基于拉曼光谱-深度学习联用技术的水牛乳掺假快速检测与定量分析

本研究针对水牛乳掺假这一食品安全难题，创新性地将拉曼光谱技术与深度学习相结合。研究人员通过系统评估六种光谱预处理方法，构建了PLS-DA定性模型和MSC-CNN定量模型，实现对蔗糖、碳酸氢钠等五种常见掺假物的高精度检测（分类准确率最高达100%，定量R2>0.93），检测限低至17.4 mg/kg。该研究为乳制品质量监控提供了快速、无损的解决方案。

　　

乳制品作为全球重要的营养来源，其安全性始终备受关注。随着消费量增长，掺假问题日益突出——从简单的兑水稀释到添加碳酸氢钠（sodium bicarbonate）、柠檬酸钠（sodium citrate）等化学物质，不仅降低营养价值，更可能危害健康。传统检测方法如碘染色法、对二甲氨基苯甲醛（p-dimethylaminobenzaldehyde）测试虽成本低廉，但存在灵敏度低、无法定量等缺陷。拉曼光谱技术虽展现出快速无损的优势，却受限于荧光干扰和复杂基质影响，特别是在检测微量掺假物时面临挑战。

广西水牛研究所（Guangxi Buffalo Research Institute）与广西黄石集团（Guangxi Huangshi Group Co., Ltd.）的研究团队创新性地将化学计量学与深度学习融合，开发出多级检测体系。研究采集2024年5-7月期间的健康水牛乳样本，通过系统比较六种预处理方法，发现多元散射校正（Multiplicative Scatter Correction, MSC）能最优抑制光谱干扰。定性分析采用偏最小二乘判别分析（PLS-DA），定量环节则同时建立偏最小二乘（PLS）和卷积神经网络（CNN）模型，实现从分类到浓度预测的全流程分析。

样本制备与光谱特征
研究对比纯水牛乳、掺假样品（含豆乳、荷斯坦牛乳）及五种添加剂的光谱特征，通过主成分分析（PCA）发现不同样本在拉曼位移800-1200 cm^-1区间存在显著差异，该区域对应乳糖、蛋白质的特征振动峰。

定性检测性能
MSC-PLS-DA模型对纯水牛乳、掺水及豆乳的鉴别准确率达100%，对复杂掺假体系的整体分类准确率为93.17%，显著优于传统预处理方法。

定量分析突破
MSC-CNN模型在碳酸氢钠检测中表现最优（R²=0.97，RMSEP<5%），检测限17.4 mg/kg；对柠檬酸钠的预测R²达0.93，灵敏度20.9 mg/kg，较传统PLS方法提升约30%。

结论与展望
该研究首次将MSC预处理与CNN架构结合应用于乳品掺假分析，建立的"光谱-计算"联用策略突破微量检测瓶颈。技术优势体现在：① 单次扫描即可完成多组分筛查；② 检测限满足欧盟食品添加剂监控要求；③ 便携式拉曼设备便于现场实施。研究为制定乳制品快速检测标准提供方法论支持，相关模型框架可扩展至其他食品基质的安全监测。论文成果发表于食品科学领域权威期刊《Food Control》，获得中央引导地方科技发展专项（桂科ZY24212019）等多项基金资助。