Även om nötkött är en av de mest konsumerade livsmedel runt om i världen, att äta den när den är över sin bästa ålder är inte bara osmaklig, men utgör också några allvarliga hälsorisker. Tyvärr, tillgängliga metoder för att kontrollera nötköttets färskhet har olika nackdelar som hindrar dem från att vara användbara för allmänheten. Till exempel, kemisk analys eller mikrobiella populationsutvärderingar tar för mycket tid och kräver kompetens hos en professionell. Å andra sidan, oförstörande tillvägagångssätt baserade på nära-infraröd spektroskopi kräver dyr och sofistikerad utrustning. Kan artificiell intelligens vara nyckeln till ett mer kostnadseffektivt sätt att bedöma nötköttets färskhet?

Vid Gwangju Institute of Science and Technology (GIST), Korea, ett team av forskare ledda av Associate Processors Kyoobin Lee och Jae Gwan Kim har utvecklat en ny strategi som kombinerar djupinlärning med diffus reflektansspektroskopi (DRS), en relativt billig optisk teknik. "Till skillnad från andra typer av spektroskopi, DRS kräver ingen komplicerad kalibrering; istället, den kan användas för att kvantifiera en del av den molekylära sammansättningen av ett prov med bara en prisvärd och lätt konfigurerbar spektrometer, " förklarar Lee. Resultaten av deras studie publiceras nu i Matkemi .

För att bestämma färskheten hos nötköttsprover, de förlitade sig på DRS-mätningar för att uppskatta proportionerna av olika former av myoglobin i köttet. Myoglobin och dess derivat är de proteiner som huvudsakligen ansvarar för köttets färg och dess förändringar under nedbrytningsprocessen. Dock, Att manuellt konvertera DRS-mätningar till myoglobinkoncentrationer för att slutligen bestämma om ett prov är färskt är inte en särskilt exakt strategi – och det är här djupinlärning kommer in i bilden.

Convolutional neural networks (CNN) är allmänt använda algoritmer för artificiell intelligens som kan lära sig av en förklassificerad datamängd, kallas "träningsset, ' och hitta dolda mönster i data för att klassificera nya indata. För att träna CNN, forskarna samlade in data om 78 nötköttsprover under deras förstörelseprocess genom att regelbundet mäta deras pH (surhet) tillsammans med deras DRS-profiler. Efter att manuellt klassificera DRS-data baserat på pH-värdena som "färska, ' 'vanligt, ' eller 'bortskämd, ' de matade algoritmen med den märkta DRS-datauppsättningen och kombinerade även denna information med myoglobinuppskattningar. "Genom att tillhandahålla både myoglobin och spektral information, vår utbildade algoritm för djupinlärning kunde korrekt klassificera färskheten hos nötköttsprover på några sekunder i cirka 92 % av fallen, " framhäver Kim.

Förutom dess noggrannhet, styrkorna med denna nya strategi ligger i dess hastighet, låg kostnad, och oförstörande natur. Teamet tror att det kan vara möjligt att utveckla små, bärbara spektroskopiska enheter så att alla enkelt kan bedöma färskheten på sitt nötkött, även hemma. Dessutom, liknande spektroskopi och CNN-baserade tekniker skulle också kunna utvidgas till andra produkter, som fisk eller fläsk. I framtiden, med lite tur, det blir lättare och mer tillgängligt att identifiera och undvika tveksamt kött.