基于近红外光谱与深度学习的肉桂粉掺假智能检测技术研究及其在食品安全中的应用

为解决肉桂粉掺假引发的食品安全和过敏风险问题，研究人员采用近红外光谱(NIR)结合化学计量学(NIR-PP)及深度学习技术(NIR-DL和Image-DL)，开发了高精度检测模型。结果显示，NIR-PP的R2达0.99，NIR-DL和Image-DL的F1-score分别达0.978和0.972。该研究为食品掺假检测提供了实时、便捷的解决方案，尤其适用于坚果过敏原筛查。

　　

在全球食品工业中，香料掺假已成为严峻问题，其中肉桂粉因高价和特殊产地（如斯里兰卡产的Cinnamomum verum）常被掺入坚果类粉末以降低成本。这种行为不仅构成商业欺诈，更可能引发坚果过敏患者的严重健康风险，从皮肤瘙痒到过敏性休克。传统检测方法如高效液相色谱(HPLC)和质谱技术虽精准，但依赖昂贵设备和专业人员，难以普及。因此，开发快速、低成本且高精度的检测技术迫在眉睫。

针对这一需求，中国某研究机构的研究团队在《Journal of Agriculture and Food Research》发表了一项创新研究，提出三种检测模型：基于近红外光谱(NIR)与化学计量学的NIR-PP模型、结合NIR与一维卷积神经网络(1D-CNN)的NIR-DL模型，以及基于图像识别技术ShuffleNetV2的Image-DL模型。研究通过分析75个样本（含不同比例的核桃壳粉WSP和榛子粉HP掺假），验证了这些模型的高效性。NIR-PP的定量分析R²高达0.99，而两种深度学习模型的平均F1-score均超过0.97。这一成果不仅突破了传统技术的局限性，还为食品安全监管提供了可推广的解决方案。

关键技术方法
研究采用NIR光谱仪（JASCO V-770）采集1000-2500 nm范围内的光谱数据，通过标准正态变量变换(SNV)预处理后，分别用主成分分析(PCA)和偏最小二乘回归(PLSR)进行定性定量分析。NIR-DL采用1D-CNN架构，包含卷积层、池化层和全连接层；Image-DL基于ShuffleNetV2模型，通过数据增强（旋转和分割）将样本图像从475张扩增至7600张，提升模型泛化能力。

研究结果

3.1 NIR光谱曲线
纯肉桂粉(CP)与核桃壳粉(WSP)光谱相似，但榛子粉(HP)在1200 nm和1725 nm处存在特征峰，对应C-H键振动。掺假样本中，HP掺入量易于区分，而WSP因化学组成与CP相近，需依赖PCA和PLSR进一步分析。

3.2 NIR-PP模型评估
PCA通过PC1和PC2（累计方差贡献率99.8%）清晰区分纯样本与掺假样本。PLSR定量模型中，HP检测性能最优（R²=0.9981，RPD=23.34），WSP次之（R²=0.9960，RPD=15.93），证实NIR-PP在痕量检测中的卓越能力。

3.3 NIR-DL与Image-DL性能
NIR-DL的1D-CNN模型训练100轮后趋于稳定，测试集F1-score达0.978，仅少数20%HP样本被误判为15%。Image-DL通过图像识别实现平均F1-score 0.972，且无漏检掺假样本，验证了其在实际应用中的可靠性。

结论与意义
该研究首次整合NIR光谱与深度学习技术，实现了肉桂粉掺假的多维度检测。NIR-PP的高精度为实验室分析提供参考，而NIR-DL和Image-DL通过简化流程和降低设备依赖，更适合现场快速筛查。特别是Image-DL，仅需普通相机即可完成检测，大幅提升了技术的可及性。未来通过扩大样本量和掺假类型，可进一步优化模型普适性，为全球食品安全监管树立新标杆。

讨论
研究团队指出，现有NIR技术虽精准但成本高，而Image-DL的平民化特性使其在基层市场和大规模筛查中更具潜力。此外，模型对榛子粉的敏感度高于核桃壳粉，提示未来需针对不同掺假物优化特征提取算法。这项技术不仅适用于肉桂粉，其框架还可扩展至其他香料或食品的掺假检测，为AI驱动的食品安全监测开辟了新路径。