生鲜猪肉细菌总数的高光谱特征参数研究

目的 通过对高光谱数据进行洛伦兹拟合参数的分析, 讨论高光谱技术对生鲜猪肉细菌总数预测的可行性。方法 63个猪肉样品贮存于4 ℃冰箱中, 每天随机取出4块样品, 在400~1100 nm波长范围内获取猪肉表面的高光谱散射图像, 从高光谱图像中提取猪肉的反射光谱曲线, 利用洛伦兹函数进行拟合, 然后用单参数和不同参数结合的方法建立多元线性回归模型。结果 多参数结合的方法比单个参数建立的模型更好, 最好的模型结果是三个参数结合建立模型, 校正集相关系数为0.96, 标准差为0.42; 预测集相关系数为0.89, 标准差为0.46。结论 利用高光谱成像技术结合洛伦兹函数对快速检测猪肉细菌总数具有一定的可行性。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉(1~8 d)表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归(PLSR)模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数(Rp)和均方根误差(RMSEP)分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。     

肉品挥发性盐基氮的高光谱无损快速检测

建立利用高光谱成像技术对生鲜猪肉的挥发性盐基氮含量进行快速无损伤检测的方法。方法 利用400~1100 nm光谱范围的高光谱成像系统, 获取猪肉表面的高光谱图像信息, 通过洛伦兹函数对其表面的扩散信息进行拟合, 结合偏最小二乘回归和多元线性回归两种方法, 分别建立预测猪肉TVB-N含量的预测模型。结果 利用洛伦兹三参数组合[abc]结合MLR方法建立预测猪肉TVB-N含量的模型效果优于PLSR模型, 预测相关系数达到0.90, 标准差为4.67。结论 高光谱成像技术可以快速无损伤检测肉品挥发性盐基氮。     

基于支持向量机的牛肉嫩度等级评价模型研究

目的 利用VIS/NIR反射光谱建立基于支持向量机的生鲜牛肉嫩度等级的评价模型。方法 以牛肉背最长肌为研究对象, 选取样本58个, 在牛肉新鲜切口处采集波长范围400~1700 nm的反射光谱信息, 使用肉类嫩度测量仪测量牛肉剪切力值, 应用支持向量机(SVM)模型评价牛肉嫩度等级。结果 应用SVM模型可以较好地实现对牛肉嫩度等级的评价。尤其是经主成分分析降维预处理, 结合径向基核函数SVM, 对牛肉训练集嫩度等级的回判率达到95%, 对样品校正集判别的准确率进一步提高至83.3%。结论 SVM模型对牛肉嫩度等级评价结果较好, 进行主成分分析后, 判别结果有所提高。     

一种基于高光谱图像的熟牛肉TVB-N含量预测方法

传统肉制品新鲜度检测方法具有耗时费力、效率低、有损等缺陷,提出利用高光谱成像(HSI)技术预测熟牛肉新鲜度指标挥发性盐基氮(TVB-N)含量。首先通过HSI系统获取熟牛肉样本的高光谱数据,并进行黑白校正。进而采用移动平均平滑和多元散射校正对高光谱数据进行预处理。最后采用支持向量回归(SVR)方法分别建立基于全光谱特征、单一光谱特征、单一纹理特征、主成分分析(PCA)融合特征对TVB-N含量的预测模型。结果显示,使用PCA融合特征的SVR模型,对新鲜度的关键指标TVB-N含量的平均预测准确度(APA)可达到85.13%,表明高光谱成像技术与信息融合技术相结合能够提升模型准确度。     

基于高光谱技术苹果硬度快速无损检测方法的建立

目的 利用高光谱技术建立苹果内部品质无损检测的方法。方法 将高光谱图像的光谱信息和空间信息结合, 采用洛伦兹函数对苹果高光谱的空间散射曲线进行拟合, 提取拟合曲线的相关参数, 利用拟合参数对苹果硬度进行建模分析。结果 拟合曲线与原散射曲线的相关系数R达到0.99以上。分析比较多种统计建模方法对不同拟合参数的建模效果, 结果表明: 在524~1016 nm波段范围内, 利用偏最小二乘法(partial least squares, PLS)对拟合曲线的峰值建立硬度的预测模型, 校正集预测值与标准值的相关系数Rc=0.89, 校正集标准误差SEC=0.71×105 Pa, 验证集预测值与标准值的相关系数Rv=0.88, 验证集标准误差SEV=0.88×105 Pa。结论 利用高光谱散射成像技术, 采用偏最小二乘的方法对拟合峰值建模, 可以实现苹果硬度的快速无损检测。     

基于反射光谱特征的牛肉嫩度预测模型研究

旨在研究牛肉反射光谱在不同波段范围内的特征,筛选与牛肉剪切力值相关性大的敏感波段,优选牛肉剪切力值的预测模型。实验采用双通道光谱仪采集72块牛肉样品的反射光谱曲线,对原始光谱及剪切力值进行相关性分析,应用联合区间偏最小二乘法(Si-PLS)和遗传算法(GA)筛选敏感波段,建立牛肉剪切力值的偏最小二乘回归(PLSR)预测模型,并对模型进行了优选。结果表明:实验所用2个波段光谱均能实现对牛肉剪切力值的预测,在(400~1000)nm波段建立的预测模型结果较好,在可见光范围内光谱信号与剪切力值呈较大的正相关性,当联合9个子区间作为输入变量时建立PLSR模型的预测相关系数R和均方根误差分别达到0.8598和6.0141,模型的RPD值为1.91。应用遗传区间偏最小二乘法(GA-i PLS)在已选的9个子区间内再次筛选变量,所建立模型的验证集相关系数为0.8883,均方根误差为5.5665,RPD值达到了2.06。研究结果表明,可见近红外反射光谱可以实现对牛肉嫩度的较好预测,基于特征波段的预测模型可以为牛肉嫩度在线快速检测提供理论依据。     

不同分集方法对牛肉嫩度高光谱检测模型的比较

选用牛肉嫩度作为研究对象,开展了4种不同样品集划分方法的选取对其高光谱模型的影响研究。首先选取了70个具有代表性的牛肉样品并提取其肌肉感兴趣区域(ROIs)的光谱,比较分析了浓度梯度法(C-G)、随机法(R-S)、Kennard-Stone(K-S)和光谱-理化值共生矩阵法(SPXY)获取的校正集建立的牛肉嫩度PCR和PLSR模型效果。结果表明:在PCR和PLSR中,SPXY均为最适的样品分集方法,并且4种样品集划分方法下的PLSR模型效果均较优。最优模型SPXY-PLSR校正集的相关系数(Rcal)和均方根误差(RMSEC)分别为0.94和0.48,预测集的相关系数(Rp)和均方根误差(RMSEP)分别为0.93和0.63。研究表明SPXY方法结合高光谱PLSR模型能够实现牛肉嫩度的快速无损检测。