使用高光谱成像对肉恶化过程中的化学成分进行定量分析和可视化:机器学习和深度学习模型的比较研究

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:

• 质量评估对于消费者安全和供应链管理至关重要.
• 检测损坏指标的传统方法,如TVB-N和K值,往往是破坏性的和耗时的.
• 超光谱成像 (HSI) 为实时质量监测提供了一个有希望的非破坏性的替代方案.

研究的目的:

• 在使用HSI的肉恶化过程中量化识别TVB-N和K值的变化.
• 开发和比较损坏评估的预测模型 (PLS,CNN,LSTM,CNN-LSTM).
• 为可视化质量评估生成化学成分变化的空间分布图.

主要方法:

• 低级数据融合 (LLF) 用于整合超谱数据.
• 开发了包括部分最小平方 (PLS),卷积神经网络 (CNN),长短期记忆 (LSTM) 和CNN-LSTM在内的预测模型.
• 用R_p²值来预测TVB-N和K值来评估模型性能.

主要成果:

• 与深度学习模型相比,传统的化学测量方法 (PLS) 显示出更高的性能.
• PLS实现了高预测准确度,TVB-N的R_p2 = 0.9431和K值的R_p2 = 0.9815 .
• 空间分布图有效地可视化了肉中的化学成分变化.

结论:

• 与化学测量模型相结合的HSI提供了一种快速,非破坏性的方法来预测的破坏.
• 这项技术可以加强冷链物流和库存管理中的质量监测.
• 未来的研究应该专注于模型优化和与其他传感器技术的集成,以进行全面的质量评估.