该研究聚焦于食用油加工工艺鉴别与掺假检测的技术创新，通过多光谱融合与深度学习算法，构建了高效的非破坏性检测体系。研究团队选取花生油、菜籽油及大豆油等七类典型食用油样本，涵盖冷压、热压及精炼三种主要加工工艺，结合拉曼光谱（Raman）与傅里叶变换红外光谱（FTIR）建立多维度分析模型，并开发了具有注意力机制的一维卷积神经网络（1D CNN）实现精准的掺假识别。
在光谱分析方面，研究揭示了不同加工工艺对食用油分子结构的影响。冷压工艺通过低温物理压榨最大限度保留天然抗氧化成分，如多酚类物质、植物甾醇及β-胡萝卜素等，这些成分在拉曼光谱中表现为特定特征峰（如1075 cm⁻¹的C-C伸缩振动、1527 cm⁻¹的C=C双键振动），其强度与营养成分浓度直接相关。而热压工艺因高温处理易产生反式脂肪酸等有害物质，光谱特征呈现显著差异。精炼工艺虽能提高油品纯度，但会破坏热敏性营养成分，导致拉曼特征峰强度降低。FTIR光谱则通过指纹区（400-1500 cm⁻¹）的细微差异，有效区分不同油类及其加工状态，如饱和脂肪酸的CH₂振动峰（2937 cm⁻¹）与不饱和脂肪酸的C=C伸缩峰（1650 cm⁻¹）形成互补诊断信息。
针对传统方法在快速鉴别加工工艺及精准检测掺假方面的局限性，研究提出了创新性的多光谱融合与智能算法结合的解决方案。首先，通过Savitzky-Golay平滑、标准正态变量变换（SNV）及一阶导数预处理，有效去除光谱噪声与基线漂移，提升特征辨识度。其次，采用方差阈值、主成分分析（PCA）及CARS变量筛选等中间层融合策略，在保留关键信息的同时降低数据维度，为后续模型优化奠定基础。
在机器学习模型构建中，研究团队对比了线性判别分析（LDA）、支持向量分类器（SVC）与1D CNN的适用性。传统LDA方法在FTIR光谱分析中表现优异（100%准确率），但受限于线性假设，在处理拉曼光谱的复杂非线性关系时准确率下降至88.66%。相比之下，SVC采用核函数非线性映射，在拉曼光谱分析中达到100%准确率，但其对噪声敏感且参数调优复杂。最终，研究设计的双输入1D CNN模型突破传统局限，通过四层卷积核提取多尺度特征，结合注意力机制动态加权关键谱段，在掺假检测中实现98.61%的测试准确率，较传统SVC提升1.73%。
在掺假检测实验中，研究团队构建了包含0%-50%掺假浓度的梯度样本集，通过拉曼与FTIR光谱融合分析，发现冷压菜籽油中的天然色素（如叶黄素）在掺假浓度超过10%时会产生显著光谱偏移。1D CNN模型通过端到端特征学习，无需人工干预即可自动提取多光谱的深层关联特征。例如，在20%掺假浓度时，模型能准确识别出冷压与精炼菜籽油在1298 cm⁻¹（CH₂弯曲振动）和1440 cm⁻¹（CH₂剪切振动）处的差异，这种基于物理化学本质的鉴别机制，使模型具备良好的泛化能力。
研究还特别验证了多光谱融合的必要性。单独使用拉曼或FTIR光谱时，模型在25%-35%掺假浓度区间存在误判，但融合分析后该区间的识别准确率提升至97.8%。这得益于不同光谱技术的互补性：拉曼对有机分子振动特征敏感，适合检测多酚、胡萝卜素等极性分子；而FTIR对化学键振动响应更直接，能有效捕捉饱和/不饱和脂肪酸的比例变化。通过构建融合特征空间，模型可同步利用两种技术的优势，显著增强对复杂干扰的抵抗能力。
该技术的工程化应用潜力显著。在工业场景中，仅需将油样均匀涂覆于聚乙烯薄膜上，即可在10秒内完成多光谱采集，通过嵌入式1D CNN芯片实现实时质量检测。测试表明，该系统对冷压菜籽油掺假量的识别误差小于2%，检测速度达每分钟30个样本，较传统实验室检测效率提升50倍以上。特别值得注意的是，模型对光谱预处理要求极低，仅需基础归一化处理，这极大降低了现场应用的技术门槛。
研究还建立了系统的性能评估体系。通过5折交叉验证与独立的测试集评估，确保模型稳定性。在冷压花生油与精炼大豆油交叉干扰测试中，融合模型仍保持96.3%的准确率，验证了其在复杂油品环境下的可靠性。此外，模型的可解释性分析显示，注意力机制对特征的重要性评分与专业判别一致，其中1159 cm⁻¹（C-C伸缩振动）和1650 cm⁻¹（C=C双键振动）波段被持续赋予高权重，这解释了为何模型能有效区分不同加工工艺的油品。
该成果为食用油质量监管提供了新范式。通过建立包含冷压、热压、精炼工艺的基准数据库，结合实时光谱检测系统，企业可在线监控生产线，自动剔除不合格批次（如热压工艺产生的反式脂肪酸超标产品）。在掺假检测方面，系统可精准识别精炼油掺假，这对打击市场常见的精炼油掺假行为（如将精炼菜籽油冒充冷压菜籽油）具有直接应用价值。据测算，全面部署该系统可使食用油企业每年减少约15%的质量损失，同时降低人工抽检成本30%以上。
研究团队下一步计划将模型扩展至多油种混合检测，并开发配套的移动式光谱仪硬件。目前已在菜籽油与大豆油二元体系中验证了模型的扩展性，通过引入迁移学习技术，可将训练好的模型快速适配到新的油品检测场景。此外，研究正在探索结合近红外光谱的多元融合模型，预期检测精度可进一步提升至99%以上。
该研究不仅推动了光谱分析技术在食品工业的应用深度，更体现了人工智能与光谱学深度融合的创新方向。通过构建物理化学特性与光谱特征间的映射关系，模型实现了从"光谱识别"到"化学解释"的跨越，为建立食用油品质的数字化评价体系奠定了基础。这种"数据驱动+机理约束"的混合建模方法，为解决复杂食品体系的检测难题提供了可复用的技术框架。
