La tecnología de imágenes hiperespectral permite pruebas rápidas y no destructivas de la frescura de la carne de cerdo

Durante el procesamiento, distribución y circulación de la carne de cerdo y sus productos, la frescura es un indicador vital para medir su calidad y seguridad. Aunque los métodos de detección tradicionales, como la determinación del nitrógeno básico volátil total (TVB-N) y el recuento total de viables (TVC), brindan resultados confiables, son engorrosos, requieren mucho tiempo y destructivos para las muestras. En consecuencia, les resulta difícil satisfacer las demandas de la industria alimentaria moderna de realizar pruebas en línea, rápidas y no destructivas.

En los últimos años, la tecnología de imágenes hiperespectrales ha demostrado un potencial de aplicación significativo en el campo de la evaluación de la calidad de los alimentos debido a su rica información, su naturaleza sin contacto y sus capacidades de análisis rápido. La cámara hiperespectral FS-IQ-VISNIR (400–1000 nm) de CHNSpec ha brindado soporte en la adquisición de datos para este tipo de investigación.

Diseño experimental y adquisición de datos.

En un estudio publicado en el Journal of Food Composition and Analysis, un equipo de investigación de la Universidad de Industria Ligera de Zhengzhou utilizó la cámara hiperespectral FS-IQ-VISNIR de CHNSpec para recopilar datos hiperespectrales visibles en el infrarrojo cercano del lomo de cerdo almacenado en refrigeración fría a 4°C en 14 días. Estuvieron involucradas un total de 112 muestras, abarcando 7 puntos temporales con 16 muestras por punto. La cámara utiliza un método de obtención de imágenes con escoba, que presenta un rango de longitud de onda de 400 a 1000 nm, que contiene 1200 bandas, un intervalo de muestreo espectral de aproximadamente 0,5 nm y una resolución espacial de 1920 × 1920 píxeles.

Para mejorar la calidad de la señal, el equipo de investigación diseñó un método de preprocesamiento de imágenes no supervisado basado en diferencias espectrales. Combinado con la segmentación de umbral adaptativo de Otsu y las operaciones morfológicas, este método extrajo eficazmente la región de interés (ROI) y redujo la interferencia de fondo.

Red de extracción de características de doble rama y modelado de fusión de aprendizaje automático

El estudio propuso una red de extracción de características hiperespectrales de doble rama llamada HFE (Hybrid-FeatureExtractor). Esta red consta de dos canales de extracción de características paralelos:

• Rama espectral: introduce el mecanismo de atención de compresión y excitación (SE) para aprender de forma adaptativa los pesos de cada banda y combina un perceptrón multicapa (MLP) para extraer características espectrales clave.
• Rama espacial: adopta una red neuronal convolucional (CNN) bidimensional combinada con módulos residuales (BasicBlock) y módulos Atrous Spatial Pyramid Pooling (ASPP) para extraer características espaciales de múltiples escalas.

Los dos tipos de características se integran a través de un mecanismo de fusión cerrado y posteriormente se ingresan en los modelos de regresión de mínimos cuadrados parciales (PLSR) y regresión de vectores de soporte (SVR), respectivamente, para completar la predicción cuantitativa del contenido TVB-N y TVC.

Rendimiento y análisis de predicción

Los resultados experimentales indican que cuando el módulo HFE se combina con PLSR y SVR, muestra una alta precisión en la predicción del contenido TVB-N y TVC:

• HFE + PLSR: el R² para la predicción TVB-N es 0,9786 con un RMSE de 2,4685; el R² para la predicción de TVC es 0,9529 con un RMSE de 0,3223.
• HFE + SVR: TheR² para la predicción de TVC es 0,9597 con un RMSE de 0,3066.
• En comparación con los métodos quimiométricos tradicionales (como SG+SPA, SNV+CARS), la precisión de la predicción y la estabilidad del modelo de este método mejoran. En términos de desviación de predicción residual (RPD), TVB-N y TVC alcanzaron 7,1204 y 5,1831 respectivamente, lo que indica que el modelo posee fuertes capacidades predictivas.

Interpretabilidad del modelo e identificación de bandas clave

A través del mecanismo de atención SE, el equipo de investigación realizó un análisis de visualización de los pesos de diferentes bandas en la rama espectral. Los resultados mostraron que el modelo asignó pesos más altos dentro del rango de 600 a 920 nm, una región estrechamente relacionada con la respuesta óptica de la oxidación de proteínas y los metabolitos microbianos (como aminas, aldehídos, cetonas, etc.). A medida que se extendió el tiempo de almacenamiento, el contenido de TVB-N y TVC aumentó, y el rango de estas bandas características también se expandió, lo que indica que el modelo puede capturar cambios espectrales sutiles relacionados con variaciones de frescura.

Perspectivas de aplicación

Este estudio demuestra que la cámara hiperespectral FS-IQ-VISNIR, combinada con la red de extracción de características de doble rama y los modelos de regresión de aprendizaje automático, puede lograr una predicción efectiva de los indicadores de frescura de la carne de cerdo sin causar daños a las muestras. Este método tiene un valor de referencia práctico para pruebas no destructivas en línea en el procesamiento de alimentos, el transporte de la cadena de frío y los enlaces minoristas.

CHNSpec continuará brindando equipos de imágenes hiperespectrales y soporte técnico para el campo de la calidad y seguridad de los alimentos, ayudando a la industria en la transición hacia métodos de prueba más eficientes e inteligentes.

Recomendación de producto: Cámara hiperespectral portátil FS-IQ-VISNIR

• Rango espectral: 400–1000 nm
• Resolución espectral: 2,5 nm
• Resolución de imagen: 1920*1920
• Número de canales espectrales: 1200