化学测量与机器学习之间的比较,用于使用成像光谱学预测奶酪中的宏观营养素
Mercedes Bertotto1, Esther Kok2, Meeke Ummels2
1Wittenborg University of Applied Sciences, Brinklaan 268, 7311 JD Apeldoorn, the Netherlands; Vibralytics.nl.
概括
超光谱成像与化学测量相结合,为预测奶酪脂肪和蛋白质含量提供了一种非破坏性的方法. 这种方法提供了准确的营养分析,优于传统方法.
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:
- 传统的奶酪营养分析是破坏性的和劳动密集的.
- 有效和可持续的奶酪质量评估需要非破坏性方法.
研究的目的:
- 开发和评估高光谱成像 (HSI) 结合化学测量和机器学习 (ML) 以预测不同奶酪品种的脂肪和蛋白质含量.
- 为了比较各种化学测量和机器学习模型和数据预处理技术的预测性能.
主要方法:
- 超光谱成像 (HSI) 用于从73个奶酪样本收集光谱数据.
- 用化学模型 (PLS,PLS变体) 和ML模型 (MLP) 来进行预测.
- 评估了各种预处理方法 (例如EMSC) 和可变选择技术 (例如UVE-PLS,IPW-PLS).
主要成果:
- 化学测量模型显示蛋白质 (R2_pred高达0.98) 和脂肪 (R2_pred高达0.94) 的高预测精度.
- MLP模型显示了可比性能 (脂肪的R2_pred高达0.97),但缺乏可变解释性.
- 化学测量为营养成分预测提供了对关键波长的洞察.
结论:
- 结合化学度的HSI是一个强大的,非破坏性的工具,用于预测奶酪的营养含量.
- 化学模型在解释性和实际应用方面为乳制品行业的质量控制提供了优势.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
12.3K
08:02Author Spotlight: Innovative Ice Cream Melting Behavior Analysis Through a Computer Vision System
Published on: October 4, 2024
2.3K
