基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

基于近红外光谱的生鲜猪肉新鲜度实时评估

目的 运用近红外光谱对生鲜猪肉新鲜度进行实时评估。方法 利用多通道可见近红外光谱系统, 获取了猪肉表面380~1080 nm波长范围内的漫反射光谱数据, 采用多元散射校正(MSC)和变量标准化(SNV)的预处理方法, 然后使用偏最小二乘回归建立猪肉新鲜度的预测模型, 进而对猪肉新鲜度进行评价。结果 采用变量标准化处理后的偏最小二乘回归模型相对比较稳定, 建模效果比较好。对挥发性盐基氮 (TVB-N)的验证集的相关系数达到0.91, 对pH值的验证集的相关系数达到0.93。最后利用该模型对猪肉新鲜度进行评定, 评定准确率达92.9%。结论 实验中运用多点的测量方式提高了近红外检测的精度和稳定性, 对于实时检测评估生鲜猪肉的新鲜度有很大的潜力。     

基于高光谱成像的蔬菜新鲜度检测初探

目的 利用高光谱成像技术对蔬菜新鲜度检测进行了初步探讨。方法 采集了小白菜、菠菜、油菜、娃娃菜这四种蔬菜的叶片, 分别在失水0、10、24、48 h的状态下, 利用成像光谱仪采集其光谱图像, 对蔬菜叶片进行对比分析。结果 蔬菜在失水过程中, 高光谱图像能反映其外观形态及内部叶绿素的变化, SPAD值预测模型的相关系数r=0.76。结论 利用高光谱成像来辨别蔬菜叶片新鲜度是可行的。     

基于近红外光谱的猪肉新鲜度无损检测 方法的改进

目的采用可见/近红外光谱技术,结合岭回归偏最小二乘对猪肉新鲜度进行定量分析。方法利用自行搭建的可见/近红外光谱检测系统,采集62个猪肉样品表面380~900 nm范围内的反射光谱数据,进行标准正态变量变换(standard normal variable transform,SNVT)预处理后,建立偏最小二乘(partial least square regression,PLSR)模型。利用模拟退火算法(simulated annealing,SA)和粒子群算法(particle swarm optimization,PSO)进行岭参数寻优,建立猪肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)的岭回归模型。结果所建模型的相关系数和误差分别为0.9819、1.2785 mg/100 g和0.9781、1.4628 mg/100 g。结论所建立的模型取得了较好的结果,利用岭回归偏最小二乘实现了对最小二乘估计的改良,更加验证了可见近红外光谱技术对猪肉新鲜度进行定量分析的巨大应用潜力。     

近红外光谱技术快速检测猪肉新鲜度指标的方法研究

采用傅里叶变换近红外光谱技术建立猪肉新鲜度指标色泽（L^*,a^*,b^*值）、挥发性盐基氮（TVB-N）、酸度（pH值）的快速检测方法。实验中采集了4000～10000cm^-1范围的近红外光谱,选取4800～9350cm^-1为分析区域,描述了谱峰的归属。以常规分析测定值为建模基础数据,采用偏最小二乘（PLS）回归法建立猪肉新鲜度指标定量分析模型,并考察了近红外光谱预处理方法对模型的影响。用校正集和验证集样本分析模型预测的准确性。L^*,a^*,b^*,TVB-N,pH预测模型结果显示:预测集均方根误差（RMSEP）分别为1.84,0.812,0.355,1.31,0.163,校正集均方根误差（RMSEC）分别为1.57,0.678,0.363,1.76,0.113,相关系数分别为0.8183,0.8776,0.9256,0.8231,0.8041。样本的预测值与真实测定值之间没有显著性差异（p>0.05）。采用近红外光谱法能满足猪肉新鲜度指标的同时测定,与传统的化学分析方法相比,该方法具有快速、无损、简单等特点。     

电子鼻检测猪肉新鲜度的研究

本实验用电子鼻技术检测了猪肉在不同实验条件下挥发性成分的变化,考察了保存温度和时间对猪肉挥发性成分的影响。通过对在5、15、25℃保存不同时间的猪肉样品进行电子鼻检测得出：电子鼻输出信号随采集时间的延长而增加,对输出信号与采集时间的关系进行数据分析,发现电子鼻输出信号与采集时间和采集时间的0．5次方呈线性关系,可以用其斜率表示各个样品的特征值;电子鼻输出信号的特征值随猪肉样品保存温度的升高而增加,也随保存时间的延长而增加。初步实验研究表明,在不同实验条件下,猪肉挥发性成分发生变化,电子鼻可检测到这些变化,因此可尝试用电子鼻技术评价猪肉新鲜度的变化。     

基于电子鼻的猪肉新鲜度的检测

为了探索电子鼻对猪肉新鲜度检测的可能性,以STM32和CC2430为核心设计了新型无线电子鼻,并对5种不同新鲜度的猪肉样品进行了分析。对数据进行平滑处理后提取稳态响应值,并分别利用主成分分析和概率神经网络建立新鲜度识别模型。结果表明,主成分分析的前2个主元累计贡献率达92.79%,分类效果明显;概率神经网络模型识别率达到100%。     

基于神经网络的冷却猪肉新鲜度测定

应用快速、准确的方法对冷却猪肉新鲜度进行测定。以挥发性盐基氮含量、肉浸液pH、液体电导率、肌红蛋白含量和色差仪a值等五项理化指标为自变量,以天数的改变为因变量,在Matlab操作平台下应用BP神经网络对新鲜度进行预报,并与感官评判方法及单独测定挥发性盐基氮方法进行比较。结果显示,BP神经网络最为准确,正确率达到87.5%。     

基于神经网络的冷却猪肉新鲜度测定

应用快速、准确的方法对冷却猪肉新鲜度进行测定。以挥发性盐基氮含量、肉浸液pH、液体电导率、肌红蛋白含量和色差仪a值等五项理化指标为自变量,以天数的改变为因变量,在Matlab操作平台下应用BP神经网络对新鲜度进行预报,并与感官评判方法及单独测定挥发性盐基氮方法进行比较。结果显示,BP神经网络最为准确,正确率达到87.5%。      

基于SVM方法的猪肉新鲜度分类问题研究

文中采取减压贮藏方式对新鲜猪肉进行了贮藏实验,测定了不同贮藏时间样品的挥发性盐基氮含量(TVB-N)、细菌总数、pH值及感官评价数据,并运用支持向量机(support vector machine,SVM)对这些样本数据进行训练,选取不同的核函数,得到SVM神经网络模型,随后利用此模型对测试数据进行猪肉新鲜度分类预测。实验表明,根据样本特性进行数据预处理,且选取合适的核函数后,SVM神经网络能得到极高的猪肉新鲜度正确分类率。     

高光谱成像技术检测肴肉新鲜度

建立阿胶中马和驴成分高特异、高灵敏的实时荧光聚合酶链式反应（polymerase chain reaction,PCR）检 测方法。选择马和驴线粒体基因tRNA-Thr及D-loop区为靶序列,设计合成特异引物,通过普通PCR和实时荧光PCR 检测,结果表明,这两对引物能够准确检测阿胶或动物胶中马和驴成分。     

基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析

为有效评价猪肉在贮藏过程中的品质变化,分析相同猪肉样品在相同环境条件下挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量与菌落总数（total viable count,TVC）的变化规律。结果显示,在4?℃冷藏15?d猪肉TVB-N含量与冷藏时间成“J”型变化规律,而TVC与冷藏时间成“S”变化规律。当TVB-N含量在第7.5天达到国家标准规定新鲜度限定值（15 mg/100 g）时,TVC已远超国家标准限定值（6（lg（CFU/g）））,达到7.92（lg（CFU/g））。当TVC在第5.5天达到国家标准限定值时,TVB-N含量仅为10.65?mg/100?g;即在相同贮藏条件下,依据国标TVC指标判定猪肉为“腐败肉”时,而根据TVB-N含量猪肉仍被判定为“新鲜肉”。在此基础上,利用可见-短波近红外高光谱反射技术采集猪肉高光谱数据,建立不同预处理的TVB-N含量与TVC偏最小二乘回归模型。结果表明,利用多元散射校正预处理建立的TVB-N含量模型与1阶导数预处理建立的TVC模型预测效果最好。Rp分别为0.957?2与0.968?2,预测集标准误差分别为2.802?5?mg/100?g与0.332?7（lg（CFU/g））,实测值的标准偏差与预测集的标准误差比值分别为3.093?7和3.434?1;外部验证集相关系数分别为0.928?3与0.930?5,标准误差分别为3.556?2?mg/100?g和0.515?7（lg（CFU/g））。本研究能为高光谱技术更好地应用于猪肉的品质检测提供一定理论依据。     

基于高光谱成像技术的进口冰鲜牛肉新鲜度指标检测

为了对进口冰鲜牛肉的新鲜度进行快速无损鉴别,通过高光谱成像技术结合化学计量学方法对冰鲜牛肉的新鲜度特征指标进行检测。首先测定不同新鲜度样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)、颜色参数(L^*、a^*、b^*)、脱氧肌红蛋白、氧合肌红蛋白和高铁肌红蛋白含量变化,通过显著性分析确定新鲜度特征指标。然后利用高光谱成像技术采集样品光谱和图像信息。利用光谱数据结合偏最小二乘法、区间偏最小二乘法和竞争自适应重加权-偏最小二乘法(competitive adaptive reweighted sampling-partial least squares,CARS-PLS)对特征指标含量进行预测,并对不同模型的预测结果进行比较。结果表明,TVB-N、a^*和b^*值这些特征指标的最佳预测模型均为CARS-PLS。模型的r_c分别为0.965 8、0.949 5、0.964 2,交叉验证均方根误差分别为1.06 mg/100 g、0....     

基于嗅觉可视化技术的猪肉新鲜度检测

嗅觉可视化技术是使非可见物质成像（主要是气体成像）的一种无损检测新技术,属人工嗅觉模拟技术的一个新分支.使用卟啉和pH指示剂作为嗅觉可视化传感器阵列的气敏材料,检测猪肉中的优势致腐菌和新鲜度.将3种优势致腐菌-梭状芽孢杆菌、热死环丝菌、假单胞菌-分别接种至3组猪肉样本中,在3种温度--16℃,.4℃和20℃-条件下分别贮藏不同的时间后,采用扫描仪获取可视化传感器阵列与每个样本反应前后的图像信息;将阵列反应前后的颜色差值作为样本特征值,对不同的猪肉样本经不同贮藏时间后产生的挥发性气味,可视化传感器阵列显示其特定的颜色图像与其对应.结果表明,嗅觉可视化技术可以用于检测猪肉的优势致腐菌以及判断猪肉的新鲜度.     

基于近红外光谱技术的带鱼新鲜度检测研究

采用傅里叶变换近红外光谱结合偏最小二乘法(PLS)建立了带鱼挥发性盐基氮(TVBN)、pH和菌落总数的定量分析模型。结果表明,TVBN、pH和菌落总数校正集相关系数(r)分别为0.9874、0.9315和0.9990,校正标准差(RMSEC)分别为0.810、0.0961和0.0344,交叉验证均方差(RMSECV)分别为1.81、0.148和0.459。验证集r分别为0.960、0.923和0.994,验证标准差(RMSEP)分别为5.178、0.333和0.823。本研究说明利用近红外光谱技术检测带鱼新鲜度是可行的,为鱼类新鲜度快速检测提供了理论依据。      

高光谱成像技术检测延边黄牛肉的新鲜度

为了提高黄牛肉的质量以及食用安全性,本研究采用高光谱成像技术对延边黄牛肉新鲜度进行检测。通过成像系统采集黄牛肉样品的高光谱图像,对高光谱图像做黑白校正处理,结合S-G滤波和均值滤波对处理后的高光谱图像进行去噪处理,并采用主成分分析法对高光谱数据进行降维。采用半微量定氮法测定延边黄牛肉的挥发性盐基氮含量,通过多个BP-ANN弱分类器组建强分类器,将延边黄牛肉的挥发性盐基氮含量输入强分类器中,以挥发性盐基氮含量为指标,根据分类结果实现延边黄牛肉新鲜度的检测。实验结果表明,当波长为700~750 nm时,延边黄牛肉的挥发性盐基氮含量最高,表明肉内部被破坏的程度较高,肉类的新鲜度越差;在第10~11 d时,延边黄牛肉TVB-N质量分数变化较为明显;采用所提方法对高光谱图像去噪后,信号频率由-15 d B^15 d B区间波动变为-5 dB^5 dB区间波动,信号的频率波动较小,趋于稳定,表明所提方法可有效的去除图像中存在的噪声;所提方法的检测结果准确率最高可达99%,具有较高的检测准确率,且去噪效果较好。     

高光谱成像技术对羊肉新鲜度的无损检测

为探究高光谱成像技术对羊肉新鲜度无损检测的可行性,通过高光谱成像系统获取羊肉样本935～2 539 nm的高光谱图像,测定羊肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量并划分样本新鲜度类别。借助连续投影法(successive projection algorithm,SPA)优选的12个特征波长建立基于反向人工神经网络(back-propagation artificial neural network,BPANN)和分类回归决策树(classification and regression trees,CART)算法的羊肉新鲜度判别模型。结果表明,BPANN模型对校正集和预测集的平均分类准确率为100%和83. 33%,对3个新鲜度类别样本的识别率分别为88. 89%、75%和85. 71%;CART模型对校正集和预测集的平均分类准确率为100%和91. 67%,对3个新鲜度类别样本的识别率分别为88. 89%、87. 50%和100%。CART模型的平均分类准确率和对3个类别样本的识别率均高于BPANN模型,表明高光谱成像技术结合C...     

基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

以400~1 000nm高光谱系统获得鸡蛋样本的高光谱图像,利用蒙特卡洛法检测异常样本,采用不同预处理方法处理原始光谱;应用竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传偏最小二乘法(Genetic Algorithms PLS,GAPLS)和间隔蛙跳法(Interval Random Frog,IRF)对预处理后光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)鸡蛋新鲜度预测模型。结果表明:标准正态变量变换(Standardized Normal Variate,SNV)法为最优预处理方法;利用CARS、GAPLS和IRF分别选出8,35,74个特征波长;基于GAPLS提取的特征波长的LS-SVM模型最优,其校正相关系数(Rc)为0.899,预测相关系数(Rp)为0.832。表明基于高光谱成像技术的鸡蛋新鲜度无损检测是可行的。     

猪肉新鲜度指示标签的制备及应用

基于猪肉在腐败过程中产生的挥发性含氮化合物会使包装中气体酸碱性发生变化的原理,以甲基纤维素和聚乙二醇-6000为基材,添加溴甲酚紫、溴百里酚蓝等酸碱指示剂,最终制得6 种方便、无损的新鲜度指示标签。将标签置于不同质量浓度的NH3环境中,6 种标签的颜色均发生显著变化,且随NH3质量浓度的增加而差异变化明显;将标签应用于生鲜猪肉贮存中,通过测定4 ℃条件下不同贮存时间猪肉各项腐败指标以及指示标签的颜色变化,探究其用于监测生鲜猪肉新鲜度的可行性。结果表明：初始pH值为4.24的溴甲酚紫指示标签可较好地区分出猪肉的3 个新鲜度等级;利用此标签的颜色测定数据建立偏最小二乘模型,对挥发性盐基氮含量和菌落总数进行预测的回归系数（R2）均大于0.92,通过标签颜色变化可以判断猪肉新鲜度。     

猪肉新鲜度智能检测分级系统研究

对表征猪肉新鲜度的氨气和硫化氢气味、图像颜色值、脂肪细胞数和细菌菌斑信息特征量进行检测,通过神经网络技术研究非相干微量参数的多数据融合检测方法,以总挥发性盐基氮(TVB-N)值序列作为SOM网络的输入,利用SOM 神经网络对TVB-N 值序列进行聚类研究,将新鲜度细分为5 个等级,实现了新鲜度等级划分与国家标准和感官检验相一致的结果,从而实现对猪肉新鲜度检测分级辨识。