식품 내 유해물질 검출을 위한 분광학과 인공지능 융합기술 연구 동향

중금속은 식품 원재료의 재배환경이나 제조공정 오염을 통해 식품에 잔류하며, 인체에 축적될 경우 중독 등을 일으킨다. 식품 중 납(Pb), 카드뮴(Cd), 수은(Hg) 등의 함량 분석을 위해 기존에는 주로 원자 흡광분석이나 ICP-MS 등의 방법이 활용되었으나, 최근 광학 분광법에 AI 분석을 접목하여 중금속을 신속 검출하려는 연구가 증가하고 있다. 예를 들어, Park 등(2022)은 표면 증강 라만 분광법(surface-enhanced Raman scattering; SERS)으로 용액 내 납 이온 검출에 머신러닝을 적용하였다. 이 연구에서는 나노기공 기반 SERS 기판으로 Pb²⁺ 이온의 라만 스펙트럼을 얻은 후, 여러 머신러닝 모델을 비교한 결과 의사결정나무 기반 XGBoost 모델이 가장 우수한 검출 성능을 보였다(검출한계 0.1 ppm 수준). 또한 스펙트럼 전처리와 특징 선택을 통해 모델의 재현성과 견고성을 향상시켰다(Park 등, 2022). 한편, 중금속으로 인한 식물 체내 스트레스를 근적외선 분광으로 간접 측정한 연구들도 있다. Zhou 등(2021b)은 상추 잎에 흡수된 카드뮴(Cd) 농도를 가시광선-근적외선-초분광 영상(VIS-NIR HSI)으로 예측하였다. 잎 스펙트럼 데이터에 웨이블릿 변환과 SVM 회귀(W-SVR) 모델을 적용한 결과 Cd 농도의 연속적 분포를 비교적 정확히 시각화할 수 있었다(Zhou 등, 2021b). 레이저 유도 붕괴 분광법(laser induced breakdown spectroscopy; LIBS)과 AI를 결합한 시도도 주목된다. Wang 등(2020)은 벼 줄기 속 카드뮴 함량을 신속히 파악하기 위해 LIBS로 획득한 플라즈마 발광스펙트럼에 머신러닝을 적용하였다. 수집한 LIBS 스펙트럼에 PCA로 특징 추출 후 극학습기계(extreme learning machine; ELM) 분류기를 사용하여 Cd 오염 정도를 93% 이상의 정확도로 구분하고, PLS 회귀모델로 정량예측에서도 결정계수(R²) 0.99의 매우 높은 정확도를 얻었다. 이처럼 SERS, HSI, LIBS 등 다양한 분광기술에 AI를 접목한 사례들이 보고되고 있으며, 식품의 중금속 오염을 비파괴적으로 현장 검출할 수 있는 가능성을 보여주고 있다.

농산물에 사용된 살충제·살균제 등은 경우에 따라서 세척이나 가공 후에도 농산물에 남아 잔류 농약(residue)이 되고, 이는 소비자의 만성 독성 우려를 낳는다. 최근 농약 잔류 허용기준이 강화됨에 따라, 과일·채소 등의 표면 농약을 신속히 검사하는 비파괴 기법 개발이 활발히 이루어지고 있다. 분광학적 기술은 농약 성분의 특이적인 분자 진동 또는 분광학적 특징을 포착하여 이를 AI로 식별하는 접근으로 주목받고 있다. 예를 들어, Jiang 등(2019)은 수확 후 사과 표면의 농약 잔류를 머신비전(근적외 LED 조명 하에서 촬영한 이미지)과 딥러닝으로 탐지하였다. 컬러 영상과 분광정보가 결합된 데이터를 AlexNet 기반 CNN에 학습시켜 살포된 살충제의 존재 유무를 분류한 결과 90% 이상의 정확도를 얻었다. 이 연구는 기존의 분광센싱 대신 RGB 카메라 영상에 딥러닝을 적용하여 농약 잔류 검출 가능성을 보인 사례이다. 한편, Vis-NIR 분광과 다변량 분석으로 농산물의 농약 농도를 정량 예측하는 연구도 진행되었다. Soltani Nazarloo 등(2021)은 토마토에 특정 살충제를 분무한 후, 반사 근적외선 분광 데이터를 PLS 회귀와 SVM, RF 등의 머신러닝으로 분석하여 잔류농도의 등급 분류를 시도하였다. 그 결과 RF 모델이 가장 높은 분류정확도(>85%)를 보였으며, 중요한 파장 특징을 식별함으로써 모델 해석도 가능했다고 보고하였다(Soltani Nazarloo 등, 2021). 초분광 영상(HSI)을 활용하면 식품 표면의 농약 분포까지 파악할 수 있는데, Yan 등(2025)은 NIR 및 라만 스펙트럼의 데이터 융합으로 농약을 예측하는 새로운 접근을 제시하였다. 이들은 동일 시료에 대해 얻은 NIR과 SERS 스펙트럼을 특징 수준에서 융합하여 PLS 회귀모델을 구축하였고, 단일 분광법을 쓴 경우보다 현저히 향상된 정확도로 살충제 함량을 예측하였다(R²= 0.988). 또한 HSIC-VSIO 알고리즘으로 두 스펙트럼의 유효변수를 선별하여 상대오차 8.3% 수준의 정밀도를 달성하였다(Yan 등, 2025). 이처럼 AI 기법은 농약 분광신호의 극히 미세한 차이를 학습함으로써 잔류농약 검출 한계를 낮추고, 여러 종류 분광 데이터를 동시에 활용함으로써 복잡한식품 매트릭스에서의 예측 신뢰성을 높여주고 있다.

축산 및 양식업에서 동물 질병 예방을 위해 사용된 항생제는 잔류물이 고기, 우유, 달걀, 수산물 등에 남아 사람의 항생제 내성 문제를 일으킬 수 있다. 이에 각국에서는 식품 중 특정 항생제의 최대잔류 허용량(maximum residue limit; MRL)을 설정하고 지속 모니터링하고 있다. 이 역시 기존의 크로마토그래피-질량분석을 대체 혹은 보완할 수 있는 신속 현장검사를 위해 분광 기반의 항생제 검출 연구가 활발히 진행 중이다. 우유나 육류 매질에서는 항생제 분자가 소수성 매트릭스에 섞여 있어 직접 분광검출이 어려운데, SERS 기술이이를 보완하고 있다. Liu 등(2025)은 최적화된 은 나노입자 기반 SERS 기판과 자체 최적화 머신러닝 알고리즘을 결합하여 우유 중 노르플록사신(norfloxacin)과 시프로플록사신(ciprofloxacin)을 정량적으로 검출하는 연구를 수행했다. 이 연구에서는 질산은의 주입 속도를 조절하여 은 나노입자의 크기를 최적화하였으며(최적 주입 속도 2 mL/min에서 라만 스펙트럼 강도의 RSD 5.07% 달성), 이를 SERS 기판으로 활용하여 두 항생제에 대해 10 ppb의 검출 한계를 확보했다. 특히, SVR, RF, XGBoost 모델을 통합한 자체 최적화 머신러닝 모델을 통해 실제 농도와 예측 농도 간의 결정계수(R²)가 0.996에 이르는 높은 정확도를 달성하여, 우유 내 항생제 정량 분석의 신속성과 정확성을 크게 향상시켰다. 한편, 육류 등 고형 식품의 항생제는 시료 전처리 없이 분광검출하기 더 까다롭지만, 근적외선 HSI 및 화학발광 등 간접효과를 이용한 접근이 시도되고 있다. Feng 등(2024)의 연구에서는 VIS-NIR HSI 데이터 융합과 머신러닝으로 양고기 시료의 노르플록사신(norfloxacin) 잔류량을 예측하였다. 서로 다른 두 분광대역(HSI 영상)을 결합하고, 여기에 SCN 모델을 적용하여 얻은 예측치는 단일 분광대 사용시보다 크게 향상되었다(UVE-SCN 모델 기준 R_p²=0.9312, RPD= 2.7434). 이처럼 멀티모달 분광 데이터와 AI의 융합은 육류 등의 복잡한 식품 매트릭스에서 항생제 잔류를 비파괴 예측하는 새로운 가능성을 보여준다. 더불어 라만 분광과 딥러닝을 이용하여 세균을 간접 지표로 축산물의 항생제 내성 여부를 판별하는 연구도 진행되어, 장기적으로 AI 기술이 식품의 항생제 남용 문제를 해결하는 데 기여할 것으로 전망된다.

곰팡이독소(mycotoxin)는 곰팡이류가 생산하는 2차 대사산물로서 식품 원료의 곡물, 견과류 등에 흔히 오염될 수 있는 독성물질이다. 대표적으로 곡류의 아플라톡신(aflatoxin), 데옥시니발레놀(DON), 푸모니신(fumonicin), 견과류의 오크라톡신 A (ochratoxin A) 등이 있으며, 소량 섭취도 간 독성이나 발암 위험이 있어 국제적으로 규제 기준이 낮게 설정되어 있다(예: 곡류의 총 아플라톡신 20 ppb 이하 등). 곰팡이독소는 화학구조가 비교적 소형 분자인 탓에 직접적인 분광 피크가 두드러지지 않지만, 독소에 오염된 곡물은 곰팡이 대사로 성분 변화가 생겨 간접적인 분광 신호 변화가 나타난다. 이러한 원리를 이용해 근적외선 분광법과 화학계량학을 접목한 곰팡이독소 검출 연구가 다수 보고되었다. Jiang 등(2021)은 저장 중인 밀 시료에 대해 NIR 분광 데이터로 아플라톡신 B1 함량을 예측하였다. 이 연구에서는 다양한 파장 선택 알고리즘을 비교하여 PLS 회귀모델 성능을 개선하였는데, 최적 조건에서 결정계수 R²=0.993 이상의 매우 높은 정확도로 미량의 아플라톡신 B1 농도(0.5 ig/kg)를 예측할 수 있었다. 또한 2차 미분, SNV (standard normal variate) 등의 전처리를 통해 모델의 재현성과 검출 한계를 크게 향상시켰다. Huang 등(2024) 여러 연구자들은 옥수수, 땅콩 등을 대상으로 HSI로 곰팡이 오염 곡물을 식별하거나, 곰팡이독소에 민감한 특정 파장을 선정하여 SVM, LDA 같은 기계학습 분류기를 적용한 바 있다. 예를 들어 Zhou 등(2021a)은 근적외선 HSI로 옥수수 단일 낟알의 아플라톡신 B1 오염 등급을 분류하여 95.56%의 정확도를 보고하였다. 더 나아가, 딥러닝과 전이학습 기법이 곰팡이독소 분석에 도입되고 있다. Deng 등(2025)은 여러 종류 곡물의 서로 다른 곰팡이독소들을 하나의 NIR 모델로 예측하기 위해 지능형 푸드오믹스(intelligent foodomics) 전략을 제안하였다. 곡물-독소 조합마다 별도의 모델을 만들지 않고, 한 곡물에서 학습한 딥러닝 모델을 다른 곡물 또는 다른 독소 검출에 전이학습으로 활용하는 방식이다. 그 결과 소량의 추가 학습데이터만으로도 새로운 곡물/독소에 높은 예측 정확도를 얻었으며(예: FT-NIR 밀 ZEN 예측 R_p²=0.9356, RPD= 3.9497), 이는 스펙트럼 패턴의 보편적 특징을 학습한 AI 모델의 강점을 보여준다(Deng 등, 2025). 이처럼 분광분석과 AI의 융합은 기존 화학분석법으로는 선별 검사가 어려웠던 곡물 내의 곰팡이독소들의 복합 오염을 신속 선별하는 수단으로 부상하고 있다. 향후 다양한 식품 매트릭스와 더 넓은 농도 범주에 대해 데이터셋을 확장하고, 현장형 센서와의 접목을 통해 산업적으로 활용 가능한 곰팡이독소 모니터링 시스템 개발이 기대된다(Kabir 등, 2025).