Быстрая идентификация свежести мясной продукции на основе ближней инфракрасной спектроскопии и алгоритма нейронной сети обратного распространения

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.

1. X. Zhang, X. Chen, J. Dai, et al., Food Packaging and Shelf Life, 40, 101215 (2023).

2. H. Pirayesh, B.-D. Park, H. Khanjanzadeh, et al., Food Control, 147, 109595 (2023).

3. K. Liang, Y. Li, F. Zeng, et al., New J. Chem., 47, No. 5, 2643–2650 (2023).

4. A. Mohan, A. Roy, K. Duggirala, et al., LWT, 165, 113747 (2022).

5. Lu Hui, Song Aiying, Li Ming, Xianqi Yao, Yuling Cai, Longlong Dong, Dacheng Kang, Yunguo Liu, Food Control, 171, 111121 (2025).

6. S. Tsuchikawa, T. Ma, T. Inagaki, Anal. Sci., 38, No. 4, 635–642 (2022).

7. H. Yu, W. Du, Z.-Q. Lang, et al., IEEE Transact. Instrum. Measur., 70, 1–13 (2021).

8. Q. Zheng, H. Huang, S. Zhu, et al., J. Near Infrared Spectroscopy, 31, No. 2, 63–72 (2023).

9. M. Jamrógiewicz, J. Pharm. Biomed. Analysis, 66, 1–10 (2012).

10. A. Watanabe, H. Furukawa, S. Miyamoto, et al., Construction and Building Materials, 196, 95–104 (2019).

11. J. M. E. Balage, S. D. L. Silva, C. A. Gomide, et al., Meat Sci., 108, 37–43 (2015).

12. C. T. Kucha, M. O. Ngadi, J. Food Measur. and Characterization, 14, 1105–1115 (2020).

13. L. Wang, W. Ye, Y. Zhu, et al., Eng. Analysis with Boundary Elements, 151, 575–596 (2023).

14. F. Allegrini, A. C. Olivieri, Anal. Chim. Acta, 1226, 340248 (2022).

15. S. Asadi, S. Roshan, M. W. Kattan, J. Biomed. Informatics, 115, 103690 (2021).

16. G. Qian, L. Zhang, Appl. Soft Comp., 70, 1034–1041 (2018).

17. S. Suchat, P. Theanjumpol, S. Karrila, Ind. Crops and Products, 76, 772–780 (2015).

18. Y. Chen, Z. Wang, J. Chemometrics, 33, No. 5, e3122 (2019).

19. R. Goyal, P. Singha, S. K. Singh, Trends Food Sci. Technology, 146, 104377 (2024).