《Algal Research》：Scalable quality monitoring for sustainable food innovation using image-based machine learning: A case study on algae- and hydrocolloid-enriched potato purée
编辑推荐：
埃娃·罗佩莱夫斯卡（Ewa Ropelewska）| 萨莉·法瓦兹（Sally Fawaz）| 弗朗西斯克·塞普尔克雷（Francesc Sepulcre）| 蒙塞拉特·普霍拉（Montserrat Pujola）| 阿米拉·哈达拉（Amira Haddarah）| 齐因·卡拉斯
埃娃·罗佩莱夫斯卡（Ewa Ropelewska）| 萨莉·法瓦兹（Sally Fawaz）| 弗朗西斯克·塞普尔克雷（Francesc Sepulcre）| 蒙塞拉特·普霍拉（Montserrat Pujola）| 阿米拉·哈达拉（Amira Haddarah）| 齐因·卡拉斯（Zein Kallas）
加泰罗尼亚理工大学-巴塞罗那理工大学（Universitat Politècnica de Catalunya-BarcelonaTech）农业食品工程与生物技术系（DEAB），位于西班牙巴塞罗那卡斯特尔德费尔斯（Castelldefels）的Baix Llobregat校区，Esteve Terradas街8号，邮编08860
摘要
本研究开发了一种基于图像的人工智能（AI）方法，用于监测添加了琼脂、果胶以及选定微藻和大型藻类的土豆泥的质量变化。制备了对照组土豆泥以及分别添加了1%和3%（w/w）琼脂、果胶、Scenedesmus属藻类、Ulva ohnoi、Chlorella vulgaris或Arthrospira platensis的样品，通过图像分析来确定是否可以通过图像纹理特征来区分这些添加物的类型和浓度。基于图像纹理特征构建的机器学习模型表现出非常高的区分能力，其中表现最好的算法在区分对照组土豆泥与添加了1%添加物的样品时的准确率为91.43–93.71%，在区分对照组土豆泥与添加了3%添加物的样品时的准确率为97.43–98.29%。LMT算法在包含1%添加物样品的数据集上表现最佳，而随机森林（Random Forest）在包含3%添加物样品的数据集上表现最佳。含有藻类添加物的土豆泥样品，尤其是Arthrospira platensis和Scenedesmus属藻类的样品，分类准确率接近完美（100%）。最大的误分类发生在对照组土豆泥与添加了琼脂和果胶的样品之间。使用贝叶斯网络（Bayes Net）基于浓度进行区分时，果胶添加物的准确率为81.00%，琼脂添加物的准确率为92.00%，而所有含有藻类添加物的样品的准确率为100%。研究结果证实，基于图像纹理特征的人工智能模型为评估富含添加物的土豆泥的质量和配方差异提供了一种强大的、非破坏性的工具，有助于优化产品开发。
引言
全球向循环生物经济的转型极大地激发了人们使用可持续生物活性成分（如藻类）强化主食的兴趣。然而，在复杂的食品基质中选择物种时，必须平衡营养密度和功能性。选择Arthrospira platensis和Chlorella vulgaris是因为它们含有高蛋白质且具有强烈的色素沉着，并且在食品中已有广泛应用，这些成分可以在基于淀粉的系统中产生可检测的光学和纹理特征。为了增加分类和成分的多样性，还加入了Scenedesmus属藻类，因为它具有抗氧化和色素特性；而大型藻类Ulva ohnoi则被选为乌尔凡型多糖和矿物质的来源，这些成分可能改变基质的微观结构和表面异质性[1]、[2]、[3]、[4]。这些藻类的加入提供了高质量的蛋白质、多不饱和脂肪酸、色素和矿物质，有助于解决植物性饮食中的营养不足问题[5]、[6]。然而，将传统的胶体（如琼脂和果胶）或藻类成功整合到基于淀粉的基质（如土豆泥）中是具有挑战性的，因为它们会对产品的内部微观结构产生显著影响[7]、[8]。这些成分会从根本上改变水分和固体的空间分布，因此需要复杂的监测系统来确保配方的准确性和质量一致性[9]。
尽管需要严格的质量控制，但从破坏性化学分析到感官评估的传统评估方法在高通量加工过程中可能成为瓶颈。因此，许多应用采用了快速仪器方法，如比色法和近红外光谱法；然而，复杂的多成分系统可能会产生高维信号，这些信号难以实时解读和操作。这些挑战促使人们开发结合机器学习的基于图像的方法，作为监测配方相关变化的额外非破坏性工具[10]、[11]。随着食品行业向“工业4.0”和人工智能驱动的制造转型，对非破坏性分析工具的需求日益增长[12]。罗佩莱夫斯卡[13]证明，通过机器学习可以有效验证食品，这种方法具有重复性和客观性，这是人工检查所缺乏的。此外，最近的研究表明，图像纹理特征可以作为加工蔬菜基质内部化学和结构变化的代理指标[14]。
计算机视觉系统（CVS）结合先进的机器学习算法，将食品表面视为多维数据景观进行分析。与简单的比色法不同，纹理分析能够捕捉像素值的空间变化（通过对比度、相关性、能量和均匀性等参数），这些参数反映了产品的配方特征[15]。罗佩莱夫斯卡[16]证实，即使在经过显著热处理（如煮沸）后，这些图像参数也能有效区分土豆样品。在分析成分浓度的细微差异时，这种敏感性至关重要，因为人眼往往无法区分不同的添加水平[16]。
在确定哪种特定算法最适合区分密切相关的生物添加剂方面存在显著的技术差距。虽然深度学习模型（如卷积神经网络（CNN）很受欢迎，但传统机器学习算法在处理以特征为中心的数据集时通常具有更好的性能和可解释性。在食品工程中，样本量往往太小，无法满足神经网络的大量数据需求。因此，传统机器学习提供了一个更可靠的替代方案，且不会出现深度学习“黑箱”模型在数据受限情况下常见的过拟合风险[14]。由于实验室规模的食品研究通常产生的独立样本数量有限，基于特征的经典分类器可以提供数据高效且可解释的性能。深度学习虽然非常有效，但通常需要更大、更多样化的数据集、数据增强和外部验证来确保良好的泛化能力。例如，随机森林（RF）算法在处理高维数据方面表现出色，并能映射出嵌入在基于淀粉的基质中的藻类生物量的复杂非线性关系。相比之下，逻辑树模型（LMT）通过结合决策树的层次结构和逻辑回归的统计严谨性，有效地划分了琼脂和果胶等胶体之间的几乎不可察觉的类别边界[17]。
贝叶斯网络（Bayes Net）进一步增强了这一分析工具包。它依赖于概率图模型，能够处理生物变化中的随机性和不确定性，这对于高精度的基于浓度的区分至关重要[18]。迄今为止，尚未完全实现利用这些模型来识别加工土豆配方中的具体物种。虽然罗佩莱夫斯卡[13]率先使用这些模型进行品种鉴定，但现有的研究主要集中在原始、均匀的材料上。将这些模型应用于多组分、经过热处理的系统（如土豆泥）还存在显著差距。在这些基质中，淀粉、胶体以及微量藻类（1–3%）之间的相互作用会产生重叠的物理和光谱特征，这对标准算法构成了挑战。在这种情况下，食品的质量从根本上与配方的准确性相关，确保生物活性成分和结构稳定剂以精确的、预先确定的水平存在。偏离这些水平（例如添加不足或成分替代）会导致质量下降。
因此，本研究旨在开发一种基于图像和纹理的机器学习方法，以区分对照组土豆泥与添加了1%和3%（w/w）琼脂、果胶以及选定微藻/大型藻类（Scenedesmus属藻类、Ulva ohnoi、Chlorella vulgaris、Arthrospira platensis）的土豆泥。所提出的方法是非破坏性的、快速的且成本效益高的，为食品生产中的持续质量监测提供了精确、可重复和客观的工具，特别是在配方准确性（即正确的添加剂种类和浓度）方面。
章节片段
土豆泥样品的制备
土豆泥混合物的制备遵循Dankar等人的方法[6]。对照组样品是将23克土豆泥粉混合到90毫升牛奶/10毫升水中制备的，混合物预热至40°C。处理过的样品含有果胶或冻干的琼脂、Arthrospira platensis、Chlorella vulgaris、Scenedesmus属藻类或Ulva ohnoi粉末，添加量为1%和3%（w/w）。图1展示了含有和不含有添加物的冻干藻类及土豆泥粉样品。
基于图像纹理开发的人工智能模型能够正确区分未添加添加物的土豆泥以及添加了1%微藻、大型藻类、果胶和琼脂的土豆泥样品。基于LMT模型的分类准确率达到93.71%，Kappa统计量为0.9267，表明预测类别与实际类别之间有很强的一致性。特定类别的评估（表1）显示……
讨论
研究结果清楚地表明，图像纹理分析和人工智能的结合是一种有效且非破坏性的工具，可用于监测添加了琼脂、果胶以及微藻和大型藻类的创新土豆泥的质量。高分类准确率、Kappa统计量和其他性能指标表明，即使样品在结构和外观上的细微差异也可以通过基于图像的特征有效表达。
结论
本研究证明，人工智能（AI）结合图像纹理分析可以准确区分添加了琼脂、果胶以及各种微藻和大型藻类的土豆泥样品。模型表现出非常高的分类性能，特别是在添加了藻类的样品中，无论是1%还是3%的添加浓度，准确率都接近完美（100%）。其他样品则较难区分，表明它们的图像特征更为相似
埃娃·罗佩莱夫斯卡（Ewa Ropelewska）：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，监督，软件，项目管理，方法论，研究，资金获取，正式分析，数据管理，概念化。萨莉·法瓦兹（Sally Fawaz）：撰写 – 原稿，方法论，研究。弗朗西斯克·塞普尔克雷（Francesc Sepulcre）：监督，方法论。蒙塞拉特·普霍拉（Montserrat Pujola）：监督，方法论。阿米拉·哈达拉（Amira Haddarah）：监督，方法论。齐因·卡拉斯（Zein Kallas）：撰写 – 审稿与编辑，监督。
资助
本研究部分由波兰国家学术交流机构（NAWA）提供的奖学金资助，该奖学金属于Bekker NAWA计划（2024年版）的一部分，项目名为“将人工智能与生活实验室方法相结合，以更好地、更高效地监测创新食品的质量”（项目编号：BPN/BEK/2024/1/00256），该研究是在巴塞罗那理工大学进行的科学访问期间进行的。
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
