El problema de la autenticidad de la leche en polvo es uno de los problemas destacados de la seguridad alimentaria en nuestro país, y su cribado no dirigido es un tema puntero en el campo de la ciencia analítica. Este estudio propone un método de imagen hiperespectral Raman impulsado por modelado robusto (RMD-RHIM), que, aprovechando la integración de características espectrales, transforma el problema de identificar adulterantes desconocidos en la leche en polvo en un problema de reconocimiento de muestras raras, resolviendo eficazmente la incertidumbre de los adulterantes. En RMD-RHIM, primero se utiliza el algoritmo adaptativo iterativo de ponderación de mínimos cuadrados penalizados (airPLS) para eliminar la información de fondo del espectro Raman, luego mediante un método iterativo mejorado de mínimos cuadrados parciales con auto-pesos (mIRPLS) se identifican con precisión los píxeles distorsionados en la señal de imagen hiperespectral Raman de la leche en polvo y se convierten en una imagen binaria visual, logrando así un cribado no dirigido de la autenticidad de la leche en polvo. Los resultados muestran que el método RMD-RHIM alcanzó tasas de reconocimiento para muestras positivas y negativas de 98.3% y 93.3% respectivamente, satisfaciendo las necesidades de cribado rápido de la industria de la leche en polvo y proporcionando un nuevo enfoque para el cribado no dirigido de otras muestras alimentarias.

Imágenes hiperespectrales Raman; Reconocimiento de autenticidad de leche en polvo; Modelado robusto; Cribado no dirigido