机器学习支持食用油的高通量行业选

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:

• 食用油的改对全球的公共健康构成重大风险.
• 复杂的供应链往往使欺诈行为不被发现.
• 消费者信心需要强大的可追溯性和食品行业的问责制.

研究的目的:

• 开发一种高吞吐量,非破坏性,无标签的食用油认证方法.
• 评估机器学习辅助光谱学的可行性,用于大规模的工业选.
• 为了快速分析和检测食用油中的改.

主要方法:

• 利用机器学习 (ML) 算法与窗式光谱 (可见和红外波段).
• 将该方法应用于大规模数据集 (大约11,500个样本) 以检测橄油改.
• 专注于用于石油认证的光谱指纹分析.

主要成果:

• 在检测橄油改时,实现了高分辨性能 (曲线下的面积> 0.96).
• 证明了ML在分析光谱数据以进行身份验证方面的有效性.
• 展示了光谱指纹的高聚类保真度,使数据库编译成为可能.

结论:

• 机器学习辅助的窗式光谱学为快速,大规模的食用油认证提供了可行的解决方案.
• 开发的方法提高了食用油供应链内的可追溯性和问责制.
• 这种方法有助于创建自给自足的,无假设的石油质量监测数据库.