使用超光谱成像和深度学习与距离相关波长选择进行非破坏性蛋新鲜度评估
Pauline Ong1, Shih-Yen Chiu2, I-Lin Tsai3
1Faculty of Mechanical and Manufacturing Engineering, Universiti Tun Hussein Onn Malaysia (UTHM), Parit Raja, 86400, Batu Pahat, Johor, Malaysia.
Current research in food science
|July 21, 2025
概括
这项研究引入了用于非破坏性蛋新鲜度测试的高光谱成像技术. 带有距离相关波长选择的卷积神经网络取得了最好的结果,为传统方法提供了更快的替代方案.
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:
- 使用豪格单位进行传统的蛋新鲜度评估是破坏性的,耗时的.
- 需要快速,非破坏性的方法来评估蛋质量.
研究的目的:
- 为了研究超光谱成像 (450-1100纳米) 的有效性,用于非破坏性评估蛋新鲜度.
- 用距离相关性确定最佳波长来预测新鲜度.
- 为了比较各种回归模型的性能,以评估蛋的新鲜度.
主要方法:
- 超光谱成像数据采集 (450-1100纳米).
- 使用标准正常变量 (SNV) 进行预处理.
- 使用距离相关性的波长选择.
- 回归模型的开发和比较:CNN,GBT,MLR,PLSR,SVR.
主要成果:
- 卷积神经网络 (CNN) 模型与距离相关性相结合,产生了最高的准确性 (R=0.9056,RMSE=4.4152).
- 这种方法优于其他模型和常见的波长选择技术.
- 生成的伪色地图有效地可视化了蛋的新鲜度分布.
结论:
- 超光谱成像,特别是CNN和距离相关性,提供了一种有效的非破坏性方法来评估蛋的新鲜度.
- 这种技术为传统的破坏性方法提供了一个有希望的替代方案.
- 该研究强调了在食品质量评估的超光谱数据分析中距离相关性的潜力.
