Bìa tạp chí

 

009bet

Một số ứng dụng của học máy kết hợp với thị giác máy tính, mũi điện tử và phân tích không mục tiêu trong kiểm soát chất lượng thực phẩm

Nguyễn Mạnh Sơn Nguyễn Đức Phong Bùi Xuân Thành Tạ Thị Thảo Lê Thị Hồng Hảo Nguyễn Đức Thanh
Ngày nhận: 19/07/2024
Đã sửa đổi: 25/08/2024
Ngày chấp nhận: 06/09/2024
Ngày đăng: 30/09/2024

Chi tiết

Các trích dẫn
Nguyễn Mạnh Sơn, Nguyễn Đức Phong, Bùi Xuân Thành, Tạ Thị Thảo, Lê Thị Hồng Hảo, Nguyễn Đức Thanh. "Một số ứng dụng của học máy kết hợp với thị giác máy tính, mũi điện tử và phân tích không mục tiêu trong kiểm soát chất lượng thực phẩm". Tạp chí Kiểm nghiệm và An toàn thực phẩm. tập 7 - số 3, pp. 313-328, 2024
Phát hành
PP
313-328
Counter
27

Main Article Content

Tóm tắt

Ứng dụng trí tuệ nhân tạo trong kiểm soát chất lượng thực phẩm đã và đang là xu hướng mới mang đến sự thay đổi hoàn toàn cách kiểm soát chất lượng thực phẩm theo kiểu truyền thống, giúp rút ngắn thời gian phân tích cũng như phát hiện theo thời gian thực do không phải xử lý mẫu, thao tác đơn giản hơn vì sử dụng cảm biến, thu thập được lượng thông tin lớn nhờ lấy toàn bộ dữ liệu đo… Bài viết này cung cấp một cái nhìn sơ bộ về nhận dạng, phân biệt và phân loại một số đối tượng thực phẩm trên cơ sở ứng dụng các mô hình học máy và học sâu để xứ lý các dữ liệu toàn phần thu được từ các phép đo phổ, sử dụng cảm biển thay cho mũi (mũi điện tử - enose), chụp ảnh và phân tích hình ảnh (thị giác máy tính) với các mục đích cần kiểm soát chất lượng thực phẩm như xác định độ tươi của thực phẩm, xác thực nguồn gốc cũng như phát hiện sự pha trộn các loại thực phẩm cho thấy việc ứng dụng mô hình học máy đặc biệt trong phân tích nhanh và phân tích không xử lý mẫu có tiềm năng lớn thay thế cho các phương pháp phân tích mục tiêu với các chất phân tích cụ thể trong mẫu.

Từ khóa:

kiểm soát chất lượng thực phẩm, học máy, học sâu, thị giác máy tính, pha trộn

Trích dẫn

[1]. H. Sheikh, C. Prins, and E. Schrijvers, "Artificial Intelligence: Definition and Background," Research for Policy, pp. 15–41, 2023.
[2]. H. Anwar, T. Anwar, and S. Murtaza, "Review on food quality assessment using machine learning and electronic nose system," Biosensors and Bioelectronics: X, vol. 14, pp. 100365–100365, 2023.
[3]. J. Han, T. Li, Y. He, and Q. Gao, "Using Machine Learning Approaches for Food Quality Detection," Mathematical Problems in Engineering, vol. 2022, p. e6852022, 2022.
[4]. P. A. L. Pearce, B. A. Fuchs, and K. L. Keller, "The role of reinforcement learning and value-based decision-making frameworks in understanding food choice and eating behaviors," Frontiers in Nutrition, vol. 9, 2022.
[5]. L. Zhou, C. Zhang, F. Liu, Z. Qiu, and Y. He, "Application of Deep Learning in Food: A Review," Comprehensive Reviews in Food Science and Food Safety, vol. 18, no. 6, pp. 1793–1811, 2019.
[6]. T. Abass, E. O. Itua, T. Bature, and M. A. Eruaga, "Concept paper: Innovative approaches to food quality control: AI and machine learning for predictive analysis," World Journal of Advanced Research and Reviews, vol. 21, no. 3, pp. 823–828, 2024.
[7]. P. B. Pathare, U. L. Opara, and F. A.-J. Al-Said, "Colour Measurement and Analysis in Fresh and Processed Foods: A Review," Food and Bioprocess Technology, vol. 6, no. 1, pp. 36–60, 2012.
[8]. D. Obenland, S. Collin, B. Mackey, J. Sievert, K. Fjeld, and M. L. Arpaia, "Determinants of flavor acceptability during the maturation of navel oranges," Postharvest Biology and Technology, vol. 52, no. 2, pp. 156–163, 2009.
[9]. D. Sun and D. Wen, "Computer vision - An objective, rapid and non-contact quality evaluation tool for the food industry," Journal of Food Engineering, vol. 61, no. 1, pp. 1–2, 2004.
[10]. R. Sekar L, N. Ambika, V. Divya, and T. Kowsalya, "Fruit Classification System Using Computer Vision: A Review," International Journal of Trend in Research and Development (IJTRD), vol. 5, no. 1, 2018.
[11]. N. B. A. Mustafa, K. Arumugam, S. K. Ahmed, and Z. A. M. Sharrif, "Classification of fruits using Probabilistic Neural Networks - Improvement using color features," in TENCON 2011 - 2011 IEEE Region 10 Conference, Bali, Indonesia, pp. 264-269, 2011.
[12]. M. Khojastehnazhand, M. Omid, and A. Tabatabaeefar, "Development of a lemon sorting system based on color and size," African Journal of Plant Science, pp. 122-127, 2011.
[13]. D. M. Agha, "Animal Species Classification Using Just Neural Network," International Journal of Engineering and Information Systems (IJEAIS), vol. 7, no. 9, pp. 20–28, 2023, 2024.
[14]. T. R. Shultz, D. Mareschal, and W. C. Schmidt, "Modeling Cognitive Development on Balance Scale Phenomena," Machine Learning, vol. 16, no. 1/2, pp. 57–86, 1994.
[15]. J. Han, T. Li, Y. He, and Q. Gao, "Using Machine Learning Approaches for Food Quality Detection," Mathematical Problems in Engineering, vol. 2022, p. e6852022, 2022.
[16]. J. Han, T. Li, Y. He, and Q. Gao, "Using Machine Learning Approaches for Food Quality Detection," Mathematical Problems in Engineering, vol. 2022, p. e6852022, 2022.
[17]. V. Doğan, M. Evliya, L. N. Kahyaoglu, and V. Kılıç, "On-site colorimetric food spoilage monitoring with smartphone embedded machine learning," Talanta, vol. 266, no. 1, 2024.
[18]. L. G. Fahad, S. F. Tahir, U. Rasheed, H. Saqib, M. Hassan, and H. Alquhayz, "Fruits and Vegetables Freshness Categorization Using Deep Learning," Computers, Materials & Continua, EBSCOhost, 2022.
[19]. D. Saha and A. Manickavasagan, "Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review," Current Research in Food Science, vol. 4, pp. 28-44, 2021.
[20]. Y. Liu, S. Zhou, W. Han, W. Liu, Z. Qiu, and C. Li, "Convolutional neural network for hyperspectral data analysis and effective wavelengths selection," Analytica Chimica Acta, vol. 1086, pp. 46-54, 2019.
[21]. C. Xia, S. Yang, M. Huang, Q. Zhu, Y. Guo, and J. Qin, "Maize seed classification using hyperspectral image coupled with multi-linear discriminant analysis," Infrared Physics & Technology, vol. 103, 2019.
[22]. P. Baranowski, W. Mazurek, and J. Pastuszka-Woźniak, "Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data," Postharvest Biology and Technology, vol. 86, pp. 249-258, 2013.
[23]. A. Dacal-Nieto, A. Formella, P. Carrión, E. Vazquez-Fernandez, and M. FernándezDelgado, "Common Scab Detection on Potatoes Using an Infrared Hyperspectral Imaging System," Lecture Notes in Computer Science, pp. 303–312, 2011.
[24]. K. E. Washburn, S. K. Stormo, M. H. Skjelvareid, and K. Heia, "Non-invasive assessment of packaged cod freeze-thaw history by hyperspectral imaging," Journal of Food Engineering, vol. 205, pp. 64-73, 2017.
[25]. H. M. Lalabadi, M. Sadeghi, and S. A. Mireei, "Fish freshness categorization from eyes and gills color features using multi-class artificial neural network and support vector machines," Aquacultural Engineering, vol. 90, 2020.
[26]. A. Alaimahal, S. Shruthi, M. Vijayalakshmi, and P. Vimala, "Detection of Fish Freshness Using Image Processing," International Journal of Engineering Research & Technology, vol. 5, no. 9, 2018.
[27]. E. T. Yasin, I. A. Ozkan, and M. Koklu, "Detection of fish freshness using artificial intelligence methods, 2023.
[28]. D. R. Wijaya, N. F. Syarwan, M. A. Nugraha, D. Ananda, T. Fahrudin, and R. Handayani, "Seafood Quality Detection Using Electronic Nose and Machine Learning Algorithms With Hyperparameter Optimization," in IEEE Access, vol. 11, pp. 62484- 62495, 2023.
[29]. J. Tan and J. Xu, "Applications of electronic nose (e-nose) and electronic tongue (etongue) in food quality-related properties determination: A review," Artificial Intelligence in Agriculture, vol. 4, 2020.
[30]. X. Tian, J. Wang, and S. Cui, "Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors," Journal of Food Engineering, vol. 119, no. 4, pp. 744–749, 2013.
[31]. S. M. Szkudlarz and H. H. Jeleń, "Detection of olive oil adulteration with rapeseed and sunflower oils using MOS electronic nose and SMPE-MS," Journal of Food Quality, vol. 33, no. 1, pp. 21–41, 2010.
[32]. M. Śliwińska, P. Wiśniewska, T. Dymerski, W. Wardencki, and J. Namieśnik, "Application of Electronic Nose Based on Fast GC for Authenticity Assessment of Polish Homemade Liqueurs Called Nalewka," Food Analytical Methods, vol. 9, no. 9, pp. 2670–2681, 2016.
[33]. S. Buratti, N. Sinelli, E. Bertone, A. Venturello, E. Casiraghi, and F. Geobaldo, "Discrimination between washed Arabica, natural Arabica and Robusta coffees by using near infrared spectroscopy, electronic nose and electronic tongue analysis," Journal of the Science of Food and Agriculture, vol. 95, no. 11, pp. 2192–2200, 2014.
[34]. Q. Wang, L. Li, W. Ding, et al., "Adulterant identification in mutton by electronic nose and gas chromatography-mass spectrometer," Food Control, vol. 98, pp. 431–438, 2019.
[35]. Z. Jandric, D. Roberts, N. Rathor, A. Abrahim, M. Islam, and A. Cannavan, "Assessment of fruit juice authenticity using UPLC-QTOF MS: A metabolomics approach," Food Chemistry, 2014.
[36]. M. E. Dasenaki and N. S. Thomaidis, "Quality and Authenticity Control of Fruit Juices-A Review," Molecules, vol. 24, no. 6, 2019.

 Gửi bài