摘要：花生是一种重要的油料作物,易受曲霉菌感染从而产生黄曲霉毒素,其中黄曲霉毒素B1(AFB1)对人畜具有较高威胁。传统AFB1检测方法操作繁琐、破坏物料以及耗时长等问题较为突出,因此发展一种快速、无损且适合在线的检测方法对花生生产及加工具有重要意义。将从市场购买的市购花生,于28℃和85%相对湿度环境中储藏至霉变。在0, 4, 6, 7和8 d时间段,再分别以0.15 m·s^-1的速度动态采集其光谱和图像信息,采集信息后利用酶联免疫吸附法(ELISA)测定花生中AFB1含量。对光谱采用多元散射校正、基线校正、标准正态变量校正以及Savitzky-Golay平滑等方法预处理,并对600~1 600 nm范围内的光谱数据进行主成分分析,根据主成分权重系数确定8个特征波长(630, 1 067, 1 150, 1 227, 1 390和1 415 nm);对图像采取灰度化和阈值分割等方法处理,并提取12种图像颜色特征参数。最后利用线性判别分析(LDA)以及支持向量机(SVM)建立花生样品的定性判别分析模型(以国家标准20μg·kg^-1为界限)。ELISA结果表明,花生AFB1超标率为58%;可见-近红外图谱分析表明,在1 180 nm等波峰处随着毒素侵染程度的加深,吸光度逐渐降低;机器视觉分析表明,随着储藏时间的增加,花生表面逐渐暗淡并有菌丝覆盖,毒素侵染水平逐渐提高,花生图像的RGB值总体下降。通过主成分分析发现,光谱呈现较明显的聚类趋势,而图像及数据融合聚类趋势不明显。根据全谱段、特征波长构建的LDA和SVM模型均能够对超标和未超标样品进行快速识别,其中基于全谱段的模型最佳识别率达92%,基于特征波长的模型最佳识别率达88%;相对于基于光谱信息建模,非线性SVM模型在根据图像颜色特征参数建模分析上表现较优,最佳识别率为90%;结合花生样品内外部信息,基于光谱和图像信息融合的SVM模型最佳识别率达到92%。利用可见-近红外光谱以及机器视觉技术结合化学计量法,实现花生AFB1含量超标与否的动态判别具有一定可行性,为花生在线质量安全检测提供了理论基础。