预测肉类产品的食物结构从物理应用机器学习
Dominic Oppen1, Tabea Attig2, Jochen Weiss1
1Department of Food Material Science, Institute of Food Science and Biotechnology, University of Hohenheim, Garbenstraße 25, 70599 Stuttgart, Germany.
Food research international (Ottawa, Ont.)
|November 21, 2023
概括
机器学习通过分析口腔处理数据,在时有效地分类食物结构. 这种先进的技术为肉类替代品提供了客观的纹理分析,改善了产品开发.
科学领域:
- 食品科学与技术 食品科学与技术
- 生物机械工程 生物机械工程
- 计算智能是一种计算智能.
背景情况:
- 肉类替代品的发展需要客观的方法来评估食品的结构和质地.
- 传统的纹理分析方法难以捕捉完整的感官体验,特别是对于复杂的食物矩阵,如肉类替代品.
- 口腔处理分析,捕捉动力学和时的肌肉力量,为食品评估提供了一种新的方法.
研究的目的:
- 评估机器学习算法在基于口腔处理数据的食品结构分类方面的性能.
- 为了比较各种机器学习模型的有效性,包括支持矢量机器,人工神经网络,额外树木分类器和极端梯度增强.
- 识别关键的口服加工特征,有助于区分不同的食品材料结构.
主要方法:
- 在各种食物结构的过程中收集了高维动力和力数据.
- 将各种各样的预处理技术应用于复杂的数据集.
- 训练和评估多种机器学习算法,包括支持向量机器,人工神经网络,额外树木分类器和极端梯度提升.
- 使用基准指标评估模型性能,例如准确性,接收器操作曲线 (AUC) 下的面积,F1得分,精度回忆曲线和马修斯相关系数 (MCC).
主要成果:
- 机器学习算法在分类单个方面表现出了显著的表现,在区分同otropic 和 anisotropic 材料方面实现了高达 0.966 的 Matthews 相关系数 (MCC).
- 侧运动被认为是对分类最有影响力的特征.
- 最佳的分类性能需要整合所有分析的口腔处理特征.
结论:
- 机器学习,特别是在分析全面的口腔处理数据时,提供了一种强大而客观的方法来评估食物结构和质感.
- 这种方法为新型食品的开发和质量控制提供了宝贵的见解,包括肉类替代品.
- 该研究强调了计算策略的潜力,以增强传统的感官和纹理分析技术.
