Evaluierung und Vergleich von NIR-Multiprodukt-Kalibrierungsverfahren zur Brix-Bestimmung

Nahinfrarotspektroskopie ist eine etablierte Methode zur Qualitätsbestimmung von Obst und Gemüse. Neue Anwendungsgebiete, wie z. B. die mobile Lebensmittelanalyse mittels handgetragener und preisgünstiger Mikrospektrometer, verlangen nach neuen Ansätzen zur Multiprodukt-Kalibrierung. Zur produktspezifischen Kalibrierung existieren bereits geeignete Methoden wie partial least squares regression (PLSR). Der Versuch von Micklander et al. zeigt jedoch auf, dass die Multiprodukt-Kalibrierung noch eine ungelöste Herausforderung darstellt. Nichtlineare Ansätze wie neuronale Netze und lokale Regression erzielten hier bessere Ergebnisse als konventionelle Methoden wie PLSR. Vorläufige Untersuchungen zur Multiprodukt-Kalibrierung zur quantitativen Analyse von Lebensmitteln mittels NIR Spektroskopie lieferten vielversprechende Ergebnisse durch Memory-Based Learning (MBL) und Classification-Prediction-Hierarchy (CPH). In dieser Arbeit werden drei Ansätze zur Multiprodukt-Kalibrierung untersucht. Hierzu werden drei unterschiedliche Apfelsorten, Birnen und Tomaten mit bekanntem Zuckergehalt (in ○Brix) mittels bildgebender NIR Spektroskopie im Bereich von 900 nm bis 2400 nm analysiert. Die Genauigkeit eines linearen PLSR-Modells und zweier nichtlinearer Modelle (CPH und MBL) sowie unterschiedliche Vorverarbeitungsmethoden werden untersucht und evaluiert. Zur Bestimmung von Fehlermaßen dienen Leave-One-Out- und Leave-One-Product-Out-Kreuzvalidierungen.

Near-infrared (NIR) spectroscopy is a widespread technology for fruit and vegetable quality assessment. New fields of application of this technology, like mobile food analysis with handheld low-cost spectrometers, increase the demand for chemometric calibration models that are able to deal with multiple products and varieties thereof at once (so-called multi-product calibration models). While there are well studied methods for single-product calibration as partial least squares regression (PLSR), multi-product calibration is still challenging. Conventional approaches that work well for single-product calibration can lead to high errors for multi-product calibration. However, nonlinear methods as local regression and artificial neural networks were found to be suitable1 2. Preliminary studies in multi-product calibration for quantitative analysis of food with near-infrared spectroscopy showed good results for memory-based learning (MBL) and a classification prediction hierarchy (CPH)3. In this study, three varieties of apples, pears and tomatoes with known sugar content (in ○Brix) are analysed with NIR hyperspectral imaging spectroscopy in the range from 900 nm to 2400 nm. Predictive performance of a linear PLSR model, two nonlinear models (CPH and MBL) and different pre-processing techniques are tested and evaluated. For error estimation, leave-one-product-out and leave-one-out cross-validation are used.