超光谱成像是一种非破坏性技术,用于估计食品的营养价值

科学领域:

• 食品科学与技术 食品科学与技术
• 分析化学 分析化学
• 机器学习应用 机器学习应用

背景情况:

• 对复杂食品进行准确的营养分析对于食品工业和公共卫生指南至关重要.
• 确定食品成分的传统方法往往是劳动密集型,破坏性,并利用危险化学品.
• 需要快速,非破坏性的分析技术来确定食品的营养成分.

研究的目的:

• 研究高光谱成像 (HSI) 与机器学习模型相结合的有效性,用于预测复杂食品中的能量和宏观营养素含量.
• 为了比较十种不同的回归模型在估计从HSI数据营养参数的性能.
• 建立一种更快,更可持续的食品营养分析方法.

主要方法:

• 收集了118个食品样本进行分析.
• 获得的超光谱成像 (近红外和可见近红外) 数据为每个样本.
• 利用十个监督机器学习回归算法 (包括Ridge,Random Forest和Support Vector Machines) 来构建预测模型.
• 训练和测试模型使用光谱数据作为预测因素,并确定营养价值作为依赖变量.

主要成果:

• 脊柱回归在所有测试的营养参数中表现最好.
• 在预测蛋白质含量 (R2 = 0.88) 和水分 (R2 = 0.85) 方面取得了高精度.
• 能量值 (R2 = 0.76) 和总脂肪 (R2 = 0.72) 的预测精度也很显著,而碳水化合物和灰含量显示较低的R2值.

结论:

• 超光谱成像,当与监督机器学习集成时,提供了一种可行的方法来预测加工复杂食品的能量和营养价值.
• 这种方法为传统分析技术提供了一个有希望的非破坏性和高效的替代方案.
• 进一步的研究可以优化模型,以提高所有宏观营养素和食品类型的准确性.