DOI: https://doi.org/10.3390/app14219821
تاريخ النشر: 2024-10-27
المؤلف: Mehrad Nikzadfar وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تقدم هذه القسم نظرة عامة على التصوير الطيفي العالي (HSI) كطريقة غير مدمرة لتقييم جودة وسلامة الغذاء من خلال تحليل التوقيعات الطيفية عبر مجموعة واسعة من الأطوال الموجية. يمكن لـ HSI الكشف بفعالية عن الملوثات، والمكونات المغشوشة، وخصائص الجودة مثل الرطوبة والتلف الميكروبي. ومع ذلك، فإن تعقيد تحليل بيانات HSI يتطلب خبرة متخصصة. يعزز دمج تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML) من كفاءة HSI من خلال أتمتة الكشف عن الملوثات، والتصنيف، وتوقع خصائص جودة الغذاء، مما يسهل اتخاذ القرارات في الوقت الحقيقي ويقلل من الأخطاء البشرية.
تسلط المراجعة الضوء على أساليب ML المختلفة، مثل الشبكات العصبية التلافيفية وآلات الدعم المتجه، والتي تكون فعالة في مهام استخراج الميزات والتصنيف. تؤكد على أهمية طرق المعالجة المسبقة المتقدمة، واختيار الأطوال الموجية، وتقليل الأبعاد لتحسين قابلية توسيع النموذج وكفاءته. تشير النتائج إلى أن دمج HSI مع AI يمكن أن يؤدي إلى تقييمات أسرع وأكثر دقة وغير مدمرة لسلامة الغذاء، مما يقلل في النهاية من مخاطر التلوث والتكاليف المرتبطة. تدعو الورقة إلى مزيد من البحث في تقنيات ML الإضافية لتعزيز التقييم غير المدمر لجودة الغذاء، مما يشير إلى مستقبل واعد لهذه التقنيات في التطبيقات العملية.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لجودة الغذاء في تشكيل تفضيلات المستهلكين والمعالجين، مؤكدة أن الجودة يتم تقييمها من خلال خصائص مثل المظهر، والملمس، والطعم. تؤكد على ضرورة وجود إجراءات تحليلية سريعة لمراقبة جودة الغذاء، والتي تشمل المعايير الغذائية، والانتعاش، والسلامة من المخاطر البيولوجية، والكيميائية، والفيزيائية. تشير الورقة إلى أن الغذاء منخفض الجودة يمكن إنتاجه بكميات كبيرة قبل اكتشاف المشكلات، مما يؤدي إلى خسائر كبيرة في الغذاء. لمعالجة هذه التحديات، تم تطوير منهجيات للتحقق من المعلمات الداخلية والخارجية، ولا سيما التصوير الطيفي العالي (HSI)، وهي تقنية غير مدمرة تلتقط الانعكاس الطيفي عبر أطوال موجية مختلفة لتحديد الخصائص المتعلقة بالرطوبة، والانتعاش، والتلوث.
تناقش المقدمة أيضًا التحديات المرتبطة بالتصوير الطيفي العالي، بما في ذلك استخراج البيانات عالية الأبعاد، وضوضاء المستشعر، وتغاير العينات. تؤكد على الحاجة إلى خوارزميات فعالة وتقنيات كيميائية لتقليل أبعاد البيانات، مما يعزز تطبيقات مراقبة الغذاء في الوقت الحقيقي. يتم تقديم تعلم الآلة (ML) والتعلم العميق (DL) كأدوات تحويلية في سلامة الغذاء، مما يمكّن من تحليل مجموعات بيانات كبيرة للكشف عن الملوثات، وتوقع التلف، وتقييم الجودة. تهدف المراجعة إلى استكشاف دمج خوارزميات ML مع تحليل بيانات HSI، مع التركيز على إمكانياتها لتحسين أداء التصنيف والنمذجة التنبؤية في مراقبة جودة الغذاء. ومع ذلك، تعترف أيضًا بالقيود مثل ارتفاع تكاليف المعدات، والمتطلبات الحاسوبية، والحاجة إلى مجموعات بيانات كبيرة وموسومة جيدًا للتدريب الفعال.
نقاش
يؤكد قسم النقاش في ورقة البحث على الخصائص المميزة والمزايا للتصوير الطيفي العالي (HSI) مقارنةً بالتصوير التقليدي RGB. يلتقط HSI معلومات طيفية مفصلة عبر مئات من النطاقات الضيقة (380 إلى 2500 نانومتر)، مما يمكّن من تحديد المواد بدقة وتحليل الخصائص، وهو أمر حاسم للتطبيقات في الزراعة ومراقبة البيئة. ينتج نظام HSI، الذي يتكون من مكونات مثل العدسة الموضوعية ومطياف التصوير، هيكل بيانات هايبركيوب يسهل التحليل الطيفي عالي الدقة. يتم استخدام تقنيات مسح متنوعة، بما في ذلك المسح بكسل بكسل والمسح الكامل، كل منها له كفاءته وملاءمته للتطبيق.
يتناول القسم أيضًا ضرورة تقنيات المعالجة المسبقة لتعزيز جودة البيانات الطيفية العالية، والتي غالبًا ما تتعرض للتأثيرات الضوضائية من مصادر متنوعة. يتم تسليط الضوء على تقنيات مثل تصحيح التشتت المضاعف (MSC)، ومتغير النمط الطبيعي القياسي (SNV)، وتصفية سافيتسكي-غولاي (SG) لفعاليتها في تحسين معايرة النموذج ودقة التنبؤ. على سبيل المثال، يقوم MSC بتصحيح التأثيرات المضاعفة ويعزز شدة نطاق الامتصاص، بينما يقوم SNV بتطبيع البيانات الطيفية لمواجهة تأثيرات التشتت. يشير النقاش أيضًا إلى أهمية دمج هذه الطرق المعالجة المسبقة مع نماذج تعلم الآلة لتحقيق دقة عالية في مهام مثل تقييم جودة الغذاء وكشف التلوث. بشكل عام، فإن التطبيق الصحيح لهذه التقنيات المعالجة المسبقة أمر ضروري لتحسين أداء النموذج وضمان نتائج موثوقة في تحليل البيانات الطيفية العالية.
القيود
يسلط قسم القيود الضوء على عدة تحديات في تطبيق التصوير الطيفي العالي (HSI) لتقييم جودة وسلامة الغذاء. تشمل القضايا الرئيسية الحاجة إلى منهجيات أكثر كفاءة وموثوقية وفعالية من حيث التكلفة يمكن تطبيقها في كل من السياقات البحثية والصناعية. إن معالجة البيانات الطيفية المكانية معقدة بسبب وجود إشارات غير ذات صلة أو ضوضائية، مما يمكن أن يعيق استخراج المعلومات ذات المعنى. بالإضافة إلى ذلك، غالبًا ما يتم تطوير النماذج الحالية باستخدام مجموعات بيانات محدودة من ظروف المختبر المسيطر عليها، والتي قد لا تعمم بشكل جيد على العينات المقاسة في البيئات الطبيعية. لمعالجة هذه القيود، فإن المعايرة والتحقق الواسع النطاق ضد مجموعة متنوعة من العينات والظروف أمر ضروري.
يجب أن تركز الأبحاث المستقبلية على فهم تفاعلات الضوء والأنسجة والعلاقات بين الميزات الطيفية المكانية وخصائص جودة الغذاء. هناك حاجة ملحة لتحسين تقنيات استخراج البيانات للاستفادة من الإمكانات الكاملة لـ HSI، بالإضافة إلى تطوير نماذج قوية تأخذ في الاعتبار العوامل الفيزيائية والفسيولوجية. تشمل التحديات الحالية أيضًا الحاجة إلى مجموعات بيانات كبيرة وعالية الجودة وموسومة لتطوير نماذج تعلم الآلة، والتي يمكن أن تكون مكلفة من حيث الموارد للحصول عليها. لا يزال تحسين التصور وتفسير البيانات الطيفية العالية عقبة كبيرة بسبب أبعادها العالية. تعتبر الجهود التعاونية بين الباحثين الأكاديميين، وصناعات الغذاء، ومطوري التكنولوجيا ضرورية لتقدم تحسينات النماذج وأدوات التصور. على الرغم من هذه التحديات، فإن التقدم الأخير، مثل تطبيقات HSI المعتمدة على AI للكشف عن خصوبة البيض وقياس القيمة الغذائية، يظهر إمكانات التكنولوجيا في تعزيز كفاءة وسلامة إنتاج الغذاء.
DOI: https://doi.org/10.3390/app14219821
Publication Date: 2024-10-27
Author(s): Mehrad Nikzadfar et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The section provides an overview of hyperspectral imaging (HSI) as a non-destructive method for assessing food quality and safety by analyzing spectral signatures across a wide range of wavelengths. HSI can effectively detect contaminants, adulterants, and quality attributes such as moisture and microbial spoilage. However, the complexity of HSI data analysis necessitates specialized expertise. The integration of artificial intelligence (AI) and machine learning (ML) techniques enhances the efficiency of HSI by automating contaminant detection, classification, and prediction of food quality attributes, thereby facilitating real-time decision-making and minimizing human error.
The review highlights various ML approaches, such as convolutional neural networks and Support Vector Machines, which are effective for feature extraction and classification tasks. It emphasizes the importance of advanced preprocessing methods, wavelength selection, and dimensionality reduction to improve model scalability and efficiency. The findings suggest that combining HSI with AI can lead to faster, more accurate, and non-destructive assessments of food safety, ultimately reducing contamination risks and associated costs. The paper calls for further research into additional ML techniques to enhance the non-destructive evaluation of food quality, indicating a promising future for these technologies in practical applications.
Introduction
The introduction highlights the critical importance of food quality in shaping consumer and processor preferences, emphasizing that quality is assessed through attributes such as appearance, texture, and taste. It underscores the necessity for rapid analytical procedures to monitor food quality, which encompasses nutritional standards, freshness, and safety from biological, chemical, and physical hazards. The paper notes that low-quality food can be produced in large quantities before issues are detected, leading to significant food losses. To address these challenges, methodologies for checking intrinsic and extrinsic parameters have been developed, notably hyperspectral imaging (HSI), which is a non-destructive technique that captures spectral reflectance across various wavelengths to identify properties related to moisture, freshness, and contamination.
The introduction further discusses the challenges associated with hyperspectral imaging, including high-dimensional data extraction, sensor noise, and sample heterogeneity. It emphasizes the need for efficient algorithms and chemometric techniques to reduce data dimensionality, thereby enhancing real-time food monitoring applications. Machine learning (ML) and deep learning (DL) are presented as transformative tools in food safety, enabling the analysis of large datasets for contaminant detection, spoilage prediction, and quality assessment. The review aims to explore the integration of ML algorithms with HSI data analysis, focusing on their potential to improve classification performance and predictive modeling in food quality monitoring. However, it also acknowledges limitations such as high equipment costs, computational demands, and the necessity for large, well-annotated datasets for effective training.
Discussion
The discussion section of the research paper emphasizes the distinct characteristics and advantages of hyperspectral imaging (HSI) compared to traditional RGB imaging. HSI captures detailed spectral information across hundreds of narrow bands (380 to 2500 nm), enabling precise material identification and property analysis, which is crucial for applications in agriculture and environmental monitoring. The HSI system, comprising components like an objective lens and imaging spectrograph, generates a hypercube data structure that facilitates high-precision spectral analysis. Various scanning techniques, including pixel-by-pixel and full-field scanning, are employed, each with its own efficiency and application suitability.
The section further elaborates on the necessity of preprocessing techniques to enhance the quality of hyperspectral data, which is often compromised by noise from various sources. Techniques such as Multiplicative Scatter Correction (MSC), Standard Normal Variate (SNV), and Savitzky-Golay (SG) filtering are highlighted for their effectiveness in improving model calibration and predictive accuracy. MSC, for instance, corrects multiplicative effects and enhances absorption band intensity, while SNV normalizes spectral data to counteract scattering effects. The discussion also notes the importance of combining these preprocessing methods with machine learning models to achieve high accuracy in tasks such as food quality assessment and contamination detection. Overall, the proper application of these preprocessing techniques is essential for optimizing model performance and ensuring reliable outcomes in hyperspectral data analysis.
Limitations
The section on limitations highlights several challenges in the application of hyperspectral imaging (HSI) for food quality and safety assessment. Key issues include the need for more efficient, reliable, and cost-effective methodologies that can be applied in both research and industrial contexts. The processing of spectral-spatial data is complicated by the presence of irrelevant or noisy signals, which can hinder the extraction of meaningful information. Additionally, existing models are often developed using limited datasets from controlled laboratory conditions, which may not generalize well to samples measured in natural environments. To address these limitations, extensive calibration and validation against a diverse range of samples and conditions are essential.
Future research should focus on understanding light-tissue interactions and the relationships between spectral-spatial features and food quality attributes. There is a pressing need for improved data mining techniques to leverage the full potential of HSI, as well as the development of robust models that account for physical and physiological factors. Current challenges also include the requirement for large, high-quality labeled datasets for machine learning model development, which can be resource-intensive to obtain. Enhancing the visualization and interpretation of hyperspectral data remains a significant hurdle due to its high dimensionality. Collaborative efforts among academic researchers, food industries, and technology developers are crucial for advancing model improvements and visualization tools. Despite these challenges, recent advancements, such as AI-based HSI applications for detecting egg fertility and measuring nutritional value, demonstrate the technology’s potential to enhance food production efficiency and safety.