肉類富含豐富的蛋白質(zhì)和營養(yǎng)物質(zhì),，不僅能夠滿足我們的味蕾，還能夠提供我們身體所需的能量和營養(yǎng)。

隨著肉類需求的增加,，大規(guī)模的肉類生產(chǎn)和運輸過程中，肉類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，和新鮮肉類的混淆,，讓人難以分辨,。

首爾大學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習對新鮮和凍融牛肉進行分類

由于對安全,、可食用肉類的需求的不斷增加，冷凍儲存技術(shù)得到了不斷改進,。然而目前存在解凍肉在處理和銷售過程中被進行了錯誤的標記,，宣稱為新鮮肉類，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(shù)據(jù)構(gòu)建了一個機器學習（ML）模型，用于區(qū)分新鮮冷藏,、長期冷藏和解凍的牛肉樣本,。通過四種預(yù)處理方法，共準備了五個數(shù)據(jù)集來構(gòu)建ML模型,。使用PLS-DA和SVM技術(shù)構(gòu)建了模型,，其中應(yīng)用散點校正和RBF核函數(shù)的SVM模型性能最佳。結(jié)果表明,，利用高光譜圖像數(shù)據(jù)立方體,，可以構(gòu)建區(qū)分新鮮肉類和非新鮮肉類的預(yù)測模型，這可以成為肉類儲存狀態(tài)常規(guī)分析的快速,、非侵入性方法,。

安裝在暗室中的高光譜數(shù)據(jù)采集系統(tǒng)的配置示意圖

基于此,，來自首爾大學的研究人員使用Resonon Pika L 高光譜成像儀，在近紅外光譜的400-1000 nm波段內(nèi)獲取高光譜圖像數(shù)據(jù)立方體,，進行了相關(guān)研究,。在本研究中，圖像采集系統(tǒng)安裝在暗室中,，以確保消除外部光并能夠采集高光譜圖像,。

將九個樣本同時放置在啞光黑色板上，通過移動相機獲取高光譜圖像數(shù)據(jù)立方體,。所有樣品均經(jīng)過光學穩(wěn)定處理,，在采集高光譜數(shù)據(jù)之前將它們置于實驗環(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,，通過分離紅色肉部分，從高光譜數(shù)據(jù)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,。這個過程產(chǎn)生了高質(zhì)量的數(shù)據(jù)集，適用于后續(xù)的分析和解釋,。使用四種預(yù)處理技術(shù)（MSC,、SNV轉(zhuǎn)換、一階Savitzky–Golay濾波和最小-最大歸一化）對提取的光譜進行模型開發(fā),。

用于構(gòu)建肉樣本分類模型的高光譜數(shù)據(jù)立方體中的光譜,。(a) 實驗數(shù)據(jù)的完整光譜,；(b) 每個實驗組的平均光譜（實線）以及加減標準差后的光譜（虛線）。

這篇文章研究了使用NIR高光譜成像儀,，對牛肉進行分類，區(qū)分其“新鮮",、“受損"和“冷凍"狀態(tài),。通過將韓國產(chǎn)牛肉樣品劃分為新鮮冷藏、長期冷藏和解凍狀態(tài),，共獲得了九個高光譜圖像數(shù)據(jù)立方體,，并通過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個光譜圖像,，將其80%用作訓練集,，20%用作測試集,。

在構(gòu)建機器學習模型時，使用了四種預(yù)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(shù)據(jù),，共準備了五個數(shù)據(jù)集。采用PLS-DA和SVM技術(shù)構(gòu)建模型,，其中SVM模型使用了四個核函數(shù),。評估模型性能時，準確性是主要指標,，同時對“新鮮"類別的F1分數(shù)進行了估計,，以獨立驗證生鮮肉分類的性能。測試集的準確率在幾乎所有模型中都超過90%,，主要錯誤是由于未能正確區(qū)分“受損"和“凍結(jié)"類別,。具有散點校正和RBF核函數(shù)的SVM模型表現(xiàn)最佳，其準確度達到96.57%,，“新鮮"類別的F1分數(shù)為100%,。研究結(jié)果表明，通過純化高光譜圖像數(shù)據(jù)立方體篩選的光譜可以構(gòu)建一個預(yù)測模型,，用于區(qū)分新鮮肉和非新鮮肉,。這些模型在未來的實際肉類采購場所中具有可行性。