Prof. dr. sc. Branko Glamuzina, Odjel za primijenjenu ekologiju Sveučilišta u Dubrovniku, objavio je, u koautorstvu s kineskim kolegama sa Sveučilišta za Agrikulturu (College of Engineering, China Agricultural University, Beijing, PR China) znanstveni rad ‘Supervised learning-based artificial senses for non-destructive fish quality classification‘ u časopisu Biosensors and Bioelectronics, indeksiranom u prvom kvartilu (Q1) baze Web of Science (WoS). Časopis Biosensors and Bioelectronics ima IF – čimbenik odjeka 10,7, te je rangiran kao sedmi časopis 7/174 u kategoriji Biotechnology and Applied Microbiology i kao drugi  2/77 u kategoriji Biophysics.

Saeed, Rehan; Glamuzina, Branko; Tuyet Nga, Mai Thi; Zhao, Feng; Zhang, Xiaoshuan. 2025. Supervised learning-based artificial senses for non-destructive fish quality classification. Biosensors and bioelectronics, 267, 116770; 1-12. doi: 10.1016/j.bios.2024.116770

Ovim znanstvenim radom nastavlja se suradnja Sveučilišta u Dubrovniku, Odjela za primijenjenu ekologiju u interdisciplinarnim istraživanjima vezanim za akvakulturu i kvalitetu proizvoda akvakulture i ribarstva sa znanstvenicima Sveučilišta za Agrikulturu iz Pekinga, koja je započeta kroz hrvatsko-kineski bilateralni projekt Ministarstva znanosti i obrazovanja Republike Hrvatske 2018. godine.

Članak se može pronaći na poveznici: https://www.sciencedirect.com/science/article/abs/pii/S0956566324007760

Sažetak

Ljudske senzorne tehnike su neadekvatne za automatiziranje praćenja kvalitete morskih plodova i održavanje kontroliranih uvjeta skladištenja u cijelom opskrbnom lancu. Dinamičko praćenje jednog indeksa kvalitete ne može predvidjeti gubitke svježine, što značajno smanjuje prihvatljivost kod potrošača. Po prvi put, potpuni umjetni senzorski sustav dizajniran je za ranu detekciju i predviđanje kvalitete ribe. U hladnim skladištima kakvoća kalifornijske pastrve pratila se plinskim senzorima, pH metrom, kamerom i TVB-N analizom. Nakon pred obrade podataka, korelacijska analiza identificira ključne parametre kao što su trimetilamin, amonijak, ugljični dioksid, tvrdoća i ljepljivost za unos u neuronsku mrežu. Korištenjem ključnih parametara plina i teksture, postiže se točnost predviđanja od oko 99 %, čime se precizno klasificiraju svježe i pokvarene pastrve. Regresijska analiza identificira nekoliko praznina zbog manjeg broja skupova podataka za obuku modela, što se u budućnosti može smanjiti korištenjem tehnika učenja u nekoliko koraka. Međutim, više parametarsko spajanje teksture s plinovima omogućuje rano otkrivanje gubitka svježine i pokazuje potencijal potpunog automatiziranja lanca opskrbe hranom.

Abstract

Human sensory techniques are inadequate for automating fish quality monitoring and maintaining controlled storage conditions throughout the supply chain. The dynamic monitoring of a single quality index cannot anticipate explicit freshness losses, which remarkably drops consumer acceptability. For the first time, a complete artificial sensory system is designed for the early detection of fish quality prediction. At non-isothermal storages, the rainbow trout quality is monitored by the gas sensors, texturometer, pH meter, camera, and TVB-N analysis. After data preprocessing, correlation analysis identifies the key parameters such as trimethylamine, ammonia, carbon dioxide, hardness, and adhesiveness to input into a back-propagation neural network. Using gas and textural key parameters, around 99 % prediction accuracy is achieved, precisely classifying fresh and spoiled classes. The regression analysis identifies a few gaps due to fewer datasets for model training, which can be reduced using few-shot learning techniques in the future. However, the multiparametric fusion of texture with gases enables early freshness loss detection and shows the capacity to automate the food supply chain completely.