Holde det friskt:Ny AI-baseret strategi kan vurdere friskheden af ​​oksekødsprøver

Selvom oksekød er en af ​​de mest forbrugte fødevarer rundt om i verden, at spise det, når det er over sin bedste alder, er ikke kun ubehageligt, men udgør også nogle alvorlige sundhedsrisici. Desværre, tilgængelige metoder til at kontrollere oksekødets friskhed har forskellige ulemper, der forhindrer dem i at være nyttige for offentligheden. For eksempel, kemisk analyse eller mikrobiel populationsevaluering tager for meget tid og kræver en professionel færdigheder. På den anden side, ikke-destruktive tilgange baseret på nær-infrarød spektroskopi kræver dyrt og sofistikeret udstyr. Kunne kunstig intelligens være nøglen til en mere omkostningseffektiv måde at vurdere friskheden af ​​oksekød på?

På Gwangju Institute of Science and Technology (GIST), Korea, et team af videnskabsmænd ledet af Associate Processors Kyoobin Lee og Jae Gwan Kim har udviklet en ny strategi, der kombinerer dyb læring med diffus reflektansspektroskopi (DRS), en forholdsvis billig optisk teknik. "I modsætning til andre typer spektroskopi, DRS kræver ikke kompleks kalibrering; i stedet, det kan bruges til at kvantificere en del af den molekylære sammensætning af en prøve ved hjælp af blot et overkommeligt og let konfigurerbart spektrometer, " forklarer Lee. Resultaterne af deres undersøgelse er nu offentliggjort i Fødevarekemi .

For at bestemme friskheden af ​​oksekødsprøver, de var afhængige af DRS-målinger for at estimere andelen af ​​forskellige former for myoglobin i kødet. Myoglobin og dets derivater er de proteiner, der hovedsageligt er ansvarlige for kødets farve og dets ændringer under nedbrydningsprocessen. Imidlertid, manuelt at konvertere DRS-målinger til myoglobinkoncentrationer for endelig at beslutte, om en prøve er frisk, er ikke en særlig præcis strategi - og det er her, dyb læring kommer i spil.

Konvolutionelle neurale netværk (CNN) er meget udbredte kunstig intelligens-algoritmer, der kan lære af et præklassificeret datasæt, benævnt 'træningssæt, ' og find skjulte mønstre i dataene for at klassificere nye input. For at træne CNN, forskerne indsamlede data om 78 oksekødsprøver under deres ødelæggelsesproces ved regelmæssigt at måle deres pH (surhed) sammen med deres DRS-profiler. Efter manuel klassificering af DRS-data baseret på pH-værdierne som 'friske, ' 'normal, ' eller 'forkælet, ' de tilførte algoritmen det mærkede DRS-datasæt og fusionerede også denne information med myoglobin-estimeringer. "Ved at give både myoglobin og spektral information, vores trænede deep learning-algoritme kunne korrekt klassificere friskheden af ​​oksekødsprøver i løbet af få sekunder i omkring 92 % af tilfældene, " fremhæver Kim.

Udover dens nøjagtighed, styrkerne ved denne nye strategi ligger i dens hastighed, lavpris, og ikke-destruktiv natur. Teamet tror på, at det kan være muligt at udvikle små, bærbare spektroskopiske enheder, så alle nemt kan vurdere friskheden af ​​deres oksekød, selv derhjemme. I øvrigt, lignende spektroskopi og CNN-baserede teknikker kunne også udvides til andre produkter, såsom fisk eller svinekød. I fremtiden, med lidt held, det bliver lettere og mere tilgængeligt at identificere og undgå tvivlsomt kød.