《食品科学》：李正鹏高级农艺师、李婷婷副教授等：基于高光谱成像与深度学习融合技术的桑黄产地溯源和栽培模式识别

桑黄（Phellinus linteus）作为珍稀食药用真菌，其富含多糖、黄酮等活性成分，在免疫调节、抗肿瘤等方面展现出显著的药用价值，在我国药用历史已逾2 000年，是传统中药中的珍品。随着市场需求激增，桑黄人工栽培已大规模推广，我国已确认的桑黄包括桑树桑黄、瓦尼桑黄、鲍姆桑黄和粗毛纤孔菌等十余个品种，且广泛分布于多个省市，呈现多物种、多寄主、多产地并存的复杂格局，不同产区地理气候条件及栽培模式存在差异，导致桑黄活性成分含量与品质参差不齐，显著增加了桑黄质量评价与监管的难度。目前对桑黄的鉴别还主要依赖于人工鉴定和理化分析相结合的方法。人工鉴别往往通过桑黄的形态特征、色泽、纹理、气味等进行，缺乏客观性。然而理化检测依赖高效液相色谱、气相色谱-质谱联用技术等大型分析设备，需破坏样品，操作流程复杂耗时，对操作人员专业素养及实验室环境要求较高。因此，建立一种客观、快速、无损的检测方法，从而对桑黄产地及栽培模式实现精准识别，具有较高的应用和推广价值。

高光谱成像（HSI）作为一种融合图像与光谱信息的新兴无损检测技术，兼具快速、无损等优势，已在农产品产地溯源、掺假识别及营养成分无损评估等领域得到广泛应用。袁伟东等基于可见-近红外HSI结合机器学习算法实现了枸杞的产地鉴别，其二元分类预测集准确率为97.7%，五元分类预测集准确率为87.1%，但传统机器学习方法易受所选特征质量和数量的限制，在处理高维光谱数据时存在建模能力不足、泛化性受限等问题。Li Xu等利用近红外光谱结合卷积神经网络（CNN）实现了红枣产地的无损溯源，其准确率达94.25%，但未开展不同光谱波段性能对比，且模型性能随数据量减少显著下降，数据量为400时准确率仅86.67%，难以适配实际场景中样本获取受限的情况。因此，虽HSI结合深度学习为食品产地溯源及栽培模式提供新路径，但当前研究在不同光谱波段效能对比及小样本适应性上仍存在不足，本研究将针对性构建溯源及栽培模式模型以提升性能。

上海理工大学健康科学与工程学院的史婉荣、李婷婷*和上海市农业科学院食用菌研究所的李正鹏*等采用HSI技术和深度学习模型，建立一套食药用真菌桑黄产地溯源与栽培模式识别的新方法，以解决桑黄产业中长期存在的产地模糊和品质标准化问题，系统对比可见-近红外（400～1 000 nm）和短波红外（900～1 700 nm）波段的检测性能，通过实验明确短波红外波段的显著优势，旨在填补桑黄产地-栽培模式多维鉴别的技术空白，为人工智能在食品快速检测场景的应用及桑黄产业质量控制标准化体系构建提供关键技术支撑。

1 桑黄样品的光谱曲线分析

如图2所示，不同产地和栽培模式的桑黄样品光谱在双波段均呈现差异。样品间的主要光谱差异集中于700～900 nm波段（图2a、b），该区域可能存在较强的碳水化合物吸收带。在短波红外区域，1 300 nm附近的吸收峰可能与C—H键伸缩振动的第二泛音相关，1 410 nm波长处的吸收谷则可能与O—H键伸缩振动的第一泛音相关。如图2c、d所示，在不同分类任务中，关键差异性波长呈现出特定的分布模式：产地溯源任务的关键波长主要分布于1 100～1 300 nm及1 400～1 600 nm区域；而栽培模式识别任务的关键波长则主要集中于1 400～1 500 nm。

2 基于全波长的建模分析

本研究系统探究多种光谱预处理方法对BPNN、RBFNN及CNN模型在桑黄产地溯源与栽培模式识别两类分类任务中性能的影响，结果如表2所示，不同任务的最优预处理方法具有显著的依赖性，具体表现如下：在900～1 700 nm波段范围内，针对桑黄产地溯源任务，经SNV预处理的CNN模型（SNV-CNN）展现出最优分类性能，其测试集准确率达99.36%；而在栽培模式识别任务中，经MSC预处理的CNN模型（MSC-CNN）表现最佳，测试集准确率为97.44%。由此可见，SNV预处理方法更适用于产地溯源任务，MSC预处理方法更适用于栽培模式识别任务，且二者在对应任务测试集上的准确率均显著优于其他预处理方法。进一步对比不同分类模型的性能可知，在相同预处理条件下，CNN模型的分类准确率均显著高于BPNN与RBFNN模型，这一结果凸显了CNN模型在高光谱特征深层提取与复杂模式泛化能力方面的显著优势。

3 特征波长的选择

在最优预处理条件下，采用SPA、CARS与UVE 3种特征波长选择算法对光谱数据进行降维处理。图3直观展示了不同分类任务及光谱波段下筛选所得特征波长的分布，结果表明其分布具有显著的任务特异性与波段依赖性，具体表现为：在产地溯源任务中，400～1 000 nm波段的特征波长主要集中于400～600 nm及700～900 nm区间，900～1 700 nm波段的特征波长则主要集中于1 410、1 300～1 500 nm及1 600～1 700 nm区域；在栽培模式识别任务中，400～1 000 nm波段的特征波长主要聚集于500～600 nm和700～900 nm区间，900～1 700 nm波段的特征波长则主要集中于1 200～1 300 nm和1 400～1 600 nm区域。进一步统计显示，3种算法筛选的特征波长数量占原始波长总数的7.14%～58.48%，表明SPA、CARS与UVE算法可有效压缩光谱特征维度，显著降低数据冗余度，进而提升后续建模的计算效率。

4 基于特征波长的分类模型性能对比分析

基于筛选出的特征波长构建分类模型，并探讨3种特征选择算法对BPNN、RBFNN及CNN在桑黄产地溯源和栽培模式识别任务中分类性能的影响，结果如表3所示。在产地溯源任务中，两个波段范围内CNN模型的测试集分类准确率均超过94%。其中，在900～1 700 nm范围内，UVE算法筛选得到102个特征波长，占总波长数量的45.53%，降维后的SNV-UVE-CNN模型表现最优，训练集的准确率达100%；测试集的准确率达99.36%。该模型相较于SNV-SPA-CNN、SNV-CARS-CNN模型的分类准确率分别提升1.92%和1.28%，较SNV-UVE-RBFNN与SNV-UVE-BPNN模型的分类准确率分别提升4.49%和11.54%，且在900～1 700 nm波段较400～1 000 nm波段的分类准确率提升0.64%。在栽培模式识别任务中，所有模型的测试集分类准确率均高于87%。在900～1 700 nm波段内，MSC-UVE-CNN模型表现最佳，测试集的准确率为95.51%；但仍略低于全波段下MSC-CNN模型的表现，后者较前者的分类准确率提高1.93%。综上，在900～1 700 nm范围内，产地溯源任务的最优模型为SNVUVE-CNN模型，栽培模式识别任务的最优模型为MSCCNN模型。

图4展示了基于900～1 700 nm波段最优模型在训练集与测试集上的分类结果混淆矩阵。图4a和图4c显示所有样本均正确分类。而图4b显示吉林省的一个桑黄样本被误分类为浙江省。图4d表明在栽培模式识别任务中，存在部分分类错误，其中，代料栽培模式下的两个样本被误判为段木栽培模式，而段木栽培模式下的两个样本则被误判为代料栽培模式。

5 t-SNE特征可视化分析验证

为直观评估所构建最优模型在桑黄产地溯源和栽培模式识别任务中的性能，采用t-SNE算法对未经模型处理的原始光谱数据及经CNN模型训练后最后一层提取的特征向量进行降维可视化。如图5a所示，训练前不同产地桑黄样本的t-SNE降维结果中，各类别特征呈现显著混杂状态，未形成明显聚类结构，难以直接实现有效区分；与之相比，训练后提取特征的可视化结果显示，不同产地桑黄样本呈现出良好的聚类特性，类别间边界清晰，仅有个别样本落在类间边界附近（图5b）。类似地，训练前不同栽培模式桑黄样本的特征分布存在显著重叠（图5c），而训练后的特征可视化结果表明，栽培模式分类性能得到显著改善，错误分类主要集中在空间上相互邻近的少数样本（图5d）。上述结果充分证实，CNN模型能够有效挖掘桑黄的判别性光谱特征，进而实现对其地理来源及栽培模式的高精度识别。

结 论

本研究通过可见-近红外（400～1 000 nm）与短波红外（900～1 700 nm）双波段HSI对比、预处理方法优选、特征波长选择与深度学习算法的多维度协同优化，实现了桑黄产地溯源与栽培模式的高精度无损鉴别，有效克服了传统检测方法耗时长、破坏性强及主观性显著的局限性。结果表明，短波红外波段模型分类性能显著优于可见-近红外波段：该波段可有效捕捉O—H、C—H、N—H等官能团的倍频与合频振动信号，精准解析桑黄内部水分、脂质及氨基酸等有机成分特征信息。在产地溯源任务中，构建的SNV-UVE-CNN模型测试集准确率达99.36%；在栽培模式识别任务中，MSC-CNN模型测试集准确率达97.44%。混淆矩阵与t-SNE可视化结果显示仅有少量样本发生错分，多位于类间边界，在特征空间中与相邻类别高度接近。其原因可能是桑黄样品在人工栽培环境和采后处理等环节存在一定趋同性，导致部分样本光谱特征相似，增加了类间判别的模糊性；在当前样本规模有限的条件下，此类渐变差异在模型训练过程中被放大，进而影响对少数边界样本的准确判别。总体来看，错分率较低，未实质性削弱基于短波红外CNN模型的判别性能。综上，短波红外HSI技术结合CNN算法，可作为桑黄产地与栽培模式快速、无损、高精度鉴别的方法，为其他食品的高光谱质量安全检测提供重要技术参考。

本研究仍存在一定局限，有待在后续工作中加以弥补。在数据层面，本研究所采用的桑黄样本在产地覆盖方面仍相对有限，后续研究将进一步纳入不同加工批次的样本，并拓展更多具有代表性的产区，以构建规模更大的高光谱数据集；在模型层面，本研究主要采用ENVI 5.6软件导出的一维光谱数据构建CNN模型，尚未充分挖掘高光谱的空间信息及双波段数据融合潜力，三维卷积网络和多源融合方法有待进一步探索；在结果分析层面，结合混淆矩阵和t-SNE可视化发现，目前少量错分样本主要集中在类间边界，CNN模型对边缘样本的判别仍存在不确定性，后续计划通过引入不平衡学习方法进行更深入的分析。

第一作者：

史婉荣

史婉荣，上海理工大学健康科学与工程学院2023级硕士研究生，研究方向为基于高光谱成像技术与深度学习算法的食品品质无损检测。

通信作者：

李婷婷 副教授

李婷婷（Li Tingting），博士，上海健康医学院副教授、硕士生导师、卫生检验与检疫专业负责人。美国耶鲁大学医学院生物医学信息学与数据科学系高级访问学者，上海交通大学医学院公共卫生学院博士后。兼任上海市毒理学会副秘书长、上海市预防医学会卫生毒理专业委员会委员。

李婷婷副教授长期致力于食品营养健康机制、人工智能无损检测技术领域的研究。作为上海健康医学院智慧检验检测服务平台“智能无损检测”子方向负责人，聚焦于高光谱成像与深度学习在食药物质安全领域的创新应用，重点攻克食药物质产地精准溯源、农产品真菌毒素快速识别以及功能成分品质预测等关键技术。通过整合化学计量学算法与神经网络模型，实现了食药物质品质的数字化表征与智慧评估。

李婷婷副教授入选上海市市委组织部东方英才青年项目、上海市科委“扬帆计划”、上海市教委“晨光计划”等多个省部级人才项目，并荣获上海市五四青年奖章、上海市教育系统三八红旗手等荣誉称号。目前主持省部级科研项目4 项、企业横向课题10余项，牵头获中国营养学会科学技术三等奖。近年来，以第一或通信作者在 Carbohydrate Polymers 等国内外学术期刊发表高水平论文10余篇，获授权国家专利6 项，并成功实现2 项科研成果转化。

引文格式：

史婉荣, 沈书玥, 王沁, 等. 基于高光谱成像与深度学习融合技术的桑黄产地溯源和栽培模式识别[J]. 食品科学, 2026, 47(6): 342-350. DOI:10.7506/spkx1002-6630-20250926-218.

SHI Wanrong, SHEN Shuyue, WANG Qin, et al. Origin traceability and cultivation mode identification of Phellinus linteus based on hyperspectral imaging combined with deep learning[J]. Food Science, 2026, 47(6): 342-350. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250926-218.

实习编辑：林安琪；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。中国食品杂志社拟定于2026年8月13—14日在安徽合肥举办“第13届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。

长按或微信扫码进行注册

为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、皖西学院、滁州学院、蚌埠学院共同主办的“第六届食品科学与人类健康国际研讨会”，将于 2026年8月15-16日（8月14日全天报到）在中国 安徽 合肥召开。

长按或微信扫码进行注册

为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）