基于拉曼光谱与卷积神经网络的食用油掺假快速精准检测技术研究

《Optics & Laser Technology》：Revealing melt pool dynamics during laser temporal shaping directed energy deposition of 316L stainless steel

本文创新性地将拉曼光谱技术与卷积神经网络（CNN）相结合，建立了一种无需复杂预处理的食用油混合物快速检测方法。研究通过采集花生油、菜籽油等5类食用油混合物的拉曼光谱，对比KNN、SVM等传统机器学习算法，证实CNN模型对原始光谱数据分类准确率达99.35%，为食用油掺假检测提供了高效精准的解决方案。

　　

Highlight亮点

本研究开发了集成拉曼光谱和卷积神经网络（CNN）的分析框架，成功实现了对五种食用油混合物的精准鉴别。相较于需要基线校准、噪声过滤等繁琐预处理步骤的传统方法，该CNN驱动框架直接使用原始光谱输入即达到99.35%的分类准确率，显著超越常规机器学习（ML）表现。这一突破证实了CNN在处理未处理拉曼光谱数据方面的卓越能力。

Materials and chemicals材料与试剂

如图2所示，实验选取花生油、菜籽油、大豆油、芝麻油和橄榄油作为研究对象。这些油品的选择基于其全球消费普遍性、成分多样性及掺假风险考量。它们不仅代表主要地区的消费主流，其独特的脂肪酸特征更能产生可区分的拉曼特征峰——这对机器学习鉴别至关重要。特别值得注意的是，该组合特意包含了高价值油品（如橄榄油）与常见油品，以模拟实际掺假场景。

The recognition of edible oil mixture with CNN model基于CNN模型的食用油混合物识别

本研究通过PyCharm（python 3.9）平台采用PyTorch构建CNN模型。实验配置采用以下超参数：学习率6×10^?4，批量大小128样本，L2正则化系数2×10^?4。为确保模型最优性能，通过系统优化确定了学习率（探索范围[0.0001, 0.002]）和正则化系数。模型架构包含三个卷积层配合ReLU激活函数，后接最大池化层和全连接层，这种设计能有效捕捉拉曼光谱中的局部特征模式。

Conclusions结论

本研究建立并验证了一种快速、准确、便捷的食用油混合物成分鉴定方法。通过将五种常见植物油按等比例混合成31种不同组合，其拉曼光谱数据在CNN、KNN、LR、RF、SVM和DT等机器学习模型中训练比较。特别值得注意的是，未经预处理的原始光谱数据在CNN模型中展现出最优异的分类性能，这为开发即时检测设备提供了重要理论基础。该技术突破不仅适用于实验室分析，更具备转化为便携式现场检测设备的潜力。