Little research has been reported on the use of visible and near infrared spectroscopy for the prediction of meat quality classes. Therefore, in this study hyperspectral reflectance measurements ranging from 350 to 2500 nm were made with the help of a spectroradiometer on fresh pork loin samples belonging to four different quality classes (Red, firm, non-exudative: RFN; Pale, firm, non-exudative: PFN; Red, soft, exudative: RSE and; Pale, soft and exudative: PSE). The samples were collected from a local cutting house in Quebec, and they were classified by a meat specialist. Data collected from the samples was analyzed using a stepwise approach to identify wavebands useful in differentiating pork quality classes. Discriminant Analysis was used to evaluate the usefulness of the selected wavebands and to classify meat samples into four quality classes. An overall classification accuracy of 76% was obtained for the prediction of pork meat quality classes for unseen data. These results confirmed the possibility of the prediction of meat quality classes rather than the prediction of quality attributes, as is commonly reported in literature. Various classification methods have been used to utilize hyperspectral data for meat quality evaluation. Selection of the best method is crucial in extracting the valuable information contained in hyperspectral observations. Therefore, the performance of four classification methods, Artificial Neural Networks, Decision Trees, k-Nearest Neighbor, and Discriminant Analysis, was compared in classifying pork meat quality using hyperspectral data. Models were developed to sort meat into four quality classes (PFN, RFN, RSE, and PSE), into two classes (pale and red), and finally further into two classes (soft and exudative, and firm and non-exudative) within the pale and red meat samples. Overall, the Discriminant Analysis achieved the highest classification accuracy for sorting meat into four quality classes, its performance was followed b / L'utilisation de la spectroscopie visible et infrarouge pour la qualification et la classification de la viande a fait l'objet de peu de recherche jusqu'à présent. Dans cette étude, avec l'aide d'un spectroradiomètre, des mesures de facteurs de réflexion hyperspectrale entre 350 et 2500 nm ont été faites sur des filets de porc frais appartenant à quatre différentes catégories (RFN: rouge, ferme, non-exsudatif; PFN: pâle, ferme, non-exsudatif; RSE: rouge, tendre, exsudatif; et PSE: pâle, tendre, exsudatif.) Les échantillons à analyser, fournit par un abattoir du Québec ont d'abord été classés par un spécialiste en viande. Les données recueillies sur les échantillons furent analysées afin de déterminer les longueurs d'onde significatives pour différencier les quatre catégories de viande porcine. L'analyse discriminante a servi afin d'évaluer l'efficacité des longueurs d'onde sélectionnées et de classer la viande dans les quatre catégories. Au total, les prédictions du modèle utilisé pour la classification d'échantillons inédits se sont avérées juste dans 76% des cas. Cette thèse se distingue par des résultats qui confirment non seulement la possibilité de qualifier une viande mais également de prédire la catégorie à laquelle elle appartient. En ce qui à trait à l'analyse de données hyperspectrales, plusieurs méthodes sont utilisées, d'où la nécessité de choisir la méthode la plus appropriée afin d'extraire l'information essentielle dans les données recueillies. Les méthodes suivantes: réseau de neurones, arbre de décision, k plus proches voisins et analyse discriminante ont été évaluées selon leur performance à classer la viande de porc en utilisant les données hyperspectrales fournies. Les modèles furent développés afin de classer la viande dans l'une des quatre catégories (PFN, RFN, RSE, et PSE) puis en deux sous-catégories (pâle/rouge) et ensuite en deux groupes (tendre et exsudatif/ferme et n
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.18744 |
| Date | January 2008 |
| Creators | Monroy, Mariana |
| Contributors | Michael O Ngadi (Supervisor2), Shiv Prasher (Supervisor1) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Master of Science (Department of Bioresource Engineering) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0021 seconds