基于Stacking集成学习的冷鲜羊肉新鲜度无损检测研究

摘要

冷鲜羊肉新鲜度的快速、无损检测有助于评估其食用价值和安全性。本研究结合堆叠（stacking）集成学习与高光谱技术，提出一种融合卷积神经网络（convolutional neural network,CNN）的冷鲜羊肉新鲜度检测分类模型。通过对样本的高光谱数据采集与新鲜度指标测定，构建了14 d内的冷鲜羊肉光谱数据集。优化数据预处理和特征选择方法后，将其输入极限梯度提升（extreme gradient boosting,XGBoost）、K近邻（K-nearest neighbors,KNN）、支持向量机（support vector machine,SVM）和朴素贝叶斯（naive bayes,NB）等基模型训练。并引入CNN进行堆叠融合，形成分类效果更优的CNN-Stacking。结果显示，堆叠后模型有效实现了对冷鲜羊肉的新鲜度检测分类，分类准确率、加权查准率、加权召回率和加权F1分数分别为99.22%、99.23%、99.22%和99.21%。与传统堆叠模型相比，准确率和加权召回率分别提高了1.05%和1.04%，且仅出现2个误分类。此外，改变数据集的规模，CNN-Stacking表现出良好的泛化性和鲁棒性。研究为肉类新鲜度检测提供了新的方法。

关键词

羊肉 / 新鲜度 / 堆叠 / 卷积神经网络 / 检测 / 分类