利用可见-近红外反射光谱法和深度学习模型快速确定食用油中的棕榈酸含量

脂肪酸丰度是评估食用油质量的一个关键参数。本研究开发了一种快速且无损的方法，通过将可见-近红外（Vis-NIR）反射光谱与深度学习模型相结合，预测食用油中的棕榈酸含量。从87个品牌的食用油中收集了总共1740个350-2500 nm范围内的反射光谱，包括花生油、大豆油、玉米油、葵花籽油、菜籽油、芝麻油和橄榄油。通过气相色谱-质谱联用（GC-MS）确定棕榈酸含量的参考值。开发了两个传统机器学习模型（SVR和KNN）和四个深度学习模型（1D-CNN，1D-ResNet，1D-Inception和1D-Inception-ResNet），并使用全光谱数据和CARS选定的特征波长进行比较。在全光谱模型中，设计的1D-ResNet模型表现最佳，预测决定系数（Rp2）为0.9027，预测均方根误差（RMSEp）为1.13。在预测数据集上，所提出的1D-Inception-ResNet模型基于通过竞争自适应重加权采样（CARS）选择的91个信息波长，取得了最佳预测结果，Rp2为0.9825，RMSEp为0.4804。实验结果表明，将Vis-NIR反射光谱与信息波长选择及深度学习模型结合，提供了一种快速预测食用油中棕榈酸含量的有效策略。