利用双注意力网络（Dual Attention Network）结合高光谱成像技术对辣椒中的黄曲霉素进行早期检测

《Knowledge-Based Systems》：Early detection of aflatoxin in chilli using hyperspectral imaging with a Dual Attention Network

　　Shyam Chand G.|Shihabudheen K.V.|Sudhish N. George|Sony George|C. Sarathambal|Anees K.|E. Jayashree|P.V. Alfiya
电气工程系，卡利卡特国立理工学院，673601，喀拉拉邦，印度

**摘要**
由于黄曲霉毒素对公共健康和经济稳定性的影响，检测和量化辣椒中的黄曲霉毒素水平至关重要。在这项研究中，我们提出了一种基于双注意力机制的时间卷积网络（DA-Net），用于高光谱成像（HSI）中的黄曲霉毒素预测。通过将时间注意力（TA）和挤压-激励（SE）机制集成到TCN框架的残差块中，实现了时间和光谱特征的动态提取。本研究通过开发一个包含两种接种类别的完整高光谱数据集，捕捉了实际世界中黄曲霉毒素污染的异质性：T1（产黄曲霉毒素的黄曲霉）和T2（不产黄曲霉毒素的黄曲霉）。使用主成分（PCs）和全谱输入进行的消融研究表明了不同TCN变体的可靠性和有效性，其中DA-Net在全谱数据上表现最佳。该模型对T1样本的R2值为0.9787，RPD值为6.8533；对T2样本的R2值为0.9763，RPD值为6.4915。这项工作通过提供一种可靠且可扩展的解决方案，推进了农产品收获后黄曲霉毒素预测的高光谱应用技术。

**引言**
考虑到辣椒（Capsicum annuum L.）在多种风味和药用特性方面的贡献，它在亚洲烹饪中起着关键作用。辣椒分布于世界各地，具有不同的农业气候条件，因此具有不同的斯科维尔辣度单位（SHU），显著影响了其烹饪用途。辣椒既可用于新鲜形式也可用于干燥形式，从而为菜肴增添辣味和复杂香气。尽管辣椒在全球范围内都有种植，但印度、中国和孟加拉国等亚洲国家是其主要生产国，其中印度 alone 占全球辣椒产量的50%-60% [1]。

在收获、干燥和储存过程中，辣椒常常会受到真菌污染，导致诸如黄曲霉、青霉和镰刀菌等真菌产生的毒素侵入 [2]。这些真菌是众所周知的霉菌毒素生产者，会对食品安全造成不良健康影响和经济后果。辣椒中的霉菌毒素存在构成重大威胁，需要从收获到消费端实施强有力的监测和控制策略来加以解决。

黄曲霉毒素B1（AFB1）是一种主要由黄曲霉产生的高毒性霉菌毒素。由于其致癌性以及致突变性和肝毒性，国际癌症研究机构（IARC）将其归类为人类和动物的1类致癌物 [3], [4]。由于黄曲霉毒素污染会扰乱国家间的贸易和经济关系，必须采取严格的监测和控制措施来应对其影响 [5]。

一些常用的黄曲霉毒素检测方法包括酶联免疫吸附测定（ELISA）、薄层色谱（TLC）和高性能液相色谱（HPLC）。然而，这些方法通常会破坏食品样本，并且耗时较长 [6]。此外，它们可能无法在污染初期检测到低水平的黄曲霉毒素，从而阻碍了控制措施的及时实施。

分析现有使用HSI进行黄曲霉毒素检测的研究强调了基于经典机器学习（ML）的方法的关键作用。 [7] 使用标准正态变量（SNV）和偏最小二乘判别分析（PLS-DA）探索了玉米中的黄曲霉毒素分析。类似地，偏最小二乘回归（PLSR）被应用于杏仁核中的黄曲霉毒素预测，其中使用竞争性自适应重采样（CARS）进行特征选择，随后进行多元线性回归（MLR） [8]。主成分分析（PCA）广泛用于黄曲霉毒素检测中的特征提取和降维，它利用光纤荧光光谱和多光谱成像（MSI）对受黄曲霉毒素污染的玉米种子进行分类 [9]。此外，它还有助于检测牛奶琼脂和奶酪样品中的霉菌，其中第二主成分在对照组和污染组之间显示出最强的区分度 [10]。PCA结合因子判别分析（FDA）也用于玉米籽粒中黄曲霉毒素的检测和量化 [6]。光谱角度映射器（SAM）利用n维PCA可视化技术对玉米籽粒中的黄曲霉毒素进行分类 [11]。支持向量机（SVM）有效分类了受黄曲霉毒素污染的玉米种子 [12]。当SVM结合RBF核、Savitzky-Golay平滑（SGS）和SNV预处理时，可以实现高精度的发霉花生分类 [13]。使用K-最近邻（KNN）和随机森林（RF）在玉米中进行像素级黄曲霉毒素检测，并借助PCA和Relieff进行特征选择 [14]。虽然这些经典方法表现出可靠性，但它们对手动选择特征的依赖性限制了其对复杂光谱变化的适应性。

基于深度学习（DL）的方法能够自动从高维数据中提取特征，最近已成为强大的黄曲霉毒素检测工具。在花生中 [15]，采用基于卷积神经网络（CNN）的模型进行了像素级黄曲霉毒素分类，其性能优于KNN、RF等传统分类器。 [16] 使用1D-VGG16和AlexNet对花生和玉米中的黄曲霉毒素进行了像素级分类。 [17] 通过改进的同时优化遗传算法（ISOGA）在CNN中识别了受污染的花生。 [18] 开发了一种结合LeNet5、AlexNet、VGG16和ResNet18以及亚像素分解的DL回归网络用于花生中的黄曲霉毒素检测。 [19] 与1D LSTM、1D TCN和1D AlexNet相比，1D改进的TCN在黄曲霉毒素分类方面表现更好，这得益于增强的特征表示。尽管这些基于DL的模型在分类性能上表现突出，但它们在预测黄曲霉毒素及其实际变化方面的应用仍不充分。

通过对关键研究的文献回顾发现，大多数使用HSI进行黄曲霉毒素检测的研究主要集中在分类上，而非预测，并且研究对象主要限于玉米和花生样本。此外，很少有研究探讨早期检测，尽管早期检测在降低污染风险方面起着关键作用。大多数现有工作是在受控实验室环境中进行的，其中污染样本和对照样本的像素是预先确定的。虽然这种条件提供了有价值的见解，但它们不能完全反映黄曲霉毒素污染的不确定性。这种随机性加上缺乏早期检测策略，限制了传统图像分析技术的有效性，常常导致检测不准确和干预延迟。

为了解决上述研究空白，本研究提出了专门针对辣椒样本中黄曲霉毒素预测的双注意力模型DA-Net。与传统方法仅在超过临界阈值后才进行分类不同，DA-Net优先考虑早期检测，以实现及时有效的控制措施。该模型利用HSI的像素级分析，将每个像素视为一维数据。通过集成挤压-激励（SE）块和时间注意力（TA）机制，它动态强调了信息丰富的光谱带和时间特征，有效捕捉了HSI中的复杂依赖性。与传统方法不同，DA-Net针对光谱数据的独特特性进行了优化，利用了它们与时间序列信号的相似性，超越了传统的TCN [20]。本研究探讨了残差TCN框架内通道级重新校准和TA的结构化集成，并通过系统性的消融分析评估了它们的单独和联合贡献。通过优先考虑早期检测并利用先进的注意力机制，提出的DA-Net为解决实际场景中的黄曲霉毒素预测挑战提供了强大的框架。

**主要贡献**
- **在实际场景中应用HSI**：本研究将HSI应用于实际条件下的辣椒样本，分析了黄曲霉毒素水平，解决了实际农业环境中的污染随机性问题。
- **通过像素级光谱分析实现早期检测**：通过将单个像素光谱视为一维数据进行分析，该模型能够在早期阶段预测黄曲霉毒素污染，提高了传统基于图像方法的可靠性。
- **在TCN中集成双注意力机制**：本研究在TCN框架内引入了SE和TA机制的新组合，有效利用了高光谱数据的时间和光谱依赖性，提高了模型的鲁棒性和黄曲霉毒素检测的预测准确性。

**论文结构**
第2节描述了材料和方法，概述了HSI框架、数据集特征和提出的DA-Net模型。第3节展示了实验结果，包括性能评估、消融研究以及关键见解的讨论，最后总结了本研究的主要贡献和未来方向。

**材料和方法**
本节介绍了辣椒样本的制备、高分辨率光谱数据的获取以及通过化学分析进行精确的黄曲霉毒素定量。关键步骤如ROI选择和特征提取确保仅使用相关的光谱信息。最后，提出了模型架构，采用了先进的计算技术以提高预测准确性。研究框架的概述见图1。

**结果分析**
本节首先定义了模型评估标准，并描述了实验使用的计算设置。然后探讨了水分含量与孢子计数之间的相关性，以评估潜在的依赖性。接下来进行了消融研究，使用全谱范围和基于PCA的特征选择来评估模型性能。随后，与现有DL模型进行了比较分析。进一步分析结果以解释TA的作用。

**结论**
本文提出了一种基于DL的双注意力模型DA-Net，它将HSI与SE和TA机制结合，用于辣椒样本中的黄曲霉毒素水平预测。该框架提供了一种有效的非侵入性方法，即使在感染早期也能进行黄曲霉毒素预测，有助于高效筛查和及时采取补救措施。通过对包含两种接种类型T1和T2的实际污染变异性数据集的全面性能评估，验证了模型的有效性。

**作者贡献声明**
Shyam Chand G.：撰写——审稿与编辑、原始草稿撰写、软件开发、方法论设计、概念化。
Shihabudheen K.V.：撰写——审稿与编辑、监督、概念化。
Sudhish N. George：撰写——审稿与编辑、监督、概念化。
Sony George：撰写——审稿与编辑、监督、资源准备、概念化。
C. Sarathambal：撰写——审稿与编辑、资源准备、数据管理。
Anees K.：撰写——审稿与编辑、资源准备、数据管理。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
作者感谢印度政府教育部（MoE）的学术和研究合作促进计划（SPARC）提供的财政支持，项目编号为SPARC/2025–2026/P4101。