研究背景：食品安全与检测技术的双重挑战：

花生作为全球重要的经济作物，其储存过程中因霉菌污染产生的黄曲霉毒素 B1（AFB1）已成为威胁人类健康的重大隐患。AFB1 化学性质稳定，需 269℃以上高温才能降解，且具有极强的毒性和致癌性，急性中毒可导致发热、呕吐、肝脾肿大甚至猝死。传统检测方法如薄层色谱（TLC）、酶联免疫吸附测定（ELISA）和高效液相色谱（HPLC）虽被广泛应用，但存在操作繁琐、依赖专业人员、样品前处理复杂等缺陷，难以满足现场快速检测需求。

光谱无损检测技术的兴起为突破这一困境带来希望。近红外光谱（NIR）可通过分析样品对特定波长光的吸收或反射特性，获取其化学组成信息；拉曼光谱则通过检测拉曼散射光，揭示物质分子结构特征。二者在农业与食品领域已用于营养成分、水分含量等检测，但将其数据融合用于 AFB1 定量检测的研究尚属空白。。

 技术创新：数据融合与深度学习的协同突破

（一）多源光谱数据的融合策略

研究团队设计了数据级与特征级两种融合模式。数据级融合直接将 NIR 与拉曼光谱数据串联，形成更全面的数据集；特征级融合则先分别提取两类光谱的特征，再进行深度整合。实验采用便携式 NIR 光谱仪（波长范围 955.773~1702.646 cm⁻¹）和拉曼光谱仪（波长范围 200~3100 cm⁻¹），采集 100 份不同霉菌污染程度的花生样品光谱，通过最小二乘平滑滤波去除背景噪声，并采用光谱强度增强、添加高斯噪声等方法进行数据扩增，生成 400 份样本的训练集。

（二）CNN 模型的架构设计

针对 NIR 与拉曼光谱数据维度差异（NIR 含 128 个波长变量，拉曼含 2901 个波长变量），研究团队优化了 CNN 网络结构。模型包含卷积层、池化层、全连接层、激活层和 Dropout 层，其中拉曼光谱模型因数据维度更高，采用更多卷积和池化层以提取特征并降低维度。特征级融合模型通过并行处理两类光谱的特征提取结果，实现信息互补。

（三）多维度模型评估体系

研究采用预测均方根误差（RMSEP）、预测相关系数（Rp）和相对预测偏差（RPD）作为评估指标。测试集 1（含 120 份扩增光谱）和测试集 2（含 25 份原始光谱）的结果显示：特征级融合模型在测试集 2 中的 Rp 达 0.9890，RMSEP 为 24.5021 μg・kg⁻¹，RPD 达 7.6506，表明模型具有优异的预测精度和泛化能力。相比之下，单一 NIR 模型的 Rp 为 0.9028，拉曼模型仅为 0.8542，数据级融合模型的 Rp 为 0.9581，特征级融合的优势显著。

图1检测方案

图 2. 花生样品的拉曼光谱 （B）

 核心发现：特征级融合为何成为 “最优解”

（一）光谱信息的互补性验证

NIR 光谱对 AFB1 分子中的 C-H、N-H、O-H 等官能团振动敏感，而拉曼光谱能捕捉分子骨架的特定振动模式。特征级融合通过深度学习自动提取两类光谱的互补特征，例如 NIR 提供的化学组成信息与拉曼揭示的分子结构信息形成 “光谱拼图”，使模型能更全面地识别 AFB1 的化学特征。实验数据显示，特征级融合模型的 RPD 值是单一拉曼模型的 2.73 倍，证明其对光谱信息的利用效率显著提升。

（二）抗干扰能力与泛化性突破

通过数据增强技术，模型在训练阶段接触到更多样化的光谱变异，有效降低了过拟合风险。测试集 2 中仅包含原始光谱，模型仍保持 Rp=0.9890 的高精度，表明其对真实检测场景的适应性。这种鲁棒性源于特征级融合对核心光谱特征的提炼能力，即使在噪声干扰下也能准确识别 AFB1 信号。

（三）检测效率与精度的双重提升

传统 HPLC 检测单个样品需 2-3 小时，且需破坏样品；而该技术通过便携式光谱仪结合 CNN 模型，可在 10 分钟内完成无损检测。更重要的是，特征级融合模型将 RMSEP 控制在 20 μg・kg⁻¹ 以下，达到欧盟规定的食品中 AFB1 检测限（2 μg・kg⁻¹）的 10 倍以内，满足商业检测的高精度需求。

图 3.CNN 在数据级 （A） 和特征级 （B） 的架构。

应用前景：从实验室到产业一线的跨越

（一）食品供应链的全程监控

该技术可集成到花生收购、仓储、加工等环节，实现 AFB1 的实时在线检测。例如在粮仓入口部署便携式光谱仪，通过无线传输将数据导入云端 CNN 模型，10 分钟内即可完成批次花生的安全筛查，大幅提升供应链效率。

（二）真菌毒素检测的技术范式

研究证实了数据融合与深度学习在光谱检测中的优越性，为其他真菌毒素（如黄曲霉毒素 G1、呕吐毒素等）的检测提供方法论参考。团队已计划将该模型扩展至玉米、小麦等作物，构建多毒素检测的通用框架。

（三）便携式检测设备的升级

基于研究成果，可开发集成 NIR 与拉曼光谱模块的掌上检测终端，配合轻量化 CNN 模型，实现 “采样 - 检测 - 报告” 的全流程现场化。这种设备有望在基层质检机构、农贸市场等场景普及，填补目前现场检测技术的空白。

原文链接： https://doi.org/10.1016/j.saa.2025.126216