《Algal Research》：Microalgae-enriched biscuit discrimination using image texture features and Artificial Intelligence (AI) algorithms
编辑推荐：
本研究旨在利用人工智能结合图像纹理分析区分添加不同种类和浓度微藻（Chlorella vulgaris）的饼干。通过MaZda软件提取2172个纹理特征并筛选出70个关键参数，比较了深度学习和传统机器学习模型（随机森林、逻辑回归等）的分类效果，最佳准确率达97.86%。结果表明，AI技术可有效监测微藻强化饼干的配方差异，为食品质量控制提供非破坏性解决方案。
Ewa Ropelewska、Etiele Greque de Morais、Enrica Uggeti、Diana Paguay、Francisco Sepulcre、Zein Kallas
加泰罗尼亚理工大学-巴塞罗那科技分校（UPC-BarcelonaTech）农业食品工程与生物技术系（DEAB），校区位于Baix Llobregat，地址：Carrer Esteve Terradas 8，邮编08860，Castelldefels，巴塞罗那，西班牙
摘要
本研究的目的是设计一种方法，利用从数字图像中提取的纹理特征，通过人工智能技术对富含不同类型和浓度小球藻（Chlorella）的饼干进行分类。数据集包括七种饼干样品：一种未添加小球藻的对照样品，以及分别添加了2.5%和5%白色、黄色或绿色Chlorella vulgaris的饼干样品。使用手机后置摄像头拍摄的图像通过MaZda软件进行分析，该软件能够提取12个颜色通道中的2172个纹理描述符。通过特征选择过程，确定了70个最相关的参数用于分类。本研究开发了深度学习模型（Dl4jMlpClassifier）和传统机器学习模型（随机森林、LogitBoost、子空间判别器（集成）、WiSARD、中等高斯SVM和宽神经网络），这些模型均基于WEKA和MATLAB开发环境。其中，子空间判别器模型的分类正确率最高，达到了97.86%。富含绿色Chlorella的饼干被最有效地区分开来，而添加了2.5%和5%黄色Chlorella的饼干之间的混淆程度最大。这是首次将图像纹理分析与基于人工智能的建模相结合，用于无损区分富含小球藻的饼干。所采用的方法在应用计算机视觉和机器学习进行食品质量控制方面取得了显著进展，可实际作为快速、客观的工具，用于监测功能性烘焙产品的配方差异。
引言
小球藻是微小的真核生物，通过光合作用利用阳光/光能、二氧化碳和水合成生物量并产生氧气。小球藻可以作为食品工业的商业化生产原料[1]。它们具有解决饥饿危机的潜力，因为它们能够在非耕地、非饮用水环境中生长，并且大规模生产时温室气体排放量较低，但还需要进一步开发[2]。具有改良感官特性的小球藻生物量有助于其进入传统食品生产领域。实际上，小球藻的色泽、口感和气味等感官特性可能是食品生产的瓶颈，可能会限制其在配方中的添加量[3]。在各种小球藻物种中，Chlorella vulgaris因其长期的安全使用历史以及被美国食品药品监督管理局（FDA）认定为GRAS（普遍认为安全）的 organism 而脱颖而出[4]。GRAS状态表明，基于科学证据或安全消费的历史，该物质被认为适用于食品用途。此外，Chlorella vulgaris已被列入欧盟的新食品清单，确认其可在欧洲人类消费[5]。
最近的研究重点在于改进Chlorella vulgaris菌株，尤其是在其色素沉着特性方面。通过随机突变和菌株筛选，已经培育出了黄色、白色和绿色的变种[5]，这些变种现已实现商业化。将这些菌株应用于食品配方中具有很高的价值，因为它们可以提高营养价值并改善感官特性，尤其是颜色，这是影响消费者接受度的关键因素之一。在随机突变过程中，由于不需要预先了解小球藻的遗传学知识，因此技术通常简单且易于操作。正向遗传学方法在藻类生物技术中尤为重要，因为它避免了室外生产系统中对转基因生物的限制，因为它不会向目标细胞引入任何外来遗传物质[6][7]。
人工智能（AI）是一种创新技术，通过机器（主要是计算机系统、数字设备和机器人）复制人类的认知功能和智能。机器学习（ML）作为人工智能的关键组成部分，提高了人类的效率和创造力。它利用数学和统计技术分析数据集并生成数据驱动的决策或预测[8]。基于AI的系统，结合传统的机器学习和深度学习，可以用于作物监测、疾病检测、成熟度检测、食品类型识别、食品分类和分级、食品安全和质量监控（包括物理化学参数、营养价值和感官属性）、保质期预测、污染和掺假检测、优化加工参数以提高产品质量和减少能源消耗，以及食品包装。此外，图像处理被应用于食品生产的所有阶段，AI模型通常基于图像数据[9]。AI驱动的技术在农业食品供应链中提供了多种优势，例如降低培训成本、加快问题解决速度、减少人为错误、减少手动干预的需求，并支持低成本、自动化和精确的决策[10]。机器学习方法的整合已成为优化和建模食品配方的强大手段。AI算法能够更好地阐明成分之间的复杂相互作用及其对产品关键特性的影响。通过使用数据驱动的模型，研究人员可以有效地捕捉配方数据集中的非线性和多维关系，从而实现更精确的预测、优化和控制食品质量属性[11]。自动化在各个行业（包括烘焙行业）中迅速发展。烘焙产品的颜色、形状和大小差异很大，因此在生产和包装过程中进行一致的质量评估至关重要。传统上，质量控制依赖于人工视觉检查[12]。将人工智能（AI）整合到烘焙行业中，极大地提高了生产效率和创新性。AI应用支持质量控制，优化烘焙参数，并提高产品一致性。智能库存和过程管理系统还有助于减少浪费并提高可持续性。此外，AI还促进了个性化营销、客户参与度，并通过实时监控和数据驱动的方式增强食品安全性，符合行业标准[13]。
本研究的目标是利用人工智能结合图像处理技术，区分富含不同类型和浓度Chlorella微藻的饼干。因此，根据深度学习和传统机器学习算法构建的模型，对七种饼干样品进行了分类，包括对照样品（未添加小球藻的饼干）、添加了2.5%白色Chlorella的饼干、添加了2.5%黄色Chlorella的饼干、添加了2.5%绿色Chlorella的饼干、添加了5%白色Chlorella的饼干、添加了2.5%黄色Chlorella的饼干以及添加了5%绿色Chlorella的饼干。
小节片段
饼干制备
饼干按照优化后的配方制备，原料包括小麦粉、糖、泡打粉、盐、葵花籽油、香草调味料和小球藻生物量。不同颜色的Chlorella vulgaris小球藻生物量样品由Allmicroalgae（葡萄牙里斯本）提供：蜂蜜色Chlorella（黄色）、白色Chlorella（白色）和光滑绿色Chlorella（浅绿色）。这些生物量被以不同的比例添加到饼干中。
结果
基于选定图像纹理的应用人工智能模型能够正确区分七种饼干样品，包括未添加小球藻的对照样品，以及含有2.5%和5%三种不同Chlorella菌株（白色、黄色和绿色）生物量的饼干。这体现在较高的整体分类准确性、各个类别的准确率以及较高的TP率（真正例率）上。
深度学习分类器的整体准确率非常高
讨论
研究结果证实了利用图像纹理特征和人工智能算法区分富含不同类型和浓度Chlorella微藻的饼干是可行的。图4显示了所有应用算法的整体分类准确率均接近100%。然而，传统机器学习算法（特别是子空间判别器和随机森林）取得了最高的准确率
结论
本研究的结果强烈表明，基于AI的图像纹理分析是一种强大、稳健且无损的技术，可用于监测富含小球藻食品的配方差异。研究结果表明，人工智能模型在根据图像纹理特征对富含不同类型和浓度Chlorella微藻的饼干进行分类方面具有很高的有效性。子空间判别器的分类正确率达到了97.86%
CRediT作者贡献声明
Ewa Ropelewska：撰写 – 审稿与编辑、撰写原始稿件、可视化、验证、软件开发、项目管理、方法论设计、研究实施、资金获取、数据分析、概念化。
Etiele Greque de Morais：撰写 – 审稿与编辑、资源协调、研究实施、资金获取。
Enrica Uggeti：资源协调、研究实施、资金获取。
Diana Paguay：资源协调、研究实施。
Francisco Sepulcre：资源协调、研究实施、资金获取。
资助
本研究部分由波兰国家学术交流机构（NAWA）在Bekker NAWA计划（2024年版）下提供的奖学金资助，作为“将人工智能与Living Labs方法相结合，以更好地和更高效地监测创新食品的质量”项目（项目编号BPN/BEK/2024/1/00256）的一部分，在加泰罗尼亚理工大学-巴塞罗那科技分校进行科学访问期间完成。研究中使用的小球藻生物量来自...
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
