# Rindfleisch-Benchmark elektronischer Nasen ergab niedrigere Werte bei vollständig zurückgehaltenen Proben > Eine Foods-Neuanalyse von zwölf Fleischstücken trennte vollständige Sensoraufnahmen im Test. Merkmalszusammenfassungen erklärten einen großen Teil des Unterschieds zwischen Baum- und neuronalen Modellen. URL: https://foodradar.org/de/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models Sprache: de Autor: FoodRadar Editorial Veröffentlicht: 2026-10-19T06:00:10.000Z Aktualisiert: 2026-10-25T01:38:37.766Z Veröffentlichungsdatum der Quelle: 2026-08-10 Kategorie: Technologie English: https://foodradar.org/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models Türkçe: https://foodradar.org/tr/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models Español: https://foodradar.org/es/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models Italiano: https://foodradar.org/it/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models Русский: https://foodradar.org/ru/leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models ## Zwölf Stücke, getrennt getestet Eine am 10. August 2026 in Foods veröffentlichte Studie von Erkan Caner Ozkat analysierte öffentliche Daten elektronischer Nasen zur Rindfleischfrische erneut. Der Hauptdatensatz enthält zwölf Fleischstücke, erfasst mit elf Metalloxid-Gassensorkanälen. Jeder Test hielt ein vollständiges Stück zurück und trainierte auf den übrigen; die Gesamtkeimzahl TVC bestimmte die Frischeklassen, war aber von den Modelleingaben ausgeschlossen. Über diese Tests erreichte die Gradient-Boosting-Baumpipeline eine Genauigkeit von 0,81 ± 0,10 und einen Makro-F1 von 0,68 ± 0,15. Das neuronale Netz für Rohsequenzen erreichte 0,50 ± 0,15 Makro-F1. Wurde dasselbe Netz stattdessen mit zufälligen Aufteilungen bewertet, stieg der Makro-F1 auf 0,97. Ein separater Vergleich mit TVC als Eingabe ergab nahezu perfekte Random-Forest-Genauigkeit; der Autor weist nicht nach, dass diese Verfahren das Ergebnis einer bestimmten früheren Veröffentlichung verursacht haben. ## Merkmale und weniger Sensorkanäle Ein neuronales Netz mit denselben Fensterzusammenfassungen wie der Baum erreichte 0,64 ± 0,17 Makro-F1, ohne statistisch signifikanten Unterschied zum Baum im gepaarten Vergleich. Eine innerhalb der Trainingsfaltungen ausgewählte Fünf-Kanal-Teilmenge erreichte 0,64 Makro-F1 gegenüber 0,68 für die vollständige Anordnung; auch dieser Unterschied war nicht signifikant. Laut Autor muss eine physisch reduzierte Anordnung noch gebaut und validiert werden. Separate Kaffee- und Aromadatensätze prüften die Rolle reichhaltigerer Heizprofilsignale. Bei der Kaffeeaufgabe übertraf ein positionsbewusstes neuronales Netz den Baum; bei einer Reduktion des Profils auf einen Schritt kehrte sich der Vorteil um. Bei der Aromaaufgabe mit sieben Klassen blieb der Baum stärker. Der Autor beschreibt diese Daten als Vergleiche der Signalstruktur und nicht als zusätzliche Fleischqualitätsvalidierung. ## Referenzdaten und Übertragungsgrenzen Zehn der zwölf Stücke teilen eine teilweise identische TVC-Referenzreihe. Der Autor unterscheidet deshalb eine Validierung über zwölf Sensoraufnahmen von einer Validierung über zwölf unabhängige mikrobielle Verläufe. Bei einer separaten Rindfleischaufnahme betrug der Übertragungs-Makro-F1 0,40 für den Baum und 0,46 für das neuronale Netz. Der Autor berichtet, dass eine geräteweise Standardisierung das Netz mithilfe unbeschrifteter Aufnahmen des Zielgeräts verbesserte. Der Autor fordert breitere Validierung über Labore, Lagerbedingungen und längere Zeiträume und weist darauf hin, dass die 37-stündigen Aufnahmen keine langfristige Sensordrift charakterisieren können. Der Beitrag beschreibt TVC als Frischemaß und nicht als Maß für vorhandene Krankheitserreger oder Toxine. Gefördert wurde die Studie von der Entwicklungsstiftung der Recep-Tayyip-Erdoğan-Universität, Fördernummer 02026007008461; der Autor erklärte keine Interessenkonflikte. ## Quelle und Lizenz Quelle: Erkan Caner Ozkat. Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection. Foods (2026), 15, 2798. DOI: 10.3390/foods15162798. © 2026 Der Autor. CC BY 4.0. FoodRadar erstellte, redigierte und übersetzte diese Zusammenfassung ins Deutsche. ## Quellen und Nutzungsrechte - [Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection](https://doi.org/10.3390/foods15162798?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models-de). Foods. Erkan Caner Ozkat (2026). Leakage-Free Benchmarking of Electronic Noses for Beef Freshness: A Signal-Richness Criterion for Model Selection. Foods 15(16), 2798. DOI: 10.3390/foods15162798. © 2026 by the author. CC BY 4.0. Adapted, edited and translated by FoodRadar. [CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=leakage-free-benchmarking-reveals-realistic-accuracy-limits-for-electronic-nose-beef-freshness-models-de-license). Von FoodRadar übersetzt und bearbeitet. [Redaktionelle Grundsätze](https://foodradar.org/de/editorial-policy)