Resumen

Los métodos tradicionales no pueden utilizarse para cumplir los requisitos de detección rápida y objetiva de la frescura de la carne. La nariz electrónica (E-Nose), la visión por ordenador (CV) y las tecnologías sensoriales táctiles artificiales (AT) pueden utilizarse para imitar las funciones sensoriales compresivas del olfato, la vista y el tacto del ser humano a la hora de juzgar la calidad (frescura) de la carne. Aunque se han utilizado tecnologías sensoriales individuales E-Nose, CV y AT para detectar la frescura de la carne, los resultados de la detección varían y no son fiables. En este trabajo, se ha propuesto un nuevo método a través de la integración de las tecnologías sensoriales E-Nose, CV, y AT para capturar parámetros completos de frescura de la carne y el método de fusión de datos para analizar los datos complicados con diferentes dimensiones y unidades de seis parámetros de olor de E-Nose, 9 parámetros de color de CV, y 4 parámetros gomosos de AT para la detección eficaz de la frescura de la carne. Se han seleccionado las carnes de cerdo y pollo para una prueba de validación. Los ensayos de nitrógeno base volátil total (TVB-N) se utilizan para definir la frescura de la carne como criterio estándar para validar la eficacia del método propuesto. El análisis de componentes principales (ACP) y la máquina de vectores de apoyo (MVS) se utilizan como métodos de reconocimiento de patrones no supervisados y supervisados para analizar los datos de origen y los datos de fusión de los tres instrumentos, respectivamente. Los resultados experimentales y del análisis de datos muestran que, en comparación con una sola tecnología, la fusión de las tecnologías E-Nose, CV y AT mejora significativamente el rendimiento de la detección de diversos productos cárnicos frescos. Además, se utilizan mínimos cuadrados parciales (PLS) para construir modelos de predicción del valor TVB-N, en los que se introducen los datos de fusión. Las predicciones de error cuadrático medio (RMSEP) para las muestras de carne de cerdo y pollo son de 1,21 y 0,98, respectivamente, en las que el coeficiente de determinación (R2) es de 0,91 y 0,94. Esto significa que el método propuesto puede utilizarse para detectar eficazmente la frescura de la carne y el tiempo de almacenamiento (días).

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:frescura de la carne, tecnologías sensoriales, carnes de pollo, datos de fusión, modelos de predicción del valor n, parámetros exhaustivos de frescura de la carne, detección eficaz de la frescura de la carne, nitrógeno base volátil total, diversos productos cárnicos de frescura, funciones sensoriales compresivas
• Keywords:meat freshness, sensory technologies, chicken meats, fusion data, n value prediction models, comprehensive meat freshness parameters, effective meat freshness detection, total volatile base nitrogen, various freshness meat products, compressive sensory functions