通过斜率发射反射率差异与机器学习算法相结合来表征食用油

科学领域:

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

背景情况:

• 由于价格差异导致的食用油造是消费者关注的一个重要问题.
• 伪造油对消费者健康和福祉构成风险.
• 目前的质量测试方法缺乏速度,非破坏性或通用适用性.

研究的目的:

• 引入一种快速,非破坏性,准确和可靠的食用油质量测试方法.
• 用一种新的方法检测各种类型的食用油改.
• 评估机器学习算法的有效性与特定的光学技术相结合.

主要方法:

• 在光学测量中采用了斜进度反射率差异 (OIRD) 方法.
• 集成的机器学习算法,包括梯度提升,K-最近邻居和随机森林用于数据分析.
• 分析了OIRD信号,直流信号和基本频率信号对分类的贡献.

主要成果:

• 机器学习模型在食用油检测方面实现了超过95%的预测准确度.
• OIRD信号显示了对分类的最高贡献率 (45.7%).
• 在橄油质量评估中,OIRD信号显示的特征重要性 (63.4%) 与DC和基本频率信号相比显著更高.

结论:

• 斜发射反射率差异 (OIRD) 方法是检测食用油及其改的强大工具.
• 机器学习算法有效地提高了基于OIRD的石油分析的准确性和可靠性.
• 在食用油行业中,OIRD方法为快速,非破坏性质量控制提供了有希望的解决方案.