一个增强的卷积神经网络架构,用于通过超光谱成像通过蛋上的微生物污染的非破坏性检测
Pauline Ong1, Shih-Yen Chiu2, Yen-Chou Kuan3
1Faculty of Mechanical and Manufacturing Engineering, Universiti Tun Hussein Onn Malaysia, 86400 Parit Raja, Batu Pahat, Johor, Malaysia.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 19, 2025
概括
这项研究引入了一种与深度学习相结合的非侵入性高光谱成像 (HSI) 方法,用于检测蛋上的微生物污染. 先进的CA-DSC-CNN模型准确地预测了有氧盘数,提高了卵子的安全性.
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
- 生物技术是生物技术.
背景情况:
- 蛋的微生物污染在全球范围内构成了严重的食品安全风险.
- 目前用于检测污染的方法通常是侵入性的或耗时的.
- 开发快速,非破坏性的检测技术对于蛋行业至关重要.
研究的目的:
- 开发和验证一种可靠的,非侵入性的方法,用于检测卵上的有氧盘数.
- 将高光谱成像 (HSI) 与先进的深度学习相结合,用于微生物污染评估.
- 提高卵子加工和储存中的安全性和质量控制.
主要方法:
- 可见近红外超光谱成像 (450-1100纳米) 用于从108个蛋样本中收集光谱数据.
- 使用波长选择技术 (竞争性自适应重量化采样,选择性比率,VIP) 来从高维的HSI数据中提取信息的光谱特征.
- 一个修改的卷积神经网络 (CNN) 结合了通道注意力 (CA) 和深度可分离卷积 (DSC),称为CA-DSC-CNN,被开发用于光谱空间特征建模.
主要成果:
- 使用VIP选择的波长的CA-DSC-CNN模型,在预测有氧板数时,实现了高相关系数 (0.8959) 和低根平均平方误差 (0.2396).
- 这一性能超过了传统的化学测量模型 (PLSR,MLR,SVR) 和标准的CNN.
- 开发的方法证明了高效的光谱空间特征提取和减少计算复杂性.
结论:
- 超光谱成像与先进的深度学习相结合,为检测蛋上的微生物污染提供了快速,非破坏性的解决方案.
- 这项技术有可能显著提高卵子加工和储存中的安全协议.
- CA-DSC-CNN模型代表了对食品中的微生物负载评估的最先进方法.
