基于SWIR-HSI的羊肉中食物传播病原体污染的现场检测模型的建立和比较

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 确保羊肉安全需要快速检测食物传播病原体.
• 受到诸如大肠杆菌 (EC),黄金葡萄球菌 (SA) 和沙门氏菌 (ST) 等病原体的污染会给健康带来重大风险.

研究的目的:

• 探索短波红外高光谱成像 (SWIR-HSI) 的可行性,以检测羊肉上的EC,SA和ST的污染状况和物种.
• 用SWIR-HSI数据评估各种机器学习和深度学习模型的病原体检测性能.

主要方法:

• 采集了羊肉样本的超光谱图像,其中EC,SA和ST的度各不相同.
• 构建和优化的一维卷积神经网络 (1D-CNN) 模型.
• 用不同的光谱预处理技术比较了1D-CNN,部分最小平方差异分析 (PLS-DA) 和支持矢量机 (SVM) 模型的性能.
• 研究了用于简化模型开发的特征波长的使用.

主要成果:

• 最优的全频段模型是具有特定超参数的1D-CNN,在训练组中达到100.00%的准确性,在测试组中达到92.86%,在外部验证组中达到97.62%.
• 支持矢量机 (SVM) 模型,特别是基因算法优化SVM (GA-SVM),在物种歧视方面显示出高精度 (100.00%).
• 使用原始光谱的1D-CNN模型被认为是检测污染状况和物种的最佳模型,因为它们的复杂性和准确性的平衡.

结论:

• 与机器学习和深度学习相结合的SWIR-HSI提供了一种可靠的方法,可以准确地检测羊肉上的食物传播病原体.
• 在这种应用中,深度学习模型的表现通常优于传统的机器学习模型.
• 这项研究支持HSI技术的更广泛应用,以提高肉制品的食品安全.