La technologie d'imagerie hyperspectrale permet des tests rapides et non destructifs de la fraîcheur du porc

Lors de la transformation, de la distribution et de la circulation de la viande de porc et de ses produits, la fraîcheur est un indicateur essentiel pour mesurer sa qualité et sa sécurité. Bien que les méthodes de détection traditionnelles, telles que la détermination de l’azote basique volatil total (TVB-N) et du nombre total viable (TVC), fournissent des résultats fiables, elles sont lourdes, longues et destructrices pour les échantillons. Par conséquent, il leur est difficile de répondre aux demandes de l’industrie alimentaire moderne en matière de tests en ligne, rapides et non destructifs.

Ces dernières années, la technologie d’imagerie hyperspectrale a démontré un potentiel d’application important dans le domaine de l’évaluation de la qualité des aliments en raison de sa richesse en informations, de sa nature sans contact et de ses capacités d’analyse rapide. La caméra hyperspectrale FS-IQ-VISNIR (400-1 000 nm) de CHNSpec a fourni un support d'acquisition de données pour ce type de recherche.

Conception expérimentale et acquisition de données

Dans une étude publiée dans le Journal of Food Composition and Analysis, une équipe de recherche de l'Université de l'industrie légère de Zhengzhou a utilisé la caméra hyperspectrale FS-IQ-VISNIR de CHNSpec pour collecter des données hyperspectrales visible-proche infrarouge sur le filet de porc conservé au réfrigérateur à froid à 4°C en 14 jours. Au total, 112 échantillons ont été impliqués, couvrant 7 points temporels avec 16 échantillons par point. La caméra utilise une méthode d'imagerie par balai, présentant une plage de longueurs d'onde de 400 à 1 000 nm, contenant 1 200 bandes, un intervalle d'échantillonnage spectral d'environ 0,5 nm et une résolution spatiale de 1 920 x 1 920 pixels.

Pour améliorer la qualité du signal, l’équipe de recherche a conçu une méthode de prétraitement d’image non supervisée basée sur les différences spectrales. Combinée à la segmentation de seuil adaptative Otsu et aux opérations morphologiques, cette méthode a efficacement extrait la région d’intérêt (ROI) et réduit les interférences de fond.

Réseau d’extraction de fonctionnalités à double branche et modélisation de fusion par apprentissage automatique

L'étude a proposé un réseau d'extraction de caractéristiques hyperspectrales à double branche nommé HFE (Hybrid-FeatureExtractor). Ce réseau se compose de deux canaux d'extraction de fonctionnalités parallèles :

• Branche spectrale : il introduit le mécanisme d'attention Squeeze-and-Excitation (SE) pour apprendre de manière adaptative les poids de chaque bande, et combine un perceptron multicouche (MLP) pour extraire les caractéristiques spectrales clés.
• Branche spatiale : elle adopte un réseau neuronal convolutif (CNN) bidimensionnel combiné à des modules résiduels (BasicBlock) et à des modules Atrous Spatial Pyramid Pooling (ASPP) pour extraire des caractéristiques spatiales multi-échelles.

Les deux types de fonctionnalités sont intégrés via un mécanisme de fusion fermée et ensuite entrés dans les modèles de régression partielle des moindres carrés (PLSR) et de régression vectorielle de support (SVR), respectivement, pour compléter la prédiction quantitative du contenu TVB-N et TVC.

Performances et analyses de prédiction

Les résultats expérimentaux indiquent que lorsque le module HFE est combiné avec PLSR et SVR, il présente une grande précision dans la prédiction du contenu TVB-N et TVC :

• HFE + PLSR : Le R² pour la prédiction TVB-N est de 0,9786 avec un RMSE de 2,4685 ; le R² pour la prédiction TVC est de 0,9529 avec un RMSE de 0,3223.
• HFE + SVR : Le R² pour la prédiction TVC est de 0,9597 avec un RMSE de 0,3066.
• Par rapport aux méthodes chimiométriques traditionnelles (telles que SG+SPA, SNV+CARS), la précision de prédiction et la stabilité du modèle de cette méthode sont toutes deux améliorées. En termes d'écart de prédiction résiduel (RPD), TVB-N et TVC ont atteint respectivement 7,1204 et 5,1831, ce qui indique que le modèle possède de fortes capacités prédictives.

Interprétabilité du modèle et identification des bandes de touches

Grâce au mécanisme d’attention SE, l’équipe de recherche a effectué une analyse de visualisation des poids des différentes bandes de la branche spectrale. Les résultats ont montré que le modèle attribuait des poids plus élevés dans la plage de 600 à 920 nm, une région étroitement liée à la réponse optique de l'oxydation des protéines et des métabolites microbiens (tels que les amines, les aldéhydes, les cétones, etc.). À mesure que la durée de stockage s'allongeait, le contenu TVB-N et TVC augmentait et la gamme de ces bandes caractéristiques s'élargissait également, ce qui indique que le modèle peut capturer des changements spectraux subtils liés aux variations de fraîcheur.

Perspectives d'application

Cette étude démontre que la caméra hyperspectrale FS-IQ-VISNIR, combinée au réseau d'extraction de caractéristiques à double branche et aux modèles de régression d'apprentissage automatique, peut réaliser une prédiction efficace des indicateurs de fraîcheur du porc sans endommager les échantillons. Cette méthode possède une valeur de référence pratique pour les tests non destructifs en ligne dans la transformation des aliments, le transport sous chaîne du froid et les liens de vente au détail.

CHNSpec continuera de fournir des équipements d'imagerie hyperspectrale et un soutien technique dans le domaine de la qualité et de la sécurité alimentaire, aidant ainsi l'industrie à passer à des méthodes de test plus efficaces et plus intelligentes.

Recommandation de produit : Caméra hyperspectrale portable FS-IQ-VISNIR

• Plage spectrale : 400 à 1 000 nm
• Résolution spectrale : 2,5 nm
• Résolution d'image : 1920*1920
• Nombre de canaux spectraux : 1200