學生姓名:
徐嘉嬨
指導教授:
蕭心怡
學期:
115上
摘 要:
咖啡與茶飲為全球廣泛消費之飲品，其品質具有高度商業價值，口感、風味與外觀等感官特性亦為影響消費者選購的重要因素。傳統品質評估多依賴感官品評、理化分析等方法，然而此類方法通常具有樣品破壞性、分析時間長、成本較高及結果易受主觀判斷影響等限制。近年來，機器學習 (machine learning, ML) 結合近紅外光譜 (near-infrared spectroscopy, NIRS) 與電子鼻 (electronic nose, E-nose) 之品質預測方法逐漸受到重視，可透過快速且非破壞性的感測訊號擷取食品之化學與風味特徵，並提升品質分析與分級之效率。在自發性濕式發酵(spontaneously fermented) 咖啡豆之風味預測研究中，NIRS 與電子鼻結合人工神經網路(artificial neural network, ANN) 皆能有效預測 GC-MS 分析所得之揮發性香氣化合物含量，其中電子鼻模型具有較高之預測相關性，整體相關係數達 R=0.99；針對感官描述符強度之預測，電子鼻模型亦具有較佳表現，整體 R 達 0.91，顯示電子鼻訊號與咖啡揮發性香氣及感官特徵具有良好關聯性。在英德紅茶品質預測研究中，NIRS 與電子鼻分別結合機器學習模型進行品質分級，其分類準確率皆達 96%以上；進一步融合兩種感測技術之資訊後，以 SVM 建立整體品質分級模型，準確率提升至 98.13%，顯示多元感測數據具有互補性，可整合紅茶之非揮發性化學及揮發性香氣特徵。總言之，NIRS 與電子鼻結合機器學習皆能有效解析咖啡與紅茶之複雜品質資訊，並應用於揮發性香氣化合物、感官特徵之預測及品質分級，可作為未來食品風味預測與智慧化品質監測之基礎。
徐嘉嬨.pdf