基于拉曼光谱的快速机器学习驱动的农药与染料检测
材料科学
2025-11-18 v1 机器学习
摘要
农药与合成染料的广泛使用构成食物安全、人类健康与环境可持续性的严重威胁，亟需快速可靠的检测方法。拉曼光谱提供分子特异性指纹，但因谱噪声、荧光背景及峰重叠，限制了其实际应用。本文提出一种基于ResNet-18特征提取的深度学习框架，结合XGBoost、SVM及其混合集成的高级分类器，称为MLRaman。CNN-XGBoost模型实现97.4%的预测准确率与1.0的完美AUC，CNN-SVM模型提供具备鲁棒类别区分性的竞争性能。维度缩减分析(PCA、t-SNE、UMAP)确认拉曼嵌入在10种分析物(包括7种农药与3种染料)间的可分性。最终，我们开发了用户友好的Streamlit应用，成功识别独立实验及文献来源的未见拉曼光谱，凸显强大的泛化能力。该研究构建了可扩展的实用MLRaman模型，用于多残留污染物监测，具有显著的食物安全与环境监控潜力。
引用
@article{arxiv.2511.12167,
title = {Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy},
author = {Quach Thi Thai Binh and Thuan Phuoc and Xuan Hai and Thang Bach Phan and Vu Thi Hanh Thu and Nguyen Tuan Hung},
journal= {arXiv preprint arXiv:2511.12167},
year = {2025}
}
备注
25 pages, 9 figures