Un flux de lucru de învățare automată pentru clasificarea spectroscopică a alimentelor crude într-o industrie viitoare
Subiecte
Abstract
Introducere
La începutul secolului al XXI-lea, sectorul agroalimentar se confruntă cu provocări majore: în primul rând, asigurarea populației lumii cu cantități suficiente pentru a mânca (securitate alimentară) 1 și în al doilea rând, asigurarea faptului că acest aliment este sigur de consumat (siguranță alimentară) 1, menținând în același timp un proces de producție în limitele de mediu. Aceste obiective trebuie realizate în contextul unei schimbări tehnologice uriașe, a unei lipse tot mai mari de resurse naturale și a unei evoluții continue a stilurilor de viață și a obiceiurilor de consum ale consumatorilor, pe tot globul 1,2. Industria alimentară este obligată să opereze sub așteptări aparent contradictorii, adică consumatorii preferă alimentele (i) convenabile și proaspete (minim procesate și ambalate); (ii) toate „naturale” - fără conservanți; (iii) potențial sănătos, fără efecte adverse asupra sănătății (adică, sărace în grăsimi, sare și zahăr); și (iv) produse într-un mod durabil din punct de vedere al mediului.
În ceea ce privește aceste probleme, Centrul Comun de Cercetare (CCR) Science for policy report 3 a investigat 4 scenarii privind identificarea provocărilor viitoare în sistemul alimentar global și a indicat necesitatea creșterii dependenței de tehnologiile informației și comunicațiilor (TIC) pentru a asigura trasabilitatea în lanțul alimentar și posibilitatea eșecului temporar sau a fraudei și a terorismului.
Pentru a pune în aplicare această nevoie, senzorii inteligenți au fost proiectați pentru a acoperi decalajul dintre informațiile alimentare adecvate și nevoile consumatorilor. În mod similar, importanța TIC a fost recunoscută ca un mijloc de a spori eficiența operațională și productivitatea în sectorul agricol/industria alimentară în contextul planului de acțiune de punere în aplicare propus de platformele tehnologice europene (ETP), care sunt forumuri ale părților interesate conduse de industrie., recunoscută de Comisia Europeană ca actori cheie în stimularea inovației, a transferului de cunoștințe și a competitivității europene 4. Utilizarea senzorilor este de o importanță vitală în industria alimentară; potențialul lor de a lua măsurători neinvazive pe, în sau în linie fără a distruge produsul alimentar este o condiție prealabilă pentru industria alimentară din viitor 5 .
rezultate si discutii
Grafic PCA pentru primele trei componente principale ale datelor normalizate după selectarea caracteristicii prin regresie PLS, setul de date de instruire cu 41 de dimensiuni; (A) Complot PC1-PC2, () Complot PC1-PC3, (C) PC2 - complot PC3 și (D) Diagrama 3-D a PCA.
Din toate cele de mai sus se poate concluziona că clasificatorul dezvoltat, în afară de obținerea scorurilor de clasificare ideale (precizie = 1, scor F1 = 1, sensibilitate = 1, specificitate = 1, precizie = 1, MCC = 1, informare = 1, marcare = 1), este, de asemenea, independent de condițiile de depozitare a eșantionului în termeni de timp, temperatură și ambalare (vă rugăm să consultați tabelul SI1 pentru statistici pe clasă).
Probabilitățile medii ale clasei pentru predicțiile pentru fiecare clasă și abaterile standard corespunzătoare.
În concluzie cu rezultatele menționate anterior cu privire la generalizarea și eficiența conductei propuse și a clasificatorului dezvoltat, ar trebui evidențiată semnificația etapei de selectare a caracteristicilor în tandem pentru dezvoltarea senzorilor dedicați. După cum sa menționat în secțiunea Metode, numerele de undă selectate (41) au fost efectuate ca fiind cele mai potrivite pentru clasificarea celor 7 tipuri de alimente utilizate aici. Rezultate precum cele prezentate aici și altele din literatura de specialitate pot determina producătorii de senzori să construiască senzori dedicați pentru aplicații specifice, cu costuri și dimensiuni mai mici, care pot funcționa optim.