快速评估多个供应链节点的鱼类新鲜度,使用多模式光谱和基于融合的人工智能.
Hossein Kashani Zadeh1, Mike Hardy2, Mitchell Sueker3
1SafetySpect Inc., Grand Forks, ND 58202, USA.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
一个新的手持式多模式光谱系统通过融合可见近红外 (VIS-NIR),短波红外 (SWIR) 和光 (FL) 数据来准确评估鱼的新鲜度. 这种非破坏性方法实现了95%的准确性,大大改善了预测鱼类质量的单模式技术.
科学领域:
- 食品科学与技术 食品科学与技术
- 分析化学是一种分析化学.
- 频谱学是一种光谱学.
背景情况:
- 评估鱼的新鲜度对于食品安全和质量控制至关重要.
- 目前用于鱼类质量评估的方法可能耗时,破坏性或主观.
- 开发快速,非破坏性的技术对于海鲜行业至关重要.
研究的目的:
- 开发一种快速,非破坏性的,手持式多模式光谱系统,用于鱼类质量评估.
- 评估来自多种光谱技术的数据融合的有效性,以预测鱼的新鲜度.
- 为了比较多模式光谱与单模式技术的性能.
主要方法:
- 利用可见近红外 (VIS-NIR) 和短波红外 (SWIR) 反射,以及光 (FL) 光谱.
- 应用数据融合技术,将多种模式的光谱数据结合起来.
- 采用各种机器学习算法,包括主要组件分析,随机森林和支持矢量机器,用于分类.
- 在14天内从鱼和鱼片收集了广泛的光谱数据.
主要成果:
- 多模式光谱系统在分类鱼的新鲜度方面取得了95%的准确性.
- 与单模光谱相比,数据融合显著提高了准确性:FL (+26%),VIS-NIR (+10%) 和SWIR (+9%).
- 开发的系统显示了对准确和快速的鱼类质量评估的巨大潜力.
结论:
- 多模式光谱与数据融合相结合,为非破坏性鱼类新鲜度评估提供了强大的工具.
- 这项技术有可能准确预测鱼片的保质期.
- 未来的研究应该将应用扩展到更广泛的鱼类物种.


