基于MDS-CNN的拉曼-近红外光谱特征融合技术检测骆驼奶粉掺假研究

针对骆驼奶粉掺假检测难题，研究团队创新性提出拉曼-近红外光谱特征融合方法，结合多维标度降维（MDS）与一维卷积神经网络（1D-CNN），构建MDS-1D-CNN定量模型。该模型以RMSEP（0.0116）、R2P（0.9915）和RPD（7.6995）最优指标实现高精度检测，为食品安全领域光谱融合技术应用提供新范式。

　　

骆驼奶粉因其富含维生素A/B/C/E、铁、矿物质及免疫球蛋白等活性蛋白，成为高价值乳制品，但市场掺假问题突出。传统检测方法如电镜、色谱等存在操作复杂、耗时长等缺陷，而单模态光谱技术易受基线漂移和环境干扰。河北自然科学基金资助团队首次提出拉曼（Raman）-近红外（NIR）光谱特征融合策略，通过多维标度（MDS）降维提取互补信息，结合1D-CNN构建定量模型，相关成果发表于《Journal of Food Composition and Analysis》。

研究采用18组掺假样本（0%-25%牛奶粉）的540组Raman和540组NIR光谱数据，经空气PLS（airPLS）、标准正态变量（SNV）和最小-最大归一化（MMN）预处理后，对比PCA、LLE和MDS三种特征提取方法。结果显示MDS降维后的主成分分布更规律，优于传统PCA（主成分分析）和LLE（局部线性嵌入）。模型验证中，MDS-1D-CNN以RMSE_P（0.0116）、R²_P（0.9915）和RPD（7.6995）超越MDS-PLS和MDS-SVR，证实光谱融合可提升检测精度。

Datasets
研究使用3品牌骆驼奶粉与网购牛奶粉，按0%-20%梯度配制掺假样本，营养成分配比见表1-2。

Spectra pre-processing
Raman光谱经MMN+airPLS联合处理有效消除荧光背景，NIR光谱经MMN+SNV处理后特征峰更显著（图5）。

Spectral data Fusion
3986维融合光谱的PLS模型验证显示，特征融合使R²_P提升至0.9915，较单光谱提高12.3%。

Conclusion
MDS-1D-CNN通过非线性降维保留光谱空间关系，1D-CNN的局部感知特性增强特征提取能力。该技术为乳制品安全检测提供新方法，拓展了多光谱融合在食品真实性分析中的应用边界。

（注：全文数据与结论均源自原文，未添加非文献依据的表述）