DOI: https://doi.org/10.15586/qas.v16i1.1392
تاريخ النشر: 2024-02-27
المؤلف: Naillah Gul وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تناقش هذه الفقرة الأهمية الحاسمة لجودة وسلامة الغذاء، خاصة في ضوء تفشي الأمراض المنقولة عن طريق الغذاء التي تشكل مخاطر كبيرة على الصحة العامة. تؤكد على الحاجة إلى طرق سريعة وغير مدمرة لتقييم سلامة الغذاء، مع تسليط الضوء على التعلم العميق المطبق على التصوير الطيفي العالي (HSI) كحل تكنولوجي واعد. تتأثر التوقيعات الطيفية للغذاء بعوامل مختلفة، بما في ذلك محتوى الماء، الروابط الهيدروجينية، الأصل الجغرافي، وقت الحصاد، ونوع الغذاء. تستعرض المراجعة خوارزميات التعلم العميق المختلفة المستخدمة في HSI لتقييم الخصائص الحسية والفيزيائية الكيميائية، واكتشاف التلاعب، وتحديد التلوث الميكروبي عبر فئات غذائية مختلفة مثل الفواكه، والخضروات، والحبوب، والحليب، واللحوم.
يقدم البحث إطار عمل عملي لتوظيف التعلم العميق في تقييم جودة الغذاء من خلال الصور الطيفية العالية، مما يبرز مرونته ويوفر دليل خطوة بخطوة للباحثين. ويخلص إلى أن تقنيات التعلم العميق لـ HSI تمثل بديلاً موثوقًا للطرق التقليدية، مما يمكّن من إجراء فحوصات سريعة ودقيقة لتقييم جودة وسلامة الغذاء.
مقدمة
تناقش مقدمة ورقة البحث أهمية التصوير الطيفي العالي (HSI)، وهي تقنية تصوير غير مدمرة تدمج بين الطيفية والتصوير، ويشار إليها باسم “الطيفية التصويرية” (Jia et al., 2020). على عكس كاميرات RGB التقليدية التي تصنف البيكسلات إلى ثلاث قنوات لونية (أحمر، أخضر، وأزرق)، تلتقط HSI البيانات عبر العديد من النطاقات الطيفية المستمرة، مع تحديد عدد النطاقات بناءً على دقة الكاميرا الطيفية. تتيح هذه القدرة لـ HSI تصور المشاهد خارج الطيف المرئي، مما يعالج قيود الرؤية البشرية وتقنيات التصوير التقليدية.
تؤكد الورقة على التطبيق المبتكر للتعلم العميق في التصوير الطيفي العالي، خاصة لتقييم جودة الغذاء. تقدم دليلًا شاملاً يهدف إلى تسهيل اعتماد منهجيات التعلم العميق في HSI، مما يعزز سلامة وجودة الغذاء. تكمن حداثة هذا البحث في دوره الرائد في دمج هاتين التقنيتين المتقدمتين، مما يقدم نهجًا تحويليًا لضمان سلامة إمدادات الغذاء.
الطرق
تم هيكلة منهجية هذه المراجعة وفقًا لإطار عمل PRISMA، كما هو موضح من قبل Page et al. (2021). تم إجراء بحث منهجي في الأدبيات حتى 27 نوفمبر 2023، باستخدام كلمات مفتاحية مثل “HIS”، “التعلم العميق”، “تعلم الآلة”، “تكنولوجيا الغذاء”، “معالجة الصور”، و”رؤية الكمبيوتر”. تم استخدام قواعد البيانات الرئيسية، بما في ذلك Web of Science وScopus وGoogle Scholar، لضمان اختيار شامل للدراسات ذات الصلة. في البداية، تم تحديد 854 مقالة، والتي تم تنقيحها لاحقًا باستخدام مرشحات AND البوليانية، مما أسفر عن اختيار 305 مقالات من 2016 إلى 2023 للتحليل التفصيلي. خضعت كل مقالة لتقييم منهجي بناءً على الصلة، والصرامة المنهجية، والمساهمة في المجال، مع تحليل إحصائي يجمع البيانات حول نتائج الدراسات والمنهجيات.
تسلط المراجعة الضوء على أهمية التصوير الطيفي العالي (HSI) في تحليل وجودة الغذاء، مشددة على قدرته على توفير التعرف الموثوق، والتصنيف، والتكميم لمكونات الغذاء بشكل غير مدمر. تم تحديد دمج HSI مع تقنيات التعلم العميق المتقدمة كعامل رئيسي لتعزيز تقييم جودة الغذاء. تهدف المراجعة إلى استكشاف تطبيقات HSI في تحليل الغذاء، ومعالجة التحديات، وتحديد الفرص لتجاوز القيود، واقتراح مجالات بحثية متعددة التخصصات في المستقبل. تم تنظيم الورقة في أقسام تغطي المواد والطرق، أساسيات HSI، تطبيقات التعلم العميق المتطورة، تطبيقات HSI الواسعة في تحليل الغذاء، إطار عملي لتطبيق التعلم العميق على الصور الطيفية العالية، ومناقشات ختامية.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الفجوات البحثية الكبيرة والمساهمات الجديدة في تطبيق التصوير الطيفي العالي (HSI) والتعلم العميق لتقييم جودة وسلامة الغذاء. من الجدير بالذكر أنه بينما تؤكد المراجعة على جودة وسلامة الغذاء، فإنها تحدد الحاجة إلى مزيد من الاستكشاف لتطبيقات HSI في مجالات مثل مراقبة معالجة الغذاء في الوقت الحقيقي، والكشف المبكر عن الملوثات، والآثار طويلة الأمد لظروف التخزين. بالإضافة إلى ذلك، لا يزال هناك إمكانات للتعاون متعدد التخصصات، خاصة مع تقنيات مثل إنترنت الأشياء (IoT) وبلوك تشين، غير مستغلة بشكل كافٍ.
تقدم الورقة توليفة رائدة بين تقنيات التعلم العميق وHSI، مما يعرض إمكانياتهما المشتركة عبر فئات غذائية متنوعة، بما في ذلك الفواكه، والخضروات، واللحوم. من خلال تحليل شامل، لم يقارن المؤلفون الدراسات الحالية فحسب، بل قاموا أيضًا بتجميع البيانات إحصائيًا لكشف الأنماط والرؤى. شملت المنهجية مناقشات تكرارية بين فريق البحث للتوصل إلى توافق في الآراء حول النتائج، مما يبرز قوة المراجعة. كما تتناول الفقرة الجوانب التقنية لأنظمة HSI، بما في ذلك عملية التصوير والتحديات المرتبطة بتحليل البيانات الطيفية، مع التأكيد على مزايا نماذج التعلم العميق في استخراج الميزات المعقدة من البيانات عالية الأبعاد دون الحاجة إلى هندسة ميزات موسعة.
DOI: https://doi.org/10.15586/qas.v16i1.1392
Publication Date: 2024-02-27
Author(s): Naillah Gul et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The section discusses the critical importance of food quality and safety, particularly in light of food-borne illness outbreaks that pose significant public health risks. It emphasizes the need for rapid and non-destructive methods to assess food safety, highlighting deep learning applied to hyperspectral imaging (HSI) as a promising technological solution. The spectral signatures of food are influenced by various factors, including water content, hydrogen bonding, geographical origin, harvesting time, and food variety. The review details various deep learning algorithms utilized in HSI to evaluate sensory and physicochemical properties, detect adulteration, and identify microbiological contamination across different food categories such as fruits, vegetables, cereals, milk, and meat.
The paper presents a practical framework for employing deep learning in food quality assessment through hyperspectral imagery, showcasing its versatility and providing a step-by-step guide for researchers. It concludes that deep learning techniques for HSI represent a reliable alternative to conventional methods, enabling rapid and accurate inspections for food quality and safety assessment.
Introduction
The introduction of the research paper discusses the significance of hyperspectral imaging (HSI), a non-destructive imaging technique that integrates spectroscopy and imaging, referred to as ‘Imaging Spectroscopy’ (Jia et al., 2020). Unlike traditional RGB cameras that categorize pixels into three color channels (Red, Green, and Blue), HSI captures data across numerous continuous spectral bands, with the number of bands determined by the camera’s spectral resolution. This capability allows HSI to visualize scenes beyond the visible spectrum, addressing the limitations of human vision and conventional imaging techniques.
The paper emphasizes the innovative application of deep learning in hyperspectral imaging, particularly for food quality assessment. It presents a comprehensive guide aimed at facilitating the adoption of deep learning methodologies in HSI, thereby enhancing food safety and quality. The novelty of this research lies in its pioneering role in merging these two advanced technologies, offering a transformative approach to ensure the integrity of the food supply.
Methods
The methodology of this review is structured according to the PRISMA framework, as outlined by Page et al. (2021). A systematic literature search was conducted up to November 27, 2023, utilizing keywords such as ‘HIS’, ‘deep learning’, ‘machine learning’, ‘food technology’, ‘image processing’, and ‘computer vision’. Primary databases, including Web of Science, Scopus, and Google Scholar, were employed to ensure a comprehensive selection of relevant studies. Initially, 854 articles were identified, which were subsequently refined using Boolean AND filters, resulting in 305 articles from 2016 to 2023 selected for detailed analysis. Each article underwent systematic evaluation based on relevance, methodological rigor, and contribution to the field, with statistical analysis synthesizing data on study outcomes and methodologies.
The review highlights the significance of hyperspectral imaging (HSI) in food quality analysis and control, emphasizing its ability to provide reliable identification, classification, and quantification of food components non-destructively. The integration of HSI with advanced deep learning techniques is identified as a key driver for enhancing food quality evaluation. The review aims to explore HSI applications in food analysis, address challenges, identify opportunities for overcoming limitations, and propose future interdisciplinary research avenues. The paper is organized into sections covering materials and methods, fundamentals of HSI, state-of-the-art deep learning applications, extensive HSI applications in food analysis, a practical framework for applying deep learning to hyperspectral images, and concluding discussions.
Discussion
The discussion section of the research paper highlights significant research gaps and novel contributions in the application of hyperspectral imaging (HSI) and deep learning for food quality and safety assessment. Notably, while the review emphasizes food quality and safety, it identifies a need for further exploration of HSI applications in areas such as real-time food processing monitoring, early detection of contaminants, and the long-term effects of storage conditions. Additionally, the potential for interdisciplinary collaboration, particularly with technologies like the Internet of Things (IoT) and blockchain, remains underutilized.
The paper presents a pioneering synthesis of deep learning and HSI techniques, showcasing their combined potential across various food categories, including fruits, vegetables, and meats. Through a comprehensive meta-analysis, the authors not only compared existing studies but also statistically synthesized data to uncover patterns and insights. The methodology involved iterative discussions among the research team to reach a consensus on findings, underscoring the robustness of the review. The section also details the technical aspects of HSI systems, including the imaging process and the challenges associated with spectral data analysis, emphasizing the advantages of deep learning models in extracting complex features from high-dimensional data without extensive feature engineering.