ГІПЕРСПЕКТРАЛЬНА ІДЕНТИФІКАЦІЯ КОМПОЗИТНИХ КИТАЙСЬКИХ КОВБАС
DOI:
https://doi.org/10.31548/humanhealth.1.2026.154Ключові слова:
спектроскопічний аналіз; складна структура продукції; моделювання; аналіз головних компонент; класифікація; перехресна валідаціяАнотація
Зі зростанням різноманітності структури ковбас, розробка швидкої, точної та неруйнівної моделі ідентифікації стала надзвичайно важливою. Метою дослідження є створення надійної моделі, яка працює без пошкодження поверхні чи структури ковбаси, щоб відповідати вимогам розпізнавання в режимі реального часу без втрат та високопродуктивного розпізнавання у практичних умовах. Таке «розпізнавання без втрат» означає неруйнівний аналіз поверхневих спектрів за допомогою технології гіперспектральної візуалізації, тобто без хімічної обробки, подрібнення або нарізання внутрішньої частини ковбаси. Технологію гіперспектральної візуалізації було використано для збирання спектральних даних у діапазоні 400 – 1000 нм для восьми різних типів композитних ковбас. Для кожного зображення випадковим чином вибирали 50 областей вибірки, із яких визначали середні значення коефіцієнта відбиття. Спочатку до необроблених гіперспектральних даних застосовували три алгоритми попередньої обробки, а саме, мультиплікативну корекцію розсіювання (MSC), згладжування Савіцького-Голея (SG) та межове усереднення (NA). Для підвищення ефективності моделювання було використано аналіз головних компонент (PCA), щоб зменшити розмірність вихідних 328 спектральних смуг, зберігаючи перші 10 головних компонент, які пояснюють понад 95% загальної дисперсії, як основний набір ознак. Результати класифікації демонструють, що гіперспектральна візуалізація в поєднанні з алгоритмами комп’ютерного аналізу може ефективно розрізняти вісім типів композитних ковбас. Серед усіх методів модель SVM продемонструвала найвищу точність класифікації, що підкреслює її високу дискримінаційну здатність та стійкість у високовимірному гіперспектральному аналізі даних. Моделі класифікації, які поєднували попередню обробку MSC з будь-яким із трьох алгоритмів, досягли точності прогнозування понад 99%.
Отримано 30.12.2025
Прийнято 01.03.2026
Посилання
Das, M., Sharma, P., & Kumar, S. (2025). Machine learning in hyperspectral imaging for food safety and quality monitoring: A comprehensive review. Artificial Intelligence in Agriculture, 11, 35–52. https://doi.org/10.1016/j.aiia.2025.02.003
Dong, X., Guo, P., & Xu, P. (2017). Prediction of total viable count in sausages using hyperspectral imaging combined with an iterative decision tree. Modern Food Science and Technology, 33(7), 308–314. https://doi.org/10.13982/j.mfst.1673-9078.2017.7.043
Feng, T., Wang, X., Wang, H., Song, S., & Sun, J. (2020). Enhancement of nutritional value and functional properties of compound sausages through incorporation of edible mushrooms and coarse cereals. Journal of Food Science and Technology, 57(8), 3023–3034.
Huang, L., Zhao, J., Chen, Q., & Zhang, Y. (2023). Rapid detection of adulteration in minced mutton using hyperspectral imaging combined with chemometric methods. Chemosensors, 11(2), 136. https://doi.org/10.3390/chemosensors11020136
Jo, K., Lee, S., Jeong, S.-K., & Lee, D.-H. (2024). Hyperspectral imaging-based assessment of fresh meat quality: Progress and applications. Microchemical Journal, 197, 109785. https://doi.org/10.1016/j.microc.2023.109785
Kalinichenko, A., & Arseniyeva, L. (2020). An electronic nose combined with chemometric approaches to assess the authenticity and adulteration of sausages by soy protein. Sensors and Actuators B: Chemical, 303, 127250. https://doi.org/10.1016/j.snb.2020.127250
Kim, M., Park, J., & Lee, S. (2024). Early detection of beef quality indicators using hyperspectral imaging and spectral modeling. Food Control, 158, 110137. https://doi.org/10.1016/j.foodcont.2023.110137
Liu, Y., Pu, H., & Sun, D.-W. (2017). Hyperspectral imaging technique for evaluating food quality and safety: A review. Chemosensors, 5(4), 28. https://doi.org/10.3390/chemosensors5040028
Liu, Y., Zhang, M., & Wang, D. (2021). Consumer perception and market potential of novel healthy meat products: A case study of compound sausages in China. Food Control, 130, 108356. https://doi.org/10.1016/j.foodcont.2021.108356
Mushtruk, M., Palamarchuk, I., Palamarchuk, V., Petrychenko, I., & Pylypchuk, O. (2023). Mathematical modelling of quality assessment of cooked sausages with the addition of vegetable additives. Potravinarstvo Slovak Journal of Food Sciences, 17, 242–255.
Nikzadfar, M., Rahman, A., & Lee, J. (2024). Hyperspectral imaging aiding artificial intelligence for food quality and safety control: A review. Applied Sciences, 14(21), 9821. https://doi.org/10.3390/app14219821
Palamarchuk, I., Fu, Y., Zhuravel, D., Petrychenko, I., Blishch, R., Holovatyuk, A., Domin, O., & Kostiuk, T. (2024). Spectroscopic assessment and quantitative analysis of the trace element composition of vegetable additives to meat products. Potravinarstvo Slovak Journal of Food Sciences, 18, 480–496. https://doi.org/10.5219/1965
Palamarchuk, I., Zavialov, V., Fu, Y., Palamarchuk, V., & Popova, N. (2025). Mathematical modeling by the factorial area method in evaluating the quality characteristics of the studied samples. In Advances in design, simulation and manufacturing processes VIII (pp. 147–156). https://doi.org/10.1007/978-3-031-95218-0_13
Rogers, M. (2023). Wavelength and texture feature selection for hyperspectral food analysis: A review. Journal of Food Measurement and Characterization, 17, 5120–5136. https://doi.org/10.1007/s11694-023-02044-x
Son, W.-Y., Kang, M.-H., Hwang, J., Kim, J.-H., Dixit, Y., & Kim, H.-W. (2024). Hyperspectral imaging combined with machine learning can be used for rapid and non-destructive monitoring of residual nitrite in emulsified pork sausages. Foods, 13, 3173. https://doi.org/10.3390/foods13193173
Su, W.-H., & Sun, D.-W. (2018). Fourier transform infrared, Raman, and hyperspectral imaging techniques for quality determinations of powdery foods: A review. Comprehensive Reviews in Food Science and Food Safety, 17(4), 104–120.
Wang, Q., & He, Y. (2019). Rapid and nondestructive classification of Cantonese sausage degree using hyperspectral images. Applied Sciences, 9(5), 822. https://doi.org/10.3390/app9050822
Wang, Y., Yang, Z., & Cheng, J. (2020). Application progress of multispectral imaging for food nutritional quality detection. Science and Technology of Food Industry, 41(4), 339–347. https://doi.org/10.13386/j.issn1002-0306.2020.04.058
Xia, S. J., Yang, C. Y., Zhou, C. G., et al. (2021). Review of the application of common machine learning methods in the field of traditional Chinese medicine diagnosis. Journal of Guangzhou University of Traditional Chinese Medicine, 38(4), 826–831. https://doi.org/10.13359/j.cnki.gzxbtcm.2021.04.026
Xu, Z., Li, Y., Wang, H., & Chen, Y. (2024). Research progress on the quality detection of livestock and poultry meat using machine vision and hyperspectral technology. Foods, 13(3), 469. https://doi.org/10.3390/foods13030469
Yang, C., Zhao, Y., & Liu, H. (2025). Deep learning hyperspectral imaging: A rapid and reliable alternative for food quality and safety evaluation. Journal of Agricultural and Food Chemistry, 73, 14562–14575. https://doi.org/10.1021/acs.jafc.4c11492
Yang, J. F., Qiao, P. R., Li, Y. M., et al. (2019). A review of machine learning classification problems and algorithms. Statistics and Decision, 35(6), 36–40. https://doi.org/10.13546/j.cnki.tjyjc.2019.06.009
Yi, X., Zhang, Y., & Chen, L. (2025). Advances in hyperspectral imaging for multi-attribute analysis of meat quality. Food Chemistry, 435, 137558. https://doi.org/10.1016/j.foodchem.2024.137558
Zhao, J., Dong, Q., Chen, P., et al. (2022). Application progress of hyperspectral imaging technology in the rapid detection of microbial contamination in animal-derived food. Science and Technology of Food Industry, 43(7), 467–473. https://doi.org/10.13386/j.issn1002-0306.2021050236
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Здоров'я людини і нації
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
Усі матеріали розповсюджуються згідно з умовами міжнародної публічної ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим поширювати статтю з визнанням авторства та першої публікації в цьому журналі.
