基于CIELAB色彩空间与机器学习的牛肉品质无损评估方法研究

本研究创新性地采用两阶段机器学习模型（随机森林/RF、梯度提升/GB等），通过CIELAB色彩空间的a*值非破坏性预测牛肉腐败指标（Met.Mb、PV、TBARS等），最终RF模型对腐败率的预测R2达0.988。SHAP分析揭示TBARS为关键变量，为肉类实时质控提供了高效AI解决方案。

　　

Highlight

本研究亮点在于利用机器学习解析CIELAB色彩空间的a*值与牛肉腐败的定量关系，其中随机森林(RF)对肌红蛋白(Met.Mb)和过氧化值(PV)的预测R²分别达0.912和0.804，梯度提升(GB)则最擅长pH预测。通过两阶段建模策略，最终腐败率预测精度提升至R²=0.988，SHAP分析显示硫代巴比妥酸反应物(TBARS)是影响腐败的最强因子。

Materials

实验材料选用首尔本地市场的四十份牛腿肉（半膜肌/Musculus semimembranosus），主要试剂包括三氯乙酸(TCA)、碘化钾(KI)等超纯级化合物，所有样本均采用独立包装（350-400g/份）以确保实验一致性。

Evaluation of beef quality based on the TBV-N test

挥发性盐基氮(TVB-N)作为蛋白质降解的核心生物标志物，其含量超过10mg N/100g即判定为腐败肉。本研究以TVB-N为金标准验证其他腐败指标（Met.Mb/pH/PV/TBARS）的可靠性，构建了多维度质量评估体系。

Conclusion

本研究证实：1）a*色彩参数与腐败指标存在显著相关性（Pearson验证）；2）不同机器学习模型各有所长——RF擅长沙门氏菌代谢物预测，GB精于pH建模；3）两阶段级联模型将腐败率预测误差(RMSE)降至2.120，较传统方法提升显著。该成果为肉类智能质检提供了新范式。