基于高光谱成像与多输出机器学习联用技术无损评估商品化婴儿食品及膳食补充剂中矿物质与微量元素的研究及其在塞尔维亚的应用价值

本综述系统探讨了高光谱成像（HSI）结合多输出机器学习（ML）技术在食品质量无损检测中的前沿应用。通过Savitzky-Golay滤波（SGF）、多元散射校正（MSC）等光谱预处理技术提升数据质量，并利用主成分分析（PCA）实现维度压缩。研究成功构建了链式多输出（CMO）预测模型，实现对葡萄品种、产地、黄酮类化合物（flavonoid）、糖度（Brix）及花青素（anthocyanin）含量的同步精准预测，为食品质量自动化监控提供了创新性解决方案。

　　

亮点

通过高光谱成像（HSI）与机器学习（ML）的协同创新，本研究建立了非破坏性、多目标的食品质量评估范式。链式多输出（CMO）模型实现了对葡萄品种、地理起源、关键营养成分（如黄酮类、糖度^oBrix、花青素）的同步精准预测，其R²-RPD值高达0.982–7.630，分类F1分数达75.0%–99.6%。该技术突破为食品工业提供了可扩展的实时质量监控方案，显著提升检测效率与可靠性。

材料与方法

图1展示了基于公开HSI光谱数据集构建的葡萄质量评估流程框架。采用Savitzky-Golay滤波（SGF）、多元散射校正（MSC）和标准正态变量变换（SNV）进行光谱预处理，以增强信号特征。通过主成分分析（PCA）实现数据降维，并采用多种ML回归器与分类器对葡萄的定性与定量指标进行预测。

结果

研究在Google Colab PRO平台（配置25.45 GHz RAM与166.75 GB存储）中完成模型训练。借助numpy、pandas及scikit-learn等Python工具包，实现了数据处理、模型构建与性能评估的一体化流程。

讨论

葡萄成分的无损鉴定对保障食品真实性与品质至关重要。尽管高光谱成像（HSI）技术已展现出显著优势，但其效能高度依赖于数据集特性与预处理策略的适配性。本研究通过对比现有文献，验证了所提方法在复杂质量指标同步预测中的优越性与稳定性。

结论

融合HSI技术、光谱预处理与先进ML模型，本研究成功建立了非破坏性的葡萄多参数质量预测体系。在品种、产地与类型分类任务中达到100.0%的准确率，显著提升了质量控制的自动化水平与可靠性，为食品工业智能检测提供了理论依据与技术支撑。