S sodobnimi spektroskopskimi pristopi do boljšega razumevanja sestave živil
Spekter v vsakem pikslu
Hiperspektralno slikanje združuje prostorsko informacijo slike in spektralno informacijo. Za vsak piksel vzorca dobimo spekter, ki odraža optične lastnosti materiala. Pri živilih lahko na signal vplivajo kemijska sestava, porazdelitev sestavin, struktura površine, velikost delcev in vsebnost vode.
V okviru projekta so zajemali spektre različnih vzorcev živil, med drugim mesa, kruha in biskvitnega testa. Raziskovalni načrt so nato dopolnili z modelnimi živili znane sestave, kar je omogočilo nadzorovano spreminjanje deležev proteinov, lipidne komponente, škroba in vode.
Od surovih meritev do napovednega modela
Obdelava hiperspektralnih podatkov je vključevala korekcijo meritev, izbor območja vzorca, pripravo spektralne matrike in predobdelavo signalov. Študenti so preizkusili različne pristope za zmanjšanje razsežnosti podatkov ter več regresijskih metod in metod strojnega učenja, s katerimi so iz spektrov napovedovali sestavo živil. Med njimi so bili PLSR (regresija z delnimi najmanjšimi kvadrati), metoda podpornih vektorjev in konvolucijske nevronske mreže.
Primerjava na testnih vzorcih je pokazala, da so hiperspektralni podatki vsebovali več uporabnih informacij za napoved glavnih sestavin živil kot fluorescenčni spektri sami. Združevanje obeh vrst signalov ni enako izboljšalo napovedi vseh sestavin. Rezultati tako kažejo, da dodaten podatkovni vir sam po sebi še ne zagotavlja boljšega napovednega modela.
Interdisciplinarni učni primer
Projekt je študentom omogočil povezovanje optike, merilne tehnike, numeričnih metod in programiranja z vprašanji živilske analitike. Nastali podatkovni in metodološki okvir lahko služi kot izhodišče za nadaljnje raziskave ter za naloge pri predmetih, kjer se obravnavajo spektroskopija, obdelava signalov in strojno učenje.
Projekt Uporaba sodobnih spektroskopskih pristopov za analizo živil je potekal od aprila do avgusta 2026 v sodelovanju UL BF, UL FMF in podjetja Analitica d.o.o.
