基于高光谱成像与机器学习的猫粮粉末中糖精钠无损检测与定量分析

本研究创新性地将近红外高光谱成像（HSI）与机器学习算法（PLSR、随机森林、一维CNN）相结合，建立了猫粮中非法添加剂糖精钠的快速无损检测体系。通过Savitzky-Golay平滑（SG）预处理的偏最小二乘回归（PLSR）模型表现最优（预测R2=0.98，RMSE_P=0.22 wt%），为宠物食品智能制造提供了新型在线质量控制方案。

　　

亮点

本研究首次证实近红外高光谱成像（1000-1700 nm）结合化学计量学与机器学习算法，能快速无损定量检测猫粮中的糖精钠非法添加。

样本制备与掺假处理

实验选用三种市售猫粮（力狼A、宠禧B、优牧C）与糖精钠颗粒，经研磨成粉后分别配制0%、0.05%、0.10%、0.15%、0.20%五个浓度梯度样本，确保光谱采集时形态均一性。

光谱分析

图2a显示三类样本在五个浓度下的平均反射光谱（1000-1700 nm），反射率介于0.35-0.70之间。所有曲线在1380 nm和1450 nm附近出现显著吸收峰，对应糖精钠的O-H键伸缩振动与CH₂变形振动特征峰。

结论

通过系统比较三种光谱预处理方法（SG平滑、标准正态变量变换SNV、自动标度）与三种预测模型（PLSR、随机森林RF、一维CNN），发现经SG预处理的PLSR模型表现最优：校正集R²达0.99，预测集R²为0.98，RMSE_C=0.08 wt%，RMSE_P=0.22 wt%。该方法为宠物食品行业提供了革命性的在线质量监控手段。