肉類(lèi)富含豐富的蛋白質(zhì)和營(yíng)養物質(zhì)，不僅能夠滿(mǎn)足我們的味蕾，還能夠提供我們身體所需的能量和營(yíng)養。
隨著(zhù)肉類(lèi)需求的增加，大規模的肉類(lèi)生產(chǎn)和運輸過(guò)程中，肉類(lèi)的速凍可以一定程度保持食物的新鮮度和口感。然而，關(guān)于速凍解凍的肉類(lèi)，和新鮮肉類(lèi)的混淆，讓人難以分辨。
首爾大學(xué)的研究人員利用高光譜成像技術(shù)，做了相關(guān)的研究。
使用高光譜成像儀和機器學(xué)習對新鮮和凍融牛肉進(jìn)行分類(lèi)
由于對安全、可食用肉類(lèi)的需求的不斷增加，冷凍儲存技術(shù)得到了不斷改進(jìn)。然而目前存在解凍肉在處理和銷(xiāo)售過(guò)程中被進(jìn)行了錯誤的標記，宣稱(chēng)為新鮮肉類(lèi)，這可能導致消費者受到誤導或產(chǎn)生安全隱患。在這項研究中，使用高光譜圖像數據構建了一個(gè)機器學(xué)習（ML）模型，用于區分新鮮冷藏、長(cháng)期冷藏和解凍的牛肉樣本。通過(guò)四種預處理方法，共準備了五個(gè)數據集來(lái)構建ML模型。使用PLS-DA和SVM技術(shù)構建了模型，其中應用散點(diǎn)校正和RBF核函數的SVM模型性能最佳。結果表明，利用高光譜圖像數據立方體，可以構建區分新鮮肉類(lèi)和非新鮮肉類(lèi)的預測模型，這可以成為肉類(lèi)儲存狀態(tài)常規分析的快速、非侵入性方法。
基于此，來(lái)自首爾大學(xué)的研究人員使用Resonon Pika L 高光譜成像儀，在近紅外光譜的400-1000 nm波段內獲取高光譜圖像數據立方體，進(jìn)行了相關(guān)研究。在本研究中，圖像采集系統安裝在暗室中，以確保完全消除外部光并能夠采集高光譜圖像。
將九個(gè)樣本同時(shí)放置在啞光黑色板上，通過(guò)移動(dòng)相機獲取高光譜圖像數據立方體。所有樣品均經(jīng)過(guò)光學(xué)穩定處理，在采集高光譜數據之前將它們置于實(shí)驗環(huán)境中 20 分鐘，消除由肌紅蛋白/氧肌紅蛋白含量差異引起的巧合差異。隨后，通過(guò)分離紅色肉部分，從高光譜數據立方體中提取了（ROI）的光譜，確保了只有紅色部分肉的光譜被提取用于分析。這個(gè)過(guò)程產(chǎn)生了高質(zhì)量的數據集，適用于后續的分析和解釋。使用四種預處理技術(shù)（MSC、SNV轉換、一階Savitzky–Golay濾波和最小-最大歸一化）對提取的光譜進(jìn)行模型開(kāi)發(fā)。
本研究獲取的高光譜數據立方體中的光譜圖像。(a–c) 分別為“新鮮”、“受損”和“冷凍”樣品的 630–650 nm 平均圖像；(d-f)分別為“新鮮”、“受損”和“冷凍”樣品的 540-560 nm 平均圖像。
用于構建肉樣本分類(lèi)模型的高光譜數據立方體中的光譜。(a) 實(shí)驗數據的完整光譜；(b) 每個(gè)實(shí)驗組的平均光譜（實(shí)線(xiàn)）以及加減標準差后的光譜（虛線(xiàn)）。
這篇文章研究了使用NIR高光譜成像儀，對牛肉進(jìn)行分類(lèi)，區分其“新鮮”、“受損”和“冷凍”狀態(tài)。通過(guò)將韓國產(chǎn)牛肉樣品劃分為新鮮冷藏、長(cháng)期冷藏和解凍狀態(tài)，共獲得了九個(gè)高光譜圖像數據立方體，并通過(guò)滴水損失測試定量分析了牛肉樣品的狀況。本研究共收集了4950個(gè)光譜圖像，將其80%用作訓練集，20%用作測試集。
在構建機器學(xué)習模型時(shí)，使用了四種預處理方法，包括MSC和SNV用于校正，Savitzky-Golay 1st濾波器用于平滑，Min-Max用于歸一化，以及原始數據，共準備了五個(gè)數據集。采用PLS-DA和SVM技術(shù)構建模型，其中SVM模型使用了四個(gè)核函數。評估模型性能時(shí)，準確性是主要指標，同時(shí)對“新鮮”類(lèi)別的F1分數進(jìn)行了估計，以獨立驗證生鮮肉分類(lèi)的性能。測試集的準確率在幾乎所有模型中都超過(guò)90%，主要錯誤是由于未能正確區分“受損”和“凍結”類(lèi)別。具有散點(diǎn)校正和RBF核函數的SVM模型表現最佳，其準確度達到96.57%，“新鮮”類(lèi)別的F1分數為100%。研究結果表明，通過(guò)純化高光譜圖像數據立方體篩選的光譜可以構建一個(gè)預測模型，用于區分新鮮肉和非新鮮肉。這些模型在未來(lái)的實(shí)際肉類(lèi)采購場(chǎng)所中具有可行性。