基于可见/近红外光谱与机器学习联用的辣椒粉食品染料掺杂快速定量分析

本推荐旨在介绍一项结合可见/近红外光谱（Vis/NIRS）与机器学习（ML）的创新研究，通过多算法比较（包括PLSR、LR、SVR、GPR和MLP），实现了辣椒粉中食品染料掺杂量的高精度定量（R2p达0.9974，RPD为20.4269）。该方法为非破坏性检测提供了新范式，凸显了便携设备在食品安全现场控制中的应用潜力。

　　

Highlight

Spectral features

可见/近红外光谱（Vis/NIR）数据采集覆盖500-1000 nm和1000-1700 nm两个波段。为提升信噪比并消除可见-近红外光谱中常见的噪声干扰，研究将第一波段优化至620-700 nm。该区间包含更稳定且分析价值更高的光谱特征，涵盖了与样本内在分子特性相关的关键吸收带。图1展示了原始吸光度数据（此处省略图示），清晰呈现出纯辣椒粉与掺杂样本的光谱差异，为后续建模提供了可靠数据基础。

Conclusion

本研究成功验证了可见/近红外光谱（Vis/NIR）结合机器学习（ML）模型在量化纯辣椒粉中食品染料掺杂比例的可行性。评估的算法包括偏最小二乘回归（PLSR）、线性回归（LR）、支持向量回归（SVR）（含线性、二次和立方核函数）、高斯过程回归（GPR）（含指数、平方指数和有理二次核函数）以及多层感知器（MLP）。

通过针对性预处理方法结合主成分分析（PCA）进行降维（DR），显著提升了光谱数据质量并避免了过拟合。PCA将输入变量从高维光谱数据压缩至少数主成分，有效捕捉了数据中的关键变异模式，为机器学习模型提供了更精简且信息丰富的输入。所有模型均表现出卓越的预测性能，其中MLP以2-6-1架构（2个输入神经元、6个隐藏神经元、1个输出神经元）脱颖而出，预测确定系数R²_p高达0.9974，预测均方根误差（RMSEP）低至0.68%，残差预测偏差（RPD）达到20.4269。这一结果不仅证明了Vis/NIRS与ML联用策略的有效性，也为开发便携式设备实现现场食品安全快速检测提供了坚实技术支撑。