基于红外-拉曼融合光谱与机器学习优化的奶粉掺假快速检测方法研究

本文创新性地将红外光谱(FTIR)与拉曼光谱融合，结合Savitzky-Golay(SG)、多元散射校正(MSC)等预处理方法，通过贝叶斯超参数优化的随机森林(RF)等机器学习模型，实现了骆驼奶粉掺假的定性与定量分析（准确率高达100%），并开发了无需ATR附件的便捷红外检测技术，为高端乳制品质量控制提供了新范式。

　　

Highlight

本研究通过整合中红外(MIR)和拉曼光谱技术，系统评估了不同预处理方法对单一光谱及融合光谱的影响，并探究了超参数优化对机器学习模型性能的提升作用。实验证明：经过调参的梯度提升(Gradient Boosting)和随机森林(Random Forest)模型在定性分析中分类准确率可达100%，定量分析中预测决定系数R²_p显著提高。

Convenient detection method of Infrared spectroscopy

我们比较了四种便捷的傅里叶变换红外光谱(FTIR)检测方案（图S.7）：①聚乙烯塑料薄膜夹层法；②石英玻璃板涂布法；③尼龙网吸附法；④不同目数金属滤网（40/60目）固定法。通过光谱质量对比发现，金属滤网法在保持β-酪蛋白特征峰(1650 cm^-1)方面表现最优，且60目滤网的信噪比(SNR)较传统ATR法提升23%，为现场快速检测提供了设备简化方案。

Conclusion

研究证实：①单一光谱分析中，经SG+MSC+二阶导(2D)预处理的红外光谱定性准确率达98.61%，显著优于拉曼光谱；②低层次融合采用SG+MSC+一阶导(1D)时，梯度提升模型实现100%分类精度；③中层次融合中，R_PCA（鲁棒主成分分析）、LLDF（局部线性判别特征）和CARS+MI（竞争自适应重加权采样结合互信息）三种特征提取方法在不同基质定量分析中表现最佳。该方法为复杂乳制品体系的多组分同步检测建立了新标准。