《Microchemical Journal》:Artificial intelligence-assisted NIR spectroscopy for identification of halal mislabeling in commercial meatball products
编辑推荐:
本研究利用手持式微-近红外光谱仪(885–1679 nm)结合人工智能技术,分析1000份肉丸样本(500份清真认证、500份非认证),通过多变量分析(PCA、PLSDA、LDA)、机器学习(SVM、KNN、ANN)和深度学习(CNN、AlexNET、ResNET)模型优化光谱特征提取,最终实现100%准确率区分真伪清真产品,验证了AI辅助微-NIR技术作为高效、低成本的清真认证检测工具的可行性,为供应链监管提供新方案。
阿古斯塔米·西托鲁斯(Agustami Sitorus)|努尼克·德斯特里亚·阿里安蒂(Nunik Destria Arianti)
人工智能与网络安全研究中心,国家研究与创新机构(BRIN),印度尼西亚西爪哇省万隆市,邮编40135
摘要
全球对清真产品的需求正在增长。因此,本研究探讨了一种快速且非破坏性的方法,用于检测商业肉丸产品中的清真标签错误。研究使用了一种手持式微近红外(NIR)光谱仪(885–1679纳米)结合人工智能(AI)来分析1000个肉丸样本,这些样本包括清真和非清真产品。NIR分析提供了光谱数据,其中包括特定波长的吸光度值,从而能够识别与清真和非清真产品相关的特征模式。应用了化学计量技术,包括多元分析(主成分分析(PCA)、偏最小二乘判别分析(PLSDA)、线性判别分析(LDA)、机器学习(支持向量机(SVM)、K最近邻(KNN)、人工神经网络(ANN)和深度学习(卷积神经网络(CNN)、AlexNET、ResNET)对样本进行分类。评估了全波长特征、降维特征和重要波长。最佳模型的准确率达到了100%,能够区分清真和非清真产品。该研究证明了AI辅助的微NIR技术作为一种快速、经济且可靠的清真认证工具的可行性。这种方法为供应链中的相关方提供了确保符合清真标准的实用选择。
引言
随着全球穆斯林人口的增长,对清真食品的需求也在持续增加。“清真”(Halal)是一个阿拉伯词,意为“允许的”或“合法的”[2]。然而,清真食品不仅对穆斯林消费者有意义,也对犹太消费者、素食者、纯素食者以及其他有不同饮食限制的人具有重要意义[14]。肉丸是一种受欢迎的加工肉类产品,但由于可能存在清真标签错误的问题而备受关注。清真肉类是指符合伊斯兰法律规定的屠宰规范的动物肉,明确排除了猪肉。根据Ng等人的研究[23],由于可能存在非清真肉的混入,肉丸产品上的清真标签真实性经常受到质疑。清真肉丸产品经常被掺入猪肉,因为猪肉比牛肉和鸡肉便宜。此外,清真产品不仅满足宗教标准,还显著影响消费者的信任度和市场的可持续性。不幸的是,监测肉丸产品往往具有挑战性,特别是对于小型生产商来说,因为这需要复杂且昂贵的程序。因此,开发一种所有供应链相关方都能使用的有效方法来验证商业肉丸的清真状态非常重要。
清真产品的真实性检测通常通过实验室分析进行,使用化学或生物方法。例如,DNA和聚合酶链反应/PCR分析已被用于识别肉丸产品中的猪肉掺杂[3,27,34]。这种技术具有高准确性,但通常需要特殊设备,耗时较长,并且运营成本较高。此外,还采用了免疫化学等方法来检测来自非清真肉的特定蛋白质[15]。然而,这些方法通常是破坏性的,意味着必须破坏样本才能进行测试,因此不适合快速检测或现场检查。随着商业肉丸产量的增加,这种实验室方法在大规模监督方面效率较低,需要更实用和高效的替代方案。
光谱学已成为检测清真食品(包括肉丸)真实性的有前景的非破坏性方法之一。傅里叶变换红外(FT-IR)和近红外(NIR)光谱等技术已被用于根据独特的光谱特征区分清真和非清真肉类[11,12,38]。例如,FT-NIR可以在不损坏样本的情况下实现快速检测,非常适合现场应用。然而,一些研究表明,混合非清真肉类(如猪肉或老鼠肉)会产生与清真肉相似的光谱,因此需要进一步的数据分析以提高准确性[24]。尽管这种方法效率较高,但其成功与否取决于适当的数据处理和可靠的预测模型的开发,以支持光谱解释。
借助机器学习,使用光谱学进行清真/非清真检测的应用正在不断发展。光谱分析通常会产生复杂的数据,需要复杂的特征提取和分类算法。例如,主成分分析(PCA)已被用于在不丢失重要信息的情况下降低数据的维度[6]。此外,支持向量机(SVM)和人工神经网络(ANN)等算法已被应用于基于多种描述符特征对肉类进行高精度分类[23,29,32]。将光谱学方法与机器学习相结合,可以开发出更快、非破坏性和准确的检测系统。然而,在广泛应用于清真产品监督时,优化模型参数和数据验证仍然是一个主要挑战。
已有研究报道了使用光谱技术非破坏性地检测商业肉丸产品中的非清真成分。一些混合成分来自其他类型的非清真肉类,包括猪肉[24,30]、狗肉[28]、老鼠肉[16]和野猪[1]。不幸的是,所有这些研究都使用了FT-IR光谱(2500–10,000纳米),只有Vichasilp和Poungchompu的报告[37]使用了FT-NIR(1000–2500纳米),并研究了牛肉和鸡肉中掺入猪肉的情况。表S1总结了与清真产品检测密切相关的先前研究。到目前为止,尚未有深入研究探讨利用人工智能辅助的微NIR光谱技术来解决商业肉丸产品中的清真标签错误问题。因此,本研究的目的是开发一个强大的判别模型,能够利用NIR描述符(885–1679纳米)结合人工智能、多元分析方法、机器学习算法和深度学习,对商业肉丸产品中的清真和非清真产品进行分类。
材料与样本收集
商业肉丸产品是从泰国曼谷的几个现代市场购买的,使用了泰国常见的九个本地品牌的混合生产批次。2024年共收集了1000个肉丸样本,这些样本由海鲜(虾和鱼)和肉类(鸡肉、牛肉、猪肉和猪里脊)制成。其中500个样本是清真产品,另外500个是非清真产品,主要是因为其中含有猪肉
NIR光谱数据
图1显示了使用MicroNIR OnSite-W光谱仪收集的近红外(NIR)光谱(以log1/R表示吸光度)。两类光谱各有500个,分别代表清真类和非清真类。光谱的波长范围为885–1679纳米,每个光谱包含125个特征。每个光谱的平均值用一个点表示,阴影区域表示平均值周围的±1标准差,展示了商业肉丸产品光谱的变异性(图
结论
借助人工智能的手持式微NIR光谱仪创新已成功用于检测商业肉丸产品中的清真标签错误。在这种二分类模型中,无论使用何种特征和算法,清真肉丸样本与非清真肉丸样本的预测准确率均达到了100%,这表明了该技术在检测商业肉丸产品标签错误方面的潜力。
CRediT作者贡献声明
阿古斯塔米·西托鲁斯(Agustami Sitorus):撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、验证、监督、软件、资源管理、项目管理、方法论、研究设计、资金获取、正式分析、数据整理、概念化。努尼克·德斯特里亚·阿里安蒂(Nunik Destria Arianti):撰写 – 审稿与编辑、监督、资源管理、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。