整合转移学习和光谱学,以通过相关性分析进行增强的猪肉损坏评估

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
• 频谱学是一种光谱学.

背景情况:

• 准确的总活力计数 (TVC) 检测对于确保食品质量和安全至关重要.
• 评估肉类腐烂的传统方法可能是耗时和劳动密集的.
• 可见近红外光谱 (VNIR) 提供了一种快速,非破坏性的分析技术.

研究的目的:

• 调查使用VNIR光谱学结合转移学习 (TL) 监测猪肉化学破坏的可行性.
• 开发和优化模型来预测TVC,总挥发性基本,pH和猪肉的颜色.
• 通过先进的TL方法提高TVC预测的准确性.

主要方法:

• 使用VNIR光谱 (400-1000nm) 来从猪肉样本中收集光谱数据.
• 开发了使用TVC,总挥发性基本,pH和颜色的全光谱带的初始预测模型.
• 应用并比较各种转移学习 (TL) 技术,包括多重关联链堆叠 - 部分最小平方,以优化TVC模型.

主要成果:

• 基础VNIR模型显示了猪肉TVC,总挥发性基本,pH和颜色 (R_P:0.8210.916) 的良好可预测性.
• 使用多重关联链堆叠-部分最小平方的优化TVC模型实现了0.947的高R_P,并将RMSEP降低了31.12%.
• 优化的TVC模型实现了0.425毫克CFU/g的RMSEP和2.355%的相对百分比偏差.

结论:

• 当与转移学习相结合时,VNIR光谱是一种可行的和有效的方法来监测猪肉的化学破坏.
• 优化的TL方法显著提高了TVC预测的准确性,为传统方法提供了快速的替代方案.
• 这种综合方法有望提高肉类行业的实时食品质量和安全评估.