Hyperspectrale beeldtechnologie maakt snelle en niet-destructieve tests van de versheid van varkensvlees mogelijk

Tijdens de verwerking, distributie en circulatie van varkensvlees en varkensvleesproducten is versheid een essentiële indicator voor het meten van de kwaliteit en veiligheid ervan. Hoewel traditionele detectiemethoden, zoals de bepaling van de totale hoeveelheid vluchtige basische stikstof (TVB-N) en de totale levensvatbare telling (TVC), betrouwbare resultaten opleveren, zijn ze omslachtig, tijdrovend en destructief voor monsters. Bijgevolg is het voor hen moeilijk om te voldoen aan de eisen van de moderne voedingsindustrie voor online, snelle en niet-destructieve tests.

De afgelopen jaren heeft hyperspectrale beeldvormingstechnologie een aanzienlijk toepassingspotentieel aangetoond op het gebied van de beoordeling van de voedselkwaliteit vanwege de rijke informatie, het contactloze karakter en de snelle analysemogelijkheden. De FS-IQ-VISNIR hyperspectrale camera (400–1000 nm) van CHNSpec heeft ondersteuning voor data-acquisitie geboden voor dit soort onderzoek.

Experimenteel ontwerp en gegevensverzameling

In een studie gepubliceerd in de Journal of Food Composition and Analysis heeft een onderzoeksteam van de Zhengzhou Light Industry University de FS-IQ-VISNIR hyperspectrale camera van CHNSpec gebruikt om zichtbare-nabij-infrarood hyperspectrale gegevens te verzamelen van varkenshaas die binnen 14 dagen in een koude koeling bij 4 ° C is bewaard. Er waren in totaal 112 monsters betrokken, die 7 tijdstippen bestreken met 16 monsters per punt. De camera maakt gebruik van een push-bezembeeldvormingsmethode, met een golflengtebereik van 400–1000 nm, met 1200 banden, een spectraal bemonsteringsinterval van ongeveer 0,5 nm en een ruimtelijke resolutie van 1920 × 1920 pixels.

Om de signaalkwaliteit te verbeteren, ontwierp het onderzoeksteam een ​​onbewaakte beeldvoorverwerkingsmethode op basis van spectrale verschillen. Gecombineerd met Otsu adaptieve drempelsegmentatie en morfologische operaties, extraheerde deze methode effectief het interessegebied (ROI) en verminderde achtergrondinterferentie.

Dual-Branch Feature Extraction Network en Machine Learning Fusion Modeling

De studie stelde een hyperspectraal feature-extractienetwerk met twee takken voor, genaamd HFE (Hybrid-FeatureExtractor). Dit netwerk bestaat uit twee parallelle feature-extractiekanalen:

• Spectrale tak: Het introduceert het Squeeze-and-Excitation (SE)-aandachtsmechanisme om adaptief de gewichten van elke band te leren, en combineert een meerlaagse perceptron (MLP) om belangrijke spectrale kenmerken te extraheren.
• Ruimtelijke tak: Het maakt gebruik van een tweedimensionaal convolutioneel neuraal netwerk (CNN) gecombineerd met resterende modules (BasicBlock) en Atrous Spatial Pyramid Pooling (ASPP) -modules om ruimtelijke kenmerken op meerdere schaalniveaus te extraheren.

De twee soorten functies worden geïntegreerd via een gated fusion-mechanisme en vervolgens ingevoerd in respectievelijk Partial Least Squares Regression (PLSR) en Support Vector Regression (SVR)-modellen om de kwantitatieve voorspelling van TVB-N- en TVC-inhoud te voltooien.

Voorspellingsprestaties en analyse

De experimentele resultaten geven aan dat wanneer de HFE-module wordt gecombineerd met PLSR en SVR, deze een hoge nauwkeurigheid vertoont bij het voorspellen van TVB-N- en TVC-inhoud:

• HFE + PLSR: De R² voor TVB-N-voorspelling is 0,9786 met een RMSE van 2,4685; de R² voor TVC-voorspelling is 0,9529 met een RMSE van 0,3223.
• HFE + SVR: TheR² voor TVC-voorspelling is 0,9597 met een RMSE van 0,3066.
• Vergeleken met traditionele chemometrische methoden (zoals SG+SPA, SNV+CARS) zijn de voorspellingsnauwkeurigheid en modelstabiliteit van deze methode beide verbeterd. In termen van resterende voorspellingsafwijking (RPD) bereikten TVB-N en TVC respectievelijk 7,1204 en 5,1831, wat aangeeft dat het model over sterke voorspellende capaciteiten beschikt.

Modelinterpreteerbaarheid en sleutelbandidentificatie

Via het SE-aandachtsmechanisme voerde het onderzoeksteam een ​​visualisatieanalyse uit van de gewichten van verschillende banden in de spectrale tak. De resultaten toonden aan dat het model hogere gewichten toekende binnen het bereik van 600-920 nm, een gebied dat nauw verwant is aan de optische respons van eiwitoxidatie en microbiële metabolieten (zoals aminen, aldehyden, ketonen, enz.). Naarmate de opslagtijd langer werd, nam de TVB-N- en TVC-inhoud toe, en werd het bereik van deze karakteristieke banden ook groter, wat aangeeft dat het model subtiele spectrale veranderingen kan vastleggen die verband houden met versheidsvariaties.

Toepassingsvooruitzichten

Deze studie toont aan dat de FS-IQ-VISNIR hyperspectrale camera, gecombineerd met het dual-branch feature-extractienetwerk en machine learning-regressiemodellen, een effectieve voorspelling van indicatoren voor de versheid van varkensvlees kan bereiken zonder schade aan de monsters te veroorzaken. Deze methode heeft een praktische referentiewaarde voor online, niet-destructief testen in de voedselverwerking, het transport in de koelketen en de detailhandel.

CHNSpec zal hyperspectrale beeldapparatuur en technische ondersteuning blijven bieden op het gebied van voedselkwaliteit en -veiligheid, waardoor de industrie wordt geholpen bij de overgang naar efficiëntere en intelligentere testmethoden.

Productaanbeveling: FS-IQ-VISNIR draagbare hyperspectrale camera

• Spectraal bereik: 400–1000 nm
• Spectrale resolutie: 2,5 nm
• Beeldresolutie: 1920*1920
• Aantal spectrale kanalen: 1200