基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400¹000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法（SPXY）划分样本的校正集和预测集。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;后采用主成分回归法（PCR）和支持向量机回归法（SVR）建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正（OSC）预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。      

猪肉中挥发性盐基氮含量光谱检测模型的修正方法

目的 研究猪肉新鲜度指标挥发性盐基氮(TVB-N)含量检测模型修正方法, 以提高光谱校正模型对不同品种猪肉样品的适用性。方法 建立基于偏最小二乘回归(PLSR)的杜长大猪肉TVB-N模型, 采用光谱信号补正与模型更新两种方法对该模型进行修订, 比较修正后杜长大模型对恩施山猪样本的预测效果。结果 建立的杜长大猪肉样本模型预测决定系数R2p为0.884, 预测标准差RMSEP为1.792, 将此模型用于预测恩施山猪TVB-N值, R2p为0.552, RMSEP为4.733。修正后的杜长大猪肉样本模型预测恩施山猪TVB-N值时, R2p分别提高到0.964和0.943, RMSEP分别降低为1.329和1.885。结论 光谱信号补正和模型更新方法均能有效改善模型预测性能, 提高模型适应性。     

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。     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

基于近红外技术测定不同鲜肉中挥发性盐基氮含量

目的 应用近红外光谱技术快速检测猪肉、羊肉和牛肉的挥发性盐基氮含量。方法 本实验采集各种肉类的近红外光谱, 运用偏最小二乘法(partial least squares, PLS), 光谱经多种不同预处理方式并通过比较选择最优处理后, 建立挥发性盐基氮含量的近红外校正模型。结果 猪肉选择一阶导、S-G平滑方式, 羊肉选择二阶导、S-G平滑方式, 牛肉选择一阶导、Norris平滑方式。猪肉、羊肉和牛肉的挥发性盐基氮建模集相关系数分别为0.9069、0.9106和0.9587, 方根误差分别为1.12、1.64和2.20。结论 所建立的模型取得了较好的结果, 验证了近红外光谱技术对猪肉、羊肉和牛肉挥发性盐基氮进行定量分析的巨大应用潜力。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行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400¹000 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。      

高光谱成像技术定量可视化检测熟牛肉中挥发性盐基氮的含量

为了能够快速、准确的检测出熟牛肉在冷藏过程中的新鲜状况,尝试利用高光谱成像技术对熟牛肉中的挥发性盐基氮(TVB-N)含量进行定量可视化分析。采集400~1000 nm范围内样品高光谱图像,采用变量组合集群分析法(VCPA)提取出6个光谱特征波段变量,针对特征波段图像,利用Tamura算法共提取出18个纹理特征变量,基于RGB颜色模型,分别计算出R、G和B分量图中共9个颜色特征变量。利用粒子群优化最小二乘支持向量机(PSO-LS-SVM)算法分别建立了不同变量组合的TVB-N含量预测模型。经分析比较,基于光谱与颜色特征融合的PSO-LS-SVM模型展现出最优的预测能力,预测集决定系数(R2p)和均方根误差(RMSEP)分别为0.955和1.093。利用最优模型将TVB-N含量进行可视化表达。结果表明,融合高光谱图像中光谱与颜色特征并结合PSO-LS-SVM算法对熟牛肉中TVB-N含量进行准确的预测与可视化表达是可行的,该研究可为其它肉及肉制品新鲜度检测提供理论参考。     

局部偏最小二乘法结合可见-近红外光谱预测猪肉挥发性盐基氮

以两个批次的猪肉为实验样品,开展局部偏最小二乘法结合双波段可见-近红外光谱预测挥发性盐基氮的研究,以改善模型预测不同批次样品时效果不佳的问题。提出基于距离、信息测度和投影的相似性度量方法,通过对欧式距离和光谱信息散度-光谱角（spectral information divergence-spectral angle,SID-SAM）进行加权求和,构建评价不同样品相似性的相似度函数,定义相似度因子（SM）,通过最小化代价函数确定建立局部模型的邻域窗口。以第1批样品为建模基础集,通过对欧式距离和SID-SAM的权重及SM进行参数寻优,针对第2批次中每个样品建立局部偏最小二乘模型。结果显示,与利用第1批样品建立的模型直接预测第2批样品的结果相比,预测效果有明显提高,相关系数R从0.845 6上升至0.948 1,预测误差从4.581 0 mg/100 g下降至2.650 8 mg/100 g。这表明利用提出的相似度函数和相似度因子,可根据待测样品的光谱特征,实时动态选择相似的局部空间,建立的局部偏最小二乘模型能有效提高对外部验证样品的预测能力。     

气相红外光谱无损检测臭鳜鱼中挥发性盐基氮

挥发性盐基氮(total volatile basic nitrogen,TVB-N)是衡量臭鳜鱼新鲜度的一项重要指标,而现有检测方法存在速度慢、对样品破坏性强的局限性。为实现TVB-N快速无损检测,该文利用气相傅里叶变换红外光谱获取不同贮藏条件下臭鳜鱼挥发物的光谱信息,采用高斯滤波、稳健局部加权回归(robust locally weighted regression,RLWR)、小波阈值去噪、模拟退火-偏最小二乘(simulated annealing-partial least squares,SA-PLS)等方法进行光谱预处理,偏最小二乘回归和支持向量回归算法构建预处理光谱与TVB-N之间的关联性模型。结果表明,与其它模型相比,经RLWR结合SA-PLS选择的特征波长光谱可建立最优预测模型,其决定系数(decision coefficient,R_p²)和相对预测误差分别为0.942 8和4.005 0,具有较高的精准度与鲁棒性。     

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。     

高光谱图像感兴趣区域对苹果糖度模型的影响

高光谱图像技术作为一种强有力的新兴技术,已应用于食品农产品品质与安全检测研究,然而高光谱图像中感兴趣区域形状大小的选择直接影响着检测的精度和稳定性。首先采集苹果330~1100 nm的高光谱图像,分别提取不同大小的圆形感兴趣区域和方形感兴趣区域的平均光谱,经光谱预处理以消除噪声及无关信息的影响,然后采用偏最小二乘法分别建立苹果的糖度定量分析模型,并以独立样本的预测集进行验证,分析感兴趣区域形状大小对高光谱图像建模精度的影响。结果表明,提取直径为150像素的圆形感兴趣区域建立的苹果糖度模型精度最高,预测能力最强,校正集相关系数Rc为0.9305,校正均方根误差RMSEC为0.4331,预测集相关系数Rp为0.9232,预测均方根误差RMSEP为0.4568。研究表明,针对研究对象选择合适形状和大小的感兴趣区域,对提高模型精度、发挥高光谱图像的技术优势具有重要意义。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。