Тваринництво та технології харчових продуктів

Спектральна технологія виявлення може бути використана для розпізнавання різних видів м’яса риби та визначення наявності у зразках інгредієнтів, що допомагає контролювати автентичність та відповідність продукції. Метою дослідження була розробка та порівняння ефективності методів машинного навчання для класифікації різних видів риби на основі гіперспектральних даних. У роботі гіперспектральну технологію використано для отримання спектральних даних 328 точок вибірки у смузі 400-1000 нм чотирьох різних риб, а спектральні криві були попередньо оброблені для отримання більш точних та ефективних спектральних кривих. У дослідженні систематично порівняно методи попереднього оброблення Савицького-Голея згладжування та багатовимірної корекції розсіювання (MSC) та поєднано метод аналізу головних компонентів (PCA) для оптимізації моделей класифікації k-найближчих сусідів (KNN) і машини опорного вектору (SVM) з метою забезпечити більш ефективне рішення для класифікації риб. Метод аналізу головних компонентів використано для зменшення розмірності спектральних даних. Основні компоненти після зменшення розмірності порівняно з повними компонентами, тренувальний набір та тестовий набір згенеровано випадковим чином. Алгоритм SVM та алгоритм KNN використано у Python для прогнозування та визначення точності моделі. Показано, що середня точність спектральних даних після попереднього оброблення та зменшення розмірності у класифікації моделей SVM може досягати 97,25 %, а середня точність класифікації моделей KNN – 97,48 %. Це свідчить про те, що різні види м’яса риби можуть бути класифіковані. Обидві моделі показали, що в цілому метод попереднього оброблення, який поєднує MSC і PCA, є кращим, ніж один метод попереднього оброблення, підкреслюючи важливість PCA для видалення зайвої інформації та збереження ключових характеристик класифікації. Під час порівняння продуктивності моделі за однакових умов попереднього оброблення встановлено вищу точність SVM, ніж KNN, що вказує на більшу адаптивність SVM до класифікації спектральних даних. Завдяки розробленню та застосуванню спектральної технології виявлення можна сприяти технологічному прогресу та інноваціям у тестуванні харчових продуктів, направляючи всю галузь до безпечнішого та надійнішого майбутнього

спектр; метод Савицького-Голея; мультиплікативна корекція розсіювання; модель k-найближчих сусідів; алгоритм машини опорного вектору