低成本的机器学习集成光学光谱仪用于非破坏性颜色和保质期分析:对切片面包的研究

科学领域:

• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 早期检测易腐烂食品中的腐烂对安全至关重要.
• 物理颜色和光谱特征是食物降解的关键指标.
• 对于高效的食品质量评估,需要使用非破坏性方法.

研究的目的:

• 开发一个具有成本效益的,支持机器学习的光谱仪,用于非破坏性检测切片面包中的腐烂.
• 为了将颜色和光谱数据与微生物破坏指标 (总板数) 相关联.
• 评估机器学习模型在分类腐烂面包样本中的性能.

主要方法:

• 开发了一个机器学习 (ML) 模型,包括一个人工神经网络,以预测RGB值的光谱数据.
• 使用总板数 (TPC),色度测量 (L*a*b*值) 和光谱测量 (340-750 nm) 来评估保质期.
• 梯度提升树和支向量机 (SVM) 用于样本分类.

主要成果:

• 在第8天和第10天,总血小板数显著增加,证实了破坏.
• 颜色分析显示,4日后L*值显著下降,8日后a*和b*值发生变化.
• 频谱数据直到第4天保持稳定,然后从第6天开始下降,特别是在525-619nm之间.
• 支持矢量机 (SVM) 在分类破坏的样本中获得了最高的F1分数95.84%.

结论:

• 将低成本的光学技术与机器学习模型相结合,为非破坏性食品损坏检测提供了一个有希望的方法.
• 开发的支持ML的光谱仪可以有效地监测面包的腐烂,并评估保质期.
• 这项技术在改善食品工业的食品安全和质量控制方面具有重大潜力.