Neue Publikation in MDPI Chemosensors [21.07.25]
Julia Senge vom Fachgebiet Lebensmittelinformatik ist Autorin der Publikation "Integrating Sensor Data, Laboratory Analysis, and Computer Vision in Machine Learning-Driven E-Nose Systems for Predicting Tomato Shelf Life" in MDPI Chemosensors (Impact Factor: 3.7).
Die Publikation "Integrating Sensor Data, Laboratory Analysis, and Computer Vision in Machine Learning-Driven E-Nose Systems for Predicting Tomato Shelf Life" von Julia Senge (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) mit den Co-Autoren Florian Kaltenecker und Christian Krupitzer (beide Fachgebiet Lebensmittelinformatik, Universität Hohenheim) wurde in MDPI Chemosensors (Impact Factor: 3.7) veröffentlicht.
Die Bewertung der Qualität von Frischprodukten ist für die Gewährleistung eines sicheren und zufriedenstellenden Produkts unerlässlich. Es gibt zwar Methoden zur Überwachung der Qualität von Frischwaren, doch sind diese oft teuer und zeitaufwändig und erfordern manchmal die Zerstörung der Probe. Die Technologie der elektronischen Nase (E-Nose) wurde zur Überwachung von Reifegrad, Verderb und Qualität von Frischwaren entwickelt. In unserer Studie wurde ein Frischeüberwachungssystem für Tomaten entwickelt, das die E-Nose-Technologie mit der Überwachung der Lagerbedingungen, der Farbanalyse und der Verfolgung des Gewichtsverlusts kombiniert. Es wurden verschiedene Szenarien nach dem Kauf untersucht, wobei der Schwerpunkt auf dem Einfluss von Temperatur und mechanischer Beschädigung auf die Haltbarkeit lag. Support Vector Classifier (SVC) und k-Nearest Neighbor (kNN) wurden zur Klassifizierung von Lagerszenarien und Lagertagen eingesetzt, während Support Vector Regression (SVR) und kNN-Regression zur Vorhersage von Lagertagen verwendet wurden. Durch die Verwendung eines Datenfusionsansatzes mit linearer Diskriminanzanalyse (LDA) erreichte die SVC eine Genauigkeit von 72,91 % bei der Vorhersage von Lagertagen und eine Genauigkeit von 86,73 % bei der Unterscheidung zwischen Lagerszenarien. Der kNN lieferte die besten Regressionsergebnisse mit einem mittleren absoluten Fehler (MAE) von 0,841 Tagen und einem Bestimmtheitsmaß von 0,867. Die Ergebnisse unterstreichen das Potenzial der Methode zur Vorhersage von Lagerszenarien und Lagertagen und geben Aufschluss über die verbleibende Haltbarkeit des Produkts.
Die Publikation ist bei MDPI unter https://doi.org/10.3390/chemosensors13070255 abrufbar.
