基于图像处理与机器学习方法的脱水榅桲片无损分类研究及其在食品工业中的应用价值

《Journal of Food Composition and Analysis》：Non-Destructive Classification of Dehydrated Quince Slices Using Image Processing and Comparative Machine Learning Approaches

本研究创新性地结合图像处理技术与多种机器学习算法（RF、BAG、PART等），实现了对12种不同干燥预处理条件下脱水榅桲片的高精度分类（准确率最高达99.67%），为食品品质无损检测提供了低成本、高效率的解决方案，显著提升干燥食品分类的自动化水平。

　　

Highlight

水分含量

各处理组的最终水分含量如下：300W-C、300W-CA、300W-US和300W-GA组分别为12.20±0.03%、12.50±0.02%、12.40±0.05%和12.61±0.05%；200W-C、200W-GA、200W-CA和200W-US组分别为12.80±0.06%、12.32±0.07%、12.55±0.07%和12.78±0.06%；100W-C、100W-CA、100W-US和100W-GA组分别为12.86±0.07%、12.67±0.05%、12.72±0.06%和12.63±0.06%。脱水榅桲片的质地变化与干燥条件密切相关。

讨论

本研究结果表明，脱水榅桲片具有显著的颜色特征差异。基于RGB颜色空间构建的模型实现了最精确的分类。从图像中提取的色度特征可能成为识别干燥榅桲片的关键指标。尽管Lab和HSV颜色空间的准确率相近，但RGB方法仍表现出轻微优势。随机森林（RF）算法在本研究中取得了最佳性能。

结论

本研究通过先进的图像处理和机器学习技术，成功实现了基于预处理和干燥方法的脱水榅桲片分类。通过综合运用RGB、Lab和HSV颜色空间及多种算法（包括MLP、RF、KNN、NB、BayesNet、BAG、REPTree、LMT、PART和Simple Logistic），分类准确率达到了89.67%至99.67%，其中随机森林（RF）表现最优。颜色通道中显示出最高判别力的特征为...