Resumen

El estudio de imágenes hiperespectrales en tándem con técnicas de preprocesamiento espectral y redes neuronales se llevó a cabo para realizar la discriminación de adulteración de Colla Corii Asini (CCA, E'jiao). La CCA se adulteró con gelatina de piel de cerdo (PSG) en un rango de 5-95% (p/p) en incrementos del 5%. Se utilizaron tres métodos para pretratar los espectros originales: la corrección multiplicativa de la dispersión (MSC), el suavizado Savitzky-Golay (SG) y la combinación de MSC y SG (MSC-SG). Se empleó SPA para seleccionar las longitudes de onda características (CW) con el fin de reducir la alta dimensión. Las características de color y textura de las CW se extrajeron como datos de entrada del modelo de predicción. Se aplicaron dos tipos de redes neuronales artificiales (RNA) con tres métodos de preprocesamiento espectral para establecer los modelos de predicción. El modelo de predicción de la red neuronal de regresión generalizada (GRNN) en tándem con el método de preprocesado MSC-SG presentó un rendimiento satisfactorio, con un índice de clasificación correcta del 92,5%. Los resultados demostraron que la integración de los métodos de preprocesamiento, las características de las imágenes hiperespectrales y los modelos de RNA tenían un gran potencial y viabilidad para la discriminación de la adulteración del CCA.

• Materias:Calidad de los alimentos Seguridad alimenticia Seguridad alimentaria Análisis de los Alimentos Química de los alimentos Manipulación de alimentos
• Subjects:Food quality Food security Food Analysis Food chemistry Food handling
• Palabras claves:msc, modelo de predicción, valor de la tasa de clasificación correcta, discriminación de adulteración de cca, colla corii asini, red neuronal artificial, características de imágenes hiperespectrales, corrección multiplicativa de la dispersión, técnicas de redes neuronales, gelatina de piel de cerdo
• Keywords:msc, prediction model, correct classification rate value, cca adulteration discrimination, colla corii asini, artificial neural network, hyperspectral imaging features, multiplicative scatter correction, neural network techniques, pig skin gelatin