基于激发 - 发射矩阵荧光光谱与深度学习的山茶油掺假鉴定：守护健康与市场品质的创新突破

为解决山茶油（CAO）掺假鉴定问题，研究人员设计掺假场景，采集分析激发 - 发射矩阵荧光（EEMF）光谱，运用平行因子分析（PARAFAC），提出 ResTransformer 模型。该模型定性准确率超 96.92%，定量 Rv2>0.978 等，为 CAO 掺假检测提供新策略。

　　山茶油（Camellia oil，CAO）因其高营养价值和商业价值备受关注，但掺假问题也日益引发担忧。开发一种准确且无损的方法来鉴定 CAO 掺假物，对于保障公众健康至关重要。本研究通过设计代表性的掺假场景，模拟现实中可能的掺假情况，随后采集并分析相应的激发 - 发射矩阵荧光（EEMF）光谱。运用平行因子分析（PARAFAC）来表征和探究不同掺假场景下 EEMF 光谱中荧光团的变化，结果显示 PARAFAC 成分的相对浓度与掺假水平呈线性相关。研究还提出了一种名为 ResTransformer 的深度学习模型，它结合了残差模块和 Transformer，从局部和全局视角对掺假类型进行定性检测，对掺假浓度进行定量检测。基于 EEMF 光谱和 PARAFAC 的全局 ResTransformer 定性模型准确率超过 96.92%，定量模型的验证决定系数（R_v²）大于 0.978，验证均方根误差（RMSE_v）小于 3.0643%，性能偏差比（RPD）大于 7.6741。与传统化学计量学模型相比，ResTransformer 模型表现更优。EEMF 和 ResTransformer 的结合为快速、可靠地检测 CAO 掺假提供了极具前景的策略。