编辑推荐：
为解决熟禽肉（肉鸡 / 鸭肉）鉴别难题，研究人员利用便携式光谱仪（700 - 1100 nm）采集 40 份样本近红外光谱数据，结合 PCA、t - SNE 及 LDA、SVM 等 10 种机器学习算法分析。Logistic Regression、SVM、LDA 准确率超 83%，凸显 NIRS - 机器学习用于肉类分类及 fraud detection 的潜力。
研究背景与意义
在食品市场中，熟禽肉的种类鉴别一直是监管与消费的痛点。随着肉类加工产业的多元化，肉鸡与鸭肉因外观相似、加工后理化性质趋近，传统依靠感官评价、显微镜检或生化检测的方法，不仅耗时费力、需要破坏样本，且对操作人员专业水平要求高，难以满足快速高通量的市场检测需求。此外，肉类掺假或标识错误等问题频发，严重影响消费者权益与市场秩序，因此开发一种高效、无创、精准的熟禽肉鉴别技术迫在眉睫。
为突破这一技术瓶颈，某研究团队开展了相关研究。该团队基于近红外光谱（Near - Infrared Spectroscopy, NIRS）技术的快速无损特性，结合机器学习算法强大的模式识别能力，探索其在熟肉鸡与鸭肉分类中的应用潜力。研究成果发表于《Applied Food Research》，为肉类质量控制与真实性检测提供了新的技术思路。
关键技术方法
研究采用便携式光谱仪（检测范围 700 - 1100 nm），对 20 份熟鸡胸肉与 20 份熟鸭胸肉样本进行近红外光谱数据采集。数据预处理后，运用主成分分析（Principal Component Analysis, PCA）和 t 分布随机邻域嵌入（t - Distributed Stochastic Neighbor Embedding, t - SNE）进行降维与可视化分析。随后，对线性判别分析（Linear Discriminant Analysis, LDA）、支持向量机（Support Vector Machine, SVM）、Logistic Regression、Random Forest、Gradient Boosting、K - Nearest Neighbors（KNN）、Decision Tree、Naive Bayes、Neural Network 及 XGB 等 10 种机器学习算法进行评估，通过超参数调优与 5 折交叉验证优化模型性能。
研究结果
光谱数据降维与可视化
PCA 分析结果显示，前主成分累计解释 87.97% 的光谱数据方差，熟肉鸡与鸭肉样本在主成分空间中呈现明显的分组趋势，表明近红外光谱能够有效捕捉两类肉类的特征差异。t - SNE 进一步验证了样本的可分性，非线性降维后两类样本形成独立的簇状分布，直观揭示了光谱数据中隐含的类别信息。
机器学习算法性能比较
- Logistic Regression、SVM 与 LDA：展现出最强的判别能力，准确率分别达 84.13%、84% 和 83.50%，受试者工作特征曲线下面积（ROC AUC）分别为 92.99%、92.63% 和 91.71%，在精确率与召回率之间实现了良好平衡。
- Random Forest 与 Gradient Boosting：交叉验证得分稳定在～0.824，模型泛化能力较强，适用于复杂光谱数据的模式识别。
- Neural Network：在召回率指标上表现突出（90.74%），对于检测阳性样本（如鸭肉中掺假肉鸡）具有更高的灵敏度。
- Decision Tree 与 Naive Bayes：虽然模型可解释性强，但分类准确率低于其他算法，提示在处理高维光谱数据时，线性或非线性复杂模型更具优势。
研究结论与讨论
本研究证实，近红外光谱结合机器学习算法可作为一种高效的熟禽肉无创鉴别技术。Logistic Regression 与 SVM 凭借高准确率和稳健的泛化性能，成为最优分类方法。该技术无需化学试剂、操作便捷，且能在短时间内完成批量样本检测，为食品监管部门、加工企业提供了快速筛查工具，有助于遏制肉类掺假行为，保障消费者知情权与健康权益。
研究结果同时表明，光谱数据的预处理与特征提取是影响分类性能的关键环节，而机器学习算法的选择需结合具体应用场景（如对检测灵敏度或模型可解释性的侧重）。未来可进一步扩大样本量，纳入更多禽肉种类及加工方式（如卤制、烤制），提升模型的普适性，推动该技术从实验室走向实际产业化应用。这一跨学科研究为食品科学与分析化学的交叉融合提供了成功范例，有望在农产品品质检测、生物医药等领域拓展更广泛的应用空间。
