关于改进型黑翅鸢算法在检测骆驼奶粉掺假中的应用研究

《Journal of Food Composition and Analysis》:Research on an Improved Black Winged Kite Algorithm for Detecting Adulteration in Camel Milk Powder

【字体: 大 中 小 】 时间:2026年03月26日 来源:Journal of Food Composition and Analysis 4.6

编辑推荐:

  张文静|薛和如|潘欣|刘江平 内蒙古农业大学计算机与信息工程学院,中国呼和浩特市赛罕区东二道街29号,邮编010018 **摘要** 骆驼奶粉作为一种高端产品,经常被掺入劣质替代品,尤其是普通奶粉。由于不同类型奶粉在成分上的高度相似性,检测掺假的骆驼奶粉面临重大挑战

  张文静|薛和如|潘欣|刘江平
内蒙古农业大学计算机与信息工程学院,中国呼和浩特市赛罕区东二道街29号,邮编010018

**摘要**
骆驼奶粉作为一种高端产品,经常被掺入劣质替代品,尤其是普通奶粉。由于不同类型奶粉在成分上的高度相似性,检测掺假的骆驼奶粉面临重大挑战。本研究基于高光谱技术和改进的Black-winged Kite算法,建立了一种区分纯骆驼奶粉以及含有骆驼奶、山羊奶和牛奶粉混合物的模型。首先,采用单一和组合光谱预处理方法对光谱数据进行了预处理,最终选择了S-G-SNV方法。其次,提出了一种基于一维膨胀卷积神经网络(1D Dilated CNNs)的特征提取算法,以促进特征融合并提高模型准确性。在此基础上,构建了一个利用改进的Black-winged Kite算法(IBKA)的多类定性分析模型,并应用于支持向量机(SVC)。实验比较了五种定性分析模型,最终的S-G-SNV-1D Dilated CNNs-IBKA-SVC模型在测试集上的准确率为0.9493,F1分数为0.9478,Cohen's kappa值为0.947,表现出优于其他方法的性能。该模型为快速无损识别和分析不同来源的奶粉提供了一种新颖有效的解决方案。

**1. 引言**
奶粉是一种常见的乳制品,具有便携性、易于储存和丰富的营养成分。来自不同来源的奶粉适合各种年龄段的人群,特别是婴儿、老年人和有特殊需求的人(Wedel等人,2020年)。由于其便利性和可控的营养特性,奶粉受到消费者的青睐。骆驼奶粉作为一种新兴的高端乳制品,具有多种健康益处:低致敏性、易于吸收,有助于预防骨质疏松症。骆驼奶粉含有中链脂肪酸,乳糖含量低且富含铁,被认为具有抗糖尿病、抗癌和抗高血压等多种健康功效。骆驼奶粉的经济价值是普通牛奶粉的十倍以上(Muthukumaran等人,2023年;Yadav等人,2015年)。由于其低胆固醇含量,有助于保护心血管系统。此外,骆驼奶粉中的乳铁蛋白和溶菌酶具有抗感染作用(Shori,2015年)。因此,它特别受到消化系统较弱的人群、高血压患者、高血糖患者和老年人的欢迎。动物研究表明,骆驼奶通过调节肠道微生物群和减少炎症可以缓解结肠炎(He等人,2022年)。骆驼奶粉不仅营养价值高,市场需求也很大。然而,由于价格昂贵,高端奶粉市场经常发生掺假现象,如添加糖、豆粉和盐等廉价物质来改善口感,或将普通奶粉或山羊奶粉混入骆驼奶粉中以“替代优质产品”。这些行为严重损害了生产者的权益,并对消费者健康构成威胁。因此,开发快速有效的奶粉掺假检测方法至关重要。

常用的奶粉掺假检测方法包括高效液相色谱法(Ke等人,2017年)、聚合酶链反应(Ewida和Abd El-Magiud,2018年)和低场核磁共振光谱法(Qu和Lan,2022年)等(Julmohammad等人,2025年)。虽然这些技术可以在一定程度上确定奶粉的营养成分,但检测掺杂物需要大量实验,程序繁琐,效率较低。此外,由于成分的高度相似性,实际检测方法仍在研究中。

**高光谱技术(HSI)**
高光谱技术(HSI)是一种将成像技术与光谱分析相结合的先进检测方法,能够同时获取目标物体的空间信息和连续光谱数据。它具有快速、无损检测等优点。该技术已应用于多个领域,特别是在食品检测领域(Kong等人,2022a;Zongbao等人,2020年)。近年来,高光谱技术在食品掺假检测中得到广泛应用,例如识别蛋白质粉与玉米粉或小米粉的掺假(Bin等人,2022年)。研究还包括奶粉来源鉴定(Munir等人,2018年)、枸杞掺假检测(Nirere等人,2023年)以及羊肉和牛肉的掺假检测(Zongxiu等人,2021年;Jingru等人,2023年)。高光谱成像结合CNN方法用于海洋鱼粉掺假的定性和定量分析(Kong等人,2022b),以及红辣椒掺假的检测(Khan等人,2021年)。以往关于奶粉光谱分析的研究主要集中在质量指标(如脂肪、蛋白质)的定量评估(Babatunde等人,2010年;Zhang等人,2024a)。在奶粉的定性鉴定方面,如奶粉品牌的分类(Huang等人,2007年;Yuan等人,2023年),目前主要采用拉曼光谱和近红外光谱(NIRS)进行检测(Oumayma Boukria等人,2023年;Ait El Alia等人,2025年;Cai等人,2025年)。然而,近红外光谱存在特征峰重叠的问题。拉曼光谱的主要缺点是信号弱(灵敏度低)和易受荧光干扰。骆驼奶粉掺假的检测主要集中在单一成分的浓度检测上。

**一维卷积神经网络(1DCNN)**
一维卷积神经网络(1DCNN)是一种专为处理一维数据设计的深度学习模型,通过一维卷积核提取局部特征。由于其高计算效率和出色的局部特征提取能力,已广泛应用于小样本数据集的时间序列数据增强(Liu等人,2024年)、医疗应用(Ferretti等人,2021年)、传感器部署(Imad等人,2024年)和金融领域(Yi等人,2023年)。与其他RNN和LSTM模型相比,1DCNN参数较少,不易过拟合。本研究将膨胀卷积机制融入1DCNN框架,形成了改进的IDCNN(1D Dilated CNNs),提高了模型的鲁棒性和实用性。

**支持向量机分类(SVC)**
支持向量机(SVC)模型在许多分类任务中表现出色,尤其是在中小型数据集上,这得益于其坚实的数学基础和出色的泛化能力。为了进一步提高定性分析的效果,许多研究人员采用了受生物启发的优化算法来改进SVC模型。例如,Samantray S使用Sparrow Search算法(SSA)优化的SVM-SSA模型已成功应用于悬浮沉积物负荷的预测,并显示出高准确性(Samantray等人,2024年)。S. Lavanya等人应用海鸥优化算法改进了SVC参数(Lavanya等人,2022年)。Huiling Chen等人采用并行粒子群优化算法改进了SVC参数(Chen等人,2014年)。

基于以上因素,本研究采用高光谱技术建立了定性分析模型。主要目标是探讨改进的Black-winged Kite算法(IBKA)如何有效识别骆驼奶粉的掺假。具体研究目标如下:
(1)以纯骆驼奶粉为参考样本,按比例添加单一或双重掺假物质(牛奶粉和山羊奶粉),构建掺假奶粉数据集。
(2)分析不同预处理方法(单一和组合)对高光谱数据的影响,并选择最佳的光谱预处理方案。
(3)采用1D Dilated CNNs特征提取方法。
(4)构建IBKA-SVC区分模型,并结合特征提取算法,建立快速有效的骆驼奶粉掺假检测模型。
(5)最后,利用SHAP模型直观展示特征波长对分类的影响。

**2. 材料与方法**
**2.1. 实验材料**
本研究使用从常规渠道购买的三种不同品牌的奶粉作为实验材料,均为中国品牌:Hetao品牌纯牛奶粉、Ejiqing品牌纯骆驼奶粉和Mengnong品牌纯山羊奶粉。每种样品重量为15克,共包括55份纯牛奶粉样品、55份纯山羊奶粉样品和130份纯骆驼奶粉样品。样品详细信息见表1。

**表1. 掺假骆驼奶粉的数据**
| 数据编号 | 杂质及比例 | 类型代码 |
|--------|---------|--------|
| 1-40 | 100% | 纯骆驼奶粉 |
| 1-80 | 10% | 纯牛奶粉 |
| 1-120 | 20% | 纯牛奶粉 |
| 1-160 | 30% | 纯牛奶粉 |
| 1-200 | 40% | 纯牛奶粉 |
| 1-240 | 50% | 纯牛奶粉 |
| 1-280 | 60% | 纯牛奶粉 |
| 1-320 | 70% | 纯牛奶粉 |
| 1-360 | 80% | 纯牛奶粉 |
| 1-400 | 90% | 纯牛奶粉 |
| 1-440 | 10% | 纯羊奶粉 |
| 1-480 | 20% | 纯羊奶粉 |
| 1-520 | 30% | 纯羊奶粉 |
| 1-560 | 40% | 纯羊奶粉 |
| 1-600 | 50% | 纯羊奶粉 |
| 1-640 | 60% | 纯羊奶粉 |
| 1-680 | 70% | 纯羊奶粉 |
| 1-720 | 80% | 纯羊奶粉 |
| 1-760 | 90% | 纯羊奶粉 |
| 1-800 | 10% | 纯羊奶粉 |
| 1-840 | 20% | 纯羊奶粉 |
| 1-880 | 30% | 纯羊奶粉 |
| 1-920 | 40% | 纯羊奶粉 |

表1显示了23种婴儿配方奶粉的脂肪含量,包括22种掺假品种(单一和混合)。样品均从当地超市购买。

在本实验中,以骆驼奶粉为原始样本,按不同比例添加羊奶粉和牛奶粉以生成掺假样品。掺假样品分为两类:
- **单一来源掺假**:仅添加一种单一来源的奶粉,分别以10%的比例添加牛奶粉和羊奶粉,逐步增加比例,共生成18种单一来源掺假样品。
- **双重来源掺假**:同时添加两种奶粉,分别以10%的比例添加牛奶粉和羊奶粉,共生成4种双重来源掺假样品。

对于所有掺假样品,每种类型准备5个样品,每个样品选取8个感兴趣区域(ROI),生成每个样品的40个反射率数据点(5×8=40个反射率值)。共建立23种样品数据,累计920个数据点。测量波长范围为400至1000纳米。

**2.2. 高光谱设备**
使用的是Hedvig公司2010年制造的高光谱成像仪HyperSpec? PTU-D48E。收集高光谱数据时,将像素混合时间设置为6,分辨率设置为4.8纳米。这不仅可以提高样品数据的亮度并改善光谱图像的信噪比,还将曝光时间设置为30毫秒。收集样品前,需将窗口亮度值调整到饱和状态。当光谱亮度曲线的峰值达到8500时即可(Zhang等人,2024a)。样品放置在玻璃圆形容器中,收集光谱数据。温度保持在24±1°C,湿度保持在35±5%。920个奶粉掺假样品数据点按7:3的比例分为训练集和测试集,训练集包含644个数据点,测试集包含276个数据点。图1展示了本研究的整体框架。图1左侧表示使用高光谱设备收集掺假骆驼奶粉样品数据的过程,右侧表示获取高光谱数据后建立的识别模型的技术路线。

**2.3. 预处理方法**
在高光谱设备收集样品的过程中,为消除物理散射效应、减少仪器噪声和随机误差,需要对收集到的原始光谱数据进行预处理。本研究采用了常规的光谱数据预处理方法:一阶导数(FD)、Roust算法、均值中心化(MC)、乘法散射校正(MSC)、Savitzky-Golay平滑(S-G)、标准正态变量(SNV)、Z分数方法、移动平均(MA)平滑方法(Zhang等人,2024b;Zhang等人,2025年)。本研究采用了8种单一预处理方法和13种预处理方法的组合。

**2.4. 特征提取方法**
为了快速识别奶粉品种、减少光谱维度并提取关键特征信息。这不仅提高了定性分析模型的训练效率,还增强了它们的泛化能力,从而防止了对训练数据的过拟合。2.4.1. 一维膨胀卷积神经网络(1D Dilated CNNs)本研究采用1DCNN和膨胀卷积核从光谱数据中提取特征,使得卷积核能够沿一个维度滑动。主要目标是捕捉局部范围内的特征(即卷积核的大小)。随着膨胀核的扩大,它可以捕捉到更大的特征信息(Singh和Goyal,2022年)。该方法通过滑动窗口方法提取局部特征,并逐步将它们组合成全局表示。膨胀卷积网络通过调整膨胀率来适应不同的特征模式。与传统卷积不同,膨胀卷积在卷积过程中允许对输入进行间歇性采样(Jin等人,2019年)。1D膨胀卷积神经网络通过结合非线性激活函数(ReLU)来学习输入数据中的复杂关系(Mustaqeem和Kwon,2020年)。这些非线性函数有助于网络进行特征提取,使模型具有更强的表达能力(Chaudhary等人,2021年)。这里采用了稀疏约束来促进特征选择。目标函数定义如下:其中clsloss表示分类损失函数,attreg表示特征选择的稀疏约束:(1)目标函数=clsloss+attreg*0.1膨胀卷积操作:给定输入序列x∈RL,卷积核ω∈?k,输出特征图为y∈?L′:(2)y[i]=∑j=0k?1ω[j]?x[i?s+j?γ?p]+b其中γ是膨胀率,k是卷积核长度,s是步长,p是填充值,b是偏置项。(3)L′=?L+2P?k?(k?1)?(r?1)s?+1随着层数的增加,感受野(RF)的计算呈指数级增长。kldenotes表示第l层的卷积核长度,n表示卷积层的数量。(4)RF=1+∑l=1n(kl?1)?γ特征选择过程如图2所示:光谱数据被转换为1D膨胀卷积神经网络的输入格式(1×125)。使用不同尺度的卷积核通过膨胀卷积神经网络提取特征。这包括四个Inception层,其中膨胀率=(Wedel等人,2020年;Shori,2015年;Julmohammad等人,2025年;Munir等人,2018年)。每个卷积核在数据上滑动,在每个位置执行求和操作。通过ReLU激活函数获得特征图。通过稀疏约束促进特征选择,然后通过平均池化层减少数据维度。全连接(FC)层展开一维数据,而迭代密集层和瓶颈层执行特征压缩。这一过程为后续的分类任务奠定了基础。下载:下载高分辨率图像(87KB)下载:下载全尺寸图像图2.4.2. 核主成分分析(KPCA)核主成分分析(KPCA)是基于主成分分析(PCA)的扩展方法。其主要思想是利用核技术将数据从原始空间映射到高维空间,从而更容易在这个高维空间中找到数据的主要特征方向(Anowar等人,2021年)。这是一种常见的特征提取算法。2.5. 辨别模型为了完成对骆驼奶粉掺假的识别,本研究采用了K-最近邻(KNN)算法作为基线模型,并将其识别效果与Grid Search-SVC和IBKA-SVC等各种模型进行了比较。2.5.1. IBKA算法黑翅鸢算法(BKA)是一种受黑翅鸢迁徙和捕食行为启发的新颖元启发式算法。该算法由Wang Jun等人开发(Wang等人,2024a)。BKA不仅模拟了迁徙飞行和捕食行为,还表现出对环境变化和目标位置的高度适应性。在BKA中引入的柯西变异策略有助于算法逃离局部最优解,并增加在全球搜索空间中发现更优解的概率(Yang等人,2025年)。(1)像大多数优化算法一样,BKA采用每个黑翅鸢位置的随机分布。本研究引入了三次混沌映射作为初始化方法。三次映射构成一个一维离散时间动态系统,其特点是结构简单但动态行为复杂。与随机初始化的系统相比,CUBIC混沌映射表现出更好的混沌遍历能力。与逻辑混沌映射相比,它具有更快的收敛速度和更高的精度。公式如下:(5)xi=ax(1?xi2)(6)Xi=lb+Xi*(ub?lb)其中a=2.595,pop表示潜在解的数量,在公式(5)中:i是1到pop之间的整数;lb和ub分别表示第i个黑翅鸢的第j维的下限和上限。(2)结合改进的鱼鹰优化算法(OOA)的攻击行为,BKA攻击阶段的第二个公式为:(7)yt+1i,j={yti,j+n(2r?1)?yti,j,p>ryt(i,j)+h?(ub?lb)?cos(θ)?(Ltj?yti,j),否则在这些公式中,θ=2πγ,h=(T-t)/T,yt+1i,j表示第i个黑翅鸢在第t和(t+1)次迭代时的第j维位置。r是一个介于0到1之间的随机数,p是一个值为0.9的常数。T表示总迭代次数,t表示迄今为止完成的迭代次数。BKA中的攻击行为基于对OOA中攻击行为的改进(Dehghani和Trojovsky,2023)。通过模拟鱼鹰螺旋下降方法来定位鱼类,可以在搜索空间内微调鱼鹰的位置。这增强了OOA利用局部搜索机会的能力,使其能够收敛到已发现解决方案附近的更优解。(3)迁徙行为:(8)yt+1i,j=yti,j+C0,1*yti,j?Ltj,FiKNN算法的K值也是通过网格搜索确定的,参数网格范围设定为(Wedel等人,2020年;Imad等人,2024年)。比较SVC和KELM模型,KELM避免了SVM中的迭代二次规划求解过程,因此在训练速度上通常具有数量级的优势(Deng等人,2009年)。当计算资源有限时,KELM更为适用,而SVC模型更适合部署在生产设备上用于操作环境。实验结果分析表明,IBKA-SVC模型表现最佳:准确率为0.9384,F1分数为0.9369,召回率为0.9384,Cohen's kappa系数为0.9356。IBKA算法的参数设置如下:初始化参数:pop_size=15;搜索上限:ub=500;搜索下限:lb=0.01;最大迭代次数:max_iter=10;IBKA优化的参数值为:C=16.4490,gamma=0.3172。对IBKA-SVC和BKA-SVC两个模型进行了T检验,使用十个测试集的分类结果进行显著性水平分析。比较了两个模型的准确率、F1分数、召回率和Cohen's kappa系数的四个值的显著性水平。准确率:p值=0.000197;BKA-SVC的平均值=0.9239;IBKA-SVC的平均值=0.9384;差异=0.0145;F1分数:p值=0.000656,BKA-SVC的平均值=0.9250,IBKA-SVC的平均值=0.9369,差异=0.0119;召回率:p值=0.000197,BKA-SVC的平均值=0.9152,IBKA-SVC的平均值=0.9310,差异=0.0145;Cohen's kappa:p值=0.000193,BKA-SVC的平均值=0.9205,IBKA-SVC的平均值=0.9356,差异=0.0151;在所有评估指标上,显著性水平p<0.001,两个模型之间存在显著差异。IBKA-SVC在每个指标上的表现都更好。

3.2.2 基于特征提取的分类模型
由于高光谱数据中特征波长的数量众多,光谱数据通常需要通过特征筛选或特征提取方法进行降维处理。对于定性分析,常用KPCA方法,并与本文提出的1D Dilated CNN方法进行了比较。分别使用SVC和KELM构建了分类模型。如表4中的实验结果所示,通过KPCA进行特征降维后,模型性能并未提高,反而有所下降。主要原因在于KPCA虽然使用核函数捕捉非线性关系,但它提取的主成分无法直接映射回原始特征。实验表明,经过1D Dilated CNNs特征提取后,IBKA-SVC和IBKA-KELM模型的分类性能有所提升。与IBKA-SVC模型相比,1D Dilated CNNs-IBKA-SVC模型的准确率提高了0.73%,F1分数提高了0.087%,Cohen's kappa系数提高了0.076%。这表明1D Dilated CNNs特征提取算法有效提升了分类模型的性能。图5显示了1D Dilated CNNs-IBKA-SVC模型的分类结果相关气泡图。在光谱数据集中,奶粉和山羊奶粉以10%的比例逐渐掺入骆驼奶粉,共形成23个类别。如图5所示,类别1-4(掺入10%-40%牛奶粉)与类别5-15(掺入≥50%牛奶粉或10%-60%山羊奶粉)有一定的相关性,但相关性值小于1表明这些类别易于区分。这一观察结果与图5中的光谱数据一致。同样,类别1-4与类别20-22(同时掺入20%-40%山羊奶粉和牛奶粉)的相关性也小于1,表明这些组之间有明显的分离性。相比之下,类别22(同时掺入40%纯牛奶粉和纯山羊奶粉)与类别10(10%山羊奶粉)、类别13(40%山羊奶粉)和类别14(50%山羊奶粉)的相关性为1,表明它们难以区分。总之,掺入10%-40%纯牛奶粉的样品可以很容易地与纯骆驼奶粉区分开来。然而,掺入10%-60%山羊奶粉的样品与掺入50%-90%牛奶粉的样品以及纯骆驼奶粉的样品有很高的相关性,表明这些组之间存在显著的重叠,难以区分。

下载:下载高分辨率图像(911KB)
下载:下载全尺寸图像

图5. 雷达图(图6)显示,1D Dilated CNNs-IBKA-SVC模型在所有评估指标上均位于外圈,表明其性能优越。同时,等高线覆盖的面积越大,模型的整体性能越好。雷达图清楚地揭示了任何评估指标是否存在弱点。Cohen's kappa系数>0.8表示分类几乎完全一致。图6显示,所有四个分类指标的表现都非常出色,表明1D Dilated CNNs-IBKA-SVC模型在定性分析中表现出很强的稳定性。

下载:下载高分辨率图像(98KB)
下载:下载全尺寸图像

图6. 3.2.3 深度学习分类模型的比较
本研究还比较了三种深度学习算法:一个CNN(两层VGG11模型)、一个Transformer模型和一个CNN-Transformer模型(Sun等人,2024年;Xu等人,2024年)。在CNN模型中,使用了两组卷积模块,每组包括以下卷积层:Conv1D(滤波器=32,核大小=3,激活函数=“relu”)、Batch Normalization()、MaxPooling1D(池化大小=2),然后是一个Dense(32,激活函数=“relu”)层。该模型进行了100个周期的迭代,Dropout=0.2,并采用了early_stopping机制以防止过拟合。S-G-SNV-CNN模型的分类性能与表2中呈现的S-G-SNV-SVC模型相当。Transformer处理一维数据分类任务,仅使用四层编码器和一个全连接层,而解码器主要用于解码,不适用于分类任务。Transformer模型的参数设置如下:embed_dim=32,num_heads=4,ff_dim=256。实验结果表明,Transformer模型的性能略优于CNN模型。分析认为这种优势源于Transformer的多头注意力机制,它能够进行全局特征提取。与CNN的局部特征提取方法相比,这一优势随着数据量的增加而显著增强。CNN-Transformer模型的编码器组件利用CNN从输入序列中提取局部特征,然后将其输入Transformer模型(Jiang和Shao,2024年;Maaz等人,2022年)。这种方法类似于1D Dilated CNNs的特征提取。尽管Transformer在NLP任务中取得了显著成功,但CNN在捕捉局部特征方面仍具有优势。为了提高分类准确性,将CNN和Transformer结合使用。为了确保深度学习模块中所有模型的一致性,迭代次数保持为100次。实验结果显示,CNN-Transformer模型的准确率为0.9250,F1分数为0.9195,召回率为0.9250,Kappa系数为0.9075,使其成为五种深度学习方法中最有效的一种。CNN-Transformer模型为涉及小样本的光谱数据分类任务提供了一种新颖的方法。

图7中的左侧面板显示了训练过程,随着训练周期的增加,损失值逐渐减小,反映了训练数据上的误差。训练验证损失最初迅速下降,主要是因为模型学习迅速。随后,随着模型学习更详细的特征,损失值趋于平稳。这一平稳阶段也显示出轻微的波动,训练验证损失的小差异表明模型具有出色的拟合能力。图7的右侧面板显示了相应的学习率曲线波动。学习率的初始快速增加对应于模型的快速学习阶段。中间阶段的逐渐下降表示特征学习,而学习率最终在后期收敛到零。

下载:下载高分辨率图像(137KB)
下载:下载全尺寸图像

图7. 在比较了十三种定性分析模型后,1D Dilated CNNs-IBKA-SVC模型表现出最佳的分类性能,间接证实了1D Dilated CNNs在提取光谱数据特征方面的优势。IBKA提高了SVC模型的分类性能。本章表明,使用所提出的IBKA算法优化SVC模型是可行的,从而进一步提高了分类性能。这为未来关于婴儿配方奶粉中掺杂物定性分析的研究提供了新的方向。

4. SHAP可解释性
本节比较了使用SHAP与从模型内置特征重要性列表中选出的最重要特征时的模型性能(Kraev等人,2024年)。为了评估特征波长选择的有效性,对训练好的SVC模型应用了SHAP分析,以量化特征重要性并可视化关键区分波长。该模型在训练过程中内置了特征重要性,无需额外工作(Wang等人,2024b)。SHAP中的蜂群图可视化了特征波长对特定类别的影响。如图8所示,类别10的蜂群图显示了前20个最显著特征波长对该类别的影响。红色点表示高特征值,蓝色点表示低特征值,说明了每个特征对类别的相对影响。图8显示,红色特征波长62(688.5440 nm)和20(578.1087 nm)对分类有显著影响。这表明这两个波长对分类有重要影响。同时,1456 cm-1的CH2/CH3弯曲振动和1745 cm-1的C=O伸缩振动主要来自奶粉中的脂肪。高点密度区域表明SHAP值频繁出现在这个范围内。点的垂直分布反映了10个类别的相对稳定性。

下载:下载高分辨率图像(273KB)
下载:下载全尺寸图像

图8. SHAP均值图可能会掩盖某些特征波长在不同样本中的复杂影响模式。因此,我们使用单样本力图来检查特定样本,这里选择了样本10。SHAP单样本力图直观地展示了单个样本中各个特征对模型输出的贡献。

图9显示了样本18的模型实际预测结果。力箭头为双向红色和蓝色箭头:红色表示特征波长的正面影响,箭头长度表示特征对预测的影响程度(对应于SHAP值的绝对值)。影响最大的两个波长是640.5287 nm和424.4595 nm。蓝色表示特征波长的负面影响。三个最具影响力的波长是669.3379 nm和702.9486 nm。整体图表展示了每个特征波长将预测值从基线推向最终预测的方向和强度。

下载:下载高分辨率图像(76KB)
下载:下载全尺寸图像

图9. 当然,通过比较不同样本之间特征波长贡献的差异,可以识别出对特定预测分类最具影响力的关键特征,从而评估模型是否表现出不合理的特征依赖性。对于光谱数据样本,特征波长的贡献是非线性的。鉴于特征波长的数量众多,每个样本只显示最关键的少数特征。

5. 结论
识别和分析来自不同奶源的婴儿配方奶粉是食品安全中的一个关键问题。与依赖颜色、气味和其他感官特性的传统手动检测方法相比,将高光谱技术与定性分析相结合提供了一种快速、无损的婴儿配方奶粉识别方法。本章基于光谱数据构建了十三种定性分析模型,包括传统的机器学习模型、经过特征筛选的机器学习模型和深度学习模型。比较分析显示,1D Dilated CNNs-IBKA-SVC模型实现了最佳的分类准确性,准确率和召回率分别为0.9493,F1分数为0.9478,Cohen's kappa系数为0.947。

本研究结论:(1)提出了一种改进的Black-winged Kite(IBKA)算法,它优化了SVC和KELM算法的参数,从而提高了分类准确性。(2)提出了一种用于光谱特征提取的1D Dilated CNNs算法。与KPCA的比较表明,使用1D Dilated CNN提取特征的模型优于IBKA-SVC模型,准确率提高了0.073%,F1分数提高了0.087%。这证实了该算法在提升分类模型性能方面的有效性。(3) 本文提出了三种深度学习模型,其中CNN-Transformer模型的分类性能最佳。该模型不仅从光谱数据中提取局部特征,还考虑了全局特征。在小数据集上,其分类性能可与IBKA-SVC模型相媲美。随着光谱数据集规模的增加,CNN-Transformer模型的性能可能会更加优越。(4) SHAP提供了特征波长贡献率的可解释性说明。SHAP图表揭示了特征波长对不同类别的影响以及特定波长对单个样本的影响。本研究提出了IBKA方法用于SVC模型的参数优化。BKA算法使用立方混沌映射进行初始化以对初始种群进行排序,随后用OOA螺旋下降法替代了BKA中的攻击行为,降低了算法的空间复杂度,同时提高了搜索效率和鲁棒性。因此,IBKA能够更快地找到最优解。实验结果表明,在比较深度学习模型和传统机器学习模型时,深度学习模型在处理小样本、非线性可分数据时的适用性有限。深度学习模型不使用特征提取算法,保留了所有特征波长。考虑到这项技术在识别婴儿配方奶粉生产线上的牛奶来源方面的潜在应用,随着未来批量收集样本数据,深度学习模型的适用性可能会提高,从而同时提升分类性能。

CRediT作者贡献声明:
Heru Xue:验证、概念化。
Xin Pan:形式分析。
Wenjing Zhang:撰写原始草稿、资源准备、方法论、形式分析。
Jiangping Liu:资源准备、资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

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