基于三维光谱学和机器学习的植物油频率和过氧化物值的同时确定
Huihui Yang1, Yutang Wang2, Bei Fan2
1Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences (CAAS), Beijing 100193, PR China; Weifang Institute of food science and processing technology, Weifang 261000, PR China.
Food chemistry
|January 9, 2025
概括
这项研究使用3D光谱学和机器学习来评估油炸油质量. 它准确地预测了油的退化,确保了更安全的做法,并保护了消费者的健康.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 由于油脂降解,油炸对健康构成风险.
- 监测油质量对于食品安全至关重要.
- 过氧化物值是石油性的关键指标.
研究的目的:
- 开发一种快速的方法来评估油后的植物油质量.
- 评估3D光光谱学与机器学习相结合的有效性,用于预测油脂降解.
- 确定最佳模型来预测不同油的油炸频率和过氧化物值.
主要方法:
- 使用三维光光谱分析植物油 (大豆,花生,玉米) 经过多次后.
- 应用了三种特征预处理技术和三种机器学习算法 (随机森林,部分最小平方,k-最近邻).
- 开发并验证了用于预测炸频率和过氧化物值 (PV) 的模型.
主要成果:
- 该SG-RF模型最好地预测了大豆油的油炸频率 (Rp2=0.98).
- SG-PLS在预测花生和玉米油的频率方面表现出色 (Rp2=0.98,0.97).
- 过氧化物值预测的最佳模型是正常化-kNN (大豆,Rp2=0.87),SG-RF (花生,Rp2=0.89),以及正常化-RF (玉米,Rp2=0.93).
结论:
- 3D光光谱与机器学习相结合,提供了一种快速而准确的方法来评估油炸油质量.
- 这种方法可以早期检测油脂降解,防止使用不安全的油.
- 这些发现有助于加强食品安全和消费者健康保护.
