Процес машинного навчання для спектроскопічної класифікації сирої їжі в майбутній галузі
Предмети
Анотація
Вступ
На зорі двадцять першого століття агропродовольчий сектор стикається з основними проблемами: по-перше, забезпечення світового населення достатньою кількістю їжі (продовольча безпека) 1, а по-друге, забезпечення безпечності споживання цієї їжі (продовольча безпека) 1, зберігаючи процес виробництва в екологічних обмеженнях. Ці цілі мають бути реалізовані в контексті колосальних технологічних змін, зростаючої нестачі природних ресурсів та постійного розвитку способу життя та звичок споживачів у всьому світі 1,2. Харчова промисловість зобов'язана працювати згідно з, здавалося б, суперечливими очікуваннями, тобто споживачі віддають перевагу продуктам, які (i) зручні та свіжі (мінімально оброблені та упаковані); (ii) все «натуральне» - без консервантів; (iii) потенційно здоровий без негативних наслідків для здоров'я (тобто, з низьким вмістом жиру, солі та цукру); та (iv) виробляються екологічно стійким способом.
Щодо цих питань, Спільний науково-дослідний центр (JRC) Science для звітної політики 3 дослідив 4 сценарії щодо визначення майбутніх викликів у світовій продовольчій системі та вказав на необхідність посилення залежності від Інформаційно-комунікаційних технологій (ІКТ) для забезпечення простежуваності в харчовий ланцюг та можливість тимчасових збоїв або шахрайства та тероризму.
Для реалізації цієї потреби були розроблені розумні датчики, щоб подолати розрив між відповідною інформацією про їжу та потребами споживачів. Подібним чином, значення ІКТ було визнано засобом підвищення операційної ефективності та продуктивності праці в сільськогосподарському секторі/харчовій промисловості в контексті Плану дій щодо впровадження, запропонованого Європейськими технологічними платформами (ЄТП), які є орієнтованими на галузеві форуми, визнана Європейською Комісією ключовими дійовими особами у стимулюванні інновацій, передачі знань та європейської конкурентоспроможності 4. Використання датчиків має життєво важливе значення в харчовій промисловості; їх потенціал проведення неінвазивних вимірювань на, в лінії або на лінії без руйнування харчового продукту є необхідною умовою для харчової промисловості майбутнього 5 .
Результати і обговорення
Графік PCA для трьох перших основних компонентів нормалізованих даних після вибору функції за допомогою регресії PLS, навчального набору даних 41 виміру; (A) Графік PC1-PC2, () Графік PC1-PC3, (C.) PC2 – PC3 графік та (D) 3-D графік PCA.
З усього вищесказаного можна зробити висновок, що розроблений класифікатор крім досягнення ідеальних оцінок класифікації (точність = 1, F1-бал = 1, чутливість = 1, специфічність = 1, точність = 1, MCC = 1, інформованість = 1, помітність = 1), він також не залежить від умов зберігання зразків з точки зору часу, температури та упаковки (див. Таблицю SI1 для статистичних даних за класами).
Середні ймовірності класів для прогнозів для кожного класу та відповідних стандартних відхилень.
На закінчення вищезазначених результатів щодо узагальнення та ефективності запропонованого трубопроводу та розробленого класифікатора слід підкреслити значення кроку вибору ознак у тандемі з розробкою спеціальних датчиків. Як згадувалося в розділі «Методи», вибрані (41) хвильові номери виявились найбільш підходящими для класифікації 7 видів харчових продуктів, що використовуються тут. Такі результати, як представлені тут та інші в літературі, можуть спонукати виробників датчиків до створення спеціальних датчиків для конкретних застосувань із меншими витратами та розмірами, які можуть працювати оптимально.