• 研究生: 洪秉宏
• 畢業學年度: 108
• 相關連結

食品安全為現行每個國家非常注重的議題，近年來由於硬體與軟體的提升，使得高光譜食品檢測技術逐漸受到重視，其優勢在於能夠利用光譜資訊分析肉眼無法看見的成分，透過每種物質特殊的光譜反應，可以對應回食物中所包含的成分或者食物當下的狀態。相關的研究領域已經應用高光譜檢測技術探討雙孢蘑菇的撞傷和褐化的偵測，然而新鮮度尚未被探討，而食品的新鮮度在食品安全領域中也是一項重要的議題。本論文透過高光譜儀採集放置不同天數不同環境下的杏鮑菇，利用機器學習的演算法分析其光譜與時間的相關性，進而找到判定杏鮑菇新鮮度的光譜特徵與波段。
本論文分為兩階段，第一階段利用近紅外光範圍(900-1700nm)的高光譜儀採集每周杏鮑菇的資料，將數據合併後分析其時間相關性。資料分析使用兩種方法，第一種方法利用機器學習的非監督式學習演算法，尋找隨著時間改變的特徵光譜，並透過波段選擇演算法決定各個關鍵波段的權重，最後應用最小化限制能量法對其權重較高的波段進行偵測；第二種方法利用機器學習的深度類神經網路將放置較久及新鮮的杏鮑菇作為訓練樣本，並利用此模型對其餘的樣本進行測試，隨後統計兩種方法的效能。實驗數據得知兩種方法的結果均隨著杏鮑菇新鮮度呈現往右移動的趨勢，以此用來界定杏鮑菇的新鮮度。第二階段進一步分析可見光範圍(400-1000 nm)與近紅外光範圍(900-1700 nm)的高光譜儀，用於比較杏鮑菇新鮮度的靈敏程度，根據實驗結果比較各時間點的統計分布後，可以發覺可見光範圍搭配深度類神經網路對於估計杏鮑菇的新鮮程度的效能最佳。