当掺杂浓度较低时，纯蛋清粉与掺杂样本在4 200～7 200 cm^-1特征波段内光谱高度重叠。不同掺杂物与纯蛋清粉的原光谱图对比如图4所示。

光谱为研究引入的模块对模型的改进效果，需要进行模型的消融实验。模型设定批大小为256，迭代次数为6 000次，按照1.3.3.1节划分的训练集与验证集作为输入，对模型进行训练，按照1.3.3.1节划分的测试集作为输入进行模型的测试，其中训练集、验证集和测试集的光谱数据不经过预处理，直接进行相应的模型训练及测试，最终结果如表3所示。

其中，模型ECA-1D-CNN相比于原1D-CNN模型，总错检数减少了4个，总准确率提升了0.42个百分点，说明经过ECA模块的优化，模型对于处理近红外光谱数据中增量剂、富氮类化合物和混合掺杂3种掺杂种类的总体特征能力得到了增强；CBAM-1D-CNN相比于原1D-CNN模型，总错检数减少了5个，总准确率提升了0.52个百分点，证明了CBAM通过串联的通道注意力与空间注意力模块，可以提升模型对特征提取的准确性；两种优化方法共同使用的EC-1D-CNN的模型效果最优，相比于其他3个模型，其总准确率均得到了提升，由于引入了两个模块，EC-1D-CNN模型相比于原模型，其平均检测时间、模型大小和FLOPs均有所增大，但增加轻微，属于可接受范围。这说明ECA与CBAM可增强对蛋清粉光谱数据中掺杂种类特征的提取能力，进而提升了该模型的掺杂种类分类能力。

为了比较EC-1D-CNN模型与其他改进算法的性能，分别以传统1D-CNN网络结构、两个CBAM的1D-CNN网络结构（记为CC-1D-CNN）、两个ECA模块的1D-CNN网络结构（记为EE-1D-CNN）、两个SE模块的1D-CNN网络结构（记为SS-1D-CNN）、SE＋ECA模块的1D-CNN网络结构（记为SE-1D-CNN）和SE＋CBAM的1D-CNN网络结构（记为SC-1D-CNN）建立模型，用相同的训练集、验证集和测试集进行模型的训练及测试。最终的实验结果如表4所示。

其中，EE-1D-CNN和SS-1D-CNN相比原1D-CNN模型，总准确率没有提升，而平均检测时间、模型大小和FLOPs不如原1D-CNN模型；CC-1D-CNN、SE-1D-CNN和SC-1D-CNN相比原1D-CNN模型，其总准确率均有所提升，其中CC-1D-CNN为最优，总错检数仅为18，总准确率达到了98.11%；EC-1D-CNN相比于CC-1D-CNN，总错检数均为18，总准确率一致，但EC-1D-CNN的平均检测时间缩短 0.000 1 s，模型大小和FLOPs分别降低了0.05 M和0.02 M，改进后的EC-1D-CNN相比于其他的改进模型，其检测准确率指标为最优，其总准确率达到了98.11%、平均检测时间为0.017 7 s、模型大小为43.18 M、FLOPs达到了26.10 M，该模型可实现对大批量的掺杂蛋清粉样本进行快速、准确的分类检测。

为比较3种掺杂种类分别建立的掺杂浓度预测模型在不同光谱预处理方法的效果，分别将原数据集或经过不同预处理后的数据集输入至TER-1D-CNN模型进行训练，其中模型设定批大小为256，迭代次数为20 000次，最终结果如表5所示。

对于增量剂掺杂浓度预测模型，最优预处理方法为DT，其R²_c和R²_p分别提高至0.985 5和0.970 4，训练集和测试集的RMSE减少至0.720 2和0.927 0，RPD为5.818 5，模型具有较高可靠性；对于富氮类化合物掺杂浓度预测模型，最优预处理方法为MSC，其R²_c和R²_p分别提高至0.970 9和0.919 0，训练集和测试集的RMSE减少至1.189 5和2.284 4，RPD提升至3.514 2，模型具有较高可靠性；对于混合掺杂浓度预测模型，最优预处理方法为MSC，其R²_c和R²_p为0.983 2和0.924 1，训练集和测试集的RMSE为1.190 4和2.674 6，RPD提升至3.632 0，模型具有较高可靠性。综上所述，增量剂、富氮类化合物和混合掺杂浓度预测模型将分别采用DT、MSC和MSC方法对原光谱数据进行处理。

为比较TER-1D-CNN回归预测模型与其他回归预测模型的性能，分别采用PLSR、支持向量回归（SVMR）、一维残差网络（1D-ResNet）和1D-CNN 4种方法建立模型，用相同的训练集和测试集，其中增量剂掺杂浓度预测模型同时运用DT预处理方法，富氮类化合物预测模型和混合掺杂预测模型同时运用MSC预处理方法，进行模型的训练及测试。最终实验结果如表6所示。

对于3种掺杂浓度预测模型，1 D-C N N模型的RMSEC、RMSEP和RPD均优于PLSR、SVMR和1D-ResNet模型。而TER-1D-CNN模型的R²_p、RMSEP和RPD相比于其他4种模型均为最优，模型具有较高可靠性，说明基于TER-1D-CNN的增量剂、富氮类化合物及混合掺杂浓度预测模型的拟合程度和预测效果均为最优。其中增量剂掺杂浓度预测模型的预测效果最优，但富氮类化合物掺杂模型的特征波段广而复杂，故预测效果弱于另两种模型。3种模型均可有效对掺杂浓度进行准确预测。

光谱具体的掺杂种类检测结果如表7所示，针对3种掺杂种类分别统计了在不同浓度下的错检数以及检测限。其中，检测限在增量剂、富氮类化合物、混合掺杂上分别可达到1%、1%、5%。通过2.1节掺杂蛋清粉光谱图的分析，由于混合掺杂的光谱特征区域广而复杂，且增量剂在低掺杂浓度下的光谱畸变较为轻微，容易误判成单掺杂，故混合掺杂的检测限较高。

关于EC-1D-CNN预测结果的混淆矩阵如图5所示，其中增量剂、富氮类化合物、混合掺杂的错检数分别为5、3、10，总准确率分别可达到98.19%、99.38%、94.79%。由于增量剂在低浓度掺杂下的特征不明显，部分低浓度掺杂容易被误判成其他掺杂种类，故增量剂的错检数相比富氮类化合物会偏多，混合掺杂中由于低浓度的特征广而复杂，且光谱畸变更加不明显，存在一部分样本被误判成单类掺杂，故混合掺杂的总准确率相对偏低。

综上所述，改进的EC-1D-CNN模型对于掺杂率超过5%的蛋清粉，可达到100%的掺杂种类检测准确率，对3种掺杂种类其总准确率可达到94%以上，针对整个测试集的总准确率可达到98.11%。该模型在蛋清粉的掺杂种类检测方面有较高的准确度及精确度，对于3种掺杂种类均有较好的分类性能。

采用最佳的预处理方法后分别建立增量剂、富氮类化合物和混合掺杂的TER-1D-CNN掺杂浓度预测模型，最终预测结果如图6所示。

增量剂、富氮类化合物、混合掺杂预测模型对应的R²_p分别为0.970 4、0.919 0、0.924 1，约为0.97、0.92、0.92。通过2.3.2节可知，3种掺杂浓度预测模型的RMSEP分别为0.927 0、2.284 4、2.674 6，RPD分别为5.818 5、3.514 2、3.632 0。3种掺杂浓度预测模型的R²_p均大于0.9，RPD均大于2.5，表明TER-1D-CNN预测模型的预测效果较好。但模型对富氮类化合物和混合掺杂的预测结果差于增量剂掺杂，其主要原因有3个：一是配制掺杂样本时存在误差，导致真值与标签值不完全一致，特别在低浓度掺杂和混合掺杂中，实际掺杂浓度与样本掺杂浓度标签值的误差影响更大；二是掺假浓度的梯度设置较广，且梯度仅有10种，设置较少，导致预测模型的适应性不高；三是富氮类化合物及混合掺杂的具体种类较多，其特征波段广而复杂，难以提取共同的特征波段，模型容易出现过拟合现象。实际上，为追求更高的掺杂利润，市场上的蛋清粉掺杂浓度普遍偏高，而TER-1D-CNN建立的预测模型符合市场上蛋清粉质量检测的要求，为市面上蛋清粉掺杂浓度的预测提供一种便携准确的方法。

本研究针对蛋清粉掺杂指标检测方法的需求，提出了一种改进EC-1D-CNN掺杂种类检测模型和改进TER-1D-CNN掺杂浓度预测模型，可基于近红外光谱数据分别对蛋清粉掺杂种类及掺杂浓度进行检测和预测。针对掺杂种类检测模型，EC-1D-CNN模型在1D-CNN模型基础上增加了ECA与CBAM模块，改善了模型的精度，最终对增量剂、富氮类化合物、混合掺杂的总准确率分别可达到98.19%、99.38%、94.79%，针对整个测试集的总准确率可达到98.11%，其检测限分别可达到1%、1%、5%，平均检测时间为0.017 7 s、模型大小为43.18 M；针对掺杂浓度预测模型，TER-1D-CNN模型在1D-CNN回归预测模型基础上增加了ECA模块，成功提高了模型的预测精度，其中DT、MSC、MSC预处理方法分别在增量剂、富氮类化合物、混合掺杂预测模型上具有优势，且3种掺杂浓度预测模型的R²_p均大于0.9，RPD均大于2.5，能够满足市面上蛋清粉掺杂浓度预测的要求。

本研究构建的双模型有效解决了低浓度掺杂下光谱特征微弱的核心难题，为开发便携式近红外光谱检测仪提供了关键技术支撑与理论基础。然而模型在实际部署与应用中仍面临一些挑战，检测系统的环境适应性、待测样本的物性差异，以及模型在面对未知掺假物时的泛化能力，均是保障技术落地可靠性的关键。未来的研究将聚焦于提升模型的鲁棒性与轻量化水平，以提高应对复杂实际场景的能力，最终推动该技术在食品安全监管中的工程化应用。

作者简介

第一作者：

祝志慧 副教授

华中农业大学工学院 

祝志慧，华中农业大学工学院, 副教授，博士，主要从事智能检测与信息处理、实时在线监测及自动控制技术等方面的科研。

代表性论著： 

(1) 祝志慧;李沃霖;韩雨彤;金永涛;叶文杰;王巧华;马美湖;基于改进1D-CNN模型的蛋清粉近红外光谱真实性检测,食品科学, 2024

(2) 祝志慧;杨凯;王羽纯;马美湖; 蛋粉质量检测技术研究进展,中国家禽, 2023, 1-6

(3) 杨凯;何昱廷;李沃霖;祝志慧;王巧华;基于近红外光谱技术检测全蛋粉掺假, 华中农业大学学报, 2023.第5期

(4) 祝志慧;叶子凡;何昱廷;杨凯;王巧华;马美湖;基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测, 农业工程学报, 2022, 38(18): 308-315 

(5) 祝志慧;何昱廷;李沃霖;蔡紫荆;王巧华;马美湖;基于改进YOLOv7模型的复杂环境下鸭蛋识别定 位, 农业工程学报, 2023, 39(11): 274-285

论著之外的代表性研究成果和学术奖励：

(1) 祝志慧;汤勇;向英杰;马美湖;王巧华;王树才;一种基于光谱幅值空间转换的血斑蛋在线无损 测方法, 2019-10-15, 中国, ZL201710245494.3

(2) 祝志慧;李婉清;王巧华;马美湖;曹凡龙;基于特征波段的血斑蛋在线检测方法, 2018-10-19, 中国, ZL201610234435.1

(3) 祝志慧;洪琪;吴林峰;王巧华;马美湖;早期鸡胚雌雄识别的方法, 2020-8-4, 中国, ZL201810982602.X

(4) 祝志慧;汤勇;马美湖;洪琪;马瑞;一种基于视觉技术的孵化后期无精蛋和弱精蛋识别装置及其方法, 2017-11-24, 中国, ZL201720065042.2 

(5) 祝志慧;吴林峰;余怀鑫;叶子凡;朱旭 ;基于最小二乘法椭圆拟合的种蛋孵化成活性在线检测方法, 2021-6-1, 中国, ZL201910652297.2 

(6) 祝志慧;杨凯;全蛋粉光谱检测软件, 2022SR0986506, 原始取得, 全部权利, 2022-06-08

(7) 祝志慧;杨凯;全蛋粉掺假检测软件, 2023SR0800782, 原始取得, 全部权利, 2023-05-24

(8) 祝志慧 (4/15); 传统蛋制品现代加工技术与装备研发及产业提升示范, 湖北科技厅, 科技进步, 省部 一等奖, 2014(马美湖; 王树才; 王巧华; 祝志慧; 黄茜; 蔡朝霞; 李斌; 刘华桥; 余劼; 金永国; 陈文凯; 俞兆志; 郑祖兰; 李德胜; 龚琦) 

(9) 祝志慧 (2/6); 禽蛋智能检测及高效加工关键技术及配套装备创制, 湖北省人民政府, 发明, 省部一等奖, 2022(王巧华; 祝志慧; 王树才; 俞兆志; 林卫国; 熊利荣)