使用可见近红外高光谱成像,机器学习和可解释的人工智能进行蛋黄比率的非破坏性量化
Md Wadud Ahmed1, Jason Lee Emmert2, Mohammed Kamruzzaman1
1The Grainger College of Engineering, College of Agricultural, Consumer and Environmental Sciences, Department of Agricultural and Biological Engineering, University of Illinois Urbana-Champaign, Urbana, IL, USA.
Journal of the science of food and agriculture
|June 11, 2025
概括
这项研究表明,可见近红外高光谱成像 (Vis-NIR HSI) 与机器学习 (ML) 准确地预测了卵黄比率的非破坏性. 可解释的人工智能为可靠的蛋质量评估提供了对关键光谱特征的洞察力.
科学领域:
- 食品科学与技术 食品科学与技术
- 分析化学 分析化学
- 农业工程 农业工程
背景情况:
- 准确的,非破坏性的蛋黄比率量化对于食品工业,营养和分类至关重要.
- 传统的方法具有破坏性,缺乏商业吞吐量.
- 可见近红外 (Vis-NIR) 超光谱成像 (HSI) 提供了一个有希望的非破坏性的替代方案.
研究的目的:
- 调查Vis-NIR HSI结合机器学习 (ML) 和可解释的人工智能 (AI) 的潜力,以快速,非破坏性地预测蛋黄比率.
- 开发强大的和可解释的卵黄比率预测模型.
- 评估各种回归模型,光谱预处理和特征选择技术.
主要方法:
- 使用可见近红外 (Vis-NIR) 超光谱成像 (374-1015 nm).
- 评估了多种回归模型,包括部分最小平方回归 (PLSR),随机森林,极端梯度增强和支持向量回归.
- 使用萨维茨基-戈莱第一导数光谱预处理和沙普利增量解释 (SHAP) 进行特征选择.
主要成果:
- 使用Savitzky-Golay预处理的PLSR模型实现了高预测性能 (R2 = 0.79,0.73,0.68用于校准,验证和测试集).
- 使用关键变量的简化PLSR模型也产生了强大的结果.
- SHAP分析确定了与水,脂质和蛋白质含量相关的波长作为重要的预测因素.
结论:
- 与ML和可解释AI集成的Vis-NIR HSI提供了一种快速,可靠和非破坏性的卵黄比率评估方法.
- 这种方法为食品行业的蛋质量监测提供了实用,可解释和可扩展的解决方案.
- 该研究表明,与传统的破坏性测试方法相比,它具有显著的优势.
