一种基于元学习的策略,利用拉曼光谱检测甘薯淀粉和粉丝中的掺假行为

《Food Chemistry》:A Meta-learning-driven strategy for adulteration detection in sweet potato starch and vermicelli using Raman spectroscopy

【字体: 大 中 小 】 时间:2026年07月11日 来源:Food Chemistry 10.4

编辑推荐:

  Xijun Wu|Tianhao Du|Shibo Du|Congyu Lei|Heying Zhang|Xuan Zheng|Ruiling Tian•将元学习与拉曼光谱技术相结合。•实现了从原材料到成品的跨领域识别。•在两个目标数据集上分别达到了95.33%和98.00%的准

  
Xijun Wu|Tianhao Du|Shibo Du|Congyu Lei|Heying Zhang|Xuan Zheng|Ruiling Tian
  • •
    将元学习与拉曼光谱技术相结合。
  • •
    实现了从原材料到成品的跨领域识别。
  • •
    在两个目标数据集上分别达到了95.33%和98.00%的准确率。
  • •
    为更广泛的食品质量监测提供了高效、少样本的解决方案。

引言

食品的质量与真实性一直是全球性的难题(Das等人,2025年)。除了添加剂或污染物带来的直接安全问题(Shi等人,2025年;Mei等人,2022年),出于经济利益的掺假行为——用价格较低的原料替代高价值原料——也构成了极为隐蔽的威胁(Bansal等人,2017年;Das等人,2025年)。由于这些掺假物质通常无害,且外观和口感与正品相似,因此很难被检测出来,这就导致了诸如淀粉等主食产品出现大量质量问题(Song等人,2024年)。
红薯作为一种重要的农作物,富含维生素、类胡萝卜素及其他营养物质,在全球范围内广泛种植(Bodirenou等人,2023年;Wang等人,2016年)。红薯的主要成分是淀粉,约占其干重的80%(Paix?o E Silva等人,2021年)。红薯淀粉在食品行业有着广泛的应用,既可用于日常消费,也可用于工业食品加工(Wang等人,2021年)。尤其是红薯粉条,它是通过一系列加工步骤利用红薯淀粉制成的。作为中国传统食品的代表,红薯粉条不仅营养丰富,口感独特,而且由于市场覆盖面广,深受消费者喜爱(Tan等人,2009年)。由于红薯淀粉的市场价格高于木薯、小麦、马铃薯等其他来源的淀粉(Zhang等人,2023年),因此在红薯淀粉及其制品的加工过程中,常常会出现用价格较低的木薯淀粉等掺入的情况(Muyembe等人,2025年)。对中国零售渠道中的红薯粉条进行的系统性掺假检测显示,其中混有木薯的比例高达57.7%(Wang等人,2019年)。这一数据充分说明了红薯粉条行业中掺假行为的普遍性,凸显出亟需开发高效准确的检测方法来应对这一挑战。
目前用于淀粉鉴定的传统方法,如扫描电子显微镜分析、直链淀粉含量分析(Mahmood等人,2007年;Wang等人,2024年)、滴滴PCR技术以及高效液相色谱法(Chen等人,2020年;K?rkk?inen等人,2011年),往往存在耗时较长、具有破坏性以及操作复杂等问题(Lohumi等人,2015年)。相比之下,光谱技术则提供了快速、无损且便捷的替代方案(Lan等人,2022年)。拉曼光谱技术在淀粉分析方面具有显著优势,因为它不受水分干扰,还能提供特定的分子振动特征指纹(Jayan等人,2025年)。将光谱技术与机器学习及深度学习相结合,极大地推动了食品鉴定的发展(Xiao等人,2025年;Yu等人,2025年)。例如,Lanjewar等人(2024年)通过结合可见-近红外光谱技术与多光谱成像技术,并运用决策树和随机森林四种机器学习模型,成功检测出了姜黄粉中的淀粉掺假现象。Cardoso和Poppi(2021年)则利用拉曼光谱技术与单类支持向量机结合,识别出了木薯淀粉中的掺假物质。Bai等人(2025年)通过将高光谱成像技术与随机森林等机器学习算法相结合,实现了对掺假、发霉及发芽小麦粉的快速分类。此外,Tan等人(2025年)采用了一种特征融合策略,将拉曼光谱与近红外光谱相结合,再通过多维尺度分析进行降维处理,最后运用卷积神经网络进行模型训练,从而检测出了骆驼奶粉中的奶粉掺假现象。Ku等人(2025年)则利用近红外光谱技术与基于深度学习的图像识别技术,开发出了三种人工智能模型,用于识别肉桂粉中核桃壳粉和榛子粉的掺假情况。然而,尽管取得了这些成果,但在实际数据稀缺的掺假检测场景中,传统的机器学习和深度学习方法仍存在两大局限。首先,传统的机器学习模型(如支持向量机、随机森林)在处理复杂、高维的光谱数据时能力有限,从而导致泛化性能较差(LeCun等人,2015年)。此外,深度学习通常需要大量的标注数据才能进行训练。对于那些难以获取样本或标注数据有限的实际情况,深度学习的泛化能力也会较弱(Hu等人,2023年;Zhang等人,2022年)。迁移学习是一种用于解决数据稀缺问题的常见策略,但它有可能导致负迁移现象,即源领域的知识反而会影响目标任务的性能(Tan等人,2018年)。因此,迫切需要一种强大的分析框架,能够在仅有少量标注样本的情况下,依然实现高精度的淀粉及其制品鉴定。
元学习作为一种解决少样本学习问题的方法,与传统机器学习的不同之处在于,它通过N路K次采样的方式从原始数据中构建多个不同的任务,这些任务被称为“元任务”。通过在这些多样化的任务上进行训练,模型不仅能掌握特定任务的特征,还能获得在不同领域快速适应的能力(Zhu等人,2026年)。这种训练方式使得模型在处理与源领域不同的目标领域数据时,仍能保持良好的泛化性能(Lu等人,2026年;Ruan等人,2024年)。本研究率先将拉曼光谱技术与元学习算法相结合,以红薯淀粉及其衍生产品红薯粉条作为研究对象。研究模拟了多种掺假场景,包括红薯淀粉被不同比例的木薯淀粉、小麦淀粉和马铃薯淀粉掺假的情况。研究人员从被掺假的红薯淀粉和红薯粉条中收集了拉曼光谱数据。通过采用元学习训练策略,该研究同时实现了对红薯淀粉和红薯粉条掺假情况的检测。

章节要点

样品制备

本研究中使用的红薯淀粉、木薯淀粉和小麦淀粉分别来自三家不同的制造商——新良、甘志源和赞义,它们分别来自不同的产地。马铃薯淀粉也是从新良购买的。详细的采购信息见表S1。所有淀粉都通过了工厂检验,符合中国的国家质量标准;它们的主要理化性质总结在表S2中。
为了进一步提升

拉曼光谱分析

图2展示了四种纯淀粉以及两种粉条产品在预处理后的平均拉曼光谱图。可以看出,红薯淀粉和木薯粉条的拉曼光谱与其对应的淀粉非常相似。这主要是因为拉曼光谱技术是一种分析技术,它通过激光与物质相互作用产生的散射现象,来获取有关分子化学键振动及相关性质的信息(Jayan等人,2025年)。主要的

结论

本研究将拉曼光谱技术与元学习算法相结合,实现了在少样本情况下快速检测红薯淀粉及红薯粉条中的掺假行为。实验结果表明,在元学习训练策略下,基于源领域数据(红薯淀粉被木薯淀粉和小麦淀粉掺假)训练出的模型,能够迅速适应新的目标领域数据(红薯淀粉被马铃薯淀粉掺假以及红薯粉条被木薯淀粉掺假)。

CRediT作者贡献说明

Xijun Wu:论文撰写——初稿撰写、验证、项目管理、方法设计、资金申请、数据整理、概念构思。Tianhao Du:论文撰写——审阅与编辑、初稿撰写、软件应用、方法设计、实验研究、正式分析、概念构思。Shibo Du:论文撰写——审阅与编辑、结果可视化、正式分析。Congyu Lei:论文撰写——审阅与编辑、方法设计。Heying Zhang:论文撰写——审阅与编辑、方法设计。Xuan Zheng:监督工作、软件应用,

未引用参考文献

Bodjrenou等人,2023年
Kelis Cardoso和Poppi,2021年
Paix?o E Silva等人,2021年
Shi等人,2025年

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究得到了中国国家自然科学基金(项目编号62575251)以及中央政府引导地方科技发展基金(项目编号236Z5501G)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号