使用超光谱数据的深度神经网络对猪的半脊柱头肌的损失估计

科学领域:

• 食品科学 食品科学 食品科学
• 农业工程 农业工程
• 机器学习 机器学习

背景情况:

• 损失是一个关键的质量属性,影响猪肉的味道和产量.
• 准确预测损耗对于优化猪肉加工和消费者满意度至关重要.
• 需要使用非破坏性方法来评估猪肉的质量,而不会造成身体损伤.

研究的目的:

• 开发和评估一种深度学习模型,用于预测猪肉半脊柱头肌 (SC) 肌肉的损失.
• 将深度学习模型的性能与传统的化学测量方法 (PCR,PLSR) 进行比较.
• 探索超光谱成像用于无破坏性猪肉质量评估的潜力.

主要方法:

• 使用猪的超光谱图像 (70个样本) 捕获死后24小时.
• 采用基于像素的数据增强来解决有限的样本大小.
• 开发并验证了一个深度学习模型,以及主要组件回归 (PCR) 和部分最小平方回归 (PLSR) 模型.
• 使用R平方,根均平方误差 (RMSE) 和损失等级的分类准确度来评估模型性能.

主要成果:

• 深度学习模型在预测损失方面明显优于PCR和PLSR模型.
• 损失的分类准确度最高,为三个等级 (深度学习模型的0.82).
• 深度学习能够可视化SC肌肉内的损失.
• 在SC肌肉pH,损失和整体猪股切片损失之间发现了显著的相关性.

结论:

• 使用高光谱成像的深度学习模型对于预测猪肉损失等级是有效的.
• 超光谱成像为猪肉的非破坏性质量预测提供了一个有希望的途径.
• 这项技术可以帮助优化猪肉加工,确保产品质量的一致性.