深度学习模型使用优化的光谱学来提升彩虹鱼的新鲜度,预测在非异热储存条件下
Yanwei Fan1, Ruize Dong2, Yongkang Luo3
1Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China; College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China; National Engineering Research Center for Information Technology in Agriculture, Beijing Academy of Agricultural and Forestry Sciences, Beijing 100097, China; National Engineering Laboratory for Agri-product Quality Traceability, Beijing Academy of Agricultural and Forestry Sciences, Beijing 100097, China.
Food chemistry
|May 29, 2024
概括
研究人员开发了先进的AI模型,包括辐射基函数神经网络 (RBFNN),以使用优化的鱼眼液体数据准确预测彩虹鱼的新鲜度. RBFNN模型显示出卓越的性能,提供了一种可靠的非隔热储存监控方法.
科学领域:
- 食品科学 食品科学 食品科学
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 准确的新鲜度预测对于鱼类的质量和安全至关重要.
- 非隔热储存条件使传统的新鲜度评估变得复杂.
- 激发发射矩阵 (EEM) 光谱学为客观地评估鱼的新鲜性提供了潜力.
研究的目的:
- 建立和比较人工智能模型来预测彩虹鱼的新鲜度.
- 为了利用鱼眼液的优化EME数据进行新鲜度评估.
- 在非异热储存条件下评估模型性能.
主要方法:
- 使用残余分析,核心一致性诊断和并行因子分析的分半分析来优化EEM数据.
- 从EEM数据中提取两个特征组件.
- 开发和应用长期短期记忆 (LSTM),卷积神经网络长期短期记忆 (CNN_LSTM) 和辐射基函数神经网络 (RBFNN) 模型.
主要成果:
- 在RBFNN模型中,新鲜度指数的R平方值达到0.96以上.
- 在RBFNN模型中,K值,总可生存数量和挥发性基的相对误差低于10%.
- 在预测新鲜度指数方面,RBFNN模型的表现优于LSTM和CNN_LSTM模型.
结论:
- 基于优化的EEM特征组件的RBFNN模型提供了一个非常准确的方法来预测彩虹鱼的新鲜度.
- 这种方法提供了一种新且有效的工具,用于在非隔热储存期间监测鱼类质量.
- 该研究强调了AI和EEM光谱在推进食品质量评估方面的潜力.
