雞蛋粉產(chǎn)品包括全蛋粉、蛋黃粉、蛋清粉等。蛋清粉的蛋白質(zhì)量分?jǐn)?shù)可高達80%，同時具有低脂肪低碳水的特點，特別適合生長發(fā)育期、老年人、術(shù)前術(shù)后、肥胖者或者是運動人群食用。目前，在蛋粉生產(chǎn)過程中部分企業(yè)摻入廉價的植物蛋白粉或者面粉等，以次充好，不但擾亂了蛋粉市場的秩序，也給食品安全帶來了極大隱患。相較于全蛋粉和蛋黃粉，蛋清粉蛋白質(zhì)含量較高，市面上價格較貴，其摻雜情況更加嚴(yán)重。

近紅外光譜是一種快速、無損、綠色的檢測技術(shù)，其原理為通過物質(zhì)在近紅外波段的吸收與散射特性，獲取有機物中含氫基團（如C—H、N—H、O—H）的信息。該檢測方法已經(jīng)廣泛應(yīng)用于粉末狀食品的真實性檢測中，如淀粉、花生粉、辣椒粉等。

近年來，一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）在多維數(shù)據(jù)上展現(xiàn)了強大的數(shù)據(jù)特征提取能力，在回歸預(yù)測、定性檢測等各個場景應(yīng)用中獲得了較大的成功。針對近紅外光譜數(shù)據(jù)處理，該方法已運用于食品分類、含量預(yù)測、作物成分檢測等場景中，并取得了良好的效果。基于此，本研究擬應(yīng)用1D-CNN模型，并基于近紅外光譜數(shù)據(jù)對蛋清粉進行真實性檢測。

針對蛋清粉全近紅外光譜信息復(fù)雜、原數(shù)據(jù)存在較多噪聲、低濃度摻雜難以檢測等問題，華中農(nóng)業(yè)大學(xué)工學(xué)院的祝志慧、李沃霖、韓雨彤等在主干網(wǎng)絡(luò)加入有效通道注意力模塊（ECA），提高模型對特征的敏感度，減少近紅外光譜噪聲及無用波段對蛋清粉鑒別的干擾。同時，運用一維全局平均池化（1D-GAP）技術(shù)，替代原1D-CNN結(jié)構(gòu)中的全連接層，在實現(xiàn)有效提取光譜整體特征、減少模型過擬合的同時，降低模型的計算量，更好地將模型部署在嵌入式設(shè)備上。該模型可實現(xiàn)基于全近紅外光譜數(shù)據(jù)，對蛋清粉的真?zhèn)芜M行快速、準(zhǔn)確的鑒別，以期為開發(fā)針對蛋粉質(zhì)量檢測的便攜式近紅外光譜檢測儀提供一定的理論基礎(chǔ)。

1 原始光譜數(shù)據(jù)分析

1.1 純蛋清粉與摻雜蛋清粉光譜分析

從圖4a可知，不同產(chǎn)地蛋清粉光譜圖的變化趨勢十分相似，波峰、波谷位置相同。由圖4b可知，純蛋清粉與摻雜蛋清粉的原始光譜圖的變化趨勢，波峰、波谷位置也十分相似，吸光度隨著波數(shù)的增加而逐漸減小。純蛋清粉與摻雜蛋清粉的光譜高度重疊，無法僅通過光譜圖進行鑒別，需要通過相應(yīng)的鑒別模型提取有效信息，實現(xiàn)對樣本快速、準(zhǔn)確的鑒別。

1.2 不同摻雜種類蛋清粉光譜分析

5 種摻雜物與純蛋清粉的原光譜圖對比如圖5a所示。淀粉與大豆分離蛋白兩種增量劑摻雜物在4 200～4 850 cm-1與6 400～7 100 cm-1范圍內(nèi)吸光度區(qū)分明顯；三聚氰胺和尿素兩種含氮類化合物相比于增量劑，光譜區(qū)分度更大，在4 250～5 150、5 400～7 100 cm-1范圍內(nèi)吸光度大小區(qū)分明顯；對于甘氨酸，在4 950～7 200 cm-1范圍內(nèi)吸光度變化趨勢有很大的差異。圖5b～d分別為單組分、二組分摻雜和三組分摻雜與純蛋清粉的光譜圖，紅框標(biāo)出的光譜變化區(qū)間分別對應(yīng)著各類摻雜物質(zhì)的光譜變化特征。通過對比可以得出以下結(jié)論：1）摻雜物的種類及濃度決定了光譜圖變化的區(qū)間及程度，其光譜圖變化直觀表現(xiàn)了摻雜樣本的種類及濃度特征，也直觀表現(xiàn)了摻雜樣本與純蛋清粉樣本的特征差異；2）摻雜物濃度決定了光譜特征區(qū)間的畸變程度，摻雜濃度越大，光譜畸變越明顯，低摻雜濃度的光譜畸變輕微，無法通過肉眼觀察光譜圖判斷；3）多種摻雜物混合摻雜會導(dǎo)致光譜圖多處區(qū)間發(fā)生變化，且二組分和三組分摻雜變化的區(qū)間及程度為混合摻雜中每一種摻雜物質(zhì)單獨摻雜時各自產(chǎn)生光譜變化特征的疊加；4）由于摻雜物所含的成分與蛋清粉不同，摻雜導(dǎo)致蛋清粉樣本的主要成分（C—H鍵、N—H鍵和O—H鍵）發(fā)生了變化，進而產(chǎn)生光譜畸變，以上波段的變化說明這些波段存在著C—H鍵、N—H鍵和O—H鍵倍頻和合頻的吸收峰，這些官能團與蛋清粉的蛋白質(zhì)、水分等物質(zhì)有緊密的聯(lián)系，其中4 339 cm-1和5 851 cm-1對應(yīng)的是C—H鍵的合頻和一倍頻，4 447 cm-1對應(yīng)的是N—H鍵的合頻，4 979 cm-1和6 869 cm-1分別對應(yīng)O—H鍵的合頻和一倍頻。真實性檢測模型的本質(zhì)是準(zhǔn)確學(xué)習(xí)有效光譜特征，對光譜數(shù)據(jù)按照學(xué)習(xí)的特征進行分類，這些結(jié)論為之后模型的訓(xùn)練及檢測結(jié)果提供了理論依據(jù)。

2 模型消融實驗結(jié)果

為研究改進方法對模型的優(yōu)化效果，需進行消融實驗。模型設(shè)定批大小（batch_size）為256，迭代次數(shù)（Epochs）為3 000 次，按照1.3.3節(jié)劃分的訓(xùn)練集與驗證集作為輸入，對模型進行訓(xùn)練，按照1.3.3節(jié)劃分的測試集作為輸入進行模型的測試，其中訓(xùn)練集、驗證集和測試集的光譜數(shù)據(jù)不經(jīng)過預(yù)處理，直接進行相應(yīng)的模型訓(xùn)練及測試。模型的評價指標(biāo)按照1.4.3節(jié)進行計算，最終結(jié)果如表1所示。

從表1可以看出，經(jīng)過ECA模塊的優(yōu)化，模型對于處理近紅外光譜中蛋清粉真?zhèn)翁卣鞯哪芰Φ玫搅嗽鰪姡缒Ｐ虴CA-1D-CNN相比于原1D-CNN模型，F(xiàn)FPR下降了0.3 個百分點，F(xiàn)FNR降低了1.78 個百分點，AAR提升了1.03 個百分點。且引入了1D-GAP的模型，在檢測速度指標(biāo)上均得到了一定的提升，如模型GAP-1DCNN相比于1D-CNN模型和ECA-1D-CNN模型，其平均檢測時間分別減少了0.000 2、0.000 3 s，模型大小減少了0.79、0.80 M，F(xiàn)LOPs減少了0.13、0.14 M。兩種優(yōu)化方法共同使用的模型效果最優(yōu)，EG-1D-CNN相比于ECA-1D-CNN模型，總準(zhǔn)確率得到了提升，模型大小減少了約39.8%。與GAP-1D-CNN模型相比，模型大小和FLOPs雖有所增高，但FFPR減少至0，總準(zhǔn)確率提升了0.57 個百分點。

綜上所述，運用了ECA與1D-GAP模塊的EG-1DCNN模型，在準(zhǔn)確度、檢測速度及模型大小上相比原模型均有所提升，這說明ECA模型可增強對全近紅外光譜數(shù)據(jù)的特征提取能力，進而提升了對蛋清粉的真?zhèn)舞b別能力，且1D-GAP能在保持模型準(zhǔn)確率的情況下，降低了模型的復(fù)雜程度，進而提升了模型的檢測速度，降低了模型大小。

3 預(yù)處理性能對比

為驗證光譜數(shù)據(jù)預(yù)處理對模型精度的影響，分別采用歸一化（NORM）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、多元散射校正（MSC）、卷積平滑（SG）和去趨勢（DT）5 種預(yù)處理方法處理1.3.3節(jié)劃分的訓(xùn)練集、驗證集和測試集，運用EG-1D-CNN模型進行訓(xùn)練測試，最終測試結(jié)果如表2所示。

由表2可知，對于EG-1D-CNN模型，分別經(jīng)過5 種預(yù)處理方法后的AAR與原始數(shù)據(jù)的AAR差異不大，且原數(shù)據(jù)所達到的AAR最高。這說明預(yù)處理對EG-1D-CNN模型的性能幾乎沒有影響，且在原近紅外光譜數(shù)據(jù)基礎(chǔ)上訓(xùn)練的模型精度最高，故EG-1D-CNN模型無需對近紅外光譜數(shù)據(jù)進行預(yù)處理即可達到理想的精確度。

綜上所述，改進后的EG-1D-CNN模型可無需對原近紅外光譜數(shù)據(jù)進行預(yù)處理。由于略去了預(yù)處理步驟，且對于傳統(tǒng)機器學(xué)習(xí)算法，不同的檢測對象所需的光譜預(yù)處理方法都不同，不合適的預(yù)處理方法會降低模型準(zhǔn)確率，該模型相比于傳統(tǒng)機器學(xué)習(xí)算法，無需光譜預(yù)處理的先驗知識，其建模方法更加方便。

4 不同模型性能對比

為比較改進的EG-1D-CNN與其他算法的性能，分別以傳統(tǒng)1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)、SE（squeeze-andexcitation）+1D-GAP模塊的1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)、CBAM（convolutional block attention module）+1D-GAP模塊的1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)、偏最小二乘判別分析（PLS-DA）方法和集成學(xué)習(xí)（EL）建立模型，用與2.2節(jié)相同的訓(xùn)練集、驗證集和測試集進行模型的訓(xùn)練及測試。最終的實驗結(jié)果分別如表3與表4所示。

由表3可知，相比于原1D-CNN模型，改進的EG-1D-CNN模型性能更加優(yōu)越。在 F FPR 和 F FNR 上分別減少了0.3 個和2.1 個百分點，且改進后的模型對于純蛋清粉沒有誤檢，在檢測速度指標(biāo)上具有優(yōu)勢，其平均檢測時間減少了0.000 2 s，模型大小和FLOPs分別減少了0.77 M和0.12 M。相比于融合其他注意力模塊的模型，EG-1DCNN在檢測準(zhǔn)確率指標(biāo)和檢測速度指標(biāo)上均為最優(yōu)，更適合應(yīng)用在蛋清粉近紅外光譜的真實性檢測中。

由表4可知，相比于PLS-DA，EG-1D-CNN在FFPR和FFNR上分別減小了2.10、3.57 個百分點，AAR提高了2.82 個百分點，相比于EL，在FFPR和FFNR上分別減小了1.64、4.72 個百分點，AAR提高了3.13 個百分點，這說明該模型無需對原近紅外光譜數(shù)據(jù)進行預(yù)處理即手動特征篩選，具有比傳統(tǒng)機器學(xué)習(xí)算法更強的分類性能，且由于EG-1D-CNN相比兩種傳統(tǒng)機器學(xué)習(xí)方法，在測試時省去了光譜預(yù)處理與特征波段篩選步驟，其在AATS上分別減少了0.002 3 s與0.000 7 s，滿足了快速檢測的要求。

綜上所述，改進后的EG-1D-CNN相比于其他改進1D-CNN模型及傳統(tǒng)機器學(xué)習(xí)模型，檢測準(zhǔn)確率指標(biāo)和檢測速度指標(biāo)上均為最優(yōu)，其 F FPR 可達到0%， A AR 達到了98.93%， A ATS 達到了0.004 4 s，可實現(xiàn)對大批量的蛋清粉樣本進行快速、準(zhǔn)確的檢測，且由于EG-1D-CNN相比于其他模型復(fù)雜度更低，其模型大小僅占用1.18 M，能以較低成本將模型部署在嵌入式設(shè)備中，進而為實現(xiàn)蛋清粉便攜式近紅外光譜質(zhì)量檢測儀的開發(fā)提供一定的基礎(chǔ)。

5 改進模型測試結(jié)果

EG-1D-CNN模型的真?zhèn)舞b別結(jié)果如表5所示，對于純蛋清粉樣本無錯檢，對于摻雜蛋清粉，其漏檢數(shù)僅為21 份，檢測率可達到97.80%，單組分、二組分、三組分摻雜的FFNR均在2.63%以下，AAR均在99%以上，這說明EG-1D-CNN模型對單組分及多組分的摻雜均有較高的識別率。且通過2.1.2節(jié)中的分析可知，多組分的光譜的特征區(qū)間更多，光譜特征為多個摻雜物特征的疊加，其光譜畸變更加明顯，更容易被檢測出其摻雜特征，故多組分摻雜的AAR會比單組分高，二組分和三組分的AAR分別可達到99.68%和99.83%。

具體的摻雜種類真?zhèn)舞b別結(jié)果如表6所示，針對每種摻雜種類分別統(tǒng)計了在不同濃度下的漏檢數(shù)以及LLRC。其中，LLRC在淀粉、大豆分離蛋白、三聚氰胺、尿素、甘氨酸上分別可達到1%、5%、0.1%、1%、5%，在多摻雜中可達到0.1%～1%。單組分的三聚氰胺特征由于其光譜圖特征最為明顯，鑒別率達到了100%，LLRC可達到0.1%，單組分、二組分、三組分摻雜的總LLRC分別可達到5%、1%、0.5%。

通過2.1.2節(jié)中的分析，對于單組分摻雜，由于三聚氰胺無論在低濃度和高濃度下，在6 800 cm-1左右處有明顯的波峰，所以三聚氰胺的LLRC可達到0.1%，而大豆分離蛋白和甘氨酸在低濃度條件下的光譜區(qū)分度較低，故相應(yīng)的檢測精度較低，LLRC較高；由于富氮類化合物相比于增量劑摻雜物，光譜特征區(qū)域更廣，光譜畸變更加明顯，故富氮類化合物的總體檢測精度較高，總體LLRC相對較低；對于多組分摻雜，由于多組分摻雜光譜圖的特征區(qū)域更多，與單組分摻雜相比，該模型對于多組分摻雜有著更高的檢測精度，且三組分相比于二組分，光譜特征區(qū)域多一組，模型可檢測的特征區(qū)域更廣，故三組分的最高LLRC更低。

綜上所述，改進的EG-1D-CNN模型對于摻雜率超過5%的蛋清粉，可達到100%的鑒別率，針對部分富氮類（如三聚氰胺）摻雜物可達到0.1%的檢測限，且由于模型提取的光譜特征區(qū)域更明顯，針對多摻雜的檢測精度更高，其最高 L LRC 更低。該模型在蛋清粉的真?zhèn)螜z測方面有較高的準(zhǔn)確度及精確度，對于單組分和多組分的混合摻雜都有較好的判別性能。

6 結(jié) 論

本研究針對蛋清粉真實性檢測問題，提出了一種改進EG-1D-CNN模型，可基于近紅外光譜數(shù)據(jù)對蛋清粉進行真?zhèn)闻袆e，該模型無需對原光譜進行預(yù)處理，且在原網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上增加了ECA與1D-GAP模塊，分別改善了模型的精度及復(fù)雜度，最終對于不同類型的樣本均實現(xiàn)了良好的判別效果：該模型的最終假陽性率（FFPR）可達到0%，對于摻雜蛋清粉的檢測率可達到97.80%，總準(zhǔn)確率（AAR）為98.93%，最低檢測限（LLRC）在淀粉、大豆分離蛋白、三聚氰胺、尿素、甘氨酸上分別可達到1%、5%、0.1%、1%、5%，在多摻雜中可達到0.1%～1%，平均檢測時間（AATS）可達到0.004 4 s，模型大小占用為1.18 M，由于多組分摻雜光譜圖的特征區(qū)間及程度更明顯，該模型在多組分摻雜的鑒別表現(xiàn)比單組分更優(yōu)，且相比其他的算法，該模型的性能均為最優(yōu)。改進后的EG-1D-CNN模型可實現(xiàn)對低濃度、多組分摻雜蛋清粉樣本的準(zhǔn)確檢測，在蛋清粉的真實性快速檢測中顯示出巨大的應(yīng)用潛力，且模型占用空間小，能以較低成本將模型部署于嵌入式設(shè)備中，為后續(xù)開發(fā)針對蛋粉質(zhì)量檢測的便攜式近紅外光譜檢測儀提供一定的理論基礎(chǔ)。

為了使模型具有更高的精度、更快的檢測速度、更小的占用空間及更廣的適用范圍，未來的研究可以進一步優(yōu)化1D-CNN的模型結(jié)構(gòu)，如隱含層結(jié)構(gòu)的優(yōu)化，在保證準(zhǔn)確度的同時，降低模型的復(fù)雜度，以優(yōu)化模型的速度及占用空間；選擇更多品牌的不同生產(chǎn)批次的蛋清粉、選擇更多的摻雜物、擴大摻雜物樣本數(shù)量，以提高模型的適用范圍；由于蛋清粉摻雜種類繁多，僅針對幾種的摻雜物檢測無法有效覆蓋市面上所有的摻雜物，為實現(xiàn)蛋清粉更廣的摻雜種類檢測范圍，建立基于無監(jiān)督學(xué)習(xí)的非定向檢測模型也是之后蛋清粉真實性檢測的一個重要研究方向。

作者簡介

第一作者：

祝志慧 副教授

華中農(nóng)業(yè)大學(xué)工學(xué)院

教育經(jīng)歷：

2005/9-2008/12，武漢大學(xué)，電力系統(tǒng)及其自動化，博士

2003/9-2005/6，華中農(nóng)業(yè)大學(xué)，農(nóng)業(yè)工程，碩士

1993/9-1997/6，武漢大學(xué)，電力系統(tǒng)及其自動化，學(xué)士

科研與學(xué)術(shù)工作經(jīng)歷：

2012/12-至今，華中農(nóng)業(yè)大學(xué)，工學(xué)院，副教授

2010/3-2012/12，華中農(nóng)業(yè)大學(xué)，食品科技學(xué)院國家蛋品加工技術(shù)研發(fā)分中心，博士后

2008/12-2011/12，華中農(nóng)業(yè)大學(xué)，工學(xué)院，講師

主要從事智能檢測與信息處理、實時在線監(jiān)測及自動控制技術(shù)等方面的科研工作，主講《農(nóng)產(chǎn)品無損檢測技術(shù)》、《工程測試與信息處理技術(shù)》、《數(shù)學(xué)建模》等本科生與研究生重要課程。主持和參與中國博士后科學(xué)基金、湖北省自然科學(xué)基金，校青年創(chuàng)新基金、國家自然科學(xué)基金、公益性行業(yè)（農(nóng)業(yè)）科研專項子課題、國家科技支撐計劃項目、湖北省科技支撐計劃等11 項科研項目。在國內(nèi)外重要學(xué)術(shù)期刊和會議上發(fā)表科研論文30 余篇，其中 SCI/EI 檢索 20 篇，出版學(xué)術(shù)專著2 部，授權(quán)發(fā)明專利6 項，授權(quán)軟件著作權(quán)9 項。研究成果先后獲“湖北省科技進步一等獎（排名第4）”、“湖北省科技技術(shù)發(fā)明二等獎（排名第2）”。

本文《基于改進一維卷積神經(jīng)網(wǎng)絡(luò)模型的蛋清粉近紅外光譜真實性檢測》來源于《食品科學(xué)》2025年46卷6期245-253頁。作者：祝志慧，李沃霖，韓雨彤，金永濤，葉文杰，王巧華，馬美湖。DOI:10.7506/spkx1002-6630-20240830-232。點擊下方閱讀原文即可查看文章相關(guān)信息。

實習(xí)編輯：陳麗先；責(zé)任編輯：張睿梅。點擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網(wǎng)

為貫徹落實《中共中央國務(wù)院關(guān)于全面推進美麗中國建設(shè)的意見》《關(guān)于建設(shè)美麗中國先行區(qū)的實施意見》和“健康中國2030”國家戰(zhàn)略，全面加強農(nóng)業(yè)農(nóng)村生態(tài)環(huán)境保護，推進美麗鄉(xiāng)村建設(shè)，加快農(nóng)產(chǎn)品加工與儲運產(chǎn)業(yè)發(fā)展，實現(xiàn)食品產(chǎn)業(yè)在生產(chǎn)方式、技術(shù)創(chuàng)新、環(huán)境保護等方面的全面升級。由 中國工程院主辦， 中國工程院環(huán)境與輕紡工程學(xué)部、北京食品科學(xué)研究院、湖南省農(nóng)業(yè)科學(xué)院、岳麓山工業(yè)創(chuàng)新中心承辦， 國際食品科技聯(lián)盟（IUFoST）、國際谷物科技協(xié)會（ICC）、湖南省食品科學(xué)技術(shù)學(xué)會、洞庭實驗室、湖南省農(nóng)產(chǎn)品加工與質(zhì)量安全研究所、中國食品雜志社、中國工程院Engineering編輯部、湖南大學(xué)、湖南農(nóng)業(yè)大學(xué)、中南林業(yè)科技大學(xué)、長沙理工大學(xué)、湘潭大學(xué)、湖南中醫(yī)藥大學(xué)協(xié)辦的“ 2025年中國工程院工程科技學(xué)術(shù)研討會—推進美麗鄉(xiāng)村建設(shè)-加快農(nóng)產(chǎn)品加工與儲運產(chǎn)業(yè)發(fā)展暨第十二屆食品科學(xué)國際年會”，將于2025年8月8-10日在中國 湖南 長沙召開。

長按或微信掃碼進行注冊