食品行业
在猪肉及其制品的加工与流通过程中，新鲜度是衡量其品质和安全性的重要指标。传统检测方法如挥发性盐基氮（TVB-N）和菌落总数（TVC）的测定，虽结果可靠，但操作繁琐、耗时长，且对样品具有破坏性，难以满足现代食品工业对在线、快速、无损检测的需求。
近年来，高光谱成像技术因其信息丰富、非接触、快速分析等特点，在食品质量评估领域展现出应用潜力。彩谱科技的FS-IQ-VISNIR型高光谱相机（400-1000 nm）为此类研究提供了数据采集支持。
在一项发表于《Journal of Food Composition and Analysis》的研究中，郑州轻工业大学的研究团队采用彩谱科技的FS-IQ-VISNIR高光谱相机，采集了猪肉里脊在4℃冷藏条件下14天内的可见-近红外高光谱数据。共112个样本，覆盖7个时间点，每点16个样本。该相机采用推扫式成像方式，波长范围为400-1000 nm，包含1200个波段，光谱采样间隔约0.5 nm，空间分辨率为1920×1920像素。
为提升信号质量，研究团队设计了基于光谱差异的无监督图像预处理方法，结合Otsu自适应阈值分割与形态学操作，有效提取了感兴趣区域（ROI），减少了背景干扰。
研究提出了一种名为HFE（Hybrid-FeatureExtractor）的双分支高光谱特征提取网络。该网络包含两个并行的特征提取通道：
l光谱分支：引入Squeeze-and-Excitation（SE）注意力机制，自适应学习各波段权重，并结合多层感知机（MLP）提取关键光谱特征。
l空间分支：采用二维卷积神经网络（CNN）结合残差模块（BasicBlock）与空洞空间金字塔池化（ASPP）模块，提取多尺度空间特征。
两类特征通过门控融合机制进行整合，随后分别输入偏最小二乘回归（PLSR）和支持向量回归（SVR）模型，完成对TVB-N和TVC含量的定量预测。
实验结果表明，HFE模块与PLSR和SVR结合后，在预测TVB-N和TVC含量方面表现出较高精度：
lHFE + PLSR：TVB-N预测的R²为0.9786，RMSE为2.4685；TVC预测的R²为0.9529，RMSE为0.3223。
lHFE + SVR：TVC预测的R²为0.9597，RMSE为0.3066。
l相比传统化学计量学方法（如SG+SPA、SNV+CARS），该方法的预测精度与模型稳定性均有所提升。在残差预测偏差（RPD）方面，TVB-N和TVC分别达到7.1204和5.1831，表明模型具备较强的预测能力。
通过SE注意力机制，研究团队对光谱分支中不同波段的权重进行了可视化分析。结果显示，模型在600-920 nm范围内赋予较高权重，该区域与蛋白质氧化及微生物代谢产物（如胺类、醛类、酮类等）的光学响应密切相关。随着贮藏时间延长，TVB-N和TVC含量上升，该特征波段范围也有所扩展，表明模型能够捕捉与新鲜度变化相关的细微光谱变化。
该研究表明，FS-IQ-VISNIR高光谱相机结合双分支特征提取网络与机器学习回归模型，能够在不对样品造成破坏的前提下，实现对猪肉新鲜度指标的有效预测。该方法在食品加工、冷链运输及零售环节中的在线、无损检测方面具有一定的实用参考价值。
彩谱科技将持续为食品质量安全领域提供高光谱成像设备与技术支持，助力行业实现更高效、更智能的检测方式转型。
产品推荐
FS-IQ-VISNIR便携式高光谱相机
l光谱范围：400-1000nm
l光谱分辨率：2.5nm
l图像分辨率：1920*1920
l光谱通道数：1200
