深度学习辅助的基于黄素的光传感器阵列用于非破坏性检测肉类新鲜度
Min Li1, Jianguo Xu2, Chifang Peng3
1State Key Laboratory of Food Science and Resources, Jiangnan University, Wuxi 214122, PR China; School of Food Science and Technology, Jiangnan University, Wuxi 214122, PR China.
Food chemistry
|March 14, 2024
概括
这项研究开发了一种新的光传感器阵列,使用黄类药物进行无毒的肉类新鲜度测试. 一个深层卷积神经网络在非破坏性地预测肉的新鲜度方面取得了97.1%的准确性.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 生物材料科学 生物材料科学
背景情况:
- 传统的肉类新鲜度测试方法通常涉及有毒指标或破坏性分析.
- 关于传统指标毒性的担忧阻碍了肉类新鲜度传感器的商业化.
- 开发非有毒,实时和非破坏性的肉类新鲜度评估方法对于食品安全至关重要.
研究的目的:
- 开发一种新的,无毒的光传感器阵列,用于肉类新鲜度指示.
- 利用深度卷积神经网络 (DCNN) 进行准确和实时的肉类新鲜度检测.
- 建立基于智能手机的可访问肉类新鲜度监测系统.
主要方法:
- 三个光传感器由柔性薄膜复合的黄素 (fisetin, puerarin, daidzein) 制造,形成一个传感器阵列.
- 传感器阵列被应用在包装肉类上的新鲜度指示标签上.
- 在不同的肉鲜度水平下,智能手机对传感器标签的成像,然后进行DCNN模型培训和验证.
主要成果:
- 一个基于天然黄类的光传感器阵列成功开发.
- 一个DCNN模型实现了97.1%的肉类新鲜度的高预测准确度.
- 开发的方法提供了一个非破坏性的实时替代传统方法,如TVB-N测量.
结论:
- 基于黄素的光传感器阵列为肉类新鲜度指示提供了一个有希望的无毒方法.
- 通过将DCNN和智能手机成像集成,可以实现高效准确的非破坏性肉类新鲜度评估.
- 这项技术有潜力通过可靠的新鲜度监测提高食品安全,减少食品浪费.
