本研究由Tao Liu、Jiarong He、Wenzhe Yao、Hui Jiang*和Quansheng Chen**共同完成，作者单位分别为江苏大学电气信息工程学院和食品与生物工程学院。研究成果发表于2022年6月的《LWT - Food Science and Technology》期刊（Volume 164, 113657），该论文采用开放获取的CC BY-NC-ND 4.0许可协议。
学术背景
研究聚焦食品科学领域中的真菌毒素检测技术。黄曲霉毒素B1（Aflatoxin B1, AFB1）作为霉菌代谢产物，是导致人类肝癌的重要诱因。玉米作为全球第二大粮食作物，其储存过程中易因温湿度控制不当滋生霉菌，产生AFB1污染。传统检测方法（如色谱法和免疫分析法）存在前处理复杂、耗时长、破坏样本等缺陷。近红外光谱（NIR）技术因其快速、无损的优势，近年来在食品质量分析中广泛应用。本研究提出基于傅里叶变换近红外光谱（FT-NIR）结合智能算法的AFB1定量检测方法，旨在建立一种高效、精准的绿色分析技术。
研究流程
样本制备
- 研究对象：采购山东临沂”鲁百花1号”玉米，共120份样本（6批次×20样本），在恒温恒湿培养箱（30°C，80%湿度）中模拟霉变过程，每5天取样一次。
- 前处理：样本粉碎过100目筛，采用竞争性胶体金技术测定AFB1参考值，浓度范围2.4667–41.5054 μg/kg。
光谱采集与预处理
- 仪器：使用Antaris II FT-NIR光谱仪（Thermo Fisher Scientific），光谱范围10000-4000 cm⁻¹，分辨率3.8536 cm⁻¹，每个样本扫描32次取平均值。
- 数据处理：原始光谱经标准正态变量变换（SNV）消除散射效应，并通过偏残差图（APARPS）验证光谱与AFB1浓度呈非线性关系（|Z|=10.00）。
特征波长优化
- 算法对比：分别采用蚁群优化算法（ACO）和非支配排序遗传算法II（NSGA-II）筛选特征波长：
- ACO保留3个特征波长（9496, 8208, 6086 cm⁻¹）
- NSGA-II保留4个特征波长（7644, 4508, 10000, 9264 cm⁻¹）
- 模型构建：基于优化后的特征波长建立反向传播神经网络（BPNN）模型，隐藏层神经元设为10（NSGA-II模型为9），训练函数为Levenberg-Marquardt（trainlm）。
模型验证
- 数据集划分：校准集与预测集按3:1比例随机分配（90 vs 30样本）。
- 评价指标：预测相关系数（Rp）和均方根误差（RMSEP）。
主要结果
算法性能比较
- NSGA-II-BPNN模型表现最优：Rp=0.9951，RMSEP=1.5606 μg/kg，优于ACO-BPNN（Rp=0.9882）和全光谱BPNN（Rp=0.9839）。
- 变量精简：NSGA-II将输入变量从1557个压缩至4个，显著降低模型复杂度。
技术优势
- 相比表面增强拉曼光谱（SERS）和PLS等现有方法，本方法无需化学前处理，检测时间从10分钟缩短至实时分析。
- 特征波长选择策略克服了传统方法的主观随机性，NSGA-II算法的精英保留机制和拥挤度计算确保了特征变量的高针对性。
结论与价值
科学价值
- 首次将NSGA-II算法应用于FT-NIR光谱特征优化，证实多目标优化算法在光谱变量选择中的优越性。
- 建立了玉米AFB1污染的快速定量检测标准流程，为粮食储存安全监测提供新范式。
应用价值
- 该方法可集成至便携式检测设备，适用于粮库、加工厂的现场筛查。
- 研究提出的”光谱-算法-模型”框架可扩展至其他真菌毒素检测领域。
研究亮点
创新方法：
- NSGA-II算法实现光谱特征波长的高效压缩，特征变量减少99.7%而精度提升1.2%。
- 非线性BPNN模型解决了传统PLS方法在复杂基质中的局限性。
技术突破：
- FT-NIR光谱仪的高分辨率（3.8536 cm⁻¹）与IngaAs探测器组合，确保数据稳定性。
- 通过50次独立运行验证模型鲁棒性，RC方差仅0.0099。
跨学科融合：
- 将群体智能算法（ACO/NSGA-II）与化学计量学结合，为食品检测领域提供新方法论。
本研究获国家重点研发计划（2017YFC1600603）、江苏省六大人才高峰项目（NY151）等资助，相关算法已通过MATLAB R2018b实现代码开源。论文中提供的特征波长组合及模型参数，可直接用于工业化检测系统开发。