.png){kind=icon}
返回
Developing machine learning models for fluid milk spoilage classification
.png){kind=icon}
PRE
AI
DOI：10.3168/jds.2025-28070.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
乳品行业以及其他食品行业面临重大挑战，因为经验丰富的员工的退休可能导致知识和技能的巨大差距。新的人工智能和建模工具可能为乳品行业提供将现有专家知识捕获到数字系统中的机会。一个特定的行业挑战包括识别液态奶腐败模式，这是选择和实施针对性腐败控制策略的前提；传统上，这些分类任务由人类专家执行。为应对这一挑战，我们开发了一个基于机器学习的数字专家系统，该系统使用微生物数据对液态奶的主要腐败类型进行分类（例如，由于后巴氏杀菌污染的革兰氏阴性菌导致的腐败与由于产孢细菌导致的腐败）。从770个液态奶样品的货架期测试中收集的微生物数据经过3位专家审查，他们将这些牛奶样品分为3种不同的腐败类型，包括（1）由于后巴氏杀菌污染的革兰氏阴性菌导致的腐败，（2）由于产孢菌污染导致的腐败，（3）无微生物腐败。然后，该数据集被分为训练集、验证集和测试集，以开发一个能够分类液态奶腐败的基线模型。此外，基于代表减少货架期测试所需天数或培养基类型的子集数据，训练、验证并随后测试了9个模型，根据腐败类型分类的准确性。包含货架期第7、14和21天微生物数据的基线模型，验证分类准确率为91.7%，测试分类准确率为96.4%。在代表不同场景的9个模型中，包含标准平板计数和总革兰氏阴性菌计数的2个模型（1）在货架期第14和21天，（2）仅在货架期第21天，均能以94.2%的测试准确率分类腐败类型，表明优化货架期测试的潜力。总体而言，我们的模型有潜力帮助牛奶加工商（1）优化其微生物测试方案以降低成本和资源，（2）识别设施中的主要腐败模式，（3）调查腐败的根本原因以制定针对性的干预措施。
Keyword:
microorganism
contamination
shelf life
artificial intelligence
