在整个供应链中使用便携式多光谱成像设备进行海床质量监测
Anastasia Lytou1, Lemonia-Christina Fengou1, Antonis Koukourikos2
1Laboratory of Microbiology and Biotechnology of Foods, Department of Food Science and Human Nutrition, School of Food and Nutritional Sciences, Agricultural University of Athens, Iera Odos 75, 11855 Athens, Greece.
Journal of food protection
|April 7, 2024
概括
一个便携式多谱成像传感器使用人工神经网络 (ANN) 模型快速预测鱼的微生物质量. 这项技术提供了高效的食品质量监测,减少浪费,提高整个供应链的可持续性.
科学领域:
- 食品科学与技术 食品科学与技术
- 感官分析 感官分析
- 人工智能对食品质量的影响
背景情况:
- 快速且具有成本效益的食品质量监测对于及时决策,减少浪费和可持续性至关重要.
- 评估鱼类的微生物质量对于确保食品安全和消费者信任至关重要.
- 传统的微生物学方法耗时,阻碍了供应链中的快速质量控制.
研究的目的:
- 开发和验证人工神经网络 (ANN) 模型,以快速预测鱼中的总有氧计数 (TAC).
- 评估便携式多谱成像传感器用于评估鱼片微生物质量的效率.
- 调查包装条件 (有氧,真空) 和鱼类部分 (皮肤,肉) 对预测准确性的影响.
主要方法:
- 获取海片 (水产养殖和零售) 的多光谱图像.
- 微生物质量 (TAC) 的估计与图像采集并行.
- 使用数据分区和零售样本的外部验证开发和验证ANN模型.
主要成果:
- 从皮肤和肉面 (RMSE 0.402-0.547) 来预测TAC的ANN模型表现良好.
- 模型显示有氧和真空包装鱼的性能相似,在两种条件相结合时,准确性略有降低.
- 与内部验证相比,使用零售样本进行的外部验证结果表现较差 (RMSE 1.061-1.414).
结论:
- 便携式多谱成像传感器是快速微生物质量评估鱼片的有效工具.
- 对于实时质量监测,ANN模型显示出有前途的前景,有利于工业,当局和消费者.
- 需要进一步的研究和模型改进,以提高外部验证场景的性能.
