高光谱成像与机器学习的结合在无麸质产品中检测麸质来源污染的应用

《Food Analytical Methods》:Integration of Hyperspectral Imaging and Machine Learning for Detection of Gluten Source Contamination in Gluten-Free Products

【字体: 大 中 小 】 时间:2026年06月07日 来源:Food Analytical Methods 3.0

编辑推荐:

  摘要对于大多数人来说,含有麸质的食物是安全的,但患有与麸质相关的疾病(如自身免疫性疾病、过敏性疾病和非自身免疫性疾病)的人即使摄入微量麸质也会面临风险。因此,检测无麸质产品中的麸质污染对其安全性至关重要。本研究探讨了利用高光谱成像技术结合机器学习(ML)来检测无麸质面粉中的麸质污

  

摘要

对于大多数人来说,含有麸质的食物是安全的,但患有与麸质相关的疾病(如自身免疫性疾病、过敏性疾病和非自身免疫性疾病)的人即使摄入微量麸质也会面临风险。因此,检测无麸质产品中的麸质污染对其安全性至关重要。本研究探讨了利用高光谱成像技术结合机器学习(ML)来检测无麸质面粉中的麸质污染的方法。主要目标是开发二分类和多分类模型,并确定用于准确检测麸质的最佳波长。实验中,玉米面粉样本被掺入了小麦粉、黑麦粉和大麦粉,污染程度(CL)的范围分别为0%至2.4%(低污染水平)和2.5%至10%(高污染水平),整个污染范围被定义为0–10%。使用高光谱成像(HSI)在可见光到近红外区域(400–1000纳米)收集光谱数据,并对数据进行了预处理以提高模型性能。在二分类任务中,采用Savitzky-Golay(SG)预处理的随机森林(RF)在低污染水平下达到了98.0%的准确率;而结合SG的线性判别分析在整个污染范围内达到了98.5%的准确率。在多分类任务中,采用SG预处理的随机森林结合一阶导数方法在低污染水平下达到了97.8%的准确率,在整个污染范围内达到了98.5%的准确率。特征选择技术有助于保持模型的性能。在选取20个特征的情况下,递归特征消除方法在随机森林的二分类任务中实现了98.4%的准确率;而相同数量特征的顺序正向选择方法在随机森林的多分类任务中,在低污染范围内达到了96.9%的准确率。这些结果表明,高光谱成像和机器学习作为一种快速、无损的筛查工具,在检测无麸质面粉样本中的麸质污染方面具有潜力,但在实际应用于食品质量保证之前仍需进一步验证。

对于大多数人来说,含有麸质的食物是安全的,但患有与麸质相关的疾病(如自身免疫性疾病、过敏性疾病和非自身免疫性疾病)的人即使摄入微量麸质也会面临风险。因此,检测无麸质产品中的麸质污染对其安全性至关重要。本研究探讨了利用高光谱成像技术结合机器学习(ML)来检测无麸质面粉中的麸质污染的方法。主要目标是开发二分类和多分类模型,并确定用于准确检测麸质的最佳波长。实验中,玉米面粉样本被掺入了小麦粉、黑麦粉和大麦粉,污染程度(CL)的范围分别为0%至2.4%(低污染水平)和2.5%至10%(高污染水平),整个污染范围被定义为0–10%。使用高光谱成像(HSI)在可见光到近红外区域(400–1000纳米)收集光谱数据,并对数据进行了预处理以提高模型性能。在二分类任务中,采用Savitzky-Golay(SG)预处理的随机森林(RF)在低污染水平下达到了98.0%的准确率;而结合SG的线性判别分析在整个污染范围内达到了98.5%的准确率。在多分类任务中,采用SG预处理的随机森林结合一阶导数方法在低污染水平下达到了97.8%的准确率,在整个污染范围内达到了98.5%的准确率。特征选择技术有助于保持模型的性能。在选取20个特征的情况下,递归特征消除方法在随机森林的二分类任务中实现了98.4%的准确率;而相同数量特征的顺序正向选择方法在随机森林的多分类任务中,在低污染范围内达到了96.9%的准确率。这些结果表明,高光谱成像和机器学习作为一种快速、无损的筛查工具,在检测无麸质面粉样本中的麸质污染方面具有潜力,但在实际应用于食品质量保证之前仍需进一步验证。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号