《Sustainable Food Technology》:Harnessing machine learning for chicken meat quality evaluation using curcumin-loaded methylcellulose intelligent films
编辑推荐:
本研究开发了一种基于甲基纤维素(MC)/3.0%姜黄素(Cur)的pH响应型智能包装膜,结合人工神经网络(ANN)回归与分类模型,实现了智能手机对冷藏鸡肉总挥发性盐基氮(TVB-N)的实时定量预测(R2=0.928)与新鲜度分级(准确率96.5%),为减少食物浪费提供可持续解决方案。
在全球范围内,鸡肉因其高蛋白、易获取的特性成为消费量最大的肉类之一,但其极易腐败的特性也带来了严峻挑战——不当储存会滋生沙门氏菌和弯曲杆菌等病原体,引发食源性疾病。传统的新鲜度检测依赖实验室化学分析,耗时长且无法实现供应链实时监控;而普通智能包装仅凭肉眼观察颜色变化,难以捕捉细微差异,误差显著。如何快速、精准、低成本地评估鸡肉新鲜度,同时兼顾环保与可持续发展?这成为食品科学与工程领域亟待突破的难题。
为此,研究人员将目光投向天然pH指示剂与机器学习的跨界融合。他们利用姜黄素这一从姜黄中提取的天然多酚,巧妙发挥其随碱性增强由黄色转为红棕色的酮-烯醇互变异构特性,将其嵌入非离子型甲基纤维素基质——这种材料光学透明度高、几乎无缓冲能力,可敏锐响应腐败产生的生物胺挥发物。再通过手机采集薄膜显色图像,训练人工神经网络模型,搭建了一套“薄膜传感+算法解码”的智能监测系统,相关成果发表于《Sustainable Food Technology》。
研究团队采用溶液浇铸法制备MC/Cur薄膜,通过结构表征与性能测试筛选最优配方;设计剂量梯度实验暴露薄膜于五种生物胺(0–1200 ppm),用手机采集图像后提取RGB、CIE Lab*、HSV等多色彩空间特征,经对数变换与标准化处理,分别建立ANN回归模型预测TVB-N浓度,以及分类模型判定新鲜(<10 mg N/100 g)、半新鲜(10–20 mg N/100 g)或腐败(≥20 mg N/100 g)状态;最终开发网页应用集成模型,在实际冷藏鸡肉储存中验证性能,并与标准TVB-N测定法对比。
3.1
ATR-FTIR spectroscopy
红外光谱证实姜黄素成功负载于甲基纤维素基质:所有Cur加载薄膜均出现1515 cm?1处的芳香环C=C伸缩振动峰,且MC/3.0% Cur薄膜信号最强,表明Cur均匀分散。
3.2
Surface morphology
SEM显示低浓度Cur(0.5%、1.0%)薄膜表面光滑,而3.0% Cur时因疏水性导致团聚,形成粗糙结构。
3.3
Mechanical properties
力学性能呈先升后降趋势:MC/1.0% Cur薄膜拉伸强度达峰值(60.23±1.17 MPa),断裂伸长率提升至31.45%;但3.0% Cur时因粒子聚集导致强度下降27.4%,弹性模量降低26.7%。
3.4
Moisture barrier properties
Cur增强了疏水性与阻湿性:MC/3.0% Cur薄膜水接触角升至71.25°,水蒸气透过率降至1.60×10?10g·m?1·s?1·Pa?1,较纯MC改善62.5%。
3.5
Antioxidant and UV blocking properties
抗氧化与紫外屏蔽性能显著提升:MC/3.0% Cur薄膜DPPH清除率达84.26%,ABTS清除率90.26%,UV-A/B波段阻挡率均超99%,有效延缓脂质氧化。
3.6
Intelligent film sensitivity against biogenic amines
薄膜对生物胺高度敏感:在TVB-N≈20 mg N/100 g(鸡肉腐败阈值)时,ΔE≈55,远优于明胶/卡拉胶体系,归因于MC无离子基团的快速质子响应。
3.7
ML model training and evaluation
机器学习模型表现优异:ANN回归模型测试集R2=0.928,RMSE=1.99 mg N/100 g;分类模型整体准确率96.5%,新鲜/腐败类别的F1分数均超0.94,边界误判率极低。
3.8
Application of ML model for shelf-life evaluation of chicken meat
实际应用验证可靠性:冷藏鸡肉储存120小时内,薄膜颜色由黄→橙→红棕渐变,预测TVB-N与实测值相关系数R2=0.901;网页端集成未曝光膜色彩校正策略,补偿光照偏差,实现现场即时分级。
该研究成功构建了“生物可降解智能膜+轻量化机器学习”的食品质量监控范式。MC/3.0% Cur薄膜兼具优异机械强度、抗氧化与紫外线屏障功能,其非离子特性赋予了对生物胺的高灵敏响应;通过提取多维色彩特征训练的ANN模型,突破了肉眼判读的局限,实现了TVB-N的准确定量与新鲜度的可靠分类。更重要的是,该系统依托网页应用与智能手机,将实验室精密检测转化为消费者可操作的便携方案,大幅降低了技术门槛与成本。这一创新不仅契合联合国可持续发展目标SDG 3(良好健康)、SDG 12(负责任消费)与SDG 9(工业创新),更为肉类供应链提供了可扩展的数字监管工具,未来可通过扩充跨设备数据集进一步增强鲁棒性,推动可持续食品技术的产业化落地。