通过紫外-可见光谱技术和数据驱动方法加速检测果汁掺假行为

《EUROPEAN FOOD RESEARCH AND TECHNOLOGY》:Accelerated detection of fruit juice adulteration through UV–vis spectroscopy and data-driven techniques

【字体: 大 中 小 】 时间:2026年06月03日 来源:EUROPEAN FOOD RESEARCH AND TECHNOLOGY 3.2

编辑推荐:

  摘要本研究介绍了一种基于机器学习的紫外-可见光谱系统,用于识别果汁中的掺假行为并确定掺假程度。研究人员在石榴汁、芒果汁、番石榴汁和菠萝汁中加入了5%至30%的橙汁,并测量了300–800纳米波长范围内的吸收光谱。在进行光谱数据分析之前,对数据进行了基线校正和归一化处理,以消除噪声

  

摘要

本研究介绍了一种基于机器学习的紫外-可见光谱系统,用于识别果汁中的掺假行为并确定掺假程度。研究人员在石榴汁、芒果汁、番石榴汁和菠萝汁中加入了5%至30%的橙汁,并测量了300–800纳米波长范围内的吸收光谱。在进行光谱数据分析之前,对数据进行了基线校正和归一化处理,以消除噪声并提高模型的稳健性。分类模型和回归模型均采用80:20的比例进行训练和测试。分类模型(如随机森林、梯度提升、支持向量分类器SVC和K近邻KNN)表现良好,整体准确率和F1分数均超过90%,表明这些模型能够有效区分纯果汁和掺假果汁。回归模型在定量预测方面表现出不同的性能水平,其中CatBoost模型的表现最佳:训练集的R2值为0.93,测试集的R2值为0.7975;均方根误差(RMSE)分别为0.035(训练集)和0.0447(测试集);预测性能指数(RPD)为3.1,表明其具有很强的预测能力。随机森林和梯度提升模型也具有较高的预测准确性(R2>0.75),而支持向量分类器SVC和KNN的预测准确性则处于中等水平。相比之下,弹性网络(Elastic Net)回归模型的性能较差,这可能是由于光谱数据具有非线性特征所致。研究结果证明,紫外-可见光谱特性可以高精度且可靠地用于检测果汁的掺假情况。所选波长范围(300–800纳米)能够有效捕捉与酚类化合物、类胡萝卜素和花青素相关的化学变化。总体而言,该方案为果汁的实时认证和质量控制提供了一个可扩展且有效的框架。

本研究介绍了一种基于机器学习的紫外-可见光谱系统,用于识别果汁中的掺假行为并确定掺假程度。研究人员在石榴汁、芒果汁、番石榴汁和菠萝汁中加入了5%至30%的橙汁,并测量了300–800纳米波长范围内的吸收光谱。在进行光谱数据分析之前,对数据进行了基线校正和归一化处理,以消除噪声并提高模型的稳健性。分类模型和回归模型均采用80:20的比例进行训练和测试。分类模型(如随机森林、梯度提升、支持向量分类器SVC和K近邻KNN)表现良好,整体准确率和F1分数均超过90%,表明这些模型能够有效区分纯果汁和掺假果汁。回归模型在定量预测方面表现出不同的性能水平,其中CatBoost模型的表现最佳:训练集的R2值为0.93,测试集的R2值为0.7975;均方根误差(RMSE)分别为0.035(训练集)和0.0447(测试集);预测性能指数(RPD)为3.1,表明其具有很强的预测能力。随机森林和梯度提升模型也具有较高的预测准确性(R2>0.75),而支持向量分类器SVC和KNN的预测准确性则处于中等水平。相比之下,弹性网络(Elastic Net)回归模型的性能较差,这可能是由于光谱数据具有非线性特征所致。研究结果证明,紫外-可见光谱特性可以高精度且可靠地用于检测果汁的掺假情况。所选波长范围(300–800纳米)能够有效捕捉与酚类化合物、类胡萝卜素和花青素相关的化学变化。总体而言,该方案为果汁的实时认证和质量控制提供了一个可扩展且有效的框架。

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