综述:超越单一模态限制:基于维度驱动的 hyperspectral 成像传感器融合框架在肉类质量评估中的应用

《Food Bioscience》:Beyond single-modality limits: A dimensionality-driven framework for hyperspectral imaging–based sensor fusion in meat quality assessment

【字体: 大 中 小 】 时间:2026年07月01日 来源:Food Bioscience 6.2

编辑推荐:

  高佩佩|史永强|史向宇|孙青|邹玉成|沈婷婷|黄晓伟|史继勇|邹晓波中国江苏省镇江市江苏大学食品与生物工程学院农产品加工与贮藏实验室,邮编212013摘要在肉类质量监测中,传统的破坏性检测方法无法满足现代供应链对快速、无损评估的需求。为填补这一空白,高光谱成像技术因其能够同时获取

  高佩佩|史永强|史向宇|孙青|邹玉成|沈婷婷|黄晓伟|史继勇|邹晓波中国江苏省镇江市江苏大学食品与生物工程学院农产品加工与贮藏实验室,邮编212013摘要在肉类质量监测中,传统的破坏性检测方法无法满足现代供应链对快速、无损评估的需求。为填补这一空白,高光谱成像技术因其能够同时获取空间信息和光谱信息而备受关注。然而,单纯的高光谱成像存在固有局限,如光谱重叠、仅能检测表面信息以及难以捕捉挥发性化合物。基于高光谱成像的多传感器数据融合技术可解决这些问题。本文系统阐述了基于高光谱成像的融合技术,包括融合架构选择、深度学习整合以及基于维度特征的融合组织方式。首先分析了包括低级、中级、高级和混合数据融合在内的四种架构,随后指出了融合过程中存在的模态异质性、逐阶段信息损失以及跨模态贡献不平衡三大挑战,并指出深度学习是解决这些问题的主要工具。接着介绍了基于分支的融合方法,该方法能在学习得到的特征空间中整合不同模态的深度特征,同时提升模型的可解释性以获得可验证的预测结果。此外,本文还提出了一种基于维度特征的框架,根据数据结构将不同模态分为1D、2D和3D三类:1D类包括用于分析时间维度生化动态的电子鼻/低场核磁共振技术,2D类包括用于分析空间异质性的计算机视觉/多光谱/热成像技术,3D类则包括用于分析内部与外部特征的双频高光谱成像/激光雷达/磁共振成像技术。该框架整合了现有的应用案例,为融合策略的选择提供了操作指南,同时也指出了引入新兴传感技术的可行途径。文中还探讨了未来发展方向,如用于实时处理的混合边缘云计算、用于实现可扩展模态整合的跨维度迁移学习,以及用于降低成本的可微型化传感器阵列。这些方向表明,基于高光谱成像的融合技术有望成为实现可扩展肉类质量监测的关键技术。引言近年来,由于肉类行业频繁出现质量事故和产品召回事件,人们越来越重视肉类质量检测。仅在2025年,美国食品安全检验局报告的召回量就超过了6000万磅(FSIS,2026)。为降低此类风险,有必要在产品上市前建立有效可靠的肉类质量评估方法。然而,传统的质量评估方法存在诸多应用局限。感官评价虽然实用,但易受主观差异和环境因素的影响(C. Yang等人,2025)。而气相色谱法和高效液相色谱法等化学检测方法虽然具有较高的特异性,但却需要破坏性取样,且样品前处理繁琐,分析过程耗时较长(Shuai等人,2024)。这些局限凸显出迫切需要快速、无损且准确的分析技术,以满足现代肉类供应链日益增长的需求。正因如此,高光谱成像技术作为一种有前景的替代方案应运而生(Y. Shi等人,2023)。与传统仅能获取光谱或空间数据的光学方法不同,高光谱成像技术结合了光谱学和成像技术,能够同时获取这两种信息,并将其整合到三维数据立方体中(Gao等人,2025;W. Li等人,2024)。通过分析像素级别的光谱特征,高光谱成像技术可将化学信号转化为可视化图像,从而显示肉类中各种物质的分布情况(W. Li等人,2024)。尽管具有这些优势,但仅靠高光谱成像技术仍无法全面反映肉类的所有特性,包括化学成分、物理性质和感官特性(Ahmed等人,2025)。此外,高光谱成像系统容易受到非目标样本成分的干扰,而且单一模态的检测方法无法充分利用不同分析技术之间的互补信息。这种无法利用多模态关联性的问题会降低检测的准确性和稳定性,因此需要采用综合分析方法来进行全面评估(Lin等人,2025)。作为典型示例,Cai等人(2024)将可见近红外和高光谱近红外数据与金字塔注意力特征融合模型相结合,用于检测鸡胸肉中的TVB-N和TVC含量,其预测的R平方值分别达到了0.920和0.961,相较于单一数据源方法,R平方值分别提升了0.030和0.035。为应对肉类质量评估中的这些难题,基于高光谱成像的数据融合策略越来越受到重视(J. Wu等人,2025)。作为一种创新策略,数据融合技术能够整合来自多个传感器的同质或异质数据,构建统一的分析框架以提取全面的信息(Hassani等人,2024)。这种整合方式可以减少各模态之间的偏差,还能捕捉到单一数据源分析所遗漏的关联信息,从而提高肉类质量评估的分析精度和可靠性(Ma等人,2023)。高光谱成像技术兼具光谱和空间信息优势,非常适合用作肉类特性分析的核心模态。基于高光谱成像的数据融合方法通常涉及整合来自不同传感器的互补感官信息(Aheto, Huang, Tian, Ren等人,2020;Dong等人,2024)。例如,电子鼻技术可以检测挥发性有机化合物(X. Wu等人,2022);肌肉纤维的组织结构则可通过质地特征来反映(Hu等人,2012);而多尺度光谱响应则可用于表征重要的质量指标(M. Guo等人,2024)。尽管基于高光谱成像的数据融合技术在肉类质量检测领域已展现出显著优势并得到广泛应用,但现有的相关综述虽然提升了人们对这一技术方法的理解,但仍存在一些具体缺口,而本文正是针对这些缺口展开研究的。M. Guo等人(2024)总结了光谱技术与数据融合策略在食品分析中的应用,按低级、中级和高级融合对相关内容进行了分类,但将融合级别视为固定的架构选择,未能阐述深度学习如何改变整个工作流程中的特征提取和融合方式。Strani等人(2024)则研究了基于光谱传感器的融合技术,并根据数据属性提供了方法选择建议,但其研究范围仅限于浅层化学计量学方法,未涉及高光谱成像这类基于图像的模态。Adade等人(2025)则研究了使用传统机器学习方法进行食品污染物检测的多源融合技术,其分析也是围绕安全检测指标展开的。尽管这些综述的研究范围各有不同,但它们均未系统阐述深度学习在多传感器融合中的作用,也未根据各模态输出数据相对于高光谱成像立方体的维度特征对其进行分类。本文针对肉类质量评估中的这些问题,既系统阐述了相关内容,又基于维度特征提出了融合级别选择的操作指南。为弥补这些现有不足,本文系统梳理了过去五年中基于高光谱成像的肉类质量检测数据融合技术,相关研究资料来源于Web of Science Core Collection和Google Scholar中的经过同行评审的文献,重点分析了经过深度学习优化的数据融合技术,并根据输出数据的维度特征对相关技术进行了分类。本文围绕三个核心问题展开论述:什么是高光谱成像?如何进行数据融合?与哪些数据源进行融合?按照这一框架,本文首先阐述了高光谱成像用于肉类质量检测的原理以及数据融合所需的前提条件。接着,本文对四种主要的基于高光谱成像的融合模式进行了分类和分析,包括低级数据融合、中级数据融合、高级数据融合以及混合数据融合。具体而言,本文追溯了深度学习在数据融合过程中的发展历程,从自动特征提取和模型优化,到端到端学习与基于注意力的权重分配,再到具有模型可解释性的基于分支的融合方式。最后,本文分析了当前技术面临的限制,包括数据相关问题、可解释性方面的缺陷以及实际应用中的困难。同时,本文还介绍了未来的发展趋势和可行的解决方案,如混合边缘云计算、元学习框架以及微型化传感器系统。本文旨在为从事基于高光谱成像的肉类质量监测研究的人员提供参考。肉类?光谱-空间特征肉类主要由水(65-80%)、蛋白质(16-22%)、脂类(1.5-13%)以及色素组成,这些成分各自具有独特的光谱特征。水中氧氢键伸缩泛频会在950-970纳米和1350-1450纳米处产生明显的吸收带。蛋白质则在1500-1560纳米处呈现氮氢键伸缩吸收峰,在2050-2180纳米处出现组合吸收带。脂类则在1200纳米和1720纳米处出现碳氢键伸缩振动吸收峰(Pu等人,2015)。肌红蛋白则会根据状态不同而产生可见光吸收特征:传统数据融合策略通常,利用经过处理的光谱-空间特征,根据架构设计的不同,数据融合策略可分为四级:低级数据融合、中级数据融合、高级数据融合以及混合数据融合,如图2所示。正如表1所示,在肉类质量检测中,约有9.4%的情况下,采用某种特定的融合级别会导致模型性能下降,这说明不同的融合方法适用于不同的数据特征和任务需求。深度学习优化的数据融合虽然上述四种融合架构为研究人员提供了多种结构选择,但它们的性能仍会受到一些固有问题的制约。第一个问题是模态异质性,即来源和维度不同的信号难以直接合并,因此必须先在统一的表示形式中进行对齐,才能共同用于质量预测。第二个问题是逐阶段信息损失,这种损失会在数据处理的过程中逐渐累积。多模态融合架构:将高光谱成像与多元感官数据相结合高光谱成像数据具有空间-光谱三维立方体结构,非常适合用于多维度数据融合。本节从互补模态输出数据的维度角度,对基于高光谱成像的融合技术进行了分类分析。这种基于维度特征的视角有助于明确不同模态组合在対齐方面存在的差异,从1D高光谱成像中的时空同步问题,到……挑战与未来展望尽管以高光谱成像为核心的技术在肉类质量评估方面展现出巨大潜力,但目前仍存在一些关键挑战,阻碍其在肉类行业中的广泛应用。首先,高光谱成像系统会产生海量数据,这本身就是一个巨大的瓶颈,而在进行数据融合时,这一问题会更加突出。如此庞大的数据量会给传统存储系统带来沉重负担,尤其是在需要实时处理的情况下。结论本文系统总结了基于高光谱成像的肉类质量分析数据融合技术的方法与整合策略。首先分析了低级、中级、高级和混合四种融合架构,作为研究人员可供选择的架构类型。随后指出了多传感器融合过程中存在的模态异质性、逐阶段信息损失以及跨模态贡献不平衡三大挑战,并指出深度学习是解决这些问题的主要工具。CRediT作者贡献说明沈婷婷:数据验证、资金筹集。孙青:论文撰写——审阅与编辑。邹玉成:实验研究。史永强:方法设计。史向宇:论文撰写——审阅与编辑、数据整理。高佩佩:论文初稿撰写、概念构思。邹晓波:研究指导、资金筹集。黄晓伟:研究指导。史继勇:研究指导、资金筹集。未引用参考文献Cheng等人,2024;Fan等人,2025;Feng等人,2021;Guo等人,2024a;Guo等人,2024b;Li等人,2023;Lu等人,2022;Mishra和Passos,2021;Sun等人,2024;Wang等人,日期不详;Xian等人,2024;Zhang等人,2024。利益冲突声明作者声明没有已知的经济利益冲突或可能影响本文研究结果的个人关系。关于写作过程中生成式人工智能及人工智能辅助技术的声明在撰写本文时,我们使用了Grammarly工具来提升文本的语言表达质量和可读性。在使用该工具后,我们对内容进行了必要的审阅和修改,并对文章内容的真实性承担全部责任。此外,我们确认没有使用任何生成式人工智能或人工智能辅助工具来创建、修改或优化本文中的任何图表,这符合该期刊关于人工智能辅助图像的使用规定。资金支持本研究得到了以下机构的资助:中国国家自然科学基金[项目编号32472491];江苏省自然科学基金[项目编号BK20220058、BK20220111];江苏省高等教育重点学科建设工程;中国国家重点研发计划[项目编号2025YFE0124800]。这些资助机构并未对研究的设计、数据收集、数据分析与解释、论文撰写或决策过程施加任何影响。利益冲突声明作者声明没有已知的经济利益冲突或可能影响本文研究结果的个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号