本研究由Yingchao Xue（江苏大学电气与信息工程学院）、Chengyun Zhu（盐城师范学院物理与电子工程学院/江苏省智能光电器件与测控工程研究中心）和Hui Jiang（江苏大学电气与信息工程学院）合作完成，成果发表于2023年5月的《Infrared Physics & Technology》期刊（卷132，文章编号104734）。研究聚焦食用油脂中农药残留的快速检测问题，提出了一种基于一维卷积神经网络（1D-CNN）结合近红外光谱（Near-Infrared Spectroscopy, NIR）的数据增强分析方法，用于玉米油中毒死蜱（Chlorpyrifos）残留的定量检测。

学术背景

毒死蜱作为一种广谱有机磷农药，虽能有效防治作物害虫，但其残留可能通过食用油进入人体，对心血管、神经和内分泌系统造成损害，甚至诱发癌症。传统检测方法如色谱法（GC/LC）和质谱法（GC-MS/LC-MS）虽精度高，但耗时昂贵且需专业操作。近红外光谱技术因其快速、无损、无需前处理等优势成为潜在替代方案，但传统化学计量学方法在复杂基质（如食用油）中的分析性能有限。深度学习为光谱分析提供了新思路，然而实际应用中高质量标记数据获取困难。为此，本研究旨在开发结合数据增强技术的1D-CNN模型，提升小样本条件下毒死蜱残留的定量分析精度。

研究流程与方法

1. 样本制备与光谱采集

• 样本制备：采购9个品牌玉米油，配制14个浓度梯度（150~0.03 mg/kg）的毒死蜱标准溶液，按1:9质量比混合，最终获得126个样本。
  
• 光谱采集：使用Ocean Optics Flame-NIR+光谱仪（波长范围970-1700 nm），设置积分时间20 ms，每个样本重复测量3次取均值以降低环境误差（温度控制在25℃）。
  

2. 数据增强技术

针对样本量不足问题，采用两种数据增强策略：
- DCGAN（深度卷积生成对抗网络）：生成器输入100维随机噪声，通过转置卷积层生成模拟光谱；判别器通过卷积层鉴别真伪光谱。训练中交替优化生成器（最小化判别器识别率）和判别器（最大化真实光谱分类准确率），最终生成45组增强光谱。
- SNR噪声添加：在原始光谱中加入信噪比（Signal-to-Noise Ratio, SNR）为55 dB、50 dB、45 dB、40 dB的高斯噪声，模拟实际测量中的信号干扰。

3. 1D-CNN模型构建与训练

• 网络结构：包含3个卷积层（核大小分别为17×1、15×1、11×1，通道数32-64-32）、最大池化层（2:1下采样）、全连接层。使用ReLU激活函数，损失函数为平均绝对误差（MAE），优化器为Adam（学习率0.0001），批量大小20，迭代1000次。
  
• 数据划分：原始数据按3:1分为训练集与预测集；增强后数据每浓度随机选取75%训练，25%验证。
  

4. 模型评估指标

采用校准集均方根误差（RMSEC）、预测集均方根误差（RMSEP）、决定系数（R²）、相对百分比偏差（RPD）评估性能，其中RPD=SD/RMSEP（SD为预测集标准差）。

主要结果

1. 传统方法与1D-CNN对比：

   • SVM模型的R²p仅为0.5618，RMSEP达27.2333 mg/kg；
     
   • 原始光谱1D-CNN模型性能提升（R²p=0.7893，RMSEP=17.8586 mg/kg），但仍有限。
     

2. 数据增强效果：

   • DCGAN-1D-CNN：R²p提升至0.8856，RMSEP降低至13.1583 mg/kg，RPD达2.9678；
     
   • SNR-1D-CNN（最优）：R²p=0.9492，RMSEP=8.7621 mg/kg，RPD=4.4569，较原始模型误差降低9.1 mg/kg。
     

3. 训练动态分析：

   • DCGAN增强模型在150次迭代内快速收敛，SNR增强模型在850次迭代后稳定，表明噪声增强提升了模型鲁棒性。
     

结论与价值

本研究证实：
1. 方法学创新：数据增强技术（DCGAN与SNR噪声）有效解决了NIR深度学习中小样本问题，其中SNR噪声增强使模型预测精度接近实验室级（RPD>3）。
2. 应用价值：为食用油农药残留提供了一种低成本、高通量的现场检测方案，检测时间从传统方法的数小时缩短至分钟级。
3. 理论意义：揭示了数据多样性对深度学习模型泛化能力的关键作用，为光谱化学计量学中数据增强策略的选择提供了实证依据。

研究亮点

• 技术融合：首次将DCGAN与SNR噪声联合应用于NIR光谱增强，突破小样本限制；
  
• 性能突破：SNR-1D-CNN的RPD值达4.4569，显著优于传统方法（RPD<1.5）；
  
• 可扩展性：提出的框架可推广至其他农药或食品基质的光谱分析。
  

其他发现

研究还指出，DCGAN生成数据需平衡质量与数量，而过高SNR噪声（如<40 dB）可能导致模型过拟合。未来可探索生成对抗网络与物理噪声模型的进一步结合。