Multi-attribute spectral imaging with a wavelength-aware band-gated vision transformer for camellia oil adulteration detection

掺假引起的山茶油近红外光谱差异可能同时体现在全局光谱轮廓、局部变化模式以及远距离光谱区域间的交互作用中。传统一维建模方法在保留并联合学习这些多层次关系方面能力有限。本研究提出一种由多属性光谱成像驱动的波长感知视觉Transformer（ViT-BandGate），用于山茶油掺假的定性检测。将预处理后的光谱及其一阶和二阶变化编码为二维联合表示，该表示保留了波长维度的共定位关系，从而整合了全局吸收轮廓与局部斜率和曲率信息。随后，Transformer学习跨光谱区域的长程依赖关系，而所提出的BandGate模块在显式波长连续性先验下自适应调制区域令牌的贡献。该方法在一个包含884条近红外光谱的多日期数据集上进行了评估：其中84条为纯山茶油光谱，800条为掺入菜籽油、花生油或葵花籽油的掺假光谱。使用分层留出测试集和验证校准的决策阈值，ViT-BandGate实现了98.29%的准确率、99.07%的平衡准确率、100.00%的纯油召回率、98.14%的掺假油召回率以及99.91%的ROC AUC。结果表明，该方法对掺假油具有高灵敏度，同时保持了对纯山茶油样品的可靠识别。与直接的一维深度模型和传统基线方法相比，ViT-BandGate在定性掺假检测中展现出最强的平衡筛查性能。这些发现表明，保留多阶光谱属性间的波长共定位关系，并联合学习区域重要性与全局依赖关系，能够提升定性掺假识别的效果。所提出的框架为食用油的无试剂定性真实性筛查提供了一种结构化的光谱表示策略。