自动和可解释的机器学习用于监测羊肉中的脂质和蛋白质氧化损伤,使用超光谱成像

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 目前用于检测脂质和蛋白质氧化的高光谱成像 (HSI) 和机器学习 (ML) 方法需要专家干预来调整模型.
• 现有的预测模型在决策过程中往往缺乏透明度.

研究的目的:

• 开发自动机器学习 (AutoML) 和自动深度学习 (AutoDL) 模型,使用HSI来预测羊肉中的脂质和蛋白质氧化.
• 评估在没有人工干预的情况下构建可解释的预测模型的可行性.
• 为了可视化结解周期期间绵羊肉中的氧化变化.

主要方法:

• 可见和近红外高光谱成像 (HSI) 应用于接受各种冷解周期的羊肉样本.
• 开发了机器学习 (ML),自动机器学习 (AutoML) 和自动深度学习 (AutoDL) 模型.
• 使用夏普利增量扩展 (SHAP) 来解释模型预测并识别关键光谱特征.

主要成果:

• 自动DL模型实现了对脂质氧化 (R2p = 0.9021) 和蛋白质氧化 (R2p = 0.8805) 的有效预测.
• 自动ML增强的堆叠组合进一步改进了模型概括,脂质氧化时的R2p值为0.9237,蛋白质氧化时的R2p值为0.9347.
• SHAP分析证实了通过光谱分析识别的重要波长,并阐明了它们对模型输出的影响,使氧化变化的可视化成为可能.

结论:

• HSI,AutoML和SHAP的组合提供了一个强大的和可解释的方法来监测羊肉中的脂质和蛋白质氧化损伤.
• 这种自动化方法最大限度地减少了对专家干预的需求,促进了食品工业的高效质量控制.
• 该研究表明,开发高质量,可解释的食品质量评估模型具有潜力.