使用快速XRF技术与先进的机器学习相结合,追踪黑茶的全球起源
Yicong Li1, Nicholas Birse1, Wanqi Jia1
1National Measurement Laboratory: Centre of Excellence in Agriculture and Food Integrity, Institute for Global Food Security, School of Biological Sciences, Queen's University Belfast, 19 Chlorine Gardens, Belfast BT9 5DL, Northern Ireland, UK.
Food research international (Ottawa, Ont.)
|December 6, 2025
概括
使用元素分析的强大的黑茶可追溯性可以防止欺诈. 机器学习模型准确地识别了地理来源,加强了对地理标志 (GI) 产品的保护.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 机器学习 机器学习
背景情况:
- 确保黑茶的真实性和地理来源对于防止欺诈和保护地理标志 (GI) 产品至关重要.
- 目前可追溯性的方法可能缺乏全球应用所需的速度,准确性或环保性.
- 开发先进的分析技术对于强大的黑茶可追溯性至关重要.
研究的目的:
- 开发和验证快速,准确和环保的方法,以区分黑茶的地理来源.
- 建立全球十个主要茶叶生产地区的特征元素概况.
- 评估各种机器学习模型在预测黑茶的地理来源方面的有效性.
主要方法:
- 使用X射线光光谱学测量来自十个主要茶叶生产地区的791个正宗黑茶样本中的元素含量.
- 对15个元素进行测量,以确定每个区域的特征元素概况.
- 无监督和监督机器学习模型的应用 (随机森林,SVM,KNN,LDA,MLP,PLSDA) 用于地理歧视.
主要成果:
- 对于十个地理标志地区,建立了特有的元素配置文件.
- 与传统方法相比,机器学习模型显著提高了黑茶起源的预测准确度.
- 多层感知器 (MLP) 模型在预测10个地区532个样本的地理来源方面获得了97.7%的最高F1总分.
结论:
- 元素分析与先进的机器学习相结合,为验证黑茶来源提供了一个强大的工具.
- 开发的方法为全球黑茶可追溯系统提供了基础,以打击茶叶欺诈.
- 这项研究显著提高了保护地理标志产品和确保消费者信任的能力.
