基于紫外荧光光谱与多任务深度学习的菜籽油品质多指标同步无损检测方法研究

本研究针对传统食用油品质检测方法耗时、破坏样本且无法多指标同步分析的难题，创新性地将紫外荧光光谱技术与多任务卷积神经网络（MT-CNN）相结合，开发了可同时预测酸价、过氧化值、α-生育酚（α-tocopherol）和多酚含量的智能模型。通过引入多头注意力机制和残差连接优化特征提取，结合SNV-SG光谱预处理和SHAP可解释性分析，模型平均相关系数达0.9639，为食用油质量安全监管提供了快速精准的解决方案。

　　

食用油安全与健康已成为现代社会关注的焦点，而传统检测方法如色谱分析虽精确却存在耗时长、破坏样本等局限。作为中国主要食用油之一的菜籽油，其品质指标如酸价（反映游离脂肪酸含量）、过氧化值（衡量氧化程度）以及α-生育酚（维生素E活性成分）和多酚（抗氧化物质）的检测，亟需发展快速无损的新技术。紫外荧光光谱凭借高灵敏度、非接触等优势，结合深度学习算法，为这一领域带来了突破契机。

中国国家粮油食品集团（COFCO）等机构的研究人员创新性地构建了融合多头注意力机制和残差连接的多任务卷积神经网络（MT-CNN），利用13个品种菜籽油的荧光光谱数据，同步预测四项关键指标。研究采用标准正态变量变换（SNV）联合Savitzky-Golay（SG）滤波进行光谱预处理，通过SHAP值解析关键波长，并与PLSR、KNN、SVR等传统模型进行系统对比。

样品制备
研究选用13类压榨菜籽油（含3类低气味原油和10类高香精炼油），通过专业调配工程师控制混合比例制备样本，确保数据多样性。

统计参考值
核密度估计显示，酸价呈双峰分布反映不同加工工艺差异，而过氧化值右偏分布提示部分样本存在氧化风险，α-生育酚和多酚则呈现典型正态分布，为模型训练提供良好数据基础。

结论
该研究首次实现荧光光谱与MTDL在食用油检测中的成功结合，所建模型平均预测精度达0.9639，显著优于单任务框架。通过SHAP分析发现，305nm和450nm波段对酸价预测贡献显著，而维生素E特征峰与多酚荧光响应存在协同效应。这种非破坏性多指标同步检测技术，不仅为食用油质量监控提供新范式，其可解释性设计更为食品光谱智能分析树立了方法论标杆。论文发表于《Journal of Food Composition and Analysis》，为食品安全检测领域的技术革新提供了重要参考。