在超声波处理下,通过NIR光谱学与使用APaRPs评估的非线性化学仪器相结合,对碎肉凝强度的定量预测
Huanhuan Li1, Xorlali Nunekpeku1, Wei Zhang1
1School of Food and Biological Engineering, Jiangsu University, Zhenjiang 212013, PR China.
Food chemistry
|September 28, 2024
概括
这项研究引入了一种使用近红外 (NIR) 光谱和机器学习来预测碎凝强度的快速,非破坏性方法. 开发的模型具有很高的准确性,可以控制加工肉产品的质量.
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
- 生物物理学的生物物理.
背景情况:
- 达到最佳的凝强度对于碎产品的质地和质量至关重要.
- 评估凝强度的传统方法可能耗时且具有破坏性.
- 超声波处理会影响碎的凝性质.
研究的目的:
- 开发一种快速,非破坏性的方法来预测碎的凝强度.
- 探索近红外 (NIR) 光谱学与非线性化学测量建模相结合的应用.
- 评估不同机器学习模型和变量选择技术的有效性.
主要方法:
- 碎的肉样本经过高强度超声波 (0-50分钟) 处理,随后进行热诱导凝.
- 凝强度以传统方式测量,并收集近红外 (NIR) 光谱.
- 非线性化学测量模型,包括支持矢量机 (SVM) 和极端学习机 (ELM),使用可变选择方法 (UVE,CARS,GA) 开发.
主要成果:
- 凝强度和光谱数据之间的非线性得到证实.
- 极端学习机器 (ELM) 模型与变量选择的遗传算法 (GA) 结合,实现了最高的预测性能 (Rp2 = 0.8772).
- 开发的模型在预测凝强度方面表现出很高的准确性.
结论:
- 近红外 (NIR) 谱学与非线性化学测量建模相结合,为快速,非破坏性地预测碎凝强度提供了可行的解决方案.
- 该研究强调了高级分析技术在肉类加工行业质量控制方面的潜力.
- 超声波处理参数可以使用预测模型进行优化,以达到所需的凝强度.
