Le problème de la véracité du lait en poudre est l'une des questions majeures de la sécurité alimentaire dans notre pays, et son dépistage non dirigé constitue un sujet de pointe dans le domaine des sciences analytiques. Cette étude propose une méthode d'imagerie hyperspectrale Raman pilotée par une modélisation robuste (RMD-RHIM), qui, grâce à la fusion des caractéristiques des données spectrales, transforme le problème de l'identification des contaminants inconnus dans le lait en poudre en un problème de détection d'échantillons anormaux, résolvant efficacement l'incertitude des contaminants. Dans RMD-RHIM, l'algorithme adaptatif itératif de pondération par moindres carrés pénalisés (airPLS) est d'abord utilisé pour éliminer le bruit de fond du spectre Raman, puis une version améliorée de la méthode itérative auto-pondérée des moindres carrés partiels (mIRPLS) identifie avec précision les pixels déformés dans le signal d'imagerie hyperspectrale Raman du lait en poudre et les convertit en images binaires visualisables, réalisant ainsi un dépistage non dirigé de la véracité du lait en poudre. Les résultats montrent que la méthode RMD-RHIM atteint des taux de reconnaissance de 98,3 % et 93,3 % pour les échantillons positifs et négatifs respectivement, répondant aux besoins de dépistage rapide dans l'industrie du lait en poudre et offrant une nouvelle approche pour le dépistage non dirigé d'autres échantillons alimentaires.

Imagerie hyperspectrale Raman; Reconnaissance de la véracité du lait en poudre; Modélisation robuste; Dépistage non dirigé