使用太赫兹时域光谱学构建的GPR和SVM模型预测土豆粉中的小麦质度
Qingxia Li1, Tong Lei1, Yunlong Cheng2
1Food Refrigeration and Computerized Food Technology (FRCFT), Agriculture and Food Science Centre, University College Dublin, National University of Ireland, Belfield, Dublin 4, Ireland.
Food chemistry
|September 9, 2023
概括
特拉赫兹 (THz) 光谱成像显示,在食品中检测质方面有希望. 这项研究发现,THz成像与机器学习模型相结合,可以准确预测小麦质度.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 准确的质检测对于食品安全至关重要,特别是对于患有乳病或对质敏感的人来说.
- 质分析的传统方法可能耗时,可能缺乏特异性.
- 太赫兹 (THz) 光谱成像为化学分析提供了一种非侵入性和快速的方法.
研究的目的:
- 调查使用太赫兹 (THz) 光谱成像用于食品矩阵中定量质检测的可行性.
- 开发和比较机器学习模型,使用THz光谱数据预测小麦质度.
- 建立一种新的技术,以确保无质食品的完整性.
主要方法:
- 从具有不同质含量 (1.3%-100%) 的土豆粉混合样本获得80 THz的光谱数据.
- 使用高斯过程回归 (GPR) 和支持向量机 (SVM) 算法开发预测模型.
- 基于R平方 (R2) 和根平均平方误差 (RMSE) 度量表的模型性能评估.
主要成果:
- 与高斯过程回归 (GPR) 相比,线性支持向量机 (SVM) 算法展示了优越的预测性能.
- SVM模型实现了R2 = 0.715和RMSE = 0.101,而GPR实现了R2 = 0.859和RMSE = 0.070.
- 两种模型都表明了THz光谱成像对质含量预测的潜力,SVM在本研究中显示出更高的准确性.
结论:
- 太赫兹 (THz) 光谱成像是一种可行的技术,用于检测和量化食品样本中的质.
- 机器学习,特别是线性SVM,可以有效地处理THz光谱数据,以准确预测质度.
- 这项研究提出了一种新的,非破坏性的质分析方法,支持开发可靠的无质食品.
