應用近紅外光譜技術與機器學習進行魚類鮮度與安全性評估之研究
學生姓名:
孫世瑋
指導教授:
王上達
學期:
114下
摘 要:
隨著水產品品質安全議題日益受到重視，如何快速且準確評估魚肉鮮度與安全性，已成為食品產業與學術研究的重要課題。揮發性研基態氮(Total Volatile Basic Nitrogen）與組織胺（histamine）分別代表魚肉腐敗程度與食品中毒風險，為目前最具代表性的兩大品質指標。然而，傳統檢測方法多需經過繁複的樣品前處理與化學分析，不僅耗時、破壞樣品，亦難以應用於產線即時監測。因此，發展兼具快速性、非破壞性與高準確度的檢測技術，具有高度實務價值。近紅外光譜（near-infrared spectroscopy, NIR）因具備快速分析、低成本與可同時反映多種化學成分等優勢，逐漸被應用於食品品質檢測。本次報告整理兩篇相關研究，探討 NIR 結合化學計量學與機器學習技術在魚類鮮度與安全性評估上的應用潛力，並分析不同模型與資料處理方法對預測效能之影響。在冷凍解凍鮪魚組織胺研究中，利用修正偏最小二乘法（MPLS, Modified Partial Least Squares）建立定量模型，其交叉驗證結果顯示良好預測能力（R²cv = 0.88），但在外部驗證中下降至 R²P = 0.74，顯示模型泛化能力受限，推測與冷凍解凍造成的散射效應及基質變化有關。進一步透過間隔偏最小二乘法（iPLS, Interval Partial Least Squares）篩選關鍵波段（1182.5–1242 nm），雖可反映組織胺相關化學結構（O–H 與 C–H 振動），但整體預測能力仍略低於全光譜模型，顯示光譜資訊具有分散特性。在分類模型方面，支持向量機（SVM, Support Vector Machine）對組織胺進行分級判別，其二分類準確率達 100%，多分類達
93%，顯示其在快速風險篩檢上具有較高實用性。在草魚鮮度預測研究中，結果顯示 TVB-N 隨冷藏時間顯著上升，可有效反映魚肉腐敗進程。透過光譜分析可觀察到與蛋白質相關的 N–H 吸收區域隨時間變化，證實 NIR 具備預測潛力。在模型建立方面，經比較多種前處理方法後，以正交訊號校正結合一階導數（OSC+D1, Orthogonal Signal Correction + First Derivative）效果最佳；特徵選擇以競爭性自適應重加權取樣（CARS, Competitive Adaptive Reweighted Sampling）表現最優，可有效篩選關鍵波長；在模型比較中，以粒子群優化類神經網路（PSO-BP, Particle Swarm Optimization – Back Propagation Neural Network）表現最佳，其預測決定係數 R²P 可達 0.988，顯示極高準確度，且帶皮樣本之模型表現優於去皮樣本。綜合而言，近紅外光譜結合機器學習可建立一套快速、非破壞且高準確度的魚類品質檢測方法。在應用上，定量模型適用於精確預測品質指標，而分類模型則更適合進行快速安全風險判斷。該技術可有效提升水產品品質監控效率，降低檢測成本與時間，未來在食品產線即時監測、品質分級與安全預警等領域具有高度應用潛力與發展價值。
93%，顯示其在快速風險篩檢上具有較高實用性。在草魚鮮度預測研究中，結果顯示 TVB-N 隨冷藏時間顯著上升，可有效反映魚肉腐敗進程。透過光譜分析可觀察到與蛋白質相關的 N–H 吸收區域隨時間變化，證實 NIR 具備預測潛力。在模型建立方面，經比較多種前處理方法後，以正交訊號校正結合一階導數（OSC+D1, Orthogonal Signal Correction + First Derivative）效果最佳；特徵選擇以競爭性自適應重加權取樣（CARS, Competitive Adaptive Reweighted Sampling）表現最優，可有效篩選關鍵波長；在模型比較中，以粒子群優化類神經網路（PSO-BP, Particle Swarm Optimization – Back Propagation Neural Network）表現最佳，其預測決定係數 R²P 可達 0.988，顯示極高準確度，且帶皮樣本之模型表現優於去皮樣本。綜合而言，近紅外光譜結合機器學習可建立一套快速、非破壞且高準確度的魚類品質檢測方法。在應用上，定量模型適用於精確預測品質指標，而分類模型則更適合進行快速安全風險判斷。該技術可有效提升水產品品質監控效率，降低檢測成本與時間，未來在食品產線即時監測、品質分級與安全預警等領域具有高度應用潛力與發展價值。
孫世瑋.pdf