КЛАССИФИКАТОР ДЛЯ ОБНАРУЖЕНИЯ ЗАГРЯЗНЕНИЙ НА КУРИНЫХ ТУШКАХ В ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЯХ, ОСНОВАННЫЙ НА АЛГОРИТМЕ ПОСЛЕДОВАТЕЛЬНЫХ ПРОЕКЦИЙ И ЛИНЕЙНОЙ МНОГОФАКТОРНОЙ РЕГРЕССИИ

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.

основанный на алгоритме последовательных проекций и многомерной линейной регрессии классификатор, рабочая характеристика приемника, гиперспектральное изображение, куриная тушка, обнаружение загрязняющих веществ, SPA-MLR classifier, ROC analysis, hyperspectral imaging, chicken carcass, contaminant detection

1. http://www.consumerreports.org/cro/magazine/2014/02/the-high-cost-of-cheap-chicken/index.htm (2014).

2. F. Lawrence, A. Wasley, and R. Ciorniciuc, The Guardian (2014); http://www.theguardian.com/world/2014/jul/23/-sp-revealed-dirty-secret-uk-poultry-industry-chicken-campylobacter.

3. USDA, Final rule.9CFR part 304. Fed. Regist., 61, 38805-38989 (1996).

4. W. R. Windham, D. P. Smith, B. Park, K. C. Lawrence, P. W. Feldner, Trans. ASAE, 46, 1733-1738 (2003).

5. Y. R. Chen, W. R. Hruschka, H. Early, J. Food Process Eng., 23, 89-99 (2000).

6. Z. Xiong, D.W. Sun, A. Xie, Z. Han, L. Wang, Food Chem., 175, 417-422 (2015).

7. S. A. Hawkins, B. Bowker, H. Zhuang, G. Gamble, R. Holser, J. Food Res., 3, 57-65 (2014).

8. D. Alexandrakis, G. Downey, A. G. M. Scannell, Food Bioprocess Tech., 5, 338-347 (2012).

9. B. Park, K. C. Lawrence, W. R. Windham, R. J. Buhr, Trans. ASAE, 45, 2017-2026 (2002).

10. B. Park, K. C. Lawrence, W. R. Windham, D. P. Smith, J. Food Eng., 75, 340-348 (2006).

11. B. Park, S.-C. Yoon, W. R. Windham, K. C. Lawrence, M. S. Kim, K. Chao, Sens. Instrum. Food Qual. Saf., 5, 25-32 (2011).

12. W. R. Windham, D. P. Smith, M. E. Berrang, K. C. Lawrence, P. W. Feldner, Int. J. Poult. Sci., 4, 657-662 (2005).

13. W. Wu, G. Y. Chen, J. C. Xia, C.W. Ye, K. J. Chen, Spectrosc. Spect. Anal., 34, 3363-3367 (2014).

14. S. C. Yoon, B. Park, K. C. Lawrence, W. R. Windham, G. W.Heitschmidt, Comput. Electron. Agric., 79, 159-168 (2011).

15. G. W. Heitschmidt, B. Park, K.C. Lawrence, W. R. Windham, D. P. Smith, Trans. ASABE, 50, 1427-1432 (2007).

16. S. Kang, K. Lee, J. Son, M. S. Kim, Proc. Food Sci., 1, 953-959 (2011).

17. K. C. Lawrence, W. R. Windham, B. Park, R. J. Buhr, J. Near Infrared Spectrosc., 11, 269-281 (2003).

18. C. D. Everard, M. S. Kim, H. Lee, J. Food Eng., 143, 139-145 (2014).

19. M. C. U. Araújo, T. C. B. Saldanha, R. K. H. Galvão, T. Yoneyama, H. C. Chame, V. Visani, Chemometr. Intell. Lab. Syst., 57, 65-73 (2001).

20. R. K. H. Galvão, M. C. U. Araújo, W. D. Fragoso, E. C. Silva, G. E. José, S. F. C. Soares, H. M. Paiva, Chemometr. Intell. Lab. Syst., 92, 83-91 (2008).

21. C. E. Metz, Semin. Nucl. Med., 8, 283-298 (1978).

22. L. D. Stefano, A. Bulgarelli, Int. Conf. Image Anal. Process., 322-327 (1999).