深度学习算法辅助的非破坏性检测使用多模式分子光谱融合的鱼肉的TBARS值
Minqiang Guo1, Hong Lin2, Hua Feng2
1State Key Laboratory of Marine Food Processing & Safety Control, College of Food Science and Engineering, Ocean University of China, Qingdao, Shandong 266003, China; Food Safety and Nutrition Experimental Teaching Demonstration Center, College of Food Science and Engineering, Xinjiang Institute of Technology, Aksu, Xinjiang 843100, China.
Food chemistry
|July 25, 2025
概括
这项研究引入了使用光谱学的深度学习框架,以准确评估鱼肉中的脂质氧化. 这种非破坏性方法提高了冷链质量控制和消费者满意度.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 机器学习 机器学习
背景情况:
- 脂质氧化显著影响鱼的质量和保质期.
- 精确,非破坏性监测脂质氧化对于海鲜行业至关重要.
- 评估脂质氧化的传统方法可能耗时且具有破坏性.
研究的目的:
- 开发和验证深度学习框架,用于对鱼的脂质氧化进行非破坏性评估.
- 在各种储存条件下,使用硫酸酸反应物质 (TBARS) 量化脂质氧化.
- 将卷积神经网络 (CNN) 的性能与其他回归模型进行比较.
主要方法:
- 多模分子光谱学 (近红外和拉曼光谱) 的整合.
- 卷积神经网络 (CNN) 的应用用于光谱数据融合和分析.
- 根据不同储存温度 (-20°C至20°C和动态) 的测量测定甲酸反应物质 (TBARS) 的验证.
主要成果:
- 与PLSR和LSTM相比,CNN模型在预测TBARS值方面表现出更高的准确性 (R2p = 0.866,RPD = 4.136).
- 深度学习框架使得鱼质量的强大,实时,非侵入性监测成为可能.
- 在CNN架构中的光谱数据融合提高了预测准确性和稳定性.
结论:
- 深度学习与多模态光谱学相结合,为非破坏性食品质量评估提供了强大的工具.
- 这种方法为优化冷链管理和确保消费者满意度提供了一个可扩展的解决方案.
- 该框架推进了食品质量分析,特别是在动态储存环境中.
