大豆作为全球重要的粮食与经济作物，其在生长、储存过程中易受曲霉属等真菌侵染，产生的真菌毒素（如黄曲霉毒素）不仅降低品质，更威胁人畜健康。传统检测方法多依赖培养或化学分析，存在破坏性强、耗时久、难以批量筛查等局限，因此开发快速、非破坏性的检测技术成为保障大豆安全的关键。

 本文提出一种基于可见近红外（VNIR）与短波红外（SWIR）高光谱数据的协同多水平融合框架，实现大豆真菌污染的精准检测。研究选取 “东黄” 和 “中黄” 两个大豆品种，经表面消毒后接种黄曲霉孢子悬浮液（1×10⁶ CFU/mL），在 30℃、85% 湿度条件下培养 6 天，模拟不同污染阶段，并设置无菌水处理的健康样本作为对照。最终获取 3028 份样本（988 份健康，2040 份污染），按 3:1 比例划分校准集（2271 份）与验证集（757 份），确保两组健康与污染样本比例一致。

 图 1：展示低水平和中水平数据融合过程的示意图，含 VNIR 与 SWIR 数据的处理流程。

检测系统整合 VNIR（400-1000nm）与 SWIR（900-2500nm）模块，分别采用 halogen 灯与钨卤灯照明，通过线扫描成像获取光谱数据。原始图像经黑白板校准消除暗电流干扰，再通过阈值分割与掩码操作提取大豆种子感兴趣区域（ROI）的平均光谱。预处理阶段对比了 Savitzky-Golay 平滑、标准正态变量变换（SNV）、多元散射校正（MSC）及一阶 / 二阶导数的效果，结合竞争性自适应重加权采样（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）三种特征选择算法，筛选出关键波长以降低数据维度。

 图 2：呈现 LLF 和 ILF 策略下 CNN 模型的损失率与准确率变化曲线。

数据融合采用低水平融合（LLF）与中水平融合（ILF）两种策略：LLF 直接拼接 VNIR（240 波段）与 SWIR（239 波段）原始光谱，保留完整信息但维度较高（479 波段）；ILF 则先对两类数据分别进行特征选择，再拼接筛选后的波长组合，在减少冗余的同时保留核心特征。通过 1D 卷积神经网络（1D-CNN）、Transformer、支持向量机（SVM）、线性判别分析（LDA）及 PCA-LDA 五种模型进行分类验证，其中 1D-CNN 采用两层卷积块（16/32 滤波器）与 dropout 正则化，Transformer 则通过自注意力机制捕捉长程依赖。

图 3：显示 LLF 和 ILF 数据集中特征选择算法所选最优波长的分布。

结果显示，1D-CNN 在两种融合策略下均表现最优：LLF 全光谱时验证集准确率达 97.52%，ILF 经 UVE 筛选 208 波段时准确率达 97.85%。Transformer 在 ILF-SPA（80 波段）条件下准确率 92.24%，展现出处理稀疏特征的潜力。传统模型中，LDA 在 LLF 下准确率 94.06%，但 SVM 与 PCA-LDA 性能较差（<70%）。特征选择算法中，UVE 与 CARS 筛选的波长更利于保留关键信息，SWIR 数据（尤其 1210nm、1450nm 等与蛋白质 / 水分相关的吸收峰）对污染检测的贡献显著高于 VNIR，验证了 SWIR 对早期生化变化的高敏感性。

统计分析表明，1D-CNN 与 Transformer 性能差异具有统计学意义（p<0.0001），其优势源于卷积操作对局部光谱模式的高效捕捉，而 Transformer 的自注意力机制更适配融合后的数据结构。LLF 虽保留完整信息，但计算成本较高；ILF 则在保证精度的同时提升效率，更适合实际应用。

该框架为大豆真菌污染的快速筛查提供了新思路，未来可结合时序数据构建动态污染模型，并拓展至其他粮油作物的安全检测。研究不仅证实了多光谱融合的协同效应，更为农业产业链中真菌毒素的早期防控提供了技术支撑。

参考文献：Shao X, Guo Z, Qin Y, et al. Synergistic multi-level fusion framework of VNIR and SWIR hyperspectral data for soybean fungal contamination detection[J]. Food Chemistry, 2025: 145559.