高光谱图像技术定量检测香醋醋醅水分分布均匀性

水分含量是影响镇江香醋醋醅发酵的重要因素,探索醋醅中水分分布均匀性的定量描述方法,可为精确调控香醋发酵工艺提供科学依据。利用高光谱图像技术检测醋醅中水分含量的二维分布图,以水分分布图的标准差作为定量指标,首次提出醋醅水分分布均匀性的定量描述方法。首先利用醋醅高光谱图像信息结合遗传算法建立水分含量检测模型;其次提取各像素点对应的高光谱图像信息代入水分含量检测模型,快速计算出所有像素点对应的水分含量,从而描绘醋醅水分含量二维分布图;最后计算水分含量分布图的标准差,以此定量表征各像素点水分含量与所有像素点水分含量均值之间的离散程度,两者之间离散程度越小,水分分布越均匀。研究表明:高光谱图像技术定量分析醋醅水分分布均匀性是可行的,为定量描述固态发酵关键指标的分布均匀性提供了新的检测手段。     

基于超声成像技术的火腿肠等级判别

本研究通过超声成像技术实现火腿肠的等级判别,利用火腿肠的蛋白质、脂肪、淀粉等理化指标,将其分为特级、优级、普通级。分别采集3个等级的火腿肠共120份超声图像信息,提取图像的角二阶矩、熵、平均值等常见纹理特征值。然后利用主成分分析(PCA)结合K-最近邻法(KNN)和最小二乘支持向量机(LS-SVM)化学计量学方法建立基于纹理特征的火腿肠等级判别模型。结果表明:不同等级火腿肠的超声图像差异明显,且超声图像的纹理特征值差异显著(P0.05)。建立的识别模型中,LS-SVM模型的校正集识别率为100%,预测集识别率为94.87%;KNN模型优于LS-SVM模型,当主成分数为2,K为1时,KNN模型对应的校正集识别率为97.53%,预测集识别率为97.44%。超声成像技术可实现火腿肠等级的快速准确识别,研究结果可为超声成像技术在火腿肠等级判别方面的应用提供参考。     

基于高光谱技术的乳杆菌快速鉴别

乳杆菌可发酵糖类产生乳酸,是乳酸发酵食品中的优势菌群。乳杆菌的快速鉴别有利于监控菌群的组成及其在发酵过程的变化情况,保障发酵食品的品质。本文尝试用高光谱技术快速表征5种乳杆菌(短乳杆菌、干酪乳杆菌、植物乳杆菌、发酵乳杆菌、罗伊氏乳杆菌)的光谱差异,结合化学计量学方法对乳杆菌进行快速鉴别。首先采集5种乳杆菌菌落在431~963 nm范围的高光谱反射图像,利用ENVI软件对高光谱数据进行预处理及光谱信息提取。利用主成分分析法(PCA)表征5种乳杆菌菌落的光谱特征,结合K-最近邻法(KNN)和误差反向传播神经网络(BP-ANN)建立5种乳杆菌的鉴别模型。结果表明,当主成分为5时BP-ANN模型的效果最优,对应的校正集识别率为100%,预测集识别率为96.23%。     

基于超声成像技术的方腿中异物检测

研究提出了方腿异物的反射超声成像检测方法,实现了异物的无损检测。首先利用扫描超声成像系统测量方腿声学参数,获得不同尺寸方腿(3 mm×3 mm、5 mm×5 mm及10 mm×10 mm)、深度(5,10,15 mm)处异物(金属、玻璃、塑料)的反射超声图像;根据方腿及异物在回波信号和超声图像中的差异,对方腿中异物进行判别分析。结果表明,空白方腿(不含异物)与含异物方腿在回波信号上差异显著,含异物方腿较无异物方腿的回波信号多一个明显回波峰,可进行异物深度检测;无异物方腿与含异物方腿的超声图像差异显著,以5 mV的声波强度为判断阈值,对所有方腿内部超声图像中的异物检测准确率达96.29%;利用平均声波反射强度、面积检出率及常见纹理特征值为特征变量,采用最小二乘支持向量机进行异物识别,当主成分数为6时,模型的识别率最高为81.67%,具有良好的识别效果。本研究提供了一种直观、简便的方腿异物检测方法,为食品中异物的检测提供了新思路。     

基于高光谱图像技术的固态发酵中芽孢杆菌的快速识别

利用高光谱图像技术结合模式识别方法,研究了镇江香醋固态发酵中产酸芽孢杆菌的快速识别方法。筛选3种芽孢杆菌为标准菌,以标准菌生长12 h的菌落为研究对象,利用高光谱成像系统采集图像:提取感兴趣区域(20×20)单菌落平均光谱共120条,并SNV预处理,采用主成分分析(PCA)从每幅图像优选3幅特征图像,并从每幅特征图像提取4个基于灰度共生矩阵的纹理特征变量;对光谱和图像纹理的特征变量均进行PCA,分别提取合适的主成分构建BP-ANN和KNN识别模型。其中,光谱模型识别效果优于图像模型,且BP-ANN光谱模型识别效果最优,对校正集和预测集样本的识别率分别为98.70%和97.78%,主成分因子数为5。研究表明,菌落内部特征是识别菌种属的关键,且利用高光谱图像技术识别细菌具有可行性,且快速简便。     

基于近红外光谱技术的海参品质快速检测

目的应用近红外光谱技术建立海参产地区分和胶原蛋白快速检测的方法。方法总计43个海参样品来自大连、福建、连云港、山东4个地区。首先采集样品的近红外光谱图,经过标准正态变量(standard normal variables,SNV)预处理,利用不同定性判别模型对海参产地进行区分。通过分光光度计法测定海参的胶原蛋白含量,利用偏最小二乘法(partial least squares,PLS)、区间偏最小二乘法(interval partial least squares,iPLS)、向后区间偏最小二乘法(backwards interval partial least squares,BiPLS)和联合区间偏最小二乘法(synergy interval partial least squares,Si PLS)建立了海参胶原蛋白含量的预测模型。结果产地区分模型中最小二乘支持向量机(least-squares support vector machine regression,LS-SVM)的识别率最高,校正集识别率为100%,预测集识别率为95.35%;海参胶原蛋白预测模型中BiPLS的预测效果较好,校正集相关系数Rc为0.9002,预测集相关系数Rp为0.8517。结论近红外光谱技术可实现对海参的产地区分和胶原蛋白的快速检测。