肉類(lei)富(fu)含豐富(fu)的(de)蛋(dan)白質和(he)營(ying)養物質，不僅能夠滿(man)足(zu)我(wo)們(men)的(de)味蕾，還能夠提供(gong)我(wo)們(men)身(shen)體所需(xu)的(de)能量和(he)營(ying)養。

隨(sui)著肉(rou)類(lei)需(xu)求的(de)(de)(de)增加，大規模的(de)(de)(de)肉(rou)類(lei)生(sheng)產和運輸過程(cheng)中，肉(rou)類(lei)的(de)(de)(de)速凍(dong)可以一定程(cheng)度保持食物的(de)(de)(de)新(xin)鮮度和口感。然(ran)而，關于速凍(dong)解凍(dong)的(de)(de)(de)肉(rou)類(lei)，和新(xin)鮮肉(rou)類(lei)的(de)(de)(de)混淆(xiao)，讓人難以分辨。

首爾大學的研究人(ren)員利(li)用高(gao)光譜成像技術，做了相關的研究。

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(an)全、可食(shi)用肉類的(de)需求的(de)不斷增加，冷凍儲(chu)存技(ji)術(shu)得到(dao)了不斷改進(jin)。然而目前存在(zai)(zai)解凍肉在(zai)(zai)處理(li)和(he)銷售過程(cheng)中(zhong)被進(jin)行了錯誤(wu)的(de)標(biao)記，宣稱為新(xin)(xin)鮮肉類，這可能導致消費者受到(dao)誤(wu)導或產生(sheng)安(an)全隱患(huan)。在(zai)(zai)這項研(yan)究中(zhong)，使用高(gao)光譜圖(tu)像(xiang)數(shu)據構建了一(yi)個機器學(xue)習（ML）模(mo)型(xing)(xing)(xing)，用于區分新(xin)(xin)鮮冷藏、長期冷藏和(he)解凍的(de)牛肉樣本。通過四種預處理(li)方法，共準備了五(wu)個數(shu)據集來構建ML模(mo)型(xing)(xing)(xing)。使用PLS-DA和(he)SVM技(ji)術(shu)構建了模(mo)型(xing)(xing)(xing)，其中(zhong)應用散(san)點校正和(he)RBF核函數(shu)的(de)SVM模(mo)型(xing)(xing)(xing)性能最佳。結果表明，利用高(gao)光譜圖(tu)像(xiang)數(shu)據立(li)方體，可以構建區分新(xin)(xin)鮮肉類和(he)非新(xin)(xin)鮮肉類的(de)預測模(mo)型(xing)(xing)(xing)，這可以成為肉類儲(chu)存狀態常規分析的(de)快(kuai)速、非侵入性方法。

安裝在暗室中的(de)高光(guang)譜數據(ju)采集系統的(de)配置示意(yi)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(wai)光(guang)譜(pu)的400-1000 nm波段內獲取高光(guang)譜(pu)圖像數據(ju)立方(fang)體，進行了(le)相關研究(jiu)。在本研究(jiu)中，圖像采集系統安裝在暗室中，以確(que)保完全消(xiao)除外(wai)部光(guang)并(bing)能夠采集高光(guang)譜(pu)圖像。

將九個(ge)樣(yang)(yang)本同時放(fang)置在(zai)啞(ya)光(guang)(guang)黑(hei)色(se)板上，通過(guo)移動相機獲(huo)取(qu)(qu)高光(guang)(guang)譜(pu)圖像數(shu)(shu)據(ju)立方體。所有樣(yang)(yang)品(pin)均經過(guo)光(guang)(guang)學穩(wen)定處理，在(zai)采集(ji)高光(guang)(guang)譜(pu)數(shu)(shu)據(ju)之前將它(ta)們置于(yu)實驗環境中 20 分鐘，消除由(you)肌紅蛋(dan)白/氧(yang)肌紅蛋(dan)白含(han)量差異(yi)引起的(de)巧(qiao)合差異(yi)。隨后，通過(guo)分離(li)紅色(se)肉部分，從高光(guang)(guang)譜(pu)數(shu)(shu)據(ju)立方體中提取(qu)(qu)了(le)（ROI）的(de)光(guang)(guang)譜(pu)，確保了(le)只有紅色(se)部分肉的(de)光(guang)(guang)譜(pu)被提取(qu)(qu)用于(yu)分析。這個(ge)過(guo)程產生(sheng)了(le)高質量的(de)數(shu)(shu)據(ju)集(ji)，適用于(yu)后續(xu)的(de)分析和解釋(shi)。使用四種預處理技術（MSC、SNV轉換、一階(jie)Savitzky–Golay濾(lv)波(bo)和最小-最大歸一化(hua)）對提取(qu)(qu)的(de)光(guang)(guang)譜(pu)進行模(mo)型開發。

用于構建肉樣本分類模型的(de)(de)高(gao)光(guang)譜(pu)(pu)數(shu)據(ju)立方體中的(de)(de)光(guang)譜(pu)(pu)。(a) 實驗(yan)數(shu)據(ju)的(de)(de)完整光(guang)譜(pu)(pu)；(b) 每(mei)個(ge)實驗(yan)組(zu)的(de)(de)平(ping)均光(guang)譜(pu)(pu)（實線）以及加減(jian)標(biao)準(zhun)差后的(de)(de)光(guang)譜(pu)(pu)（虛線）。

這(zhe)篇文章研究了(le)使用(yong)(yong)NIR高(gao)光(guang)譜成像儀，對牛肉進行分(fen)類，區分(fen)其“新鮮”、“受損(sun)”和“冷(leng)凍(dong)”狀態。通過將韓國產牛肉樣品劃分(fen)為新鮮冷(leng)藏、長期冷(leng)藏和解凍(dong)狀態，共(gong)獲得了(le)九個高(gao)光(guang)譜圖像數據(ju)立方體(ti)，并通過滴水損(sun)失測試定量分(fen)析了(le)牛肉樣品的狀況。本研究共(gong)收集了(le)4950個光(guang)譜圖像，將其80%用(yong)(yong)作(zuo)訓練集，20%用(yong)(yong)作(zuo)測試集。

在(zai)構建機器(qi)學習模(mo)(mo)型(xing)(xing)(xing)時(shi)，使(shi)用(yong)了四種(zhong)預(yu)處(chu)理方法，包括(kuo)MSC和SNV用(yong)于校正，Savitzky-Golay 1st濾(lv)波器(qi)用(yong)于平滑，Min-Max用(yong)于歸一化，以(yi)及原(yuan)始數(shu)(shu)(shu)據(ju)，共準備了五個數(shu)(shu)(shu)據(ju)集(ji)。采用(yong)PLS-DA和SVM技術構建模(mo)(mo)型(xing)(xing)(xing)，其中(zhong)SVM模(mo)(mo)型(xing)(xing)(xing)使(shi)用(yong)了四個核函數(shu)(shu)(shu)。評估模(mo)(mo)型(xing)(xing)(xing)性(xing)能時(shi)，準確(que)(que)性(xing)是(shi)主要指(zhi)標，同(tong)時(shi)對“新鮮(xian)”類(lei)別的(de)(de)F1分數(shu)(shu)(shu)進行了估計，以(yi)獨立(li)驗證生鮮(xian)肉分類(lei)的(de)(de)性(xing)能。測試集(ji)的(de)(de)準確(que)(que)率在(zai)幾乎所有模(mo)(mo)型(xing)(xing)(xing)中(zhong)都(dou)超過(guo)90%，主要錯誤是(shi)由于未能正確(que)(que)區分“受損(sun)”和“凍結”類(lei)別。具(ju)有散點校正和RBF核函數(shu)(shu)(shu)的(de)(de)SVM模(mo)(mo)型(xing)(xing)(xing)表(biao)現最佳，其準確(que)(que)度達到96.57%，“新鮮(xian)”類(lei)別的(de)(de)F1分數(shu)(shu)(shu)為100%。研究結果表(biao)明(ming)，通過(guo)純化高(gao)光譜圖像數(shu)(shu)(shu)據(ju)立(li)方體篩選的(de)(de)光譜可(ke)以(yi)構建一個預(yu)測模(mo)(mo)型(xing)(xing)(xing)，用(yong)于區分新鮮(xian)肉和非新鮮(xian)肉。這些模(mo)(mo)型(xing)(xing)(xing)在(zai)未來的(de)(de)實際肉類(lei)采購場所中(zhong)具(ju)有可(ke)行性(xing)。