使用超光谱成像技术,快速而非破坏性地分类化盐分的化金奇菜
Hyeyeon Song1, Myounghwan Kim2, Kwang Sun Yoo2
1Hygienic Safety and Materials Research Group, World Institute of Kimchi, 86 Kimchi-ro, Nam-gu, Gwangju, Republic of Korea.
Heliyon
|December 17, 2024
概括
这项研究引入了一种使用近红外 (NIR) 光的非破坏性高光谱成像方法,以根据盐度对金奇菜的质量进行分类. 开发的决策树模型准确地区分了可接受和不可接受的品质金,有助于工业生产.
科学领域:
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
- 农业技术 农业技术
背景情况:
- 金的质量受到盐度的显著影响,盐度是消费者接受的关键因素.
- 客观地评估水金奇菜的质量对于工业制造和质量控制至关重要.
- 在食品加工中寻求非破坏性方法以进行高效和准确的质量评估.
研究的目的:
- 开发和验证一种非破坏性的高光谱成像方法,用于分类盐水中金菜的质量.
- 为了确定近红外 (NIR) 区域的最佳波长,用于盐度评估.
- 建立一个可靠的模型,将金分为质量可接受和质量不可接受的组.
主要方法:
- 在近红外 (NIR) 区域 (874-1734 nm) 使用过光谱成像.
- 应用了光谱预处理技术,包括标准正常变量 (SNV),乘法散射校正 (MSC) 和萨维茨基-戈莱导数.
- 开发并比较分类模型,使用决策树模型显示最佳性能.
主要成果:
- 通过使用超光谱数据,确定了用于分类金奇菜盐度的最佳波长.
- 决策树模型,结合MSC和Savitzky-Golay第一衍生预处理,实现了最高的分类精度.
- 成功地将盐水中的金奇菜分为质量可接受和质量不可接受的类别.
结论:
- 在NIR区域的高光谱成像提供了一种可行的非破坏性方法来评估水金奇菜的质量.
- 开发的决策树模型为工业盐度检测和质量控制提供了有效的工具.
- 这项技术有可能提高大规模金生产的质量保证.
