基于机器学习与联邦学习的原奶兽药残留快速检测模型构建.pdf

第43卷第5期食品科学技术学报Vol.43No.5

2025年9月JournalofFoodScienceandTechnologySep.2025193

doi:10.12301/spxb202500296文章编号:2095鄄6002(2025)05鄄0193鄄14

引用格式:程文序,宋晓东,丁浩晗,等.基于机器学习与联邦学习的原奶兽药残留快速检测模型构建[J].食品科学技术学报,

2025,43(5):193-206.

CHENGWenxu,SONGXiaodong,DINGHaohan,etal.Constructionofrapiddetectionmodelforveterinarydrugresidues

inrawmilkbasedonmachinelearningmodelingandfederatedlearningoptimization[J].JournalofFoodScienceandTech鄄

nology,2025,43(5):193-206.

基于机器学习与联邦学习的原奶兽药残留快速

检测模型构建

121,3,*3,422

程文序,摇宋晓东,摇丁浩晗,摇崔晓晖,摇董冠军,摇乌日娜

(1.江南大学人工智能与计算机学院,江苏无锡摇214122;

2.国家市场监督管理总局重点实验室(乳品质量数智监控技术),内蒙古呼和浩特摇011517;

3.江南大学未来食品科学中心,江苏无锡摇214122;

4.武汉大学国家网络安全学院,湖北武汉摇430072)

摘摇要:为实现原奶中兽药残留的快速、低成本风险识别,利用大型乳品企业2022—2024年全国多区

域原奶常规检测指标及兽药残留数据,构建基于机器学习与联邦学习的兽药残留快速检测模型,作为

传统化学检测方法的有效补充。针对兽药残留阳性样本远少于阴性样本的数据不平衡特性,采用

SMOTE过采样与随机欠采样相结合策略优化训练集。通过对比随机森林、决策树、贝叶斯网络、极限

梯度提升、支持向量机等多种算法,发现极限梯度提升模型在兽药残留的二分类及多分类预测中均表

现出最优的综合性能。特征重要性分析表明,“地区冶是影响兽药残留状况的首要因素,凸显了区域差

异对原奶质量安全的关键影响。通过构建基于区域划分的客户端学习模式,将联邦学习框架应用于

极限梯度提升模型,在有效保护各区域数据隐私的前提下,实现了与集中式学习相当的预测准确率,

并提升了模型稳定性。研究旨在为原奶中兽药残留检测提供快速、低成本、数据驱动的风险识别范式

和预警机制,为化学检测技术提供有效补充,并为食品安全保障提供新方案。

关键词:乳品安全;兽药残留检测;机器学习;联邦学习;原奶质量

中图分类号:TP181;TS252郾7摇摇摇摇摇文献标志码:A

[5][6]

摇摇原奶作为乳制品生产的关键原材料,其质量安迟、酸奶凝固受阻及奶酪成熟不良,从而影响

全直接影响消费者健康。现代畜牧业中,抗生素等乳制品的加工效率和感官特性。

[1][2]

兽药的使用是保障奶牛健康和提升养殖效率准确可靠的兽药残留检测是保障乳品质量安全

的重要手段,但其残留问题已成为全球乳品安全的和维护公众健康的关键环节。传统兽药残