江西农业大学的研究人员利用人工智能和 VIS-NIR 来高精度预测肉质和冷冻时间。

江西农业大学的研究人员最近进行了一项实验，以验证他们利用光谱成像和机器学习 (ML) 技术的新方法能否改善猪肉的长期保存。该研究结果发表在《食品化学》杂志上，为如何保存猪肉和其他冷冻肉类提供了更多见解。他们的见解有助于揭示冷冻储存（全球肉类生产的常见做法）如何随着时间的推移影响肉的品质 。

不同类型的生猪肉和牛肉

猪肉是一种由猪和猪制成的肉类产品，在美国乃至世界各地都很受欢迎。根据美国农业部的数据，美国是世界第三大猪肉生产国和消费国。美国也是世界第二大猪肉出口国 。目前，美国的养猪场集中在北卡罗来纳州东部和中西部地区 。作为生产过程的一部分，猪肉一旦准备好运往美国和世界各地，就会被冷冻保存以供市场销售。

因此，食品行业的从业者非常关注冷冻保存策略，以及如何更好地保存猪肉。冷冻猪肉的储存既有经济效益，也有健康隐患，因此监测猪肉在长期储存过程中的营养和理化变化至关重要 。本研究旨在探讨这一问题。

研究团队在-20°C的温度下进行了为期12个月的冻藏实验，使用了50头猪的最长肌样本。在这一年中，研究人员监测了62种不同的肉质成分，这些成分分为七类，包括解冻损失、肌红蛋白水平、脂肪酸、氨基酸谱以及各种腐败指标。

研究人员发现，在适当的冷冻条件下，猪肉的品质可以保持长达两年，四年后才会出现明显的劣化迹象 。为了确定这一数值，研究人员使用了名为 Prophet 的时间序列预测工具，这使得研究人员能够分析不同时间点肉类成分的趋势和稳定性。

这项研究的一个重要方面是团队注意到的表型相关性和聚类异常。例如，脂肪酸花生四烯酸 (C 20 :4n6) 和氨基酸蛋氨酸 (Met) 显示出与其各自组聚类的一致偏差 。这些是异常值。他们认为，长期储存过程中发生的复杂生化相互作用值得在未来的研究中进一步研究。

为了补充化学和物理评估，研究人员采用了可见光和近红外 (vis-NIR) 光谱的先进光谱分析技术。他们使用两种不同的扫描设备收集光谱数据，并测试了九种机器学习算法的预测能力 。其中，使用 SpecimIQ 设备透射光谱的 AdaBoost 模型实现了最高的分类准确率，达到 85.8% 。

通过开发可靠的冷冻储存时间分类模型，研究人员展示了将可见近红外光谱与机器学习相结合，用于监测肉类加工和储存管理场景的实用性。食品行业目前面临的最重要挑战之一是如何应对食物浪费和食品安全问题。由于本文提出的方法可用于确保肉类质量，研究人员探讨了他们的研究成果如何为国家粮食储备相关的政策决策提供信息，并为肉类生产商和加工商提供可扩展的实时质量控制解决方案 。

未来的研究很可能会尝试结合使用机器学习和光谱成像技术来检测其他冷冻肉制品，例如碎牛肉和火鸡肉。通过提供一个可靠的框架来评估肉质的长期变化，这项研究不仅提高了冷冻猪肉储备的运营效率，也为更广泛的食品安全保障和可持续性发展做出了贡献。

（文章来源于互联网，如有侵权，请联系删文）