使用拉曼光谱学与深度学习算法相结合,研究热感应的猪肉质量检测和变化机制

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 生物物理学的生物物理.

背景情况:

• 猪肉质量对于最终产品的属性至关重要.
• 了解热引起的质量变化对于加工至关重要.
• 需要非破坏性方法来快速评估质量.

研究的目的:

• 利用拉曼光谱和深度学习开发一种快速,非破坏性的猪肉质量检测方法.
• 为了阐明猪肉质量在加热过程中的变化的机制.
• 为了比较不同深度学习模型 (CNN,LSTM,CNN-LSTM) 的性能,以预测质量参数.

主要方法:

• 拉曼光谱法被用来收集来自猪肉机的光谱数据.
• 包括卷积神经网络 (CNN),长期短期记忆 (LSTM) 和混合CNN-LSTM在内的深度学习模型被训练和评估.
• 光谱数据与物理质量参数 (如凝强度和白度) 相相关.

主要成果:

• 加热增加了β片含量和暴露的疏水性群,导致聚合物形成和交叉链接.
• 在预测凝强度 (Rp=0.9515) 和白度 (Rp=0.9383) 方面,CNN-LSTM模型取得了很高的准确性.
• 拉曼光谱与深度学习相结合,有效地预测了猪肉质量,并解释了潜在的结构变化.

结论:

• 拉曼光谱与深度学习相结合,为实时猪肉质量评估提供了强大的非破坏性方法.
• 这项研究提供了关于推动猪肉加工过程中质量变化的分子机制的见解.
• CNN-LSTM在预测猪肉中的关键质量属性方面表现出卓越的表现.