基于近红外光谱与反向传播神经网络算法的苦荞粉掺假定量分析研究

推荐：针对苦荞粉市场掺假问题，研究人员结合近红外光谱（NIRS）与反向传播神经网络（BPNN）算法，定量分析掺入全麦粉、燕麦粉等五种作物的苦荞粉。结果显示，BPNN模型预测精度（R2p>0.97，RMSEP<0.02）显著优于偏最小二乘回归（PLSR）和支持向量回归（SVR），为农产品质量快速检测提供了高效解决方案。

　　

苦荞（Fagopyrum tataricum (L.) Gaertn）因其高营养价值和高昂价格备受青睐，但市场上掺假现象屡见不鲜，严重威胁消费者权益和食品安全。传统检测方法如高效液相色谱（HPLC）和DNA测序虽准确，但耗时耗力且成本高昂。近红外光谱（NIRS）技术凭借快速、无损的优势，已成为食品成分分析的常用手段，但其在复杂掺假场景中的定量精度仍有提升空间。为此，来自中国云南、贵州和四川等苦荞主产区的研究团队在《Journal of Future Foods》发表论文，探索NIRS结合机器学习算法在苦荞粉掺假定量分析中的应用。

研究团队采集了掺入全麦粉、燕麦粉、大豆粉、大麦粉和高粱粉（掺假比例0%-25%）的苦荞粉样本共900份，利用NIR1700光谱仪（900-1700 nm）获取光谱数据。通过联合x-y距离算法（SPXY）将数据按3:1划分为训练集和预测集，并采用标准正态变量变换（SNV）、多元散射校正（MSC）等9种预处理方法优化数据。随后，基于竞争性自适应重加权采样（CARS）和连续投影算法（SPA）筛选特征波长，并构建偏最小二乘回归（PLSR）、支持向量回归（SVR）和反向传播神经网络（BPNN）模型进行定量预测。

3.1. 近红外光谱与数据预处理
光谱分析显示，苦荞粉在1208 nm（C-H键二级倍频伸缩振动）和1460 nm（O-H键复合信号）处存在显著吸收峰。SG-1st导数预处理能有效消除基线漂移，为后续建模提供高质量数据。

3.2. 定量分析模型
3.2.1. 全光谱PLSR模型
SG-PLSR模型对全麦粉掺假的预测效果最佳（R²p=0.9739），但部分模型如SG-2nd-PLSR存在过拟合问题（R²c=1但R²p偏低）。

3.2.2. 非全光谱PLSR模型
CARS筛选后，SG-1st-CARS-PLSR模型将全麦粉预测变量从256个降至24个，R²p提升至0.9765，显著提高效率。

3.2.5. BPNN模型性能
BPNN无需手动筛选特征变量，MC-BPNN模型对全麦粉的预测精度最高（R²p=0.9821），且在所有掺假类型中均表现稳定，RPD（相对预测偏差）值均>2，证实其强泛化能力。

3.3. 模型对比分析
BPNN在五种掺假分析中均优于PLSR和SVR，如对大豆粉的预测R²p达0.9865（MMN-BPNN），而最优PLSR模型（RAW-PLSR）仅为0.9870。

4. 结论
该研究证实NIRS结合BPNN算法可高效定量苦荞粉掺假，模型精度（R²p>0.97）和速度均满足实际检测需求。MC预处理能显著提升BPNN性能，而CARS特征筛选对PLSR模型优化至关重要。这一技术为农产品质量监管提供了新工具，尤其适用于高价值作物的快速筛查。未来可进一步拓展至其他谷物掺假检测，推动食品安全智能分析技术的发展。