СОВМЕЩЕНИЕ МЕТОДОВ ГИПЕРСПЕКТРАЛЬНОГО ИЗОБРАЖЕНИЯ И ВЫБОРА ХАРАКТЕРНЫХ ДЛИН ВОЛН ДЛЯ БЫСТРОГО РАСПОЗНАВАНИЯ ВИДОВ КРАСНОГО МЯСА

Исследована гиперспектральная система визуализации (400–800 нм) в сочетании с многомерным анализом для различения видов говядины, свинины и баранины на основе характерных длин волн интактных и измельченных образцов. Проведено сравнение характеристик классификационных моделей, построенных путем объединения линейного дискриминантного анализа (LDA), дискриминантного анализа с проекцией на латентные структуры (PLS-DA) или метода опорных векторов (SVM), с методами выбора переменных, такими, как алгоритм последовательного проецирования (SPA), анализ коэффициента регрессии (RCA) или метод реверсивных скачков (RF). Показано, что при идентификации видов сырого мяса линейный классификатор предпочтительнее нелинейного. Путем всестороннего сравнения трех схем, в том числе синтеза переменных, слияния данных и перекрестного моделирования, определен только один набор оптимальных длин волн, включающий в себя пять диапазонов (567, 579, 595, 624 и 732 нм) в качестве универсальных и характерных, вместо выбора различных наборов характеристических длин волн для образцов различных видов мяса. На основе выбранных длин волн создана упрощенная модель LDA, позволяющая получить точность классификации 94.20 и 98.36% в валидационном наборе образцов интактного мяса и фарша. Интегрирование гиперспектральной визуализации и многомерного анализа обладает большим потенциалом в решении проблемы быстрой и неразрушающей дифференциации распространенных видов сырого мяса.

1. Y. Kumar, S. C. Karne, Trends Food Sci. Technol., 62, 59–67 (2017).

2. M. Kamruzzaman, Y. Makino, S. Oshita, Anal. Chim. Acta, 853, 19–29 (2015).

3. M. Kamruzzaman, D. W. Sun, G. El Masry, P. Allen, Talanta, 103, N 2, 130–136 (2013).

4. C. H. Feng, Y. Makino, S. Oshita, J. F. G. Martin, Food Control, 84, 165–176 (2018).

5. D. J. Troy, K. S. Ojha, J. P. Kerry, B. K. Tiwari, Meat Sci., 120, 2–9 (2016).

6. J. H. Cheng, B. Nicolai, D. W. Sun, Meat Sci., 123, 182–191 (2017).

7. M. M. Reis, R. V. Beers, M. Al-Sarayreh, P. Shorten, W. Q. Yan, W. Sayers, R. Klette, C. Craigie, Meat Sci., 144, 100–109 (2018).

8. D. Cozzolino, I. Murray, LWT-Food Sci. Technol., 37, N 4, 447–452 (2004).

9. L. W. Mamani-Linares, C. Gallo, D. Alomar, Meat Sci., 90, N 2, 378–385 (2012).

10. M. Kamruzzaman, D. Barbin, G. El Masry, D.-W. Sun, P. Allen, Innov. Food Sci. Emerg. Technol., 16, N 39, 316–325 (2012).

11. J. Qin, K. Chao, M. S. Kim, R. Lu, T. F. Burks, J. Food Eng., 118, N 2, 157–171 (2013).

12. D. Liu, D. W. Sun, X. A. Zeng, Food Bioprocess Technol., 7, N 2, 307–323 (2014).

13. H. Pu, M. Kamruzzaman, D. W. Sun, Trends Food Sci. Technol., 45, N 1, 86–104 (2015).

14. Z. Xiong, D. W. Sun, H. Pu, Zh. Zhu, M. Luo, LWT-Food Sci. Technol., 60, N 2, 649–655 (2015).

15. X. Wu, X. Song, Z. Qiu, Y. He, Meat Sci., 113, 92–96 (2016).

16. M. Kamruzzaman, Y. Makino, S. Oshita, Food Chem., 196, N 3, 1084–1091 (2016).

17. H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).

18. M. H. Hu, Q. L. Dong, B. L. Liu, U. L. Opara, L. Chen, Postharvest Biol. Technol., 106, 1–10 (2015).

19. S. R. Jammalamadaka, Am. Stat., 57, N 1, 67–69 (2012).