《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Simultaneous species origin authentication and adulterant quantification in specialty milk powders using near-infrared spectroscopy and multi-task deep learning
编辑推荐：
摘要
以低成本牛乳冒充高价值特种奶粉的行为对食品安全和真实性构成严重挑战。为解决这一问题，本研究提出了一种统一的端到端多任务学习多层感知器（MTL-MLP）框架。该框架在极少的谱信号预处理条件下，直接将近似共线光谱特征映射到深度共享潜空间，并采用一种新颖的浓度条件化损失优化
摘要
以低成本牛乳冒充高价值特种奶粉的行为对食品安全和真实性构成严重挑战。为解决这一问题，本研究提出了一种统一的端到端多任务学习多层感知器（MTL-MLP）框架。该框架在极少的谱信号预处理条件下，直接将近似共线光谱特征映射到深度共享潜空间，并采用一种新颖的浓度条件化损失优化（CCLO）动态掩蔽机制，使模型成功克服了严重掺假条件下的"基质淹没效应"。t分布随机邻居嵌入（t-SNE）结果验证了该框架能够有效分离并识别混入三种特种基质中的纯牛乳样本。定量结果表明，MTL-MLP在整个浓度梯度范围内实现了93.10%的整体基质分类准确率。值得注意的是，在核心识别区域（掺假浓度≤50%）内，模型达到了100%的鉴别准确率。该框架在掺假定量追踪中展现了优异的回归精度，决定系数（R2）达0.9987，均方根误差（RMSE）为6.87×10?3。这种基于近红外光谱（NIR）的多任务学习方法能够可靠地检测到低至1%浓度的牛乳掺假，证明了其在快速工业现场筛查中的可行性。
引言
与牛乳相比，特种乳富含低聚糖、免疫球蛋白和亚油酸等功能性成分，具有调节肠道菌群、降低致敏性和抗炎等显著健康益处[1][2][3]。特种乳制品行业因其在高端市场中日益增长的吸引力而持续增长。这些特种奶粉的价格是牛乳粉的10至50倍[4]，这为以经济动机驱动的掺假行为（EMA）[5]提供了巨大激励。牛乳粉是最常用于此类掺假行为中的掺杂物[6][7]。传统的分析技术，如聚合酶链式反应（PCR）及其衍生技术、色谱法和质谱法，具有高灵敏度[8][9]，但通常耗时[10]且具有破坏性[11]，不适合大规模筛查。因此，开发快速、无损、高通量的检测方法对于保障特种乳产品供应链和消费者权益至关重要。
近红外光谱（NIRS）具有无损、快速、易于操作等优势，已成为食品真实性验证的重要工具。振动光谱与化学计量算法的结合已被广泛应用于乳制品掺假研究。近期文献强调了光谱方法在识别外源掺杂物和认证复杂乳制品基质方面的稳健功效[12][13]。此外，算法创新与光谱数据的结合显著提升了各种乳制品的定性筛查和定量精度[14]。尽管这些方法取得了进展，但在单一分析框架内同时认证差异巨大的特种乳物种并准确量化大范围掺假比例仍然是一个重大挑战[15]。虽然传统化学计量方法（如PLS和kNN）有效，但它们严重依赖预处理[16]；相反，尽管深度学习技术（如CNN）展示了自动特征提取的潜力，但目前主要局限于单物种或孤立任务。相比之下，深度学习（DL）架构能够实现自动化层次化特征提取，从而从原始或轻微处理的光谱数据中获得更高的预测精度[16]。与传统机器学习（ML）相比，DL架构在处理复杂高维数据方面展现出更大的能力[17]。此外，迁移学习、数据增强和生成对抗网络（GAN）等高级范式的整合为模型开发提供了新的思路，增强了模型的灵活性和有效性[18]。
深度学习已被有效地应用于掺假筛查，并在食品识别方面取得了显著进展[19][20]。例如，卷积神经网络（CNN）结合高光谱成像[21]和激光诱导击穿光谱[22]已成功检测到乳制品中的掺假，展示了深度学习在光谱分析中的巨大潜力。目前，基于NIRS的奶粉识别面临两大挑战。首先，为保持高定量精度，传统单任务模型通常需要建立独立的、针对特定物种的数据库。在实际部署和日常检测中，这种结构隔离迫使检验人员在选择适当的定量模型之前先手动预识别乳制品物种。然而，由于申报物种来源频繁出现虚假标注（例如山羊乳冒充骆驼乳），检测阶段的手动前提往往难以实现，显著降低了检测效率并限制了实际应用[23]。其次，定性识别和定量预测通常被视为互斥任务，需要不同的数据库和独立模型进行检测。这种任务隔离不仅影响工业效率，还阻碍了相关目标之间潜在特征的共享，从而限制了模型的最佳性能[24]。
多任务学习（MTL）能够同时学习多个相关任务，从而促进信息共享并增强泛化能力，克服了上述局限[25]。尽管MTL-DL模型在光谱分析中的水果新鲜度评估、溯源和食品真实性鉴别方面已显示出巨大潜力[20][24][25][26]，但其在特种奶粉中同时执行基质认证和微量掺假追踪的应用尚未见报道。
为解决上述挑战，本研究提出了一种基于傅里叶变换近红外光谱（FT-NIRS）的端到端多任务学习多层感知器（MTL-MLP）架构。利用统一的训练数据集，该模型同时解决两个互补的工业痛点：识别特种乳的物种来源和精确量化混入其中的低成本牛乳掺假量。这两项任务相互补充而非彼此替代。本研究作出以下贡献：(1)仅使用基线平滑作为预处理即实现高精度定量追踪；(2)通过双步降维（PCA和CARS）分离关键光谱指纹；(3)整合条件化损失优化策略以减轻高掺假样本的干扰，从而将网络的学习能力集中在核心掺假范围内；以及(4)系统地对MTL-MLP与单任务网络及传统机器学习算法进行基准对比。这些发现证实了MTL在检测多种类型奶粉掺假中的可行性，为高通量光谱监测提供了一种可靠的方法。
章节摘要
样品制备
我们构建的婴幼儿配方奶粉数据集涵盖多种来源、加工方式和生产批次；源数据列于表S1。我们从无锡当地超市和官方电商平台采购了纯牛乳粉（n=30，含十个不同品种），分别来自中国的四个主要乳制品产区（新疆、云南、河北和内蒙古）。真正的山羊乳粉（n=18）和骆驼乳粉（n=9）直接由制造商处获得。
光谱特性分析
这三种特种奶粉的乳基质由蛋白质、脂质和碳水化合物组成；因此，它们的原始吸收光谱表现出高度相似的特征（图2a–c）。所有纯品和混合样本的完整原始近红外光谱见图S1。在所有光谱中，最强吸收带出现在约5150和6800 cm?1附近，由水分子（O-H伸缩/弯曲组合及其第一泛音）驱动[34]。显著差异出现在
结论
本研究开发了一种结合近红外光谱（NIRS）的多任务深度学习框架，用于同时识别和定量分析特种奶粉。利用共享潜空间编码器，该模型成功使用单一数据集同时区分了山羊乳、骆驼乳和驴乳基质的非线性光谱特征。通过提取共性特征，实现了定性掺假预测，这是传统线性机器学习模型无法实现的功能。由于
作者贡献声明
张孟嫣：概念化、方法学、验证、原始草稿撰写、调查研究、资源获取。张万城：调查研究、数据分析。肖杰：概念化、监督指导。卢晓东：概念化、监督指导。刘璐璐：概念化、监督指导、审阅与编辑。王洲平：概念化、监督指导、项目管理、资金获取、审阅与编辑。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
本研究部分得到了国家市场监督管理总局特殊食品技术创新中心（TISF202601）、国家重点研发计划（2025YFF1107505）、国家自然科学基金委员会（32372423、32302190）以及江苏省科技计划项目（BE2022324）的资助。
张孟嫣|张万城|肖杰|卢晓东|刘璐璐|王洲平
江南大学食品科学与工程学院，江苏无锡214122，中国
