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20 μg·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。