一种饲料原料中非法添加物苏丹红的定性检测方法

摘要

本发明公开了一种饲料原料中非法添加物苏丹红的定性检测方法，通过显微图像处理来初筛可疑区域，缩小检测范围；再利用显微拉曼成像光谱仪检测可疑区域的拉曼光谱，对光谱进行预处理获取训练样本，并采用对类别敏感的IVISSA方法进行波段选择，该方法可以有效地选择苏丹红与其他成分差异性大的特征峰，提高检测效率和准确性。然后取各训练样本的平均光谱作为光谱匹配标准库。最后根据图像初选的检测点坐标采集未知样本的显微拉曼光谱，再经过相同的光谱预处理并选择相同的波长变量与光谱库中各个光谱通过特征增强光谱角匹配法(FESAM)一一匹配，从而判断未知样本是否存在苏丹红。本发明具有检测快速、稳定性强的优点，还具有更低的假阳率和更低的检测限。

说明书

技术领域

本发明涉及农业中饲料安全分析技术领域，尤其涉及一种饲料原料中非法添加物苏丹红定性检测方法。

背景技术

当前，我国作为世界上最大的畜禽养殖生产国之一，畜禽食品安全现状较为严峻，食品安全事件层出不穷。食品安全与全人类健康息息相关，而动物饲料作为动物食品安全的源头和关键环节，它的营养价值和安全性也越来越受到社会各界的关注。近年来，一些不法企业将工业染料苏丹红掺入禽类饲料原料中，使产品表观颜色亮丽、易于销售、降低成本、谋取利益。苏丹红的化学结构中含有偶氮，这种结构的性质决定了它具有致癌性。该物质一旦被人体摄取，通过体内代谢生成苯胺和萘酚衍生物，直接损害肝细胞，并影响氧气与血红蛋白的结合。国际癌症研究机构(IARC)已将苯胺和萘酚衍生物列为二类或三大致癌物质。由于饲料原料组成成分通常比较复杂，导致利用常规分析方法很难准确地提取出纯净的添加物，并且分离提取工作繁杂且技术要求严格，操作过程中可能会引起样品的某些组成成分发生未知的物理或化学变化，影响检测分析结果的真实性，降低产品质量检验的准确率。

光谱分析方法是利用物质在不同辐射波长下的光学信息强度进行分析检测的。不同结构的物质根据自身的辐射特性存在不同的特征光谱。这些光谱可通过建立数学模型的方式来分析测定对应物质的化学结构及成分，从而对物质表面特征及内部品质定性或定量检测，具有快速准确、无损和实时检测的特点。目前对苏丹红检测采用的最广泛的方法为表面增强的拉曼光谱法。虽然表面增强的拉曼光谱技术克服了拉曼散射效应弱的缺点，但该方法需要将被测物吸附在表面粗糙化处理的金、银、铜等胶质金属颗粒上，操作复杂且重复性低。再者，实际非法添加物中，苏丹红的添加浓度较低，在饲料样本中的分布不均匀，饲料成分复杂，很难精确地提取出掺假饲料中苏丹红的光谱等因素，导致仅仅利用普通拉曼光谱技术很难实现痕量水平的苏丹红检测。

在近几年，随着显微成像技术的不断改善，图像与光谱相结合的技术应运而生。这一技术将光谱分析和图像处理技术完美的结合在一起，开辟了检测分析技术的新领域， 使得掺杂样本的痕量检测成为可能。拉曼显微成像光谱仪精度高、扫描间隔小，但检测面积有很大的局限性且光谱信息冗余度高。然而用合适的检测面积和信息量却很难检测出低浓度的苏丹红。

综上所述，表面增强拉曼检测技术，有操作复杂、技术要求高的问题；同时，拉曼显微成像光谱技术存在检测区域小、光谱数据维数高、冗余信息多、检测速度低的缺陷；再者，饲料的成分多样，检测背景信息复杂，低浓度光谱特征较弱且苏丹红与多种可添加成分光谱在部分波段存在重叠的情况极大的提高了检测难度。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种简单、快速、高效的饲料原料中非法添加物苏丹红定性检测方法，以解决现有技术中操作复杂、重复性差、难以实现痕量检测及成像区域小、光谱数据相关性高的问题。

本发明提供的饲料原料中非法添加物苏丹红定性检测方法利用图像处理技术选出可疑区域，拉曼光谱仪采集待检测点的拉曼光谱数据，再通过波长变量选择方法降低数据冗余并建立具有代表性的光谱库，最后应用特征增强的光谱角匹配(FESAM)法进一步增强光谱特征，最终实现对这类非法添加物样本的痕量定性检测。

为达到上述目的，本发明的技术方案是这样实现的：

步骤101，采用反射模式的显微系统采集饲料以及饲料中添加不同浓度苏丹红样本的高清图像数据，构成训练图集；

步骤102，根据上述训练图集设置图像处理模型参数，再对所有样本图像进行处理，选定检测区域及检测点坐标；

步骤103，拉曼显微光谱仪依据检测区域和检测点的坐标采集不同浓度苏丹红样本的拉曼光谱数据；

步骤104，对所述拉曼光谱数据进行预处理，以去除噪声、基线的干扰；

步骤105，选取部分苏丹红掺假样本和空白样本(空白样本包含无添加的饲料样本、常见可添加物的纯物质样本以及饲料和可添加物的混合样本)作为训练样本，并对其拉曼光谱数据进行波段选择，选择结果应用于所有实验光谱；

步骤106，将各个训练样本光谱分别取平均光谱建立匹配模型；

步骤107，根据图像初选的检测点坐标采集未知样本的显微拉曼光谱，再经过相同的光谱预处理并选择相同的波长变量与光谱库中各个光谱通过特征增强光谱角匹配法(FESAM)一一匹配，最终实现对非法添加苏丹红样本的痕量定性检测。

其中，所述述步骤102中对所述图像处理模型具体包括色调、饱和度、亮度模型(HSI 模型)与红绿蓝模型(RGB模型)。

其中，所述步骤104对拉曼光谱数据进行预处理，具体包括自适应迭代权重-偏最小二乘方法进行基线校正。

其中，所述步骤105中对训练样本的拉曼光谱数据进行波段选择方法选用对类别敏感的间隔变量迭代空间收缩法(interval variable iterative space shrinkage approach，iVISSA)，具体算法及其训练样本的选择如下：

iVISSA方法的核心思想为从全局和局部两个方向对有用波段进行搜索，其中全局分析利用变量的权重优化了有用波段的间隔位置，局部分析通过相邻变量的权重优化了每个间隔的宽度。设有光谱数据X(n×p)，n为样本个数，p为波长长度；类别数据Y(n×1)，

全局分析原理如下：

Step1：采用权重二进制矩阵采样法(Weighted Binary Matrix Sampling,WBMS)将光谱数据X(n×p)随机组合为m个二进制子数据集x(k×p)，其中k表示采样个数，p为波长变量个数且0<k<n，n为样本个数。选择合适的每列权重初始值l使得所有波长变量在初始时具有相同的可能性，且x(k×p)中变量1的个数为lk；

Step2：将每一个二进制子数据集x(k×p)作为一个子模型进行回归分析，此处的回归方法可采用最小二乘回归(PLSR)、主成分回归(principal component regression,PCR)、支持向量回归(support vector machine regression,SVR)等，本发明中采用PLSR方法；

Step3：分析比较m个个二进制子数据集的均方根误差Rmse和预测误差R，取其中k个较好的子模型，模型个数为k_best，并且求得每个变量在这些子模型中出现的次数f_i，从而重新定义该变量的权重为重复Step2和Step3不断更新变量的权重值，若所有子模型的均方根误差与预测误差不再改变即所有变量的权重都为常数时，权重为1的变量构成了光谱数据的有用波段，此时结束程序。

局部分析原理如下：

iVISSA中全局分析与局部分析交替进行，若全局分析中存在变量i的权重为1时，取该变量相邻的变量j放入子模型中进行回归分析，当模型误差降低时，变量j的权重设置为1，否则权重不变，权重赋值结束后，跳转至全局分析继续执行，直至所有变量的权重保持不变。

训练样本的选取如下：

Step1：尽可能广泛的选取不同浓度苏丹红掺假样本作为训练样本；

Step2：选择在饲料原料中经常添加的、并且与苏丹红颜色特征相似的可添加成分各个浓度的样本作为训练样本；

Step3：再加入上述各个训练样本的平均光谱。

其中，所述步骤107中，特征增强的光谱角匹配法(FESAM)将光谱投影到特征增强空间并结合光谱角匹配算法得到的。它是在主成分分析(principal component analysis，PCA)的基础上，结合光谱自身特点进一步增强特征得到特征增强空间。具体算法如下：

Step1：设X'_r×q是包含所有原始数据的光谱矩阵。其中r表示光谱波段数目，q表示矩阵中光谱数。假定λ₁,λ₂,…,λ_r且λ₁≥λ₂≥,…,≥λ_r是X'X'^T的特征值，对应的特征向量分别为e₁,e₂,…,e_r。则Sum被定义为Sum＝λ₁+λ₂+…+λ_r。

Step2：选择t个特性值使得λ₁≥λ₂≥…≥λ_t＞＞λ_t+1≥…≥λ_r(即前t个特性值远远大于其他特征向量)恒成立。从而得到特征增强因子Λ为：

Step3：设P＝[e₁e₂…e_t]^T为特征向量矩阵。假设矩阵Y'是原始数据X'_r×q经过PCA变换得到的，即PX'＝Y'。

Step4：则可以进一步定义特征增强空间为F＝ΛP，特征增强的数据阵列Z可从X'_r×q在特征增强空间投影得到：

Step5：x'_i为X'_r×q的列向量，z_i是特征增强数据集Z的列矢量。根据以上计算公式可得：

$z_i=\frac{1}{\sqrt{Sum}}\left(\begin{array}{c}\sqrt{{\lambda }_i}{e}_1·x_i^{\prime }\\ \sqrt{{\lambda }_i}{e}_2·x_i^{\prime }\\ ·\\ ·\\ ·\\ \sqrt{{\lambda }_i}{e}_t·x_i^{\prime }\end{array}\right)$

Step6：设特征增强光谱库中任一一条光谱为z_j＝(z_j1,z_j2,…,z_jt)^T，被测的特征增强光谱为z_i＝(z_i1,z_i2,…,z_it)^T将它们代入如下光谱角匹配法公式中，得到上述两条光谱的匹配得分：

$FESAM(z_i,z_j)={\cos }^{-1}\left(\frac{\underset{u=1}{\overset{t}{\Sigma }}{z}_{iu}{z}_{ju}}{{\left(\underset{u=1}{\overset{t}{\Sigma }}{z_{iu}}^2\right)}^{\frac{1}{2}}{\left(\underset{u=1}{\overset{t}{\Sigma }}{z^2}_{ju}\right)}^{\frac{1}{2}}}\right)$

由以上公式表明，FESAM(z_i,z_j)表示z_i与z_j的匹配得分，FESAM(z_i,z_j)的值越小表明z_i与z_j越相似。因而，找到与被测光谱最相似的标准光谱，即为判断被测光谱是否含有苏丹红信息的依据，最终实现对非法添加苏丹红样本的痕量定性检测。

本发明与现有技术相比的优点在于：本发明所提供的饲料原料中苏丹红非法添加物定性检测方法对样本无需复杂的前处理过程；图像处理技术可以实现微米级显微尺度上的成像，并且有效地缩小了检测范围，提高光谱检测的效率，克服了显微拉曼光谱仪成像区域小的局限性，实现了苏丹红样本的痕量检测；波段选择技术极大的减弱了不同类别物质拉曼光谱重叠部分的影响，增强光谱的特异性，减少数据冗余，提高检测效率和分类能力；再者，显微拉曼光谱仪需要样品量少、扫描间隔小、不产生化学污染物、能够实现快速无损检测且空间分辨率高(微米级)，拉曼光谱对非极性基团如C＝C、C-C、N＝N等具有丰富的拉曼光谱带，有利于苏丹红的检测；再加上，标准光谱匹配模型覆盖范围广，不仅包含不同浓度苏丹红样本，还包括不同批次饲料以及含有可添加成分的饲料样本，在一定程度上减弱了样本局部混合不均匀的影响，并且提高了模型的可靠性；最后，FESAM光谱匹配法便于多样本建模，并且对光谱特征有明显的增强作用，使得实验样本尤其是低浓度苏丹红样本的光谱特征突出，更容易分辨，有利于饲料中苏丹红的痕量检测。

附图说明

图1为本发明所述的饲料原料中非法添加物苏丹红定性检测方法的流程图；

图2为本发明实施例的原始显微图像和各个通道下的显微图像信息以及可疑区域定位图，其中：(a)为原始图像；(b)为R通道下的图像信息；(c)为G通道下的图像信息； (d)为B通道下的图像信息；(e)为H通道下的图像信息；(f)为S通道下的图像信息；(g)为I通道下的图像信息；(h)为可疑区域定位图；

图3为本发明实施例采集光谱过程示意图；

图4为本发明实施例的不同浓度非法添加物苏丹红I号样本的图像定位以及拉曼光谱仪扫描结果示意图(每个样本检测6个可疑像素点)。其中：(a)为2％浓度的非法添加物苏丹红I号样本；(b)为0.0075％浓度的非法添加物苏丹红I号样本；(c)为0.0025％浓度的非法添加物苏丹红I号样本；(d)为0.0010％浓度的非法添加物苏丹红I号样本；

图5为本发明实施例的iVISSA波段选择结果和预处理后的纯物质拉曼光谱。其中：(a)为训练集光谱经iVISSA波段选择结果；(b)为基线校正后的纯物质光谱图；

图6为本发明实施例的第二批饲料中添加苏丹红I号样本的平均光谱。其中：(a)为2％浓度的非法添加物苏丹红I号样本的平均光谱；(b)为1％浓度的非法添加物苏丹红I号样本的平均光谱；(c)为0.1％浓度的非法添加物苏丹红I号样本的平均光谱；(d)为0.01％浓度的非法添加物苏丹红I号样本的平均光谱；(e)为0.001％浓度的非法添加物苏丹红I号样本的平均光谱。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下举实施例并参照附图，对本发明进一步详细说明。

本发明一种饲料原料中非法添加物苏丹红的定性检测方法，通过显微图像处理来初筛可疑区域，缩小检测范围；再利用显微拉曼成像光谱仪检测可疑区域的拉曼光谱，对光谱进行预处理获取训练样本，并采用对类别敏感的IVISSA方法进行波段选择，该方法可以有效地选择苏丹红与其他成分差异性大的特征峰，提高检测效率和准确性。然后取各训练样本的平均光谱作为光谱匹配标准库。最后根据图像初选的检测点坐标采集未知样本的显微拉曼光谱，再经过相同的光谱预处理并选择相同的波长变量与光谱库中各个光谱通过特征增强光谱角匹配法(FESAM)一一匹配，从而判断未知样本是否存在苏丹红。本发明具有检测效率高、稳定性强的优点。

如图1所示，本发明具体步骤实现如下：

步骤101，制备实验样本，采用反射模式的显微系统采集饲料以及在饲料中添加不同浓度苏丹红样本的高清图像数据，构成训练图集。

第一批次饲料与苏丹红I以0.0001％-100％多种浓度混合，每个混合样本取恒定质量经过压片机以15帕的压力制作成直径为14mm、厚度为1.0mm的圆形片样本，在分析之前储存在室温下密封的塑料袋中。以相同方法将第二批次饲料与苏丹红I以2％-0.001％ 浓度充分混合制样储存。除此之外，在第三批次饲料中以多种浓度梯度分别添加加丽素红(100％、20％、2％)、β-胡萝卜素(100％、20％、2％)、维生素B2(100％、20％、2％、0％)作为空白样本监督模型的准确性和适用性。本实施例中样本总数为36个。训练样本集为12个，其中掺杂苏丹红的样本5个，空白样本7个。

本发明采用美国PerkinElmer公司生产的FTIR Microscope Spotlight 400的显微成像系统采集图片。设置采集模式为反射，空间分辨率为25×25μm，视野为2000×2000μm，光强为52％。参照图2，本发明采用色调、饱和度、亮度模型(HSI模型)与红绿蓝模型(RGB模型)共同作用，适当地选取它们的取值范围，得到二值化图像，从而将可疑目标提取出来。

步骤102，设置图像处理模型参数，选定所有样本的检测区域及检测点坐标。

本发明根据取样统计结果设置软件运行参数为：H<0.1953，S>0.8800，I<0.4297，R>155，G<83，B<16。参考图4，其中(a)～(d)分别为2％、0.0075％、0.0025％、0.0010％浓度梯度的非法添加物苏丹红I样本。综合RGB和HSI模型得到区域定位图(二值化图像)，其中白色部分为符合模型参数的可疑区域。基于此，选取可疑点最密集的区域为拉曼光谱检测区域(如红色矩形区域)并记录该区域的坐标。最后根据坐标信息，利用拉曼光谱仪定位并扫描检测点。由图4(a)～(d)区域定位图可以看出，随着浓度的降低，可疑区域的面积也在不断缩小。当浓度下降至0.001％及以下时，一个检测区域符合条件的检测点极少，因此本文对浓度低于0.001％的样本选取两个及两个以上的检测区域扫描。

步骤103，拉曼显微光谱仪采集检测点的拉曼光谱数据过程。

本发明采用德国布鲁克公司生产的Senterra共聚焦拉曼光谱仪采集拉曼光谱，具体设置如下：激光波长为785nm、激光功率为10mW、光阑为50×1000μm，分辨率为3-5cm^-1，光谱扫描范围从405到1800cm^-1(1200D)。每个目标点扫描6次，积分时间是30.0秒。每个样本在可疑区域内提取6个检测点坐标，再利用拉曼光谱仪采集各个点的光谱信息。所有实验样本的检测均在相同的实验参数的条件下进行。仪器控制和数据存储是由与该仪器配套的控制测量软件OPUS>

步骤104，对所述拉曼原始光谱数据去除噪声和去基线处理。

本发明所用的预处理方法是自适应迭代权重-偏最小二乘(air-PLS)方法，该方法 通过迭代改变拟合基线与原始信号之间的总体方差权重实现，权重是由当前拟合基线和原始信号之间的差异得到，因此它是个不断拟合和逼近的过程。air-PLS方法主要是采用惩罚最小二乘算法将信号平滑的原理应用到基线拟合，然后自适应迭代将惩罚过程转化为一个基线逼近的过程。该方法无需任何先验信息，便于实际检测中将多种物质光谱校正在同一基线上。

惩罚最小二乘(penalized least squares)算法原理为：

假设a是待分析的光谱信号，b是平滑后信号，它们的长度均为c，v＝1,2,…,c，b对于a的保真度用二者间的误差平方和F'表示为：

$F^{\prime }=\underset{v=1}{\overset{c}{\Sigma }}{(a_v-b_v)}^2$

b的粗糙度用其差分平方和表示为：

$R=\underset{v=2}{\overset{c}{\Sigma }}{(b_v-b_{v-1})}^2=\underset{v=1}{\overset{c-1}{\Sigma }}{\left({\mathrm{\Delta b}}_v\right)}^2$

保真度和粗糙度之间的平衡可以用准确度加上惩罚的粗糙度，δ为惩罚系数，式子表示为：

Q＝F'+δR＝||a-b||²+δ||Db||²

对其求偏导数且令其为零，可得一个易解的线性方程为：

(I+δD′D)b＝a

其中I为单位矩阵；D为差分矩阵；D′为D的转置。

要实现最小二乘算法进行基线校正，引入保真度的权重向量w，并将其在有峰的位置设置为零，其中d为a与b的长度，v＝1,2,…,d，则b对a的保真度变为：

$F^{\prime }=\underset{v=1}{\overset{d}{\Sigma }}{w}_v{(a_v-b_v)}^2={(A-B)}^{\prime }W(A-B)$

自适应迭代重加权原理：

自适应迭代重加权方法与加权最小二乘法以及迭代惩罚最小二乘法相似，不同的是采用了不同的方法计算权重，并增加了一个惩罚项来控制拟合基线的平滑度，优化目标函数定义为：

$Q^{to}=\underset{v=1}{\overset{d}{\Sigma }}{w}_v^{to}|a_v-b_v^{to}|+\delta \underset{g=2}{\overset{d}{\Sigma }}|b_g^{to}-b_{g-1}^{to}{|}^2$

其中v＝1,2,…,d；g＝2,3,…,d；to为迭代次数；δ为惩罚系数。

迭代的过程如下：设置初始权重采用下式进行迭代：

$w_v^{to}=\left(\begin{array}{cc}0& a_v\ge b_v^{to-1}\\ e^{\frac{to(a_v-b_v^{to-1})}{\left|s^{to}\right|}}& a_v\le b_v^{to-1}\end{array}\right)$

其中向量s^to包含了原始光谱(a)与迭代过程中的拟合矢量差值为负的所有元素。在前to-1次的迭代中，拟合矢量是由背景估计的一个候选值。如果当前计算大于此背景估计值，则被视为峰附近且其权重重置为零。在air-PLS算法过程中，迭代和重加权不断的自动执行，就可自动地、逐渐地消除处于峰附近的数据点，将背景数据保留下来。预处理后不同添加物样本的拉曼光谱曲线图如图5(b)所示，可看出所有光谱曲线均调整在同一基线上，有效的减弱背景信息和荧光效应的干扰，便于多种物质光谱特征的比较和后续匹配实验的分析。

步骤105，选取部分非法添加物苏丹红样本和空白样本(空白样本包含无添加的饲料样本、常见可添加物的纯物质样本以及饲料和可添加物的混合样本)作为训练样本，并对其拉曼光谱数据进行波段选择。

本实例将第二批次饲料与苏丹红I以1％-0.001％浓度混合的样本光谱信息和第三批次饲料与加丽素红、β-胡萝卜素、维生素B2分别以2％浓度混合的样本光谱数据作为训练样本。再利用对类别敏感的IVISSA波段选择法对基线校正后的光谱进行处理。如图5(a)为IVISSA处理得到的光谱波段选择结果，蓝色部分为选择区域。iVISSA波段选择法能够尽可能的保留苏丹红I区别于其它光谱的特征信息，减小光谱间重合的部分，选取对分类贡献大的区域。例如，iVISSA选择了在461、588、1002、1095、1226、1258、1596cm^-1附近的波段，该区域苏丹红I的光谱由于受到C-C、C＝C等化学键的拉伸作用，其特征明显区别于其他可添加成分和基底饲料的光谱特征。进一步看来，在图5(a)中，该方法并没有选取1400cm^-1附近的光谱，虽然图5(b)明显看出苏丹红I在该波段存在特征峰，但与β-胡萝卜素、维生素B2的光谱特征尖峰相重合，因而在苏丹红掺假浓度较低时容易混淆。由此可以看出，IVISSA尽可能保留了苏丹红光谱特征的同时，去除了与其他物质光谱相似的部分。

步骤106，将各类训练样本取平均，获得平均光谱，建立标准匹配模型。

步骤107，根据图像初选的检测点坐标采集未知样本的显微拉曼光谱，再经过相同的光谱预处理并选择相同的波长变量与光谱库中各个光谱通过特征增强光谱角匹配法(FESAM)一一匹配，从而实现对非法添加物苏丹红样本的痕量定性检测。

如图6(a)～(e)分别为饲料中添加苏丹红I 2％、1％、0.1％、0.01％、0.001％五个浓度样本的平均光谱。容易看出，低浓度非法添加物样本(b)～(e)的光谱相比于高浓度样本(a)受到更强的荧光效应干扰。另外，在1226-1596cm^-1之间的波段，苏丹红I光谱的特征峰随着浓度的降低而减弱。因而，掺假浓度较低时极易与饲料或其他物质光谱重叠混淆。因此，本发明选用特征增强光谱角匹配法(FESAM)完成苏丹红I定性检测。不仅能够识别苏丹红I的特征峰，还能增强低浓度苏丹红的特征，实现苏丹红I的痕量检测。由表1中匹配结果可以看出，本实验选取五个不同浓度苏丹红样本的平均光谱作为标准光谱并编号(1：浓度为100％苏丹红样本的平均光谱；2：浓度为1％苏丹红样本的平均光谱；3：浓度为0.1％苏丹红样本的平均光谱；4：浓度为0.01％苏丹红样本的平均光谱；5：浓度为0.001％苏丹红样本的平均光谱)，能够检测的非法添加物苏丹红最低浓度可降至2.5ppm。

表1 FESAM对含有非法添加物苏丹红样本的检测结果

参考浓度％是否检测出苏丹红(Yes/No)与待测光谱最相似的标准光谱的编号标准光谱编号100Yes112Yes32Yes31Yes221Yes40.5Yes30.5Yes30.1Yes330.1Yes50.075Yes50.05Yes50.025Yes30.01Yes440.01Yes40.0075Yes50.0025Yes30.001Yes550.0005Yes40.00025Yes50.0001No未检出

另一方面，为验证本实验所用方法及模型的鲁棒性，本文对比了特征增强的光谱角匹配法与传统的光谱角匹配法对空白样本的检测结果。由表2可以看出，FESAM有更好的适用性，能够保障在没有假阳率的前提下，较好地完成苏丹红I的痕量定性检测。而传统的光谱角匹配法有21.88％的假阳率。这是由于传统的光谱角匹配法将所有波段的光谱平等对待，认为所有波段的光谱“贡献”相同，使得不同类别光谱的重叠部分对检测结果的影响大大增强，尤其在低浓度检测中影响更为明显。再者随着苏丹红浓度的降低，该物质的光谱特征峰也逐渐变弱，极易被背景光谱稀释甚至淹没，使之难以与可添加物质以及基质区分开来，最终导致传统方法在低浓度样本的检测上假阳率更高。

表2 FESAM和SAM对各类不含非法添加物苏丹红样本的假阳率对比

上述具体实施方式只是用来解释说明本发明，而非对本发明的限制。在本发明的精神和权利要求保护范围之内，对本发明做出的任何等同替换和改变，均属于本发明的保护范畴。