Hyperspektralbildtechnologie ermöglicht schnelle und zerstörungsfreie Tests von Schweinefleisch

Bei der Verarbeitung, dem Vertrieb und dem Vertrieb von Schweinefleisch und seinen Produkten ist die Frische ein wichtiger Indikator für die Messung der Qualität und Sicherheit. Obwohl herkömmliche Nachweismethoden wie die Bestimmung des gesamten flüchtigen basischen Stickstoffs (TVB-N) und der Gesamtkeimzahl (TVC) zuverlässige Ergebnisse liefern, sind sie umständlich, zeitaufwändig und schädlich für die Proben. Daher ist es für sie schwierig, den Anforderungen der modernen Lebensmittelindustrie an schnelle, zerstörungsfreie Online-Tests gerecht zu werden.

In den letzten Jahren hat die hyperspektrale Bildgebungstechnologie aufgrund ihrer reichhaltigen Informationen, der berührungslosen Natur und der schnellen Analysefähigkeiten ein erhebliches Anwendungspotenzial im Bereich der Lebensmittelqualitätsbewertung gezeigt. Die Hyperspektralkamera FS-IQ-VISNIR (400–1000 nm) von CHNSpec hat diese Art von Forschung bei der Datenerfassung unterstützt.

Experimentelles Design und Datenerfassung

In einer im Journal of Food Composition and Analysis veröffentlichten Studie nutzte ein Forschungsteam der Zhengzhou Light Industry University die Hyperspektralkamera FS-IQ-VISNIR von CHNSpec, um Hyperspektraldaten im sichtbaren Nahinfrarotbereich von Schweinefilet zu sammeln, das innerhalb von 14 Tagen kalt bei 4 °C gelagert wurde. Insgesamt waren 112 Proben beteiligt, die 7 Zeitpunkte mit 16 Proben pro Punkt abdeckten. Die Kamera nutzt ein Push-Broom-Bildgebungsverfahren mit einem Wellenlängenbereich von 400–1000 nm, 1200 Bändern, einem spektralen Abtastintervall von etwa 0,5 nm und einer räumlichen Auflösung von 1920 x 1920 Pixeln.

Um die Signalqualität zu verbessern, entwickelte das Forschungsteam eine unbeaufsichtigte Bildvorverarbeitungsmethode basierend auf spektralen Unterschieden. In Kombination mit der adaptiven Schwellenwertsegmentierung und morphologischen Operationen von Otsu extrahierte diese Methode effektiv die Region of Interest (ROI) und reduzierte Hintergrundinterferenzen.

Dual-Branch-Feature-Extraktionsnetzwerk und Fusionsmodellierung durch maschinelles Lernen

Die Studie schlug ein hyperspektrales Merkmalsextraktionsnetzwerk mit zwei Zweigen namens HFE (Hybrid-FeatureExtractor) vor. Dieses Netzwerk besteht aus zwei parallelen Merkmalsextraktionskanälen:

• Spektralzweig: Es führt den Squeeze-and-Excitation (SE)-Aufmerksamkeitsmechanismus ein, um die Gewichte jedes Bands adaptiv zu lernen, und kombiniert ein mehrschichtiges Perzeptron (MLP), um wichtige Spektralmerkmale zu extrahieren.
• Räumlicher Zweig: Es verwendet ein zweidimensionales Faltungs-Neuronales Netzwerk (CNN) in Kombination mit Restmodulen (BasicBlock) und Atrous Spatial Pyramid Pooling (ASPP)-Modulen, um mehrskalige räumliche Merkmale zu extrahieren.

Die beiden Arten von Merkmalen werden durch einen Gated-Fusion-Mechanismus integriert und anschließend in die Modelle „Partial Least Squares Regression“ (PLSR) bzw. „Support Vector Regression“ (SVR) eingegeben, um die quantitative Vorhersage von TVB-N- und TVC-Inhalten zu vervollständigen.

Vorhersageleistung und -analyse

Die experimentellen Ergebnisse zeigen, dass das HFE-Modul in Kombination mit PLSR und SVR eine hohe Genauigkeit bei der Vorhersage des TVB-N- und TVC-Gehalts aufweist:

• HFE + PLSR: Der R² für die TVB-N-Vorhersage beträgt 0,9786 mit einem RMSE von 2,4685; Der R² für die TVC-Vorhersage beträgt 0,9529 mit einem RMSE von 0,3223.
• HFE + SVR: Der R² für die TVC-Vorhersage beträgt 0,9597 mit einem RMSE von 0,3066.
• Im Vergleich zu herkömmlichen chemometrischen Methoden (wie SG+SPA, SNV+CARS) sind sowohl die Vorhersagegenauigkeit als auch die Modellstabilität dieser Methode verbessert. In Bezug auf die verbleibende Vorhersageabweichung (RPD) erreichten TVB-N und TVC 7,1204 bzw. 5,1831, was darauf hindeutet, dass das Modell über starke Vorhersagefähigkeiten verfügt.

Modellinterpretierbarkeit und Schlüsselbandidentifizierung

Mithilfe des SE-Aufmerksamkeitsmechanismus führte das Forschungsteam eine Visualisierungsanalyse der Gewichte verschiedener Bänder im Spektralzweig durch. Die Ergebnisse zeigten, dass das Modell höhere Gewichte im Bereich von 600–920 nm zuwies, einem Bereich, der eng mit der optischen Reaktion der Proteinoxidation und mikrobiellen Metaboliten (wie Aminen, Aldehyden, Ketonen usw.) zusammenhängt. Mit zunehmender Lagerzeit nahmen der TVB-N- und TVC-Gehalt zu und auch der Bereich dieser charakteristischen Bänder vergrößerte sich, was darauf hindeutet, dass das Modell subtile spektrale Veränderungen im Zusammenhang mit Frischeschwankungen erfassen kann.

Bewerbungsaussichten

Diese Studie zeigt, dass die Hyperspektralkamera FS-IQ-VISNIR in Kombination mit dem Dual-Branch-Feature-Extraction-Netzwerk und Regressionsmodellen für maschinelles Lernen eine effektive Vorhersage von Schweinefleisch-Frischeindikatoren erzielen kann, ohne die Proben zu beschädigen. Diese Methode hat einen praktischen Referenzwert für zerstörungsfreie Online-Prüfungen in der Lebensmittelverarbeitung, beim Kühlkettentransport und im Einzelhandel.

CHNSpec wird weiterhin hyperspektrale Bildgebungsgeräte und technische Unterstützung für den Bereich Lebensmittelqualität und -sicherheit bereitstellen und so die Industrie beim Übergang zu effizienteren und intelligenteren Testmethoden unterstützen.

Produktempfehlung: Tragbare Hyperspektralkamera FS-IQ-VISNIR

• Spektralbereich: 400–1000 nm
• Spektrale Auflösung: 2,5 nm
• Bildauflösung: 1920*1920
• Anzahl der Spektralkanäle: 1200