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.