据团队介绍，目前常用的骆驼奶掺假检测方法虽然精度较高，但往往需要复杂的前处理和较长的检测周期，且会破坏样品；而近红外光谱技术则面临小样本数据不足、掺假比例低时难以捕捉、模型“黑箱”导致结果不可靠等瓶颈。

　　针对上述问题，团队立足计算机视觉与光谱分析的交叉领域，创新构建了一套“数据增强—定性检测—定量预测—模型解释”全链条技术体系。其中，团队提出的混合生成模型（CCGS）可将分类准确率从95.21%提升至98.60%，■下转第4版　　■上接第1版  生成的光谱数据在真实性和多样性上显著优于传统模型，尤其能精准识别低比例掺假成分。同时，通过引入可解释性分析（SHAP），研究人员成功定位了与水、蛋白质、脂肪相关的特征光谱波段，使智能检测不再是一个“黑箱”，大大提升了检测结果的信任度。

　　在定量检测方面，团队设计的两阶段定量模型（MCR-ALS-RF）经国际标准验证，掺假成分回收率高达96.8%至99.5%，相对标准偏差小于5%，最低检出限达到0.025至0.060克/100克，完全满足食品掺假检测的监管要求。

　　该成果不仅为骆驼奶产业的质量监控提供了有力工具，也为近红外光谱技术与人工智能、化学计量学的交叉应用开拓了新的思路。