使用超光谱成像与对称堆叠组合算法相结合,快速确定羊肉的新鲜度
Jue Zhang1, Haiqing Tian2, Maoguo Gong3
1College of Physics and Electronic Information, Academy of Artificial Intelligence, Inner Mongolia Normal University, Hohhot, China.
Meat science
|June 22, 2025
概括
超光谱成像与集体学习相结合,为评估羊肉新鲜度提供了一种快速的方法. 该技术准确地预测了关键质量指标,如TVB-N,TVC,pH和轻度,从而可以更好地控制肉质量.
科学领域:
- 食品科学与技术 食品科学与技术
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 羊肉的质量非常依赖于新鲜度,这是传统上通过耗时的方法来评估的因素.
- 为了确保食品安全和消费者满意度,对肉类新鲜性的客观和快速评估至关重要.
- 超光谱成像 (HSI) 是一种有前途的非破坏性技术,用于分析食品质量.
研究的目的:
- 调查超光谱成像的可行性,以快速检测羔羊肉的新鲜度.
- 开发一种机器学习模型,用于预测关键的新鲜度指标和储存时间.
- 为了确定与羔羊肉质量下降相关的光谱生物标志物.
主要方法:
- 绵羊肉样本在12天内被分析为总挥发性基本 (TVB-N),总可生存数 (TVC),pH和轻度 (L*).
- 变量组合人口分析 (VCPA) 用于减少数据维度和提高可靠性.
- 一个对称堆叠集体学习 (SSEL) 网络被开发用于预测建模.
主要成果:
- SSEL网络有效地预测了新鲜度指数和储存时间,优于传统模型.
- 特定特征波长,特别是620-630纳米范围,被确定为新鲜度评估的关键.
- 像SVM堆叠和RF堆叠这样的集成模型实现了TVB-N,TVC,pH和L*的高预测准确度 (Rp2>0.88).
结论:
- 超光谱成像与SSEL相结合,提供了一种可靠和快速的方法来评估羔羊肉的新鲜度.
- 已识别的光谱特征提供了关于肉类腐烂过程中发生的分子变化的见解.
- 这种方法为肉类行业的先进,非破坏性质量控制奠定了基础.
