邵帥斌，劉美含，石宇晴，郝朝龍，韓 宙，張 偉*，陳 達(dá)*

（1.中國(guó)民航大學(xué)安全科學(xué)與工程學(xué)院，天津 300300；2.中國(guó)民航大學(xué) 民航熱災(zāi)害防控和應(yīng)急重點(diǎn)實(shí)驗(yàn)室，天津 300300）

一直以來，乳制品因其優(yōu)越的礦物質(zhì)組成、生物利用度、可消化性和生物價(jià)值而受到消費(fèi)者青睞。乳制品是人體攝取蛋白質(zhì)、維生素、氨基酸和礦物質(zhì)等營(yíng)養(yǎng)物質(zhì)的極佳來源，其中嬰幼兒、哺乳期婦女和老年人更是乳制品的重要消費(fèi)者。迄今為止，乳粉作為受歡迎的乳制品，占乳制品消耗總量的80%以上。因此，乳粉質(zhì)量安全一直是全球人民共同關(guān)注的問題。隨著國(guó)民對(duì)乳粉需求量的增加，在乳粉中添加營(yíng)養(yǎng)強(qiáng)化劑是提高乳粉營(yíng)養(yǎng)價(jià)值和增加經(jīng)濟(jì)利潤(rùn)的常見做法。然而一些不良廠商為降低生產(chǎn)成本，摻入過量雜質(zhì)（如多余的葡萄糖、淀粉、小麥粉、麥芽糖糊精、滑石粉、乳清粉）校正蛋白含量或密度值，極大降低了乳粉的營(yíng)養(yǎng)價(jià)值，甚至可能對(duì)人體健康造成嚴(yán)重危害?！按箢^娃娃”“三聚氰胺”“皮革奶”“激素門”等頻繁發(fā)生的嬰幼兒配方乳粉安全事件表明，相關(guān)部門雖然為乳制品的管理制定了法規(guī)政策，但由于硬件設(shè)備、監(jiān)管力度和執(zhí)行力度有限，無法達(dá)到滿意的乳粉質(zhì)量安全管控效果。GB 10765ü2010《嬰兒配方食品》規(guī)定，乳粉中的雜質(zhì)含量必須小于1.2%，但是現(xiàn)行GB 5413.30ü2010《乳和乳制品雜質(zhì)度的測(cè)定》檢測(cè)方法并不能滿足數(shù)以百萬噸的乳粉摻雜篩查需求。因此，如何對(duì)乳粉摻雜問題進(jìn)行快速、準(zhǔn)確的科學(xué)評(píng)估仍是亟待解決的重大食品安全問題。

在實(shí)踐中，乳粉安全檢測(cè)的方法主要分為定向篩查和非定向篩查兩種。其中定向篩查主要是針對(duì)已知摻雜物進(jìn)行定量分析，通常用于判斷所檢測(cè)化合物是否超標(biāo)。目前，常見的定向篩查方法有高效液相色譜法、氣相色譜-質(zhì)譜聯(lián)用法、生物化學(xué)分析方法等，雖然靈敏度高，但需要繁瑣的樣品前處理過程，對(duì)檢測(cè)人員和儀器有較高要求，不適于乳粉安全的大規(guī)模快速檢測(cè)應(yīng)用。由于定向篩查方法僅針對(duì)已知危害物質(zhì)制定，無法識(shí)別未知化學(xué)摻雜物，在乳粉摻雜篩查的應(yīng)用范圍有限。針對(duì)定向篩查的缺點(diǎn)，非定向篩查技術(shù)應(yīng)運(yùn)而生。非定向篩查結(jié)合動(dòng)態(tài)識(shí)別或大數(shù)據(jù)庫分析策略，能夠從復(fù)雜、變動(dòng)的乳粉數(shù)據(jù)中準(zhǔn)確提取真實(shí)性本征信息，有效地解決了傳統(tǒng)篩查技術(shù)無法全面覆蓋摻雜物質(zhì)的問題，成為摻雜篩查領(lǐng)域的最新技術(shù)發(fā)展趨勢(shì)。

傳統(tǒng)拉曼光譜非定向篩查技術(shù)需要合適的數(shù)據(jù)預(yù)處理手段才能獲得光譜特征，增加了有效信息泄漏的風(fēng)險(xiǎn)，同時(shí)也極大增加了算法復(fù)雜度。因此，亟需發(fā)展一種預(yù)處理與計(jì)算一體化的拉曼光譜建模方法，以此提升拉曼光譜在乳粉安全篩查中的應(yīng)用范圍。近年來，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）以其高效的特征提取能力獲得業(yè)內(nèi)的廣泛認(rèn)可。它是人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)結(jié)合產(chǎn)生的一種新型人工神經(jīng)網(wǎng)絡(luò)方法，已經(jīng)廣泛應(yīng)用于特征提取相關(guān)研究。目前，將CNN應(yīng)用于拉曼光譜檢測(cè)技術(shù)的研究引起了學(xué)者們的興趣。Guo Zhiqi等提出一種利用人血清拉曼光譜結(jié)合深度學(xué)習(xí)模型診斷乙型肝炎病毒感染的新方法，并通過多尺度融合卷積運(yùn)算保留和融合多尺度特征。Zhu Jiaji等提出一種表面增強(qiáng)拉曼散射與CNN相結(jié)合的方法，能夠快速現(xiàn)場(chǎng)鑒定茶葉中農(nóng)藥殘留。此外，CNN在雌激素粉末拉曼光譜分類、土壤近紅外光譜分類、水果品質(zhì)檢測(cè)、熟食中的異物檢測(cè)和農(nóng)作物品質(zhì)及遙感圖像分類方面也表現(xiàn)出優(yōu)異的分類性能。針對(duì)原始數(shù)據(jù)少，網(wǎng)絡(luò)學(xué)習(xí)效果差等問題，李靈巧等利用深度卷積生成對(duì)抗網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，提高了網(wǎng)絡(luò)的特征學(xué)習(xí)能力，但是該方法雖然擴(kuò)充了數(shù)據(jù)集，但是擴(kuò)充后的數(shù)據(jù)集并不能充分代表原始數(shù)據(jù)集，可能會(huì)影響網(wǎng)絡(luò)對(duì)真實(shí)樣品的分類能力。

本研究提出一種基于CNN的乳粉摻雜物拉曼光譜分類方法，該方法可以直接將原始拉曼光譜數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，借助其內(nèi)嵌的卷積與池化層處理能力，在準(zhǔn)確提取不同摻雜物光譜的原始數(shù)據(jù)特征的同時(shí)，構(gòu)建相應(yīng)的CNN模型，實(shí)現(xiàn)對(duì)未知乳粉摻雜物的精準(zhǔn)高效識(shí)別。在建模過程中，利用拉曼光譜儀快速采集足量乳粉樣本的光譜數(shù)據(jù)，以此為CNN的輸入，并重點(diǎn)討論初始超參數(shù)對(duì)模型訓(xùn)練的影響。與此同時(shí)，針對(duì)現(xiàn)有光譜預(yù)處理方法的缺陷，以離散小波變換為基礎(chǔ)，選擇基線校正和降噪處理相結(jié)合的預(yù)處理方式，研究光譜預(yù)處理對(duì)網(wǎng)絡(luò)模型的影響。結(jié)果表明，CNN同時(shí)兼?zhèn)涔庾V預(yù)處理與多元校正計(jì)算的一體化能力，其模型預(yù)測(cè)結(jié)果有效滿足實(shí)際分析需求，極大降低了乳粉摻雜拉曼光譜分析的技術(shù)難度，并有望拓展到其他食品的摻雜識(shí)別應(yīng)用中。

1 材料與方法

1.1 材料

標(biāo)準(zhǔn)品：60 種市售脫脂乳粉；摻雜物：麥芽糖糊精（分析純） 上海麥克林生化科技有限公司；特級(jí)小麥粉益海嘉里金龍魚糧油食品股份有限公司；滑石粉 濟(jì)南良豐貿(mào)易有限公司；植脂末、乳清粉 雀巢（天津）有限公司；一級(jí)淀粉 寧夏來裕淀粉有限公司。

1.2 儀器與設(shè)備

XW-80A渦流混合儀 上海滬西分析儀器廠有限公司；BIOS-105T-304GS型二維位移平臺(tái) 日本Sigma Koki公司；便攜式拉曼光譜儀由實(shí)驗(yàn)室自主研發(fā)。

1.3 方法

1.3.1 樣品制備

將摻雜物分別混合入脫脂乳粉中，每個(gè)樣品20 g，使用渦流混合儀振動(dòng)5 min，以確保乳粉和摻雜物均勻混合，制備6 種摻雜物質(zhì)量分?jǐn)?shù)0.3%的標(biāo)準(zhǔn)摻雜樣品。

1.3.2 光譜數(shù)據(jù)采集

拉曼高光譜采集系統(tǒng)由二維位移平臺(tái)、便攜式拉曼光譜儀和集成控制模塊組成。拉曼光譜儀激發(fā)源波長(zhǎng)785 nm，激光器總輸出功率100 mW。光譜儀采用64h1 024像素的面陣CCD檢測(cè)器，波數(shù)范圍200～2 200 cm，實(shí)驗(yàn)中設(shè)置光譜儀積分時(shí)間為600 ms，采集區(qū)域面積為（11h30）mm，控制二維位移平臺(tái)步長(zhǎng)為0.3 mm，每種摻雜樣品采集1 100 組拉曼光譜數(shù)據(jù)，共采集6 600 組拉曼光譜數(shù)據(jù)。此外，利用光譜儀分別采集6 種標(biāo)準(zhǔn)摻雜樣品（質(zhì)量分?jǐn)?shù)0.3%）的拉曼光譜，每種標(biāo)準(zhǔn)摻雜樣品采集100 組拉曼光譜數(shù)據(jù)，用于檢驗(yàn)方法的可靠性；額外采集600 組不同摻雜物含量的乳粉樣本作為獨(dú)立驗(yàn)證集，以驗(yàn)證算法的有效性和可靠性。

1.3.3 光譜數(shù)據(jù)預(yù)處理

脫脂乳粉的原始拉曼光譜存在熒光背景和噪聲，使用傳統(tǒng)拉曼光譜分類方法時(shí)，熒光背景和噪聲會(huì)干擾摻雜物的特征提取。為了探究光譜預(yù)處理對(duì)CNN訓(xùn)練結(jié)果的影響，需要選擇合適的預(yù)處理手段對(duì)原始拉曼光譜進(jìn)行降噪和去背景?？紤]到高光譜數(shù)據(jù)量較大，預(yù)處理算法需要有較快的處理速度，因此，本實(shí)驗(yàn)采用離散小波變換（discrete wavelet transform，DWT）方法對(duì)獲得的原始拉曼光譜進(jìn)行處理。DWT可將光譜分成不同頻率的信號(hào)，通過信號(hào)重構(gòu)去除低頻背景和高頻噪聲，實(shí)現(xiàn)特征光譜信號(hào)的保留，具體表達(dá)式見式（1）、（2）：

式中：表示小波基函數(shù)；表示分辨率；表示時(shí)域因子；表示時(shí)間；WT表示信號(hào)的小波變換；表示原始信號(hào)；表示濾波器長(zhǎng)度。

采用symmlets小波基函數(shù)，選擇DWT的小波函數(shù)sym5和分解尺度7對(duì)所有原始光譜進(jìn)行處理。

1.3.4 CNN搭建

CNN是一個(gè)多層非全連接的神經(jīng)網(wǎng)絡(luò)，在正向傳播過程中可利用卷積層和池化層相互交替學(xué)習(xí)提取原始數(shù)據(jù)的特征，反向傳播時(shí)又可利用梯度下降算法最小化誤差函數(shù)調(diào)整參數(shù)，完成權(quán)值更新。本研究將改進(jìn)的AlexNet網(wǎng)絡(luò)應(yīng)用于乳粉摻雜物拉曼光譜的分類。為重點(diǎn)訓(xùn)練分類，需要減小特征提取部分的波動(dòng)，故將網(wǎng)絡(luò)最后一個(gè)全連接層的偏置學(xué)習(xí)率因子和權(quán)重學(xué)習(xí)率因子全部調(diào)整為20；較大的初始學(xué)習(xí)率有可能使損失函數(shù)離最低點(diǎn)較遠(yuǎn)，故本網(wǎng)絡(luò)模型統(tǒng)一設(shè)置學(xué)習(xí)率為0.000 1；此外，由于每條光譜數(shù)據(jù)的最大值和最小值相差較大，數(shù)據(jù)的特征分布范圍較大，導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練過程中梯度下降緩慢，不利于模型收斂，故使用Matlab軟件將一維光譜數(shù)據(jù)繪制成二維圖像，并將二維圖像大小設(shè)置為227h227后輸入網(wǎng)絡(luò)，進(jìn)一步縮小數(shù)據(jù)特征分布范圍，加速梯度下降，從而提高訓(xùn)練速度，加快模型收斂。

圖1 AlexNet網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 AlexNet network model’s structure

1.3.5 模型評(píng)估方法

為了評(píng)估模型訓(xùn)練結(jié)果，選擇訓(xùn)練準(zhǔn)確率、驗(yàn)證準(zhǔn)確率和測(cè)試準(zhǔn)確率對(duì)模型進(jìn)行性能評(píng)估。準(zhǔn)確率按式（3）計(jì)算：

式中：為判別正確的樣本數(shù)；為樣本總數(shù)。

此外，運(yùn)用混淆矩陣將測(cè)試集中每類光譜的預(yù)測(cè)結(jié)果進(jìn)一步可視化，評(píng)估模型對(duì)未知光譜的分類性能。

2 結(jié)果與分析

2.1 不同摻雜脫脂乳粉的拉曼光譜

如圖2所示，除摻雜小麥粉的樣品外，其余5 種摻雜樣品的拉曼光譜圖高度相似，因此利用傳統(tǒng)拉曼光譜數(shù)據(jù)不能有效區(qū)分摻雜物種類。

圖2 不同摻雜物樣品的典型拉曼光譜圖Fig.2 Typical Raman spectra of samples with different adulterants

2.2 不同超參數(shù)組合對(duì)模型訓(xùn)練結(jié)果的影響

鑒于摻雜樣品光譜圖相似程度較高，考慮利用CNN提取不同摻雜樣品的拉曼光譜典型特征。然而，CNN不能在訓(xùn)練過程中自主學(xué)習(xí)小批量尺寸、最大回合數(shù)、驗(yàn)證頻率等相關(guān)超參數(shù)，并且沒有直接確定網(wǎng)絡(luò)超參數(shù)組合的方法，因此通過手動(dòng)調(diào)參尋求最佳的超參數(shù)組合是提高網(wǎng)絡(luò)驗(yàn)證準(zhǔn)確率的有效途徑。

本研究通過3 次獨(dú)立重復(fù)性實(shí)驗(yàn)，考察分析小批量尺寸、網(wǎng)絡(luò)驗(yàn)證頻率以及最大回合數(shù)對(duì)網(wǎng)絡(luò)驗(yàn)證準(zhǔn)確率的影響。如表1所示，單獨(dú)調(diào)整網(wǎng)絡(luò)驗(yàn)證頻率對(duì)模型的驗(yàn)證準(zhǔn)確率影響不大；隨著小批量尺寸的減小和對(duì)應(yīng)網(wǎng)絡(luò)驗(yàn)證頻率的增大，模型驗(yàn)證準(zhǔn)確率呈增大趨勢(shì)。此外，模型訓(xùn)練的最大回合數(shù)與驗(yàn)證準(zhǔn)確率沒有線性關(guān)系，為確定最優(yōu)的最大回合數(shù)，進(jìn)一步探究最大回合數(shù)對(duì)驗(yàn)證準(zhǔn)確率的影響。如圖3所示，3 次獨(dú)立重復(fù)實(shí)驗(yàn)的誤差均在0.3%以內(nèi)，表明網(wǎng)絡(luò)模型具有良好的穩(wěn)定性。此外，隨著最大回合數(shù)從5上升至10，驗(yàn)證準(zhǔn)確率先上升后下降，當(dāng)最大回合數(shù)為9時(shí)，驗(yàn)證準(zhǔn)確率達(dá)到最大值（97.58%）。通過超參數(shù)優(yōu)化使網(wǎng)絡(luò)的分類準(zhǔn)確率提高約10%（從89.97%提高至97.58%），最終確定優(yōu)化方案7為網(wǎng)絡(luò)最佳訓(xùn)練參數(shù)組合。

表1 CNN的超參數(shù)優(yōu)化方案對(duì)比Table 1 Hyperparameter optimization schemes compared with convolutional neural networks

圖3 不同最大回合數(shù)的驗(yàn)證準(zhǔn)確率對(duì)比Fig.3 Plot of validation accuracy against maximum number of epochs

2.3 不同光譜預(yù)處理對(duì)模型訓(xùn)練結(jié)果的影響

降噪和去背景是進(jìn)行傳統(tǒng)拉曼光譜分類的關(guān)鍵環(huán)節(jié)，為評(píng)估兩種預(yù)處理及其組合方法對(duì)模型的影響，分別將原始光譜數(shù)據(jù)和3 類預(yù)處理后的光譜數(shù)據(jù)（降噪、去背景、降噪和去背景）輸入CNN進(jìn)行訓(xùn)練，結(jié)果如圖4所示。與另外3 類數(shù)據(jù)（原始光譜數(shù)據(jù)、降噪光譜數(shù)據(jù)、去背景光譜數(shù)據(jù)）相比，當(dāng)光譜數(shù)據(jù)被同時(shí)降噪和去背景處理后，模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率均下降15%左右，這可能是因?yàn)檫^多的預(yù)處理步驟減少了光譜數(shù)據(jù)的特征，增加了網(wǎng)絡(luò)特征提取的難度；對(duì)原始光譜數(shù)據(jù)進(jìn)行單一預(yù)處理后，模型的訓(xùn)練準(zhǔn)確率較原始光譜有輕微提高，驗(yàn)證準(zhǔn)確率卻有所降低。原始光譜數(shù)據(jù)的網(wǎng)絡(luò)驗(yàn)證準(zhǔn)確率高達(dá)97.58%，表明不同乳粉摻雜物的原始光譜特征被網(wǎng)絡(luò)充分學(xué)習(xí)，體現(xiàn)了CNN強(qiáng)大的特征提取和分類能力。

圖4 不同預(yù)處理后的CNN準(zhǔn)確率對(duì)比Fig.4 Effect of different spectral preprocessing methods on the accuracy of CNN

2.4 不同網(wǎng)絡(luò)模型對(duì)測(cè)試準(zhǔn)確率的影響

為探究預(yù)處理前后CNN對(duì)未知樣品的測(cè)試準(zhǔn)確率，選取600 組標(biāo)準(zhǔn)摻雜樣品作為測(cè)試集，輸入對(duì)應(yīng)的4 種CNN模型，獲得每種模型的測(cè)試準(zhǔn)確率。如圖5所示，原始光譜網(wǎng)絡(luò)模型、混合預(yù)處理（降噪和去背景）網(wǎng)絡(luò)模型、單一降噪網(wǎng)絡(luò)模型以及單一去背景網(wǎng)絡(luò)模型的測(cè)試準(zhǔn)確率分別為96.33%、70.67%、96.17%、93.5%，原始光譜網(wǎng)絡(luò)模型表現(xiàn)出最強(qiáng)的泛化能力，而混合預(yù)處理網(wǎng)絡(luò)模型與另外3 種模型相比，測(cè)試準(zhǔn)確率下降約25%。由此可知，網(wǎng)絡(luò)的訓(xùn)練結(jié)果與測(cè)試結(jié)果一致，表明CNN可準(zhǔn)確提取原始光譜的本征信息，而過度的光譜預(yù)處理很可能會(huì)嚴(yán)重影響CNN的特征提取能力，從而大大降低網(wǎng)絡(luò)對(duì)未知光譜的識(shí)別能力。

圖5 不同光譜預(yù)處理的測(cè)試準(zhǔn)確率Fig.5 Accuracy of test with different spectral preprocessing methods

進(jìn)一步研究乳粉摻雜物光譜數(shù)據(jù)在不同網(wǎng)絡(luò)模型中的分類結(jié)果，利用混淆矩陣將測(cè)試集結(jié)果進(jìn)一步可視化，矩陣的橫坐標(biāo)代表預(yù)測(cè)類，縱坐標(biāo)代表真實(shí)類。由圖6可知，原始光譜網(wǎng)絡(luò)模型可有效辨別乳粉摻雜物光譜，識(shí)別準(zhǔn)確率均在92.9%以上，單一預(yù)處理模型的辨別能力有所下降，混合預(yù)處理模型甚至無法分辨淀粉摻雜物光譜。此外，小麥粉數(shù)據(jù)經(jīng)過單一預(yù)處理后的識(shí)別準(zhǔn)確率仍保持100%，即使經(jīng)過混合預(yù)處理后仍保持99%的較高準(zhǔn)確率；經(jīng)過混合預(yù)處理和單一去背景預(yù)處理后植脂末的識(shí)別準(zhǔn)確率無明顯提升，但是經(jīng)單一降噪處理后其分類性能較原始光譜下降了10.2%；與原始光譜相比，乳清粉光譜數(shù)據(jù)經(jīng)單一降噪預(yù)處理后分類性能保持不變，但是經(jīng)單一去背景預(yù)處理后分類性能下降了10%，經(jīng)混合預(yù)處理后識(shí)別準(zhǔn)確率下降了71.5%；與原始光譜相比，滑石粉光譜數(shù)據(jù)經(jīng)單一去背景預(yù)處理后性能提高了2.8%，經(jīng)單一降噪以及混合預(yù)處理后性能均提高了4.8%；糊精光譜數(shù)據(jù)經(jīng)單一降噪預(yù)處理后分類性能較原始光譜提高了0.9%，經(jīng)單一去背景預(yù)處理后分類性能下降了3.4%，混合預(yù)處理后分類性能下降了31.2%；淀粉光譜數(shù)據(jù)經(jīng)單一降噪預(yù)處理后分類性能較原始光譜提高了4.8%，經(jīng)單一去背景預(yù)處理后性能下降了7.2%，經(jīng)混合預(yù)處理后分類性能降低至0%。表2總結(jié)了4 種網(wǎng)絡(luò)模型對(duì)乳粉摻雜物分類性能的影響，結(jié)果表明預(yù)處理后的光譜只能有限提升個(gè)別乳粉摻雜物的分類性能，對(duì)于大部分摻雜物，預(yù)處理極有可能降低CNN的特征學(xué)習(xí)能力，不利于乳粉摻雜物的精準(zhǔn)高效識(shí)別。

圖6 不同光譜預(yù)處理的測(cè)試集混淆矩陣Fig.6 Confusion matrix of test set with different spectral preprocessing methods

表2 不同網(wǎng)絡(luò)模型對(duì)乳粉摻雜物分類性能的影響Table 2 Classification performance of different network models for six milk powder adulterants

2.5 市場(chǎng)樣品分析

使用600 組不同摻雜物含量的乳粉樣本計(jì)算該方法的分類準(zhǔn)確率，驗(yàn)證該方法的有效性。如表3所示，CNN模型的分類準(zhǔn)確率高達(dá)95.5%，可滿足乳粉工業(yè)的市場(chǎng)檢測(cè)需求。其中CNN模型對(duì)小麥粉和糊精樣品的識(shí)別準(zhǔn)確率高達(dá)100%，對(duì)滑石粉、乳清粉和淀粉樣品的識(shí)別準(zhǔn)確率分別為99%、97%和92%，完全可以滿足乳粉摻雜物鑒別需求；但模型對(duì)植脂末樣品的識(shí)別準(zhǔn)確率較低，可能的原因是植脂末樣品的拉曼光譜特征不明顯，從而使模型對(duì)其特征光譜的提取能力不足。后續(xù)研究可通過增加訓(xùn)練集數(shù)據(jù)和提高模型訓(xùn)練次數(shù)解決以上問題。

表3 網(wǎng)絡(luò)模型對(duì)標(biāo)準(zhǔn)摻雜樣品的預(yù)測(cè)結(jié)果評(píng)價(jià)Table 3 Prediction results of standard adulterants by the CNN model

3 結(jié) 論

以乳粉摻雜物拉曼光譜數(shù)據(jù)為研究對(duì)象，建立能夠精準(zhǔn)識(shí)別摻雜物的CNN模型。分析結(jié)果表明：CNN不但能夠簡(jiǎn)化傳統(tǒng)光譜預(yù)處理和建模過程，并且對(duì)標(biāo)準(zhǔn)樣品的分類準(zhǔn)確率高達(dá)95.5%，可滿足大批量的乳粉質(zhì)量安全篩查需求；CNN的性能與超參數(shù)組合方式呈非線性相關(guān)，需手動(dòng)調(diào)試才能達(dá)到最優(yōu)分類性能。本研究創(chuàng)新性地將一維光譜數(shù)據(jù)轉(zhuǎn)變?yōu)槎S圖像輸入CNN，減小了數(shù)據(jù)的特征分布范圍，提高了模型收斂速度，可應(yīng)用到其他CNN分類建模研究。