基于机器学习的猪肉感官特性预测：融合理化数据与可见/近红外高光谱成像技术的创新研究

这篇研究通过结合理化参数（pH、持水力WHC、脂肪含量等）和高光谱成像技术（HSI 400-1,700nm），首次建立机器学习模型预测猪肉感官属性（脂肪感、鲜味umami等）。创新性采用VIP波长筛选提升鲜味预测精度（F1=0.65），证实HSI对脂肪感的卓越预测力（F1=0.73），为肉类品质无损检测提供了多模态数据融合新范式。

　　

Highlight

本研究突破性地将高光谱成像技术与传统理化分析相结合，像"美食侦探"般解码猪肉的感官密码，为肉类品质评估开辟了新航道。

Sample preparation

实验选用50份来自不同商家的猪肩肉样本（三元杂交品种），通过五批次采样（每批10头）控制时间变量，确保样本多样性。所有样本均来自不同屠宰场，这种"多点采样"策略显著提升了模型的泛化能力。

The results of the physicochemical and sensory data

理化数据揭示：谷氨酸含量（24.76 mg/L）和脂肪含量（15.77%）变异系数最高（CV分别为35.86%和21.49%），这些"风味波动因子"为后续建模提供了关键切入点。有趣的是，脂肪含量与甜味、多汁性呈显著正相关（p<0.05），而pH值与咸味呈现负相关关系——这或许解释了为什么酸性过高的猪肉尝起来"不够咸"。

Conclusion

研究证实：400-1,000nm波段HSI堪称"脂肪探测器"（F1=0.73），而900-1,700nm波段结合VIP筛选后，鲜味预测性能提升17%。就像给AI装上了"味觉传感器"，这种多光谱融合策略为智能分级系统开发奠定了坚实基础。