机器学习识别可食用的植物油从脂肪酸组合和超光谱图像中的可食用植物油
Jeongin Hwang1, Kyeong-Ok Choi2, Sungmin Jeong3
1Department of Food Science and Biotechnology, Seoul, 05006, South Korea.
Current research in food science
|May 6, 2024
概括
超光谱成像和机器学习准确地识别可食用的植物油,与化学方法相比. 这种方法也有效量化了石油改水平.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 食用油的认证对于消费者安全和经济完整性至关重要.
- 传统的石油分析化学方法可能耗时且资源密集.
研究的目的:
- 开发和评估高光谱成像与机器学习相结合,用于识别可食用的植物油.
- 使用这些方法量化评估植物油中改的程度.
- 为了比较超光谱成像的性能与传统的脂肪酸成分分析.
主要方法:
- 获得了八种食用植物油的高光谱吸收光谱.
- 机器学习模型 (决策树,随机森林,k-最近邻居) 使用光谱数据进行训练.
- 线性差异分析用于分析光谱变异性.
- 脂肪酸成分分析作为基准化学方法.
主要成果:
- 基于独特的光谱特征 (例如棕油,亚麻油,橄油) 的高光谱成像差异化油.
- 机器学习模型使用超光谱数据实现了植物油分类准确度超过98.9%.
- 随机森林模型在量化二进制油混合 adulteration 中表现出高准确度 (R2 > 0.992,RMSE < 2.75).
结论:
- 超光谱成像与机器学习相结合,为食用植物油的识别提供了快速而准确的替代方案.
- 这种技术可与石油分类的化学方法相提并论,在伪造检测方面更优越.
- 开发的方法为食用油行业的质量控制和真实性验证提供了强大的工具.
