使用可见光和近红外光谱学与可解释机器学习进行牛肉新鲜度的非破坏性评估
Ruoxin Chen1, Wei Ning1, Xufen Xie2
1College of Food Science and Technology, Dalian Polytechnic University, Dalian 116034, China.
这项研究引入了一种使用可见光和近红外光谱学与机器学习的新方法,以准确评估牛肉的新鲜度. 该方法确定了用于预测质量指标的关键波长,确保消费者获得更安全,更高质量的牛肉.
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
- 人工智能在农业中的应用
背景情况:
- 牛肉的新鲜度对消费者健康和肉类行业至关重要.
- 需要快速,非破坏性的方法来评估牛肉的质量.
- 可见和近红外 (Vis-NIR) 光谱学为非破坏性分析提供了潜力.
研究的目的:
- 开发一种新的,非破坏性的方法来评估牛肉的新鲜度.
- 利用机器学习 (ML) 和可解释的人工智能 (xAI) 来提高准确性和可解释性.
- 确定用于预测牛肉质量指标的关键光谱特征.
主要方法:
- 可见和近红外 (Vis-NIR) 光谱法用于数据采集.
- 一种改进的混合启发方法,粒子群优化遗传算法 (PSOGA),用于最佳特征 (波长) 选择.
- 极端梯度提升 (XGBoost) 用于回归建模.
- 为了模型的解释性和关键波长的识别,应用了夏普利增量解释 (SHAP) 框架.
主要成果:
- 在PSOGA-XGBoost模型中,牛肉质量指标的预测准确度很高:R2p值为0.9504的总挥发性基本 (TVB-N),0.9540的L*,0.8939的a*,和0.9416的b*.
- PSOGA显著超过了传统的特征选择方法.
- SHAP分析确定了为预测做出贡献的关键波长 (例如,TVB-N的1236nm和1316nm).
- 该模型实现了令人满意的预测准确性,超过了传统方法.
结论:
- 开发的Vis-NIR光谱学与PSOGA-XGBoost和SHAP相结合,为非破坏性牛肉新鲜度评估提供了一种有效和可解释的方法.
- 这种方法为肉类行业的质量控制提供了一个有前途的工具.
- 该研究强调了先进的ML和xAI技术的协同作用,以进行可靠的食品质量分析.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
07:46Author Spotlight: Improving Beef Cattle Nutrition and Production with a Focus on Feed Efficiency and Meat Quality Traits Through Advanced Biochemical and Molecular Assays
Published on: July 12, 2024
相关概念视频
IR and UV–Vis Spectroscopy of Carboxylic Acids
However, the stretching absorptions for the C=O bond vary depending on the structure of carboxylic acids. The C=O bond of the free carboxylic acids shows a higher stretching frequency, 1760 cm−1, while H-bonded carboxylic acids (dimers) exhibit stretching absorptions at a lower frequency,...
Applications of IR Spectroscopy: Overview
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
UV–Vis Spectroscopy: Woodward–Fieser Rules
IR and UV–Vis Spectroscopy of Aldehydes and Ketones
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
