在此，多光谱成像是一种表面化学传感器类型，已在监测不同储存温度（2、8 和 15°C）和储存时间下有氧包装的牛柳腐败变质方面进行了评估。

此外，还开发了支持向量回归模型以提供储存期间微生物数量的定量估计。结果表现出良好的性能，两个质量类别的总体正确分类率从 89.2% 到 80.8% 用于模型验证。计算的回归结果为 0.98 的R方。

图1.使用videometer分析样品的流程图

通过样本的分类，对所提出的框架进行了样本质量评估。根据微生物质量定义了两类样品，或者没有（BF；其中 TVC 低于 2log10 CFU/g），或者有背景菌群（+BF；TVC 高于 2log10 CFU/g）。

如材料部分所述，已经进行了三个耦合实验：SD2-D2、SD8-D8 和 SD15-D15。对于分类，正在构建一个分类器，其中每次使用三个数据集中的两个作为训练集。第三个数据集用于分类器的外部验证。无花果。

图 2-4 展示了每个分类器的输出特征谱以及来自第三个外部验证数据集的分类效率。如图 2 所示，其中 2°C 和 15°C 的数据集用作训练集，导致 4 个未受污染的特征光谱（图 2a）和 4 个受污染样品的光谱（图 2b）。就污染而言，绝大多数获得的自然簇在图 2c 所示的两组中非常常见，其中特征光谱聚集成三个主要簇。

图2.分类结果

其中两个包含两组样品共有的光谱和一个单一光谱（第三个簇；光谱 id=4 图 2c），它仅说明受污染的样品。直观地说，我们可以说受污染的样品不仅包含与污染相关的光谱，还包含与污染无关的光谱。

仅源自/识别/来自受污染数据的第三个集群可被视为污染特征谱。基于这一观察，可以对样本的质量进行分类和预测。此外，可以预测任何新的和未知样品的污染负荷，我们将在稍后介绍。对于特征谱实现（图 3 和图 4）的其余组合，可以提出相同的论点，其中光谱自然数的数量略有变化确定。

图3.分类结果

为了使结果可视化并为评估样本上的预测污染提供有用的工具，构建了样本表面污染概率的伪图像，称为污染图。 图 4 中显示了几个示例，其中颜色比例条表示样本上的某个位置（在我们的示例中为像素）被污染的概率。

最大值为 1，表示污染是肯定的。 最小值为 0，除背景（不是样本站点）外，表明该站点被污染的概率为零。 这种可视化可以帮助食品行业的研究学术实验室和/或研究部门直观地评估污染并将其与环境条件（湿度、温度）、包装条件（空气包装、MAP 包装等）和其他相关参数联系起来。

图4.样品表面污染的合成图