基于紫外光谱与深度学习的苯甲酸钠和山梨酸钾双标识光学传感器开发及其在食品安全中的应用

针对食品防腐剂苯甲酸钠(SB)和山梨酸钾(PS)混合使用时的光谱重叠难题，研究团队创新性提出结合紫外直接吸收光谱(UV-DAS)、谱扩展(SEP)、卷积神经网络(CNN)和迁移学习(TL)的SEP-CNN-TL模型。该传感器实现了SB(R2 =0.9993)和PS(R2 =0.9995)的高精度同步检测，定量限达0.112μg/mL(SB)和0.108μg/mL(PS)，饮料样品回收率达95.36%-99.83%，为食品多组分防腐剂监管提供了新方法。

　　

在食品工业蓬勃发展的今天，苯甲酸钠(Sodium Benzoate, SB)和山梨酸钾(Potassium Sorbate, PS)这对"黄金搭档"作为高效防腐剂被广泛使用于碳酸饮料、酸奶等食品中。然而这对搭档却暗藏风险——国家标准GB2760-2024明确规定，碳酸饮料中SB和PS的最大添加量分别为0.20 g/kg和0.50 g/kg，且混合使用时各防腐剂实际用量与最大用量的比例之和不得超过1。更令人担忧的是，过量摄入这些防腐剂可能引发皮肤刺激、胃肠功能紊乱甚至肝肾损伤，世界卫生组织(WHO)设定的每日允许摄入量(ADI)分别为5 mg/kg(SB)和25 mg/kg(PS)。

传统检测方法如高效液相色谱(HPLC)虽精准但耗时耗力，而新兴的荧光光谱和太赫兹光谱又依赖特殊光学材料。紫外直接吸收光谱(UV-DAS)本应是理想选择，但SB和PS的紫外吸收光谱严重重叠——就像两杯颜色相近的鸡尾酒混在一起，难以区分各自成分。这个"光谱鸡尾酒"难题一直困扰着研究人员，直到深度学习技术的出现带来了转机。

燕山大学光谱学实验室的研究团队独辟蹊径，将UV-DAS与深度学习技术联姻，开发出基于谱扩展-卷积神经网络-迁移学习(SEP-CNN-TL)的双标识光学传感器。这项发表在《Food Control》的研究，通过三个关键技术突破解决了行业痛点：首先采用变分模态分解滤除环境噪声；继而创新SEP方法，通过建立浓度-吸光度函数关系生成大规模光谱数据集；最后构建CNN-TL模型，先用单组分叠加光谱(CAS)预训练，再用混合溶液光谱(MAS)微调，巧妙解决了数据稀缺和光谱重叠两大难题。

研究结果显示，该传感器性能远超传统方法：预测SB和PS的相关系数R²
分别达到0.9993和0.9995，平均绝对误差(MAE)低至0.065 μg/mL(SB)和0.061 μg/mL(PS)，定量限(LOQ)优于多数报道方法。在美年达碳酸饮料的实际检测中，回收率稳定在95.36%-99.83%之间，完全满足国标GB2760-2024的检测需求。

这项研究的创新之处在于：首次将SEP数据增强策略应用于光谱分析，使有限实验数据产生指数级扩展；创造性采用TL技术缩小CAS与MAS的预测偏差，这好比让品酒师先单独品尝基酒风味，再调整混合酒的品鉴能力；建立的SEP-CNN-TL模型在预测精度上完胜支持向量回归(SVR)、偏最小二乘回归(PLSR)等传统算法。

该成果不仅为食品多组分防腐剂检测提供了新范式，其SEP-CNN-TL框架更可推广至其他光谱重叠物质的检测领域。正如通讯作者Junfeng Wang强调的，这项技术无需复杂样品前处理，有望发展为食品生产线的在线监测工具。未来，研究团队计划将该系统微型化，并探索其在更多食品添加剂同步检测中的应用潜力，为守护"舌尖上的安全"贡献科技力量。