婴幼儿奶粉掺杂拉曼成像非定向检测新方法研究.pdfVIP

摘要

婴幼儿奶粉掺杂问题是导致婴幼儿食源性疾病和营养不良的重要原因之一，

严重危及我国婴幼儿群体生命健康安全。现有被动式的奶粉掺杂定向检测技术存

在低效、高成本等问题，难以应对层出不穷的未知奶粉掺杂风险。因此，为实现

前瞻性的婴幼儿食源性疾病预防，国家在《“十三五”国家科技创新规划》中明

确提出“奶粉安全非定向检测”的迫切需求。

拉曼成像技术具有快速、原位、高通量等优点，在奶粉掺杂检测应用中潜力

巨大。然而受限于奶粉基质与掺杂模式不确定性等因素，相关检测方法面临着检

测速度、检测范围、适用性、解释性四个主要技术瓶颈。为突破以上瓶颈，本文

以深度学习为分析手段，从四个方面开展了拉曼成像非定向检测新方法的研究：

（1）针对拉曼成像检测速度慢这一首要问题，发展了基于自编码收缩卷积

神经网络（SSCNN）的快速拉曼成像检测方法。SSCNN将短时拉曼图像高保真

地还原成高信噪比拉曼图像，并通过与多元分析手段有机结合，实现了快速奶粉

掺杂检测。SSCNN检测速度较传统拉曼成像方法提升了30倍，可在2分钟内完

成50mm×50mm区域内的空间无偏奶粉掺杂检测。

（2）针对已有检测方法检测范围窄这一关键问题，发展了基于对抗判别神

经网络的拉曼成像非定向检测方法（ADNN-Raman）。ADNN-Raman利用对抗

学习策略实现了不依赖先验知识的深层可信奶粉特征边界构建，从而精准识别掺

杂奶粉拉曼图像，极大扩展了可检测物的范围。该方法可准确识别多种掺杂物，

准确率达99.0%，最低检测限达0.3%（w/w），泛化性能良好，检测灵敏度高。

（3）针对非定向检测方法在不同场景适用性差这一实际问题，发展了基于

流判别神经网络的拉曼成像非定向检测方法（FDNN-Raman）。FDNN-Raman

通过分布变换策略，并基于概率密度保持原理，实现了非定向建模过程的精准控

制，提升了非定向方法的迁移效率，从而提高了方法的适用性。FDNN-Raman

建模仅需20次迭代，检测准确率达98.7%，可高效适用不同场景，且可靠性高。

（4）针对非定向检测方法对掺杂物种类解释性差这一普遍问题，延伸发展

了两种富氮类掺杂物非定向识别方法。分别利用因子显著性分析（SFA）和重构

残差分析方法（RRA）对ADNN和FDNN进行原理性解释，从复杂基质背景中

捕捉与掺杂物特征峰具有强相关性的典型输入因子，从而实现了掺杂物识别。两

种方法对于多种富氮类掺杂物的识别率均达到了100%。

综上所述，论文开发了系列化的深度学习驱动的拉曼成像检测新方法，有助

于推动奶粉掺杂检测从传统被动式向智能主动式发展，对于提升我国奶粉安全监

管水平、预防婴幼儿食源性疾病具有重要意义。

关键词：奶粉掺杂，非定向检测，拉曼成像，深度学习

ABSTRACT

Theinfantformulaadulterationisoneoftheimportantcausesoffood-borne

diseasesandmalnutritionininfants,whichhasbecomeasaseriousthreattothe

well-beingsofinfants.Currently,formulaadulterationtargeteddetectionmethods

sufferfromlow-efficiency,high-cost,andincapabilityofdetectingunknown

adulterants.Therefore,developmentofnon-targeteddetectionmethodisurgently

neededtopreventinfantfoodbornediseases,accordingtothefive-yearplanforthe

countrysscientificandtechnologicalprogressby2020.