通过手持设备鱼的新鲜度:特征选择和数据融合的方法用于光谱学.
Mike Hardy1, Hossein Kashani Zadeh2,3, Angelis Tzouchas2
1National Measurement Laboratory: Centre of Excellence in Agriculture and Food Integrity, Institute for Global Food Security, School of Biological Sciences, Queen's University Belfast, Belfast BT9 5DL, U.K.
ACS food science & technology
|December 26, 2024
概括
这项研究使用光学光谱学和机器学习来确定鱼片的新鲜度,通过结合数据模式快速评估鱼类质量,实现了近乎完美的准确性.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 评估鱼的新鲜度对于食品安全和质量控制至关重要.
- 确定鱼类腐烂的传统方法可能耗时且主观.
- 需要快速,客观的方法来实时评估食品行业的质量.
研究的目的:
- 评估光学光谱学 (光和吸收) 与机器学习相结合的有效性,以确定鱼片的新鲜度.
- 为了比较单模与双模光谱数据分析的准确性.
- 探索特征选择技术,以提高从光谱数据的预测准确度.
主要方法:
- 在17天内,使用手持光和可见/近红外 (NIR) 吸收光谱分析了鱼片.
- 光谱数据与核酸测定和电位计进行了基准测试.
- 四个机器学习算法 (LDA,高斯的天真贝叶斯,KNN,包装树) 用于新鲜度的分类.
- 双模式 (光+吸收) 和单模式数据融合技术进行了比较.
主要成果:
- 双模式数据融合在分类鱼片新鲜度方面实现了几乎完美的准确性 (平均值=99.5±0.51%).
- 单模分析显示精度较低 (例如光: 77.1 ± 10.1%).
- 主要组件分析确定了用于预测新鲜度的关键光波长,表明了简化分析的潜力.
结论:
- 将光和吸收光谱与机器学习相结合,为快速确定鱼的新鲜度提供了一个高度准确的方法.
- 双模式数据融合显著优于单模式分析.
- 这种方法为开发便携式,快速的鱼类质量评估工具提供了基础.
