Технология гиперспектральной визуализации позволяет быстро и неразрушительно проверять свежесть свинины

При переработке, распространении и обороте свинины и продуктов из нее свежесть является важным показателем для измерения ее качества и безопасности. Хотя традиционные методы обнаружения, такие как определение общего летучего основного азота (TVB-N) и общего количества жизнеспособных микроорганизмов (TVC), дают надежные результаты, они громоздки, отнимают много времени и разрушительны для образцов. Следовательно, им сложно удовлетворить потребности современной пищевой промышленности в оперативном, быстром и неразрушающем контроле.

В последние годы технология гиперспектральной визуализации продемонстрировала значительный потенциал применения в области оценки качества пищевых продуктов благодаря своей богатой информации, бесконтактному характеру и возможностям быстрого анализа. Гиперспектральная камера FS-IQ-VISNIR (400–1000 нм) от CHNSpec обеспечила поддержку сбора данных для этого типа исследований.

Экспериментальный дизайн и сбор данных

В исследовании, опубликованном в «Журнале пищевой композиции и анализа», исследовательская группа из Чжэнчжоуского университета легкой промышленности использовала гиперспектральную камеру FS-IQ-VISNIR компании CHNSpec для сбора гиперспектральных данных в видимом и ближнем инфракрасном диапазонах свиной вырезки, хранившейся в холодном холодильнике при температуре 4°C в течение 14 дней. Всего было задействовано 112 образцов, охватывающих 7 временных точек, по 16 образцов в каждой точке. В камере используется метод визуализации с помощью веерного сканирования, диапазон длин волн 400–1000 нм, 1200 полос, интервал спектральной дискретизации примерно 0,5 нм и пространственное разрешение 1920×1920 пикселей.

Чтобы улучшить качество сигнала, исследовательская группа разработала метод предварительной обработки изображений без контроля, основанный на спектральных различиях. В сочетании с адаптивной пороговой сегментацией Оцу и морфологическими операциями этот метод эффективно извлекал область интереса (ROI) и уменьшал фоновые помехи.

Сеть с двумя ветвями извлечения признаков и объединенное моделирование машинного обучения

В исследовании была предложена двухветвевая сеть извлечения гиперспектральных признаков под названием HFE (Hybrid-FeatureExtractor). Эта сеть состоит из двух параллельных каналов извлечения признаков:

• Спектральная ветвь: она представляет механизм внимания «Сжатие и возбуждение» (SE) для адаптивного изучения весов каждой полосы и объединяет многослойный перцептрон (MLP) для извлечения ключевых спектральных характеристик.
• Пространственная ветвь: она использует двумерную сверточную нейронную сеть (CNN) в сочетании с остаточными модулями (BasicBlock) и модулями Atrous Spatial Pyramid Pooling (ASPP) для извлечения многомасштабных пространственных характеристик.

Эти два типа функций интегрируются через механизм закрытого слияния и впоследствии вводятся в модели частичной регрессии наименьших квадратов (PLSR) и регрессии опорных векторов (SVR) соответственно для завершения количественного прогнозирования контента TVB-N и TVC.

Эффективность прогнозирования и анализ

Результаты экспериментов показывают, что при сочетании модуля HFE с PLSR и SVR он демонстрирует высокую точность прогнозирования контента TVB-N и TVC:

• HFE + PLSR: R² для прогноза TVB-N составляет 0,9786 со среднеквадратическим значением 2,4685; R² для прогноза TVC составляет 0,9529 со среднеквадратическим значением 0,3223.
• HFE + SVR: TheR² для прогноза TVC составляет 0,9597 со среднеквадратическим значением 0,3066.
• По сравнению с традиционными хемометрическими методами (такими как SG+SPA, SNV+CARS), точность прогнозирования и стабильность модели этого метода улучшаются. Что касается остаточного отклонения прогноза (RPD), TVB-N и TVC достигли 7,1204 и 5,1831 соответственно, что указывает на то, что модель обладает сильными прогностическими возможностями.

Интерпретируемость модели и идентификация ключевых диапазонов

С помощью механизма внимания SE исследовательская группа провела анализ визуализации весов различных полос в спектральной ветви. Результаты показали, что модель присваивает более высокие веса в диапазоне 600–920 нм, области, тесно связанной с оптическим откликом окисления белков и микробных метаболитов (таких как амины, альдегиды, кетоны и т. д.). По мере увеличения времени хранения содержание TVB-N и TVC увеличивалось, а также расширялся диапазон этих характеристических полос, что указывает на то, что модель может улавливать тонкие спектральные изменения, связанные с изменениями свежести.

Перспективы применения

Это исследование показывает, что гиперспектральная камера FS-IQ-VISNIR в сочетании с двухветвевой сетью выделения признаков и регрессионными моделями машинного обучения позволяет добиться эффективного прогнозирования показателей свежести свинины, не причиняя вреда образцам. Этот метод имеет практическую ценность для онлайнового неразрушающего контроля в пищевой промышленности, транспортировке в холодильной цепи и в розничной торговле.

CHNSpec продолжит предоставлять оборудование для гиперспектральной визуализации и техническую поддержку в области качества и безопасности пищевых продуктов, помогая отрасли перейти на более эффективные и интеллектуальные методы тестирования.

Рекомендация по продукту: портативная гиперспектральная камера FS-IQ-VISNIR

• Спектральный диапазон: 400–1000 нм.
• Спектральное разрешение: 2,5 нм
• Разрешение изображения: 1920*1920
• Количество спектральных каналов: 1200