基于拉曼光谱与可解释多尺度深度卷积神经网络（MSDCNN）的牛油果油掺假检测新方法

针对牛油果油掺假问题，研究人员结合拉曼光谱与可解释多尺度深度卷积神经网络（MSDCNN），开发了一种高精度、轻量化且透明的检测技术。该研究通过多模型对比（LDA、Naive Bayes、决策树、LSTM和MSDCNN），实现掺假定性分析平均准确率>0.97，定量回归R2>0.95，并通过Grad-CAM可视化关键特征，为食品质量监控提供了创新解决方案。

　　

牛油果油因其富含维生素、不饱和脂肪酸和抗氧化成分，被誉为“植物油皇后”，但高昂的价格催生了掺假乱象，威胁消费者健康与市场秩序。传统检测方法如色谱分析耗时耗力，而现有光谱-机器学习方案或依赖大量数据（如SVM），或缺乏解释性（如随机森林）。针对这一难题，湖州市水域机器人技术重点实验室的研究团队创新性地将拉曼光谱与可解释多尺度深度卷积神经网络（MSDCNN）结合，开发出兼具高精度与透明度的检测技术，相关成果发表于《Journal of Food Composition and Analysis》。

研究团队采用点激光拉曼光谱系统采集4个品牌牛油果油及7类掺假油（大豆/核桃/红花等）的光谱数据，通过MSDCNN模型同步提取多尺度特征（局部峰、峰组合及荧光背景），并与线性判别分析（LDA）、朴素贝叶斯、决策树、长短期记忆网络（LSTM）等模型对比。

样本制备
实验涵盖4个商业品牌牛油果油及7类掺假油（各5品牌），所有样本经江苏省质检局认证。通过梯度稀释制备不同掺假浓度样本，确保数据多样性。

拉曼信号分析
拉曼光谱显示，牛油果油在1440 cm^-1和1660 cm^-1处特征峰与掺假油差异显著（图3a）。MSDCNN通过多尺度卷积核（3×1至9×1）捕获这些特征，显著提升信噪比。

结论
MSDCNN在七类掺假油定性分析中平均准确率达0.97，定量回归R2>0.95，优于传统模型（LSTM准确率0.92）。Grad-CAM可视化证实模型聚焦于脂肪酸链振动峰（1100-1300 cm^-1）及烯烃键（1650 cm^-1）等关键区域。

该研究首次将可解释AI引入食用油检测，MSDCNN的轻量化设计（参数量仅2.1M）使其适用于便携设备，为食品质量监管提供了兼具分子指纹识别与决策透明性的新范式。未来可扩展至其他高值油脂的真伪鉴别，推动食品安全检测从“黑箱”走向可解释时代。