A machine learning-based method for adulteration detection in white rice vinegar using different non-targeted spectroscopy
Diese Studie zeigt auf, dass die Fourier-Transformations-Infrarotspektroskopie (FTIR) in Kombination mit maschinellem Lernen Nahinfrarot- und Fluoreszenztechniken bei der Detektion von synthetischer Essigsäure-Verfälschung in weißem Reisessig übertrifft, während sie gleichzeitig die kritische Notwendigkeit hervorhebt, chemometrische Modelle aufgrund signifikanter Variabilität in den optimalen Vorverarbeitungs- und Merkmalsauswahlstrategien auf spezifische Essigmarken zuzuschneiden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie haben eine Flasche weißen Reisessig, die Art, die Ihre Gurken knackig und Ihr Sushi würzig macht. Stellen Sie sich nun vor, ein hinterlistiger Dieb tauscht einen Teil dieses echten, fermentierten Essigs gegen billige, synthetische Essigsäure aus, um ein paar Pfennige zu sparen. Dies wird als „Adulteration“ (Verfälschung) bezeichnet, und das ist ein großes Problem für ehrliche Lebensmittelhersteller.
Um diesen Dieb zu überführen, haben Wissenschaftler drei verschiedene „Super-Sinne“ getestet, um den falschen Stoff aufzuspüren: Nahinfrarot (NIR), Fluoreszenz (EEM) und Fourier-Transformations-Infrarotspektroskopie (FTIR). Betrachten Sie dies als verschiedene Wege, den chemischen Fingerabdruck des Essigs zu betrachten. Sie testeten vier berühmte Essigmarken (Hengshun, Qianhe, Shuangyu und Donghu) und mischten echten mit falschem Essig in Konzentrationen von 0 % bis 50 %, um zu sehen, ob ihre „Super-Sinne“ den Unterschied bemerken könnten.
Der große Gewinner: Der Infrarot-Detektiv
Nach der Auswertung der Zahlen stellte das Paper fest, dass die FTIR-Spektroskopie der klare Champion war. Es war wie der Detektiv mit den schärfsten Augen. Als das Team FTIR verwendete, konnte es den Unterschied zwischen reinem und gefälschtem Essig mit unglaublicher Genauigkeit feststellen und erreichte je nach Marke Werte zwischen 85,00 % und perfekten 100,00 %.
Im Gegensatz dazu waren die anderen beiden Methoden, NIR und EEM, wie Detektive, die von der Menge verwirrt wurden. Obwohl sie manchmal den falschen Essig entdecken konnten, hatten sie oft Schwierigkeiten, den echten Essig so klar vom gefälschten zu trennen wie die FTIR. Tatsächlich war die EEM-Methode bei einigen Marken so verwirrt, dass sie nicht zuverlässig zwischen verschiedenen Verfälschungsgraden unterscheiden konnte.
Das Problem der „Marken-Persönlichkeit“
Hier kommt die Wendung: Das Paper entdeckte, dass jede Essigmarke ihre eigene, einzigartige „Persönlichkeit“ hat. Was funktioniert, um eine Fälschung bei der Marke Hengshun zu entlarven, funktioniert nicht unbedingt für die Marke Qianhe.
Stellen Sie sich vor, Sie versuchen, einem Hund beizubringen, einen bestimmten Typ Keks zu finden. Wenn Sie ihn auf Schokoladenkeksen trainieren, erkennt er vielleicht keinen Erdnussbutterkeks, obwohl es auch ein Keks ist. Die Wissenschaftler fanden heraus, dass sich die beste Art und Weise, ihre Computermodelle zu „trainieren“, je nach Marke komplett änderte. Sie mussten unterschiedliche digitale Werkzeuge (Algorithmen wie SVM, RF oder LDA) und unterschiedliche Methoden zur Datenbereinigung für jede Marke verwenden. Es gab keinen einzelnen „Wundermittel“, das für alle Marken gleichzeitig perfekt funktionierte.
Die Magie der Auswahl der richtigen Hinweise
Die Forscher versuchten auch zu sehen, ob sie ihre Modelle schneller und intelligenter machen könnten, indem sie nur die wichtigsten „Hinweise“ (spezifische Teile des Lichtspektrums) betrachteten, anstatt das ganze Bild zu nehmen. Sie verwendeten vier verschiedene Methoden, um diese Hinweise auszuwählen: UVE, VIP, CARS und GA.
Für die FTIR-Methode war die Auswahl der richtigen Hinweise ein riesiger Erfolg. Selbst nachdem sie den Großteil der Daten weggeworfen hatten, blieben die Modelle super genau und erreichten oft eine Genauigkeit von 100 % für Marken wie Shuangyu und Donghu. Für die anderen Methoden (NIR und EEM) führte die Auswahl weniger Hinweise jedoch manchmal dazu, dass die Modelle schlechter wurden. Es stellte sich heraus, dass für diese Methoden das „ganze Bild“ tatsächlich notwendig war, um die Aufgabe richtig zu erledigen.
Was sie ausschlossen
Das Paper argumentiert ausdrücklich gegen die Idee, dass eine einzige Methode oder ein einziges Computermodell das Problem für alle Essigmarken lösen kann. Sie zeigten, dass die Annahme, alle Essige seien gleich, zu schlechten Ergebnissen führt. Sie demonstrierten auch, dass es nicht ausreicht, einfach nur viele Daten zu haben; man muss wissen, wie man diese Daten basierend auf der spezifischen Marke bereinigt und auswählt.
Wie sicher sind sie sich?
Die Autoren sind sehr zuversichtlich in ihre Ergebnisse, weil sie nicht nur geraten, sondern einen strengen Test durchgeführt haben. Sie erstellten 80 Proben für jede Marke (indem sie echten und falschen Essig in spezifischen Mengen mischten) und testeten sie mit einer strengen Computermethode namens „5 × 5 nested cross-validation“. Dies ist wie das Testen des Wissens eines Schülers fünfmal mit fünf verschiedenen Sätzen von Fragen, um sicherzustellen, dass er das Material wirklich beherrscht und nicht nur Glück hat.
In diesen Simulationen übertraf FTIR die anderen Methoden konsistent. Das Paper kommt zu dem Schluss, dass FTIR zwar ein mächtiges Werkzeug ist, um Essigbetrug aufzudecken, wir aber nicht einfach einen riesigen Roboter bauen können, der jede Flasche auf der Welt überprüft. Stattdessen müssen wir spezifische, hochpräzise Werkzeuge bauen, welche die einzigartige „Persönlichkeit“ jeder Essigmarke respektieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.