相关实验视频
Updated: Sep 18, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
基于低场NMR的深度学习用于冷模型食品的非破坏性质量评估
Qiyong Jiang1, Meng Liu2, Zhaosheng Wang1
1College of Food Science and Engineering, Shandong Agricultural University, Tai'an, Shandong 271018, China.
Food chemistry
|June 20, 2025
概括
这项研究开发了使用低场核磁共振 (LF-NMR) 和机器学习评估冷食品质量的非破坏性方法. 反向传播人工神经网络 (BP-ANN) 模型在预测质量属性方面表现优越.
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
- 生物物理学的生物物理.
背景情况:
- 对于冷食品产品而言,非破坏性质量评估至关重要.
- 了解冷过程及其对食品质量的影响至关重要.
- 低磁场核磁共振 (LF-NMR) 为探测食物结构和成分提供了一个有前途的技术.
研究的目的:
- 开发和比较机器学习模型,用于冷凝模型食品的非破坏性质量评估.
- 评估LF-NMR与部分最小平方回归 (PLSR) 和反向传播人工神经网络 (BP-ANN) 结合的有效性.
- 研究结条件,水含量和质量参数之间的关系.
主要方法:
- 制备具有不同含水量 (90%和80%) 的凝模型食品.
- 在梯度温度结下分析滴滴损失,纹理指数和核化过程.
- 在冷状态下使用低场核磁共振 (LF-NMR) 获得横向放松时间 (T2).
- 开发用于质量预测的LF-NMR-PLSR和LF-NMR-BP-ANN模型.
主要成果:
- 与LF-NMR-PLSR模型相比,LF-NMR-BP-ANN模型表现出优异的性能.
- 模型参数 (R2,RMSE,RPD) 表示BP-ANN模型的准确性和可靠性更高.
- 该研究成功地将LF-NMR数据与冷食品的物理和纹理质量属性相关联.
结论:
- 对于冷食品产品的非破坏性质量评估,LF-NMR-BP-ANN模型非常有效.
- 与先进的机器学习相结合,LF-NMR为食品行业的质量控制提供了强大的方法.
- 这种方法可用于优化冷过程并确保产品质量.
