Технология гиперспектральной визуализации позволяет проводить быстрый и неразрушающий контроль свежести свинины.

На этапах переработки, распределенияи реализации свинины и продуктов из нее свежесть является важнейшим показателемкачества и безопасности. Хотя традиционные методы контроля— такие как определение содержания общего летучего основного азота (TVB-N) и общего количества жизнеспособных микроорганизмов (TVC) — обеспечивают достоверные результаты,они отличаются трудоемкостью, длительностью выполненияи требуют разрушения образцов. Вследствие этого они с трудомотвечают требованиям современной пищевой промышленности, ориентированнойна методы оперативного, экспрессного и неразрушающего контроля.

В последние годы технология гиперспектральной визуализации продемонстрировалазначительный потенциал применения в сфере оценки качества пищевых продуктов благодарявысокой информативности, бесконтактному характеру измеренийи возможности проведения быстрого анализа. Гиперспектральнаякамера FS-IQ-VISNIR (диапазон 400–1000 нм) производства компании CHNSpec обеспечила получение данных для проведения подобных исследований.

Дизайн эксперимента и сбор данных

В исследовании, опубликованном в журнале *Journal of Food Composition and Analysis*, группа ученых изУниверситета легкой промышленности Чжэнчжоу (Zhengzhou LightIndustry University) использовала гиперспектральную камеру FS-IQ-VISNIR производства CHNSpec длясбора гиперспектральных данных (в видимом и ближнем инфракрасномдиапазонах) по образцам свиной вырезки,хранившимся в холодильнике при температуре 4°C в течение 14 дней.Всего было задействовано 112 образцов, распределенных по 7 временным точкам (по 16 образцов на каждую точку). Камера работает по принципу построчного сканирования (push-broom) и охватывает диапазон длин волн 400–1000 нм; онаобеспечивает регистрацию 1200 спектральных каналов с шагомдискретизации по спектру около 0,5 нм и пространственнымразрешением 1920×1920 пикселей.

Для повышения качества сигнала исследователи разработали методпредварительной обработки изображений без учителя(unsupervised), основанный на анализе спектральных различий. В сочетании с адаптивной сегментацией по методу Оцу (Otsu) и морфологическими операциями этот метод позволил эффективновыделить область интереса (ROI) и снизить влияние фоновыхпомех.

Двухветвевая сеть для извлечения признаков и модель на основеметодов машинного обучения

В исследовании предложена двухветвевая сеть для извлечения признаковиз гиперспектральных данных, получившая название HFE (Hybrid-FeatureExtractor). Эта сеть состоит из двух параллельныхканалов извлечения признаков:

• Спектральная ветвь: использует механизмвнимания Squeeze-and-Excitation (SE) для адаптивного определениявесов каждой спектральной полосы и применяет многослойный перцептрон (MLP) для извлечения ключевых спектральных признаков.

• Пространственная ветвь: использует двумернуюсверточную нейронную сеть (CNN) в сочетании с остаточнымиблоками (BasicBlock) и модулями AtrousSpatial Pyramid Pooling (ASPP) для извлечения пространственных признаковна различных масштабах.

Эти два типа признаков объединяются с помощью механизма управляемогослияния (gated fusion), после чего подаются на вход моделямрегрессии методом частичных наименьших квадратов (PLSR) ирегрессии на основе метода опорных векторов (SVR) соответственнодля выполнения количественного прогнозирования содержанияTVB-N и TVC.

Точность прогнозирования и анализ

Результаты экспериментов показывают, чтопри использовании модуля HFE в сочетании с моделями PLSR и SVR достигается высокая точностьпрогнозирования содержания TVB-N иTVC:

• HFE + PLSR: коэффициент детерминации (R²) для прогнозирования содержания TVB-N составил 0,9786 при RMSE 2,4685; для прогнозирования TVC — 0,9529 при RMSE 0,3223.

• HFE + SVR: R² для прогнозирования TVC составил 0,9597 при RMSE 0,3066.

• По сравнению с традиционными хемометрическими методами (такими как SG+SPA, SNV+CARS), данныйметод обеспечивает более высокую точность прогнозирования и стабильность модели. Показатели RPD (отношение стандартногоотклонения к среднеквадратичной ошибке прогноза) для TVB-N и TVC составили 7,1204 и 5,1831 соответственно, что свидетельствует о высокой прогностической способности модели.

Интерпретируемость модели и идентификация ключевых спектральныхдиапазонов

С помощью механизма внимания SE(Squeeze-and-Excitation) исследовательская группа провела анализ весовыхкоэффициентов различных спектральных диапазонов в спектральной ветви модели. Результаты показали, что модель присваивалаболее высокие веса диапазону 600–920 нм— области, тесно связанной с оптическим откликом, обусловленным окислением белков и наличием микробных метаболитов (таких как амины, альдегиды, кетоны и др.). По мере увеличения срокахранения содержание TVB-N и TVC возрастало, а диапазон соответствующих характеристических полос расширялся, что указывает на способность модели улавливать тонкие спектральныеизменения, связанные с потерей свежести.

Перспективы применения

Данное исследование демонстрирует, чтоиспользование гиперспектральной камеры FS-IQ-VISNIR в сочетаниис двухканальной нейронной сетью для извлечения признаков и регрессионными моделямимашинного обучения позволяет эффективно прогнозировать показатели свежести свининыбез повреждения образцов. Предложенный метод представляетпрактическую ценность для организации потокового неразрушающего контроля на этапахпереработки пищевой продукции, транспортировки в рамках «холодовой цепи» и розничной торговли.

Компания CHNSpec продолжит поставлятьоборудование для гиперспектральной съемки и оказывать техническую поддержку в сфереконтроля качества и безопасности пищевых продуктов, способствуяпереходу отрасли на более эффективные и интеллектуальные методы тестирования.

Рекомендуемый продукт: портативная гиперспектральнаякамера FS-IQ-VISNIR.

• Спектральный диапазон: 400–1000 нм

• Спектральное разрешение: 2,5 нм

• Пространственное разрешение: 1920 × 1920

• Количество спектральных каналов: 1200