通过将机器学习技术应用于超光谱图像来测量豆中亚拉托克辛感染的水平

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 计算机科学 计算机科学

背景情况:

• 青毒素是菌产生的有毒化合物,具有重大健康风险.
• 目前的青毒素检测方法具有侵入性,导致食物浪费.
• 超光谱成像 (HSI) 结合机器学习 (ML) 显示出非侵入性食品质量评估的潜力.

研究的目的:

• 调查应用到HSI数据的ML技术的有效性,以检测和分类 pistachios中的 aflatoxin污染.
• 评估各种ML模型的性能,以确定 pistachios. aflatoxin 的水平.
• 探讨一种非侵入性的 pistachio 质量控制方法,旨在减少食物浪费和提高消费者安全.

主要方法:

• 使用了300张 pistachios 的高光谱图像数据集,这些图像具有不同的 aflatoxin 污染水平 (<8 ppn,>160 ppn,>300 ppn).
• 评估了ML模型,包括使用K-Means集群缩小维度,剩余网络 (ResNets),变异自编码器 (VAEs) 和深度卷积生成对抗网络 (DCGAN) 的模型.
• 确定了暗示着亚毒素存在的关键光谱波长.

主要成果:

• 用K-Means进行的尺寸缩小实现了84.38%的准确性.
• 使用866.21纳米波长的ResNet模型显示了96.67%的高精度.
• VAE和DCGAN模型显示出有希望的结果,但受到数据集大小的限制.

结论:

• 基于ML的HSI是一种可行的非侵入性技术,用于精确检测和分类花生中的 aflatoxin.
• ResNet模型显示出在 pistachio 质量控制中实际应用的巨大潜力.
• 未来的研究应该专注于扩大数据集和完善工业实施的ML模型,以提高食品安全和减少浪费.