Resonon | 使用高光谱成像仪和机器学习对新鲜和冻融牛肉进行分类

肉类富含丰富的蛋白质和营养物质，不仅能够满足我们的味蕾，还能够提供我们身体所需的能量和营养。

随着肉类需求的增加，大规模的肉类生产和运输过程中，肉类的速冻可以一定程度保持食物的新鲜度和口感。然而，关于速冻解冻的肉类，和新鲜肉类的混淆，让人难以分辨。

首尔大学的研究人员利用高光谱成像技术，做了相关的研究。

由于对安全、可食用肉类的需求的不断增加，冷冻储存技术得到了不断改进。然而目前存在解冻肉在处理和销售过程中被进行了错误的标记，宣称为新鲜肉类，这可能导致消费者受到误导或产生安全隐患。在这项研究中，使用高光谱图像数据构建了一个机器学习（ML）模型，用于区分新鲜冷藏、长期冷藏和解冻的牛肉样本。通过四种预处理方法，共准备了五个数据集来构建ML模型。使用PLS-DA和SVM技术构建了模型，其中应用散点校正和RBF核函数的SVM模型性能最佳。结果表明，利用高光谱图像数据立方体，可以构建区分新鲜肉类和非新鲜肉类的预测模型，这可以成为肉类储存状态常规分析的快速、非侵入性方法。

基于此，来自首尔大学的研究人员使用Resonon Pika L 高光谱成像仪，在近红外光谱的400-1000 nm波段内获取高光谱图像数据立方体，进行了相关研究。在本研究中，图像采集系统安装在暗室中，以确保完全消除外部光并能够采集高光谱图像。

将九个样本同时放置在哑光黑色板上，通过移动相机获取高光谱图像数据立方体。所有样品均经过光学稳定处理，在采集高光谱数据之前将它们置于实验环境中 20 分钟，消除由肌红蛋白/氧肌红蛋白含量差异引起的巧合差异。随后，通过分离红色肉部分，从高光谱数据立方体中提取了（ROI）的光谱，确保了只有红色部分肉的光谱被提取用于分析。这个过程产生了高质量的数据集，适用于后续的分析和解释。使用四种预处理技术（MSC、SNV转换、一阶Savitzky–Golay滤波和最小-最大归一化）对提取的光谱进行模型开发。

用于构建肉样本分类模型的高光谱数据立方体中的光谱。(a) 实验数据的完整光谱；(b) 每个实验组的平均光谱（实线）以及加减标准差后的光谱（虚线）。

这篇文章研究了使用NIR高光谱成像仪，对牛肉进行分类，区分其“新鲜”、“受损”和“冷冻”状态。通过将韩国产牛肉样品划分为新鲜冷藏、长期冷藏和解冻状态，共获得了九个高光谱图像数据立方体，并通过滴水损失测试定量分析了牛肉样品的状况。本研究共收集了4950个光谱图像，将其80%用作训练集，20%用作测试集。

在构建机器学习模型时，使用了四种预处理方法，包括MSC和SNV用于校正，Savitzky-Golay 1st滤波器用于平滑，Min-Max用于归一化，以及原始数据，共准备了五个数据集。采用PLS-DA和SVM技术构建模型，其中SVM模型使用了四个核函数。评估模型性能时，准确性是主要指标，同时对“新鲜”类别的F1分数进行了估计，以独立验证生鲜肉分类的性能。测试集的准确率在几乎所有模型中都超过90%，主要错误是由于未能正确区分“受损”和“冻结”类别。具有散点校正和RBF核函数的SVM模型表现最佳，其准确度达到96.57%，“新鲜”类别的F1分数为100%。研究结果表明，通过纯化高光谱图像数据立方体筛选的光谱可以构建一个预测模型，用于区分新鲜肉和非新鲜肉。这些模型在未来的实际肉类采购场所中具有可行性。