肉類富含豐富的蛋白質和營養物質，不僅能夠滿足我們的味蕾，還能夠提供我們身體所需的能量和營養。
隨著肉類需求的增加，大規模的肉類生產和運輸過程中，肉類的速凍可以一定程度保持食物的新鮮度和口感。然而，關于速凍解凍的肉類，和新鮮肉類的混淆，讓人難以分辨。
首爾大學的研究人員利用高光譜成像技術，做了相關的研究。
使用高光譜成像儀和機器學習對新鮮和凍融牛肉進行分類
由于對安全、可食用肉類的需求的不斷增加，冷凍儲存技術得到了不斷改進。然而目前存在解凍肉在處理和銷售過程中被進行了錯誤的標記，宣稱為新鮮肉類，這可能導致消費者受到誤導或產生安全隱患。在這項研究中，使用高光譜圖像數據構建了一個機器學習（ML）模型，用于區分新鮮冷藏、長期冷藏和解凍的牛肉樣本。通過四種預處理方法，共準備了五個數據集來構建ML模型。使用PLS-DA和SVM技術構建了模型，其中應用散點校正和RBF核函數的SVM模型性能最佳。結果表明，利用高光譜圖像數據立方體，可以構建區分新鮮肉類和非新鮮肉類的預測模型，這可以成為肉類儲存狀態常規分析的快速、非侵入性方法。
安裝在暗室中的高光譜數據采集系統的配置示意圖
基于此，來自首爾大學的研究人員使用Resonon Pika L 高光譜成像儀，在近紅外光譜的400-1000 nm波段內獲取高光譜圖像數據立方體，進行了相關研究。在本研究中，圖像采集系統安裝在暗室中，以確保完全消除外部光并能夠采集高光譜圖像。
將九個樣本同時放置在啞光黑色板上，通過移動相機獲取高光譜圖像數據立方體。所有樣品均經過光學穩定處理，在采集高光譜數據之前將它們置于實驗環境中 20 分鐘，消除由肌紅蛋白/氧肌紅蛋白含量差異引起的巧合差異。隨后，通過分離紅色肉部分，從高光譜數據立方體中提取了（ROI）的光譜，確保了只有紅色部分肉的光譜被提取用于分析。這個過程產生了高質量的數據集，適用于后續的分析和解釋。使用四種預處理技術（MSC、SNV轉換、一階Savitzky–Golay濾波和最小-最大歸一化）對提取的光譜進行模型開發。
本研究獲取的高光譜數據立方體中的光譜圖像。(a–c) 分別為“新鮮”、“受損”和“冷凍”樣品的 630–650 nm 平均圖像；(d-f)分別為“新鮮”、“受損”和“冷凍”樣品的 540-560 nm 平均圖像。
用于構建肉樣本分類模型的高光譜數據立方體中的光譜。(a) 實驗數據的完整光譜；(b) 每個實驗組的平均光譜（實線）以及加減標準差后的光譜（虛線）。
研究結論
這篇文章研究了使用NIR高光譜成像儀，對牛肉進行分類，區分其“新鮮”、“受損”和“冷凍”狀態。通過將韓國產牛肉樣品劃分為新鮮冷藏、長期冷藏和解凍狀態，共獲得了九個高光譜圖像數據立方體，并通過滴水損失測試定量分析了牛肉樣品的狀況。本研究共收集了4950個光譜圖像，將其80%用作訓練集，20%用作測試集。
在構建機器學習模型時，使用了四種預處理方法，包括MSC和SNV用于校正，Savitzky-Golay 1st濾波器用于平滑，Min-Max用于歸一化，以及原始數據，共準備了五個數據集。采用PLS-DA和SVM技術構建模型，其中SVM模型使用了四個核函數。評估模型性能時，準確性是主要指標，同時對“新鮮”類別的F1分數進行了估計，以獨立驗證生鮮肉分類的性能。測試集的準確率在幾乎所有模型中都超過90%，主要錯誤是由于未能正確區分“受損”和“凍結”類別。具有散點校正和RBF核函數的SVM模型表現最佳，其準確度達到96.57%，“新鮮”類別的F1分數為100%。研究結果表明，通過純化高光譜圖像數據立方體篩選的光譜可以構建一個預測模型，用于區分新鮮肉和非新鮮肉。這些模型在未來的實際肉類采購場所中具有可行性。
