Разработан классификатор для автоматического обнаружения загрязняющих веществ на куриных тушках, основанный на алгоритме последовательных проекций (АПП) и многомерной линейной регрессии (МЛР) и использующий пороговое значение оптимальной производительности. Гиперспектральные изображения для калибровки и проверки получены с помощью гиперспектральных систем визуализации. Регрессионная модель классификатора создана на основе 12 характерных длин волн (505, 537, 561, 562, 564, 575, 604, 627, 656, 665, 670 и 689 нм), выбранных с помощью АПП. Оптимальный порог Т = 1 получен из анализа рабочей характеристики приемника. Классификатор АПП-МЛР показывает лучшие результаты в обнаружении загрязнений по сравнению с классификатором, основанным на АПП и частичной регрессии с использованием метода наименьших квадратов, и с классификатором на основе векторной машины, использующей метод наименьших квадратов. Количество истинно положительных решений, приближающееся к 100%, при ложных срабатываниях (0.392%) указывает на то, что классификатор АПП-МЛР может использоваться для эффективного обнаружения загрязняющих веществ на куриных тушках.
During slaughtering and further processing, chicken carcasses are inevitably contaminated by microbial pathogen contaminants. Due to food safety concerns, many countries implement a zero-tolerance policy that forbids the placement of visibly contaminated carcasses in ice-water chiller tanks during processing. Manual detection of contaminants is labor consuming and imprecise. Here, a successive projections algorithm (SPA)-multivariable linear regression (MLR) classifier based on an optimal performance threshold was developed for automatic detection of contaminants on chicken carcasses. Hyperspectral images were obtained using a hyperspectral imaging system. A regression model of the classifier was established by MLR based on twelve characteristic wavelengths (505, 537, 561, 562, 564, 575, 604, 627, 656, 665, 670, and 689 nm) selected by SPA, and the optimal threshold T = 1 was obtained from the receiver operating characteristic (ROC) analysis. The SPA-MLR classifier provided the best detection results when compared with the SPA-partial least squares (PLS) regression classifier and the SPA-least squares supported vector machine (LS-SVM) classifier. The true positive rate (TPR) of 100% and the false positive rate (FPR) of 0.392% indicate that the SPA-MLR classifier can utilize spatial and spectral information to effectively detect contaminants on chicken carcasses.
The authors declare that there are no conflicts of interest present.