Краткое содержание

arXiv:2511.12167v1 Тип публикации: кросс-платформенная Аннотация: Широкое использование пестицидов и синтетических красителей создает серьезные угрозы для безопасности пищевых продуктов, здоровья человека и экологической устойчивости, что обуславливает необходимость в быстрых и надежных методах детекции. Рамановская спектроскопия предоставляет молекулярно-специфические "отпечатки", но страдает от спектрального шума, флуоресцентного фона и перекрытия полос, что ограничивает её практическую применимость. В данной работе мы предлагаем框架 глубокого обучения на основе извлечения признаков ResNet-18 в комбинации с передовыми классификаторами, включая XGBoost, SVM и их гибридную интеграцию, для обнаружения пестицидов и красителей с помощью рамановской спектроскопии, под названием MLRaman. MLRaman с моделью CNN-XGBoost достигла прогностической точности 97,4% и идеальной AUC 1,0, в то время как MLRaman с моделью CNN-SVM показала конкурентоспособные результаты с надежным поклассовым разделением. Анализы снижения размерности (PCA, t-SNE, UMAP) подтвердили разделимость рамановских представлений для 10 аналитов, включая 7 пестиц