这篇文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：

主要作者及研究机构

该研究的主要作者包括Shijie Shi、Junheng Feng、Yingying Ma、Cougui Cao、Lina Li和Yang Jiang。他们分别来自华中农业大学植物科学技术学院、华中农业大学双水双绿研究所以及沧州市农林科学院。该研究于2023年11月2日发表在《LWT - Food Science and Technology》期刊上，文章编号为115437。

学术背景

该研究的科学领域是食品科学与技术，特别是小麦粉中非法添加剂的快速检测。小麦粉是许多食品的基本成分，如面条、面包和饼干，其安全性对消费者至关重要。然而，一些不法商贩为了改善小麦粉的外观和性能，添加了低成本但非法的添加剂，如滑石粉（talc powder）和过氧化苯甲酰（benzoyl peroxide）。这些添加剂对人体健康有潜在危害，滑石粉与子宫内膜癌的发病率呈正相关，而过氧化苯甲酰则可能引发过敏反应、破坏维生素E，并具有弱致癌性。因此，快速检测小麦粉中的这些非法添加剂对维护食品安全至关重要。

传统检测方法如原子吸收光谱法、高效液相色谱法等虽然准确，但操作繁琐、耗时长，且需要专业人员操作，难以满足大规模样本检测的需求。近年来，近红外光谱（Near-Infrared Spectroscopy, NIR）技术因其快速、无损、低成本的优势，逐渐在食品工业中得到应用。该研究旨在探索NIR光谱与化学计量学结合的方法，快速准确地预测小麦粉中滑石粉和过氧化苯甲酰的含量，为食品安全提供新的检测手段。

研究流程

研究流程分为以下几个步骤：

1. 样品准备
   研究使用了一级小麦粉（GB/T 1355标准），并通过液相色谱和原子吸收光谱法确认了样品中不含滑石粉和过氧化苯甲酰。随后，研究人员将滑石粉和过氧化苯甲酰按不同比例（0 g/hg至5.1 g/hg）混合到小麦粉中，并振动30秒以确保样品均匀。每种添加剂设置了27个掺杂比例，每个比例进行三次重复，共制备了162个样品。

2. 光谱采集
   使用近红外分析仪（2600XT-R, Brookfield, USA）在680-2600 nm波长范围内采集小麦粉的近红外光谱。实验在25°C的空调房间中进行，每次测试前使用参考材料进行光谱校正，以确保采集的准确性。样品被均匀倒入仪器中，并使用盖子压平，确保每个样品的厚度一致。仪器每30分钟进行一次自检。

3. 模型构建与评估指标
   研究采用偏最小二乘回归（Partial Least Squares Regression, PLSR）构建模型，并使用多种预处理方法（如标准正态变量变换SNV、多元散射校正MSC等）提高模型的准确性。为了筛选关键波长，研究采用了多种算法，包括竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）、随机蛙跳（Random Frog, RF）和蒙特卡洛无信息变量消除（Monte Carlo Uninformative Variable Elimination, MCUVE）。通过这些算法，研究人员筛选出了10个有效波长，并进一步评估了模型的预测能力。

4. 数据分析与模型优化
   研究通过主成分分析（Principal Component Analysis, PCA）去除异常值，并使用Kennard-Stone方法将样品分为校准集和预测集（比例为3:1）。在模型构建过程中，研究人员通过交叉验证确定了最佳潜变量（Latent Variables, LVs），以避免过拟合。最终，研究通过不同的评估指标（如校准集均方根误差RMSEc、预测集均方根误差RMSEp等）评估了模型的性能。

主要结果

研究的主要结果如下：

1. 全波长PLSR模型
   在全波长PLSR模型中，滑石粉和过氧化苯甲酰的预测集决定系数（R²p）分别为0.995和0.964，表明模型具有较高的预测准确性。其中，滑石粉模型的残差预测偏差（Residual Prediction Deviation, RPD）为14.115，而过氧化苯甲酰模型的RPD为5.42，表明模型具有优异的预测能力。

2. 关键波长筛选
   通过CARS、RF和MCUVE算法，研究人员筛选出了10个关键波长。对于滑石粉，使用CARS-RF算法构建的模型的R²p和RPD分别为0.995和14.796；对于过氧化苯甲酰，使用RF算法构建的模型的R²p和RPD分别为0.923和3.697。这些结果表明，CARS-RF和RF算法在预测小麦粉中非法添加剂含量方面具有巨大潜力。

3. 模型比较
   与全波长模型相比，关键波长模型在滑石粉预测中表现出更高的RPD，表明其预测能力更强。尽管在过氧化苯甲酰预测中，关键波长模型的R²p略低，但其RPD仍高于3，表明模型仍具有较好的预测能力。

结论

该研究通过近红外光谱与多种关键波长筛选算法结合，成功构建了能够快速准确预测小麦粉中滑石粉和过氧化苯甲酰含量的模型。研究结果表明，CARS-RF和RF算法在筛选关键波长方面具有显著优势，能够显著提高模型的预测能力。该研究为小麦粉中非法添加剂的快速检测提供了新的技术手段，具有重要的科学价值和应用价值。

研究亮点

1. 创新性方法
   该研究首次将NIR光谱与CARS-RF和RF算法结合，用于小麦粉中滑石粉和过氧化苯甲酰的快速检测，显著提高了模型的预测准确性和稳定性。

2. 高效性
   通过筛选关键波长，研究将有效波长数量减少至10个，显著降低了计算复杂度，提高了模型的实用性。

3. 广泛的应用前景
   该研究不仅为小麦粉中非法添加剂的快速检测提供了新的技术手段，还为其他食品中非法添加剂的检测提供了参考，具有广泛的应用前景。

其他有价值的内容

研究还指出，未来可以进一步探索其他化学计量学方法（如深度学习）以提高模型的预测能力，并比较不同类型光谱仪（如便携式光谱仪）的预测准确性，以便在不同场景下构建高精度和稳定的模型。

通过该研究，研究人员为食品安全领域提供了一种快速、无损、低成本的检测方法，具有重要的科学意义和实际应用价值。