基于残差网络与三维荧光光谱技术的南极磷虾油掺假定性与定量分析新方法

本研究创新性地将三维荧光光谱与残差网络(ResNet)相结合，建立了一种快速无损的南极磷虾油(AKO)掺假检测方法。通过定制化ResNet模型处理光谱数据，在分类准确率和掺假浓度回归预测方面显著优于传统SVM和PCA-PLS方法，为ω-3脂肪酸保健品质量控制提供了高效技术方案。

　　

Highlight

研究亮点

• 首次将改进的残差网络(ResNet)架构应用于南极磷虾油(AKO)掺假检测

• 三维荧光光谱技术实现样本无损快速扫描

• 创新性地通过数据增强技术解决小样本深度学习难题

• 建立同时完成定性鉴别和定量预测的双重分析模型

Characteristics of fluorescence spectra

荧光光谱特征

AKO中显著的磷脂含量会因鱼油和大豆油的添加而改变样品粘度。实验发现，使用与AKO相同磷脂含量的大豆卵磷脂与鱼油/大豆油混合时，在相对低成本下能保持更稳定的表面颜色和粘度特征。通过三维荧光光谱扫描发现，纯AKO在Ex₂₈₀/Em₃₄₀区域呈现独特荧光峰，而掺假样品则出现特征性荧光淬灭现象，且淬灭程度与掺假比例呈剂量依赖性关系。

Conclusions

结论

通过三维荧光光谱获取样本数据并利用ResNet进行分类回归，成功实现了AKO真伪鉴别、掺假物种类判定及掺假水平预测。得益于荧光光谱的高灵敏度和卷积神经网络的深度数据挖掘能力，ResNet在分类任务中的准确率达98.7%，回归预测的R²达到0.986，显著优于传统SVM和PCA-PLS方法。本研究为高值海洋脂质产品的质量监控提供了创新性技术路径。