一种基于高效优化的增量式量子卷积网络，用于检测牛奶掺假行为

《Engineering Applications of Artificial Intelligence》：An efficient optimization-based incremental quantum convolutional network for milk adulteration detection

　　Vrishali M. Patil | Savita R. Bhosale
电子与电信工程，Ramrao Adik技术学院，Pad. Dr. D. Y. Patil Vidyapeeth，第7区，Taloja Phase 1路，第7区，Nerul，Navi Mumbai，马哈拉施特拉邦，400706，印度

摘要
牛奶掺假是一个严重的全球性挑战，由于牛奶是主要的食物来源之一，它对广泛的人群健康造成了严重影响。牛奶中的掺杂物如尿素、水、表面活性剂和油具有相似的性质，这使得检测变得更加困难。本研究提出了基于Sarcophilus leading pursuit优化的量子卷积神经网络（SLPuIQCN）来应对这些限制并识别掺杂物。使用Sarcophilus leading pursuit优化方法（SLPu-AFS）选择更好的帧可以减少冗余数据，并为梯度线特征提供视觉表示。此外，利用Res Statistical Deep Textural Descriptor（ReSDT）提取的特征能够详细展示复杂的概率分布、局部像素变化和纹理强度。另外，还开发了Sarcophilus leading pursuit优化（SLPuO）算法来调整超参数，并帮助选择更好的视频帧。与其他方法的对比评估显示，该模型在Omdena数据库中的准确率为97.09%，精确率为97.47%，F1分数为97.18%，召回率为96.90%。

引言
牛奶主要用于制作乳制品，其中含有必需的营养素，如碳水化合物、矿物质、维生素、蛋白质和脂肪。所有这些营养素对人类健康都是必不可少的（Saleem等人，2024；Aqeel等人，2024）。全球有68%的人定期或半定期饮用牛奶（Ghodinde和Chaskar，2024）。此外，随着奶酪、奶油、黄油、冰淇淋等乳制品的需求增加，对牛奶的需求也在增长（Lal等人，2022）。目前，牛奶的消费比例中，牛奶占81%，水牛奶占15%，山羊奶、骆驼奶和绵羊奶合计占4%。由于对牛奶和乳制品的高需求，一些供应商通过向牛奶中添加掺杂物来满足供需缺口（Lal等人，2022）。牛奶中最常见的掺杂物是水，这会降低牛奶中的营养成分（Li等人，2021）。此外，还会向稀释后的牛奶中添加尿素、硫酸铵（AmS）、表观蛋白含量和非蛋白氮以提高密度（Azad和Ahmed，2016；Mamgain等人，2024）。牛奶掺假是一个重大的社会经济问题，影响公共健康，可能导致过敏、胃肠道疾病，在严重情况下甚至会导致死亡（Silva和Rocha，2020；Yang等人，2019；Ghodinde和Chaskar，2024）。

乳制品种类鉴定非常重要，因为某些牛奶蛋白可能引起人体不良反应，从而能够在高质量、高成本的牛奶中检测出少量掺杂物（Giglioti等人，2022）。长期而言，掺假会对人体造成有害影响。印度消耗了7780万吨液态牛奶（Sowmya和Ponnusamy，2021）。为了提高稀释牛奶的密度，人们使用糖、淀粉、碳酸钠和碳酸氢钠来补偿牛奶的酸度（Patari等人，2022；Nikolaou等人，2020）。过氧化氢的污染会损害肠道细胞，导致炎症，而尿素会导致肌肉痉挛和心律不齐（Afzal等人，2011）。因此，掺假对行业和产品消费者来说是一个关键问题（Messias等人，2021）。正确预测稀释牛奶中的掺杂物对于保证牛奶产品的质量和安全、保护公共健康以及促进食品安全至关重要（Kourti等人，2023）。确保牛奶和乳制品的纯度和真实性对于食品的质量和安全非常重要（Aqeel等人，2024）。有多种评估方法可用于检测牛奶中的掺杂物含量（Reddy等人，2017）。现有的识别牛奶中水分的方法包括测定非脂固体（SNF）含量、测量冰点以及使用乳稠计计算牛奶的比重（Mamgain等人，2024；Mabood等人，2020）。

克服这些挑战的一种常见技术是基于光谱的掺假检测方法，它涉及电磁辐射与物质相互作用产生的光谱的产生、测量和解释（Sowmya和Ponnusamy，2021）。傅里叶变换红外光谱（FTIR）和表面增强拉曼光谱（SERS）等技术被用来分析原料牛奶中的蛋白质含量（Sen等人，2021；Ghodinde和Chaskar，2024）。此外，基于机器学习的卷积神经网络（CNN）通过彻底且标注良好的数据进行训练，可以分析正确的掺杂物类型（Mamgain等人，2024；Ivanova等人，2019；De Castro等人，2021）。然而，在实际应用中存在挑战性。这些预测技术具有高灵敏度但非常复杂（Ghodinde和Chaskar，2024）。还有许多其他方法用于检测牛奶掺假，包括分子方法、色谱方法和免疫学方法，但这些方法无法在需要的时间内完成检测，且需要专门的培训（Nagraik等人，2021；Song等人，2011；Vincent等人，2016；Kourti等人，2023）。此外，这些现有方法都需要时间，并且需要昂贵的实验室环境。因此，开发计算成本低廉、自动化且便携的模型以检测牛奶中的掺杂物对于提高农场和食品行业的质量至关重要（Messias等人，2021；Wang等人，2022；Lucas等人，2020）。此外，利用深度学习（DL）算法可以快速准确地检测不同类型的牛奶掺杂物（Aqeel等人，2024）。

本研究旨在克服牛奶掺假的局限性，即计算复杂性、实时应用困难、较低的分类准确性和训练资源不足。在提出的SLPuIQCN框架中，通过SLPuO算法调整权重，ReSDT方法获取复杂特征，从而更好地理解模型并解释各种关系。通过分析选定的关键帧，减少了计算复杂性，同时仅关注相关信息。在预处理过程中消除了光照和轮廓的局部强度变化以及噪声伪影，提高了视频帧的质量。

研究的主要贡献如下：
- Sarcophilus leading pursuit优化算法：SLPuO算法调整SLPuIQCN框架的权重，并帮助选择高质量的关键帧以进行更好的处理。该算法借鉴了塔斯马尼亚魔鬼和裸鼹鼠的行为特性，在探索和利用阶段之间取得平衡。合格搜索者的社会组织和劳动分工有助于更快收敛至全局最佳解决方案。
- Sarcophilus leading pursuit优化方法用于自适应关键帧选择：SLPu-AFS方法用于选择更好的视频帧进行处理。选择关键帧可以减少需要处理的数据量，从而降低复杂性并在检测过程中减少不必要的数据。
- Sarcophilus leading pursuit优化量子卷积神经网络：用于掺假检测的SLPuIQCN方法基于增量学习，能够分批分析特征，并且在处理输入特征变化时具有优势。该量子网络中的神经元称为量子比特，主要通过旋转门进行操作，通过SLPuO算法优化可获得准确的结果。

本文结构如下：第2节回顾了相关研究文献；第3节介绍了牛奶掺假检测的系统模型；第4节解释了SLPuIQCN框架的工作原理；第5节分析了实验结果；第6节总结了研究结论。

**文献综述**
本节讨论了研究中分析的相关文章，包括所采用的方法及其优点和遇到的局限性（Mamgain等人，2024）提出了一种基于卷积神经网络（CNN）的框架，能够识别牛奶化合物的性质和特定掺杂物的组合。图像被分类为不同的类别，并赋予相应的概率分数。统计模式的识别提高了……

**牛奶掺假检测系统模型**
牛奶掺假的检测是确保牛奶质量的重要研究领域，因为牛奶是主要的食物来源之一。掺杂物会降低营养价值并导致严重的健康问题，包括恶心、肝炎和肾衰竭。分析方法能够使用学习模型区分正常牛奶和掺假牛奶。本研究介绍了一种基于视频内容分析的检测框架……

**提出的SLPuIQCN框架用于牛奶掺假检测**
本研究旨在利用所提出的SLPuIQCN系统识别牛奶中的掺杂物。首先从Radial Wicking和Omdena数据库中获取输入视频，从中提取包含正常和掺假数据的视频帧。输入帧经过预处理，应用锐化核和高斯模糊处理以提高质量，然后使用自适应阈值分割提取感兴趣的区域……

**动机**
SLPuO算法借鉴了塔斯马尼亚魔鬼和裸鼹鼠的特性，在探索和利用阶段之间取得平衡。社交性和智能行为提高了搜索空间的适应性，防止了过早收敛（Rizk-Allah等人，2024）。SLPuO算法在搜索区域的多样化方面提供了更好的解决方案，并在SLPuIQCN框架中实现了更好的检测效果……

**结果与讨论**
本节讨论了SLPuIQCN框架获得的结果，包括实验设置、数据库描述、性能及比较分析。在所提出的系统中，使用Radial Wicking和Omdena数据库以及实时数据库进行了评估。不同数据集的性能差异取决于数据的性质和复杂性。每个数据集在精确度和召回率上的提升原因也各不相同……

**局限性与未来展望**
在所提出的系统中，缺乏特征选择策略表明进一步探索降维技术可以提高模型的效率和可解释性。我们计划在未来的工作中结合特征选择技术，以进一步提高模型性能。尽管当前模型是为牛奶掺假检测开发的，但它也有潜力应用于其他领域……

**结论**
本研究解决了牛奶掺假检测的需求，提出了一个能够实现准确检测结果的SLPuIQCN模型。该方法处理包含随时间间隔变化的牛奶在石蕊纸上扩散的视频帧信息。使用ReSDT方法获取像素变化和纹理特征，使模型能够……

**作者贡献声明**
Vrishali M. Patil：数据整理
Savita R. Bhosale：数据整理

**利益冲突声明**
作者声明没有任何已知的财务利益或个人关系可能影响本文报告的工作。