智慧比色指示材料與深度學習於食品新鮮度監測之應用
學生姓名:
金子安
指導教授:
黃意真
學期:
115上
摘 要:
傳統水產品與肉品之新鮮度監測多仰賴化學指標或肉眼比色，但低溫冷藏下微弱的呈色變化極易造成主觀誤判。智慧包裝結合天然色素呈色與人工智慧電腦視覺，已成為無損、即時檢測的突破性方向。本報告探討天然多醣海藻酸鹽包裝薄膜之化學交聯結構，並進一步結合卷積神經網路（Convolutional neural network, CNN）影像分類模型，建構從感測材料到深度學習判讀的完整智慧包裝體系。Anugrah 等人（2023）利用溶劑鑄膜法將紫甘藍花青素（Red cabbage anthocyanin, RCA）與氧化鋅奈米顆粒（Zinc oxidenanoparticles, ZnO NPs）導入海藻酸鹽基質中，並以二價鈣離子（Ca 16 2+）進行交聯，成功製備智慧指示薄膜。結果顯示，ZnO NPs 與 RCA 之加入賦予薄膜緻密之微觀結構，並展現優異之抗氧化與抑菌生物活性。於 3 °C 冷藏白蝦實測中，指示薄膜隨 TVB-N 之累積由紫紅轉為藍綠色，並於 TVB-N 達 30 mg/100g 時呈現明確之腐敗警示。Zhao 等人（2026）整合鑭系金屬有機骨架（Lanthanide metal-organic frameworks, LnMOFs）與藍莓花青素，建構「螢光/比色」雙模式感測陣列。於 4 °C 豬肉新鮮度試驗中，於 365nm 紫外光下，利用 Tb3+（綠光）與 Eu3+（紫紅光）之螢光淬滅效應，產生直觀的「紅綠燈」變色訊號；於自然光下，則透過花青素隨氣體鹼度增加呈現粉紅、紫至藍色之視覺比色變化。研究進一步引入 YOLOv8、ResNet50 及 VGG16 等三種 CNN 直接進行影像端到端分類，透過混淆矩陣驗證將豬肉精準分級為新鮮、次新鮮與腐敗，最高分類準確率高達 97.8%。綜合兩篇文獻，海藻酸鹽以 Ca 2+ 交聯能大幅克服多醣薄膜耐水性不足之缺點，提供穩定呈色基質；而導入 CNN 深度學習模型與混淆矩陣，可有效消除低溫微弱色差之肉眼判讀瓶頸，實現智慧包裝之端到端精準檢測。
金子安.pdf