本研究由王雨莹（浙江农林大学数学与计算机科学学院）、戴宇佳、王悦悦（浙江农林大学光机电工程学院）等合作完成，发表于《食品工业科技》2024年第45卷第18期。论文题为《基于近红外光谱技术的香榧蛋白质和脂肪含量无损检测方法研究》，聚焦食品科学与农业工程交叉领域，旨在解决传统香榧品质检测方法存在的破坏性、低效性和主观性问题。
香榧作为具有两千多年栽培历史的珍贵经济作物，其蛋白质（13.01%-16.48%）和脂肪（50.02%-56.96%）含量是核心品质指标。传统检测依赖凯氏定氮法（GB 5009.5-2016）和索氏提取法（GB 5009.6-2016），存在耗时长（6-10小时/样本）、破坏样本等缺陷。近红外光谱技术（Near-Infrared Spectroscopy, NIRS）因其非破坏性、快速（32秒/样本）等优势，已在坚果品质检测中展现潜力，但针对香榧存储条件鉴别及成分定量分析的研究尚属空白。本研究创新性地将化学计量学与NIRS结合，建立存储条件定性鉴别和成分定量预测的双重模型体系。
研究采集122组香榧果仁样本（总重4270g），按存储条件分为5类：新鲜样本、10℃保存6/12个月、-18℃冷冻6/12个月。采用丹麦FOSS公司DS2500F光谱仪在850-2500nm波段采集光谱，分辨率0.5nm，硅/硫化铅双检测器覆盖不同波段，每个样本重复扫描3次取均值。特别设计大样品杯装样方案确保光路密闭，消除环境干扰。
对60组子样本进行标准化验： - 蛋白质检测：按GB 5009.5-2016标准，使用瑞士BÜCHI K-370全自动凯氏定氮仪，消煮温度380℃，蒸馏参数优化后测定。 - 脂肪检测：依据GB 5009.6-2016，采用上海纤检MF-105索氏提取器，石油醚为溶剂，提取至玻璃棒无油斑为终点。
定性模型构建： - 样本划分：Kennard-Stone算法按3:1划分训练集（90组）与测试集（30组） - 特征筛选：遗传算法（Genetic Algorithm, GA）优选光谱波段，参数设置：群体数122，变异概率0.05 - 模型构建：卷积神经网络（CNN）架构含3层卷积层（核尺寸5×5）、Dropout层（概率0.2），结合多元散射校正（Multiplicative Scatter Correction, MSC）预处理
定量模型构建： - 特征筛选：竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling, CARS）筛选41个蛋白质特征波长和56个脂肪特征波长 - 模型对比：测试偏最小二乘法（PLS）、径向基函数神经网络（RBF）、极限学习机（ELM） - 优化方案：二阶导数（Second Derivative, D2）预处理消除CO₂/H₂O干扰
原始光谱在1200nm（C-H键二级倍频）、1450nm（N-H键振动）、1728nm（脂肪CH基团）、1934nm（蛋白质合频峰）、2300nm（醇类CH基团）处出现特征峰。经D2预处理后，基线漂移消除率达92%，特征峰信噪比提升3.6倍。
GA-CNN模型在MSC预处理后表现最优： - 准确率99.2%（测试集） - 各类别Recall均>98.5% - 特征波长集中在1350-1700nm和1850-2000nm波段
蛋白质预测： - D2-CARS-PLS模型R²=0.977，RMSE=0.030% - 特征波长与胺I/II峰（1450/1934nm）高度吻合 - RPD=6.586显示优异稳定性
脂肪预测： - D2-CARS-PLS模型R²=0.984，RMSE=0.027% - 1728nm处CH基团特征峰贡献率达67% - 预测时间较化学法缩短98.5%
与传统方法相比： - 检测效率：单样本分析时间从6+小时缩短至分钟 - 成本：试剂消耗降低90% - 准确性：蛋白质预测误差<0.05%（化学法平均误差0.12%）
本研究首次建立香榧存储时间（6/12个月）与条件（常温/冷冻）的精准鉴别体系，并实现蛋白质/脂肪含量的快速预测。科学价值体现在： 1. 发现1934nm波段与香榧蛋白质含量的特异性关联 2. 验证CNN在农产品存储条件鉴别中的优越性（较SVM提升4.7%准确率） 3. 开发D2-CARS-PLS组合算法，特征波长数减少68%而精度保持
应用层面： - 为香榧仓储品质监控提供实时检测方案 - 所建模型可集成至便携式检测设备 - 方法学可扩展至其他坚果品质检测
研究中开发的D2-CARS特征筛选策略已成功应用于松籽品质检测（未发表数据），显示该方法在坚果领域的普适性。此外，所采集的光谱数据库（含122组全波段数据）可为后续研究提供基准数据集。