双频微波光谱技术与机器学习在牛奶掺假快速检测中的应用

《IEEE Transactions on AgriFood Electronics》：Dual-Band Microwave Spectroscopy and Machine Learning for Rapid Milk Adulteration Detection

　　本工作提出了一种基于微波光谱和机器学习的低成本便携式牛奶掺假检测系统，采用1.25GHz和2.4GHz双频检测，成功识别8种常见掺假物质（5%-50%浓度），随机森林算法实现91.2%准确率，AUC>0.7，验证系统的高灵敏度和特异性。

　　

摘要：

本研究提出了一种新型的、低成本的、便携式的基于微波传感器的系统，该系统利用微波光谱技术和机器学习方法来检测和分类牛奶中的掺杂物。该传感器在1.25 GHz和2.4 GHz两个不同的频率下工作，对由掺杂物引起的介电变化具有高灵敏度。测试了八种常见的掺杂物，包括自来水、矿泉水、尿素、乳清液、植物蛋白、大豆蛋白、外来水分和碳酸钠，其浓度范围从5%到50%。传感器通过Raspberry Pi和ADALM-PLUTO软件定义无线电进行控制，输出结果通过图形用户界面显示在显示器上。传输响应（）显示，随着掺杂物浓度的增加，衰减水平从0 dB下降到接近 dB，同时表现出明显的共振抑制现象。差分共振位移（）随掺杂物百分比的变化呈现单调趋势，从而提高了灵敏度映射的准确性。对实验数据（每个样本的实验次数为10次）的统计分析得出了带有标准偏差误差条的衰减平均值，证实了系统的重复性和稳健性。为了进一步增强该系统的分析严谨性和决策能力，采用了机器学习方法从传感器数据中提取有意义的模式，以实现可靠的分类。随机森林算法的总体准确率达到91.2%，曲线下面积得分超过0.7，这一点通过混淆矩阵和接收者操作特征曲线得到了验证。该系统展示了实时、无损的牛奶质量评估潜力，结合了微波传感和基于人工智能的决策支持，能够以高灵敏度和特异性检测和分类牛奶中的掺杂物。