挥发性盐基氮（TVB-N）和菌落总数（TVC）是评估猪肉新鲜度的常用指标，但传统检测方法需破坏样本且耗时较长，难以满足现代食品工业对实时、无损、高效检测的需求。

为突破这一技术瓶颈，研究人员提出将高光谱成像技术与深度学习、机器学习相结合的新策略。高光谱数据虽能提供丰富的光谱和空间信息，但其高维度、冗余性强及样本量有限的特点给模型构建带来挑战。化学计量学方法依赖人工预处理和特征选择，存在主观性强、模型稳定性不足的缺陷。近年来，深度学习凭借自动特征提取和强大的非线性表达能力，为高维数据处理提供了新思路，但在高光谱数据中如何协同利用光谱与空间信息、在有限样本下保证模型精度仍是待解决的关键问题。

本研究设计了一种名为HybridFeatureExtractor（HFE）的双分支高光谱特征提取网络，通过SE（Squeeze-and-Excitation）注意力机制自适应加权关键光谱波段，利用ASPP（Atrous Spatial Pyramid Pooling）模块捕捉多尺度空间特征，并结合门控融合机制整合双分支信息。进一步引入“两阶段”建模策略，先通过HFE提取深度特征，再分别采用PLSR（Partial Least Squares Regression）和SVR（Support Vector Regression）进行回归预测，以实现对猪肉TVB-N和TVC含量的快速、无损、高精度评估。

在方法学层面，研究团队从郑州农贸市场采集新鲜猪里脊样本，在4℃条件下储存14天，定期获取高光谱图像并同步测定TVB-N和TVC含量。通过黑白校正和区域兴趣（ROI）自动提取技术预处理数据，构建了包含112个样本的数据集。模型训练采用交叉验证与网格搜索优化参数，并引入旋转、裁剪等数据增强策略提升泛化能力。

模型性能评估

通过模块消融实验与单一分支对比，验证了HFE各组件（SE、ASPP、门控融合）对提升预测性能的关键作用。完整HFE模型结合PLSR对TVB-N的预测R²达0.9786（RMSE=2.4685），结合SVR对TVC的预测R²达0.9597（RMSE=0.3066），显著优于传统化学计量学方法（如SNV+SPA、SG+CARS等）。双分支结构在有限样本下表现出更强的稳定性和泛化能力。

与传统回归模型对比

HFE框架在TVB-N和TVC预测中的RPD（Residual Predictive Deviation）值分别达到7.1204和5.1831，远超传统方法（如SNV+CARS+PLSR的RPD=4.2301）。散点图显示预测值与真实值高度吻合，进一步证实了模型在实际应用中的可靠性。

可解释性与关键光谱特征识别

通过热力图可视化SE注意力权重，发现模型在600–920 nm波段赋予较高权重，该范围与蛋白质氧化和微生物代谢产物的特征吸收区高度吻合。随着TVB-N和TVC含量上升，特征波段范围逐渐拓宽，反映了猪肉腐败过程中化学键变化的动态过程，增强了模型的可解释性。

与端到端深度学习模型对比

HFE框架在相同数据集下的预测精度与鲁棒性均优于CNN-LSTM和Transformer等端到端模型，尤其在有限样本条件下避免了过拟合问题。

本研究提出的光谱-空间双分支特征提取框架，通过深度融合深度学习与机器学习优势，实现了猪肉新鲜度指标的高精度、无损检测。该方法不仅克服了高光谱数据利用率低、模型泛化能力差的难题，还为食品加工、冷链物流及零售环节的实时质量监控提供了切实可行的技术方案。未来，该策略有望扩展至其他肉类品质评估领域，推动食品无损检测技术的标准化与智能化发展。