-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
结合深度学习的拉曼光谱用于食用油掺假的快速灵敏检测
《Journal of Food Measurement and Characterization》：Raman spectroscopy integrated with deep learning for rapid and sensitive detection of edible oil adulteration
【字体： 大 中 小 】 时间：2026年08月26日 来源：Journal of Food Measurement and Characterization 3.6
编辑推荐：
摘要用低成本棕榈油掺假优质食用油带来了重大的营养和经济挑战，迫切需要快速、可靠且非破坏性的分析策略。本研究提出了一种分析框架，结合拉曼光谱采集、介电和化学表征、预测建模和可解释人工智能，以检测和量化棕榈油掺假。掺假导致花生油和葵花籽油中的介电常数和介电损耗系统性下降，这归因于
用低成本棕榈油掺假优质食用油带来了重大的营养和经济挑战，迫切需要快速、可靠且非破坏性的分析策略。本研究提出了一种分析框架，结合拉曼光谱采集、介电和化学表征、预测建模和可解释人工智能，以检测和量化棕榈油掺假。掺假导致花生油和葵花籽油中的介电常数和介电损耗系统性下降，这归因于与较低不饱和度水平相关的分子极性降低。拉曼光谱的主成分分析解释了 75.73% 的总方差，能够基于甘油三酯结构和不饱和度的变化，清晰区分纯样品和掺假样品。拉曼光谱特征与介电常数和碘值之间的强相关性突出了极化行为和成分变化的分子基础。使用偏最小二乘回归（PLSR）、竞争性自适应重加权采样（CARS-PLSR）和随机森林辅助 PLSR（RF-PLSR）以及深度学习架构（包括一维卷积神经网络（1D-CNN）、1D-CNN-LSTM 和基于注意力的 CNN（AT-1D-CNN））开发的预测模型，展示了深度学习模型的优越性能，其中 1D-CNN 在介电常数方面达到了 R2 > 0.99，在碘值方面达到了 R2 > 0.98。与不饱和脂肪酸的 C=C 伸缩振动相关的关键拉曼波段（1605–1658 cm?1）被确定为掺假的稳健标志物。使用夏普利加性解释（SHAP）和梯度加权类激活映射（Grad-CAM）的模型可解释性进一步证实了与官能团振动相关的关键谱区的关联性。提出的多模态和可解释框架为食用油的实时认证和质量评估提供了一种快速、无试剂且可扩展的方法，在工业和现场应用方面具有巨大潜力。
用低成本棕榈油掺假优质食用油带来了重大的营养和经济挑战，迫切需要快速、可靠且非破坏性的分析策略。本研究提出了一种分析框架，结合拉曼光谱采集、介电和化学表征、预测建模和可解释人工智能，以检测和量化棕榈油掺假。掺假导致花生油和葵花籽油中的介电常数和介电损耗系统性下降，这归因于与较低不饱和度水平相关的分子极性降低。拉曼光谱的主成分分析解释了 75.73% 的总方差，能够基于甘油三酯结构和不饱和度的变化，清晰区分纯样品和掺假样品。拉曼光谱特征与介电常数和碘值之间的强相关性突出了极化行为和成分变化的分子基础。使用偏最小二乘回归（PLSR）、竞争性自适应重加权采样（CARS-PLSR）和随机森林辅助 PLSR（RF-PLSR）以及深度学习架构（包括一维卷积神经网络（1D-CNN）、1D-CNN-LSTM 和基于注意力的 CNN（AT-1D-CNN））开发的预测模型，展示了深度学习模型的优越性能，其中 1D-CNN 在介电常数方面达到了 R2 > 0.99，在碘值方面达到了 R2 > 0.98。与不饱和脂肪酸的 C=C 伸缩振动相关的关键拉曼波段（1605–1658 cm?1）被确定为掺假的稳健标志物。使用夏普利加性解释（SHAP）和梯度加权类激活映射（Grad-CAM）的模型可解释性进一步证实了与官能团振动相关的关键谱区的关联性。提出的多模态和可解释框架为食用油的实时认证和质量评估提供了一种快速、无试剂且可扩展的方法，在工业和现场应用方面具有巨大潜力。
