zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-2038Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESБыстрая идентификация свежести мясной продукции на основе ближней инфракрасной спектроскопии и алгоритма нейронной сети обратного распространенияRapid Identification of the Freshness of Pork Based on Near Infrared Spectroscopy and Back Propagation Neural Network AlgorithmChenH.ChenH.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comLiangY.LiangY.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comWuJ.WuJ.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comZhangX.ZhangX.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comDuM.DuM.

Юньнань, Куньмин

Yunnan Kunming

dumeiling_2006@163.comRenH.RenH.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comLuX.LuX.

Юньнань, Куньмин

Yunnan Kunming

710866288@qq.comКуньминский университет науки и технологийFaculty of Science, Kunming University of Science and TechnologyЮньнаньский институт контроля и инспекции качества продукцииYunnan Institute of product quality supervision and inspection202526112025926826826Copyright © Chen H., Liang Y., Wu J., Zhang X., Du M., Ren H., Lu X., 20252025Chen H., Liang Y., Wu J., Zhang X., Du M., Ren H., Lu X.Chen H., Liang Y., Wu J., Zhang X., Du M., Ren H., Lu X.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/2038

Свежесть мясной продукции является критическим фактором, определяющим ее качество и ценность, влияет на ее экономическую ценность и пригодность к употреблению. Для регистрации спектров образцов свинины с 1-го по 9-й день при температуре 18 ± 2°C использована спектроскопия в ближнем ИК-диапазоне (NIR). Алгоритм нейронной сети обратного распространения ошибки (BPNN) в сочетании со спектральными данными NIR использован для построения прогностической модели оценки свежести свинины, при этом длительность хранения служила основной переменной. Модель оценена в сравнении с более традиционными подходами, включая модели частичных наименьших квадратов и случайного леса. Модель BPNN продемонстрировала наиболее оптимальную производительность теста с коэффициентом детерминации R2 = 0.93; среднеквадратическая ошибка прогнозирования RMSEP = 0.62. Средняя абсолютная ошибка тестового набора для модели BPNN = 0.48, что указывает на удовлетворительные результаты прогнозирования. Экспериментальные данные продемонстрировали возможность применения предлагаемого метода для точной оценки свежести свинины, что позволило создать новый технологический эталон для определения качества мяса.

The freshness of pork is a critical factor in determining its quality and value, impacting its economic worth and suitability for consumption. Near-infrared spectroscopy was employed to collect the spectra of pork from day 1 to 9 at 18 ± 2°C. The backpropagation neural network (BPNN) algorithm, in conjunction with the previously mentioned near-infrared (NIR) spectral data, was utilised to construct a predictive model for the assessment of pork freshness, with the duration of storage serving as the primary variable. The model was evaluated in comparison to more traditional approaches, including partial least squares (PLS) and random forest (RF) models. The experimental results demonstrated that the BPNN model exhibited the most optimal test performance, with a determination coefficient (R2) of 0.93; the root mean square error of prediction (RMSEP) was 0.62 days. Furthermore, the mean absolute error of the test set (MAE) for the BPNN model was 0.48 days, indicating satisfactory prediction results. The experimental data demonstrated the feasibility of the proposed method in accurately estimating pork freshness, thus providing a novel technological reference for meat detection.

ближний инфракрасный диапазонсвежесть свининынейронная сеть обратного распространениянеразрушающий методnear infraredpork freshnessbackpropagation neural networknondestructiverapidReferencesX. Zhang, X. Chen, J. Dai, et al., Food Packaging and Shelf Life, 40, 101215 (2023).X. Zhang, X. Chen, J. Dai, et al., Food Packaging and Shelf Life, 40, 101215 (2023).H. Pirayesh, B.-D. Park, H. Khanjanzadeh, et al., Food Control, 147, 109595 (2023).H. Pirayesh, B.-D. Park, H. Khanjanzadeh, et al., Food Control, 147, 109595 (2023).K. Liang, Y. Li, F. Zeng, et al., New J. Chem., 47, No. 5, 2643–2650 (2023).K. Liang, Y. Li, F. Zeng, et al., New J. Chem., 47, No. 5, 2643–2650 (2023).A. Mohan, A. Roy, K. Duggirala, et al., LWT, 165, 113747 (2022).A. Mohan, A. Roy, K. Duggirala, et al., LWT, 165, 113747 (2022).Lu Hui, Song Aiying, Li Ming, Xianqi Yao, Yuling Cai, Longlong Dong, Dacheng Kang, Yunguo Liu, Food Control, 171, 111121 (2025).Lu Hui, Song Aiying, Li Ming, Xianqi Yao, Yuling Cai, Longlong Dong, Dacheng Kang, Yunguo Liu, Food Control, 171, 111121 (2025).S. Tsuchikawa, T. Ma, T. Inagaki, Anal. Sci., 38, No. 4, 635–642 (2022).S. Tsuchikawa, T. Ma, T. Inagaki, Anal. Sci., 38, No. 4, 635–642 (2022).H. Yu, W. Du, Z.-Q. Lang, et al., IEEE Transact. Instrum. Measur., 70, 1–13 (2021).H. Yu, W. Du, Z.-Q. Lang, et al., IEEE Transact. Instrum. Measur., 70, 1–13 (2021).Q. Zheng, H. Huang, S. Zhu, et al., J. Near Infrared Spectroscopy, 31, No. 2, 63–72 (2023).Q. Zheng, H. Huang, S. Zhu, et al., J. Near Infrared Spectroscopy, 31, No. 2, 63–72 (2023).M. Jamrógiewicz, J. Pharm. Biomed. Analysis, 66, 1–10 (2012).M. Jamrógiewicz, J. Pharm. Biomed. Analysis, 66, 1–10 (2012).A. Watanabe, H. Furukawa, S. Miyamoto, et al., Construction and Building Materials, 196, 95–104 (2019).A. Watanabe, H. Furukawa, S. Miyamoto, et al., Construction and Building Materials, 196, 95–104 (2019).J. M. E. Balage, S. D. L. Silva, C. A. Gomide, et al., Meat Sci., 108, 37–43 (2015).J. M. E. Balage, S. D. L. Silva, C. A. Gomide, et al., Meat Sci., 108, 37–43 (2015).C. T. Kucha, M. O. Ngadi, J. Food Measur. and Characterization, 14, 1105–1115 (2020).C. T. Kucha, M. O. Ngadi, J. Food Measur. and Characterization, 14, 1105–1115 (2020).L. Wang, W. Ye, Y. Zhu, et al., Eng. Analysis with Boundary Elements, 151, 575–596 (2023).L. Wang, W. Ye, Y. Zhu, et al., Eng. Analysis with Boundary Elements, 151, 575–596 (2023).F. Allegrini, A. C. Olivieri, Anal. Chim. Acta, 1226, 340248 (2022).F. Allegrini, A. C. Olivieri, Anal. Chim. Acta, 1226, 340248 (2022).S. Asadi, S. Roshan, M. W. Kattan, J. Biomed. Informatics, 115, 103690 (2021).S. Asadi, S. Roshan, M. W. Kattan, J. Biomed. Informatics, 115, 103690 (2021).G. Qian, L. Zhang, Appl. Soft Comp., 70, 1034–1041 (2018).G. Qian, L. Zhang, Appl. Soft Comp., 70, 1034–1041 (2018).S. Suchat, P. Theanjumpol, S. Karrila, Ind. Crops and Products, 76, 772–780 (2015).S. Suchat, P. Theanjumpol, S. Karrila, Ind. Crops and Products, 76, 772–780 (2015).Y. Chen, Z. Wang, J. Chemometrics, 33, No. 5, e3122 (2019).Y. Chen, Z. Wang, J. Chemometrics, 33, No. 5, e3122 (2019).R. Goyal, P. Singha, S. K. Singh, Trends Food Sci. Technology, 146, 104377 (2024).R. Goyal, P. Singha, S. K. Singh, Trends Food Sci. Technology, 146, 104377 (2024).

The authors declare that there are no conflicts of interest present.