用于加工食品质量评估的超光谱成像:关于果果糖含量的案例研究

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:

• 糖度对果果质量至关重要,影响味道,质地,保质期和监管合规性.
• 传统的糖测量方法是准确的,但侵入性,破坏性和缓慢,阻碍了快速的质量评估.
• 需要一种非破坏性,非侵入性的方法来有效地分析加工食品中的糖含量.

研究的目的:

• 调查高光谱成像 (HSI) 与机器学习相结合的潜力,用于在果果中进行非侵入性糖含量估计.
• 使用HSI数据,比较不同机器学习模型在预测糖度方面的表现.
• 评估HSI作为加工果产品快速选工具的可行性.

主要方法:

• 使用可见至近红外 (VNIR) 摄像头的高光谱成像 (HSI) 来捕获88个果果样的光谱数据.
• 来自中亚八种果品种的准备的果样本,糖度在25%至75%之间.
• 应用机器学习回归模型,包括支持矢量机 (SVM),极端梯度增强 (XGBoost) 和1D残余网络 (1D ResNet),用于数据分析.

主要成果:

• 一维残余网络 (ResNet) 模型显示出最高的预测准确度,达到0.948.94的R平方值.
• 所有经过测试的机器学习模型都显示出对从HSI数据中估计糖含量的有效性.
• 该研究成功地将光谱数据与广泛范围内的糖度相关联.

结论:

• 超光谱成像 (HSI) 与机器学习相结合,为评估果果中的糖含量提供了一种可行的非破坏性和非侵入性方法.
• 这种综合技术为食品行业的传统质量控制方法提供了快速而准确的替代方案.
• 这些发现支持HSI和机器学习的更广泛应用,用于快速分析其他加工食品.