方案摘要
方案下载| 应用领域 | 食品/农产品 |
| 检测样本 | 熟肉制品 |
| 检测项目 | |
| 参考标准 | / |
熟牛肉需求大但易变质，需安全分级检测。研究利用高光谱成像技术预测熟牛肉新鲜度，通过光谱信息分析实现无损检测，预处理后的光谱数据建立的预测模型性能更优，实现了熟肉制品新鲜度的快速检测。
在众多肉类食品中，牛肉因其高蛋白、低脂、维生素及矿物质含量高等高度符合现代人对肉品营养的需求，受到大多数消费者的青睐。随着人们生活步伐加快，传统熟牛肉制品也变成一种超市和熟食店的常见食品，需求量和销售量也在增大。然而在实际生活中，市面上所销售的熟牛肉大多数为散装，加之其富含高蛋白、高水分，故在低温存储过程中，极易滋生微生物而使其腐败变质。因此，基于合理有效的牛肉质量的分级标准和体系,寻求可靠的牛肉品质安全分级检测手段，已经成为正确之道牛肉市场发展方向的当务之急。
高光谱图像又称超立方(hypercube),是由一串连续波长λ下的二维空间图像(x,y)所构成的三维数据块(x,y,λ)。如下图所示，从波长这个角度看，高光谱图像数据(x,y,λ)就是一幅幅由二维图像(x,y)组成的三维数据块；从二维数据(x,y)这个角度看，高光谱就是一条条的光谱曲线。运用HSI技术对食品新鲜度进行检测的原理是指待测物的内部化学组成成分和外部物理特征对光的吸收、反射、散射、电磁能以及波峰/波谷所在波谱位置的不同导致所反映出的数字信号特征的不同，如不同波长下的吸收度峰谷值(光谱指纹)能够表示不同化合物的物理属性，从而就可以通过对高光谱信息的分析来实现食品品质的定性或定量分析，也就是食品品质的无损检测。
(1)TVC样本ROI及光谱提取
对于TVC样本选取黑白校正后的高光谱图像子样本50 px×50 px的肌肉子样本ROI图像。对选取的熟牛肉子样本图像进行特定光谱下的均值处理，得到每一个样本在特定波段下的光谱均值。该步骤在软件ENVI 5.1上操作实现，主要通过ENVI软件的ROI Tool进行。
下图为TVC熟牛肉样本在ENVI5.1中提取ROI区域并获得光谱值。
(2)TVB-N样本ROI及光谱提取
与上一段的TVC样本数据ROI区域提取过程相同。同样是获取预测TVB-N的熟牛肉样本的50px*50px的ROI区域。可以看到两批熟牛肉样本光谱曲线有一定差别(估计是在两个间隔时间较长买的两批稻香村熟牛肉制品，可能是牛肉品种不一导致)。同样，对于TVB-N熟牛肉样本的该步骤亦是在软件ENVI5.1上操作实现。
下图为TVB-N在ENVI5.1中提取ROI区域并获得样本光谱值。
光谱预处理结果
对预测TVC的熟牛肉样本的光谱信息进行预处理(先后按照S-G平滑、矢量归一化以及SNV变换顺序),光谱信息原始光谱图和光谱预处理结果图见下图。
同上一段中对预测TVC的熟牛肉样本所做预处理方法一样。对预测TVB-N值样本的高光谱数据的光谱信息做预处理，其原始光谱图和预处理后光谱图结果如图所示：
对预处理前后的光谱数据建立支持向量回归(SVR)的十折交叉验证模型，其模型性能如表所示，建模结果如图所示。该方法在多元数据分析软件TheUnscrambler X10.4中实现。SVR方法及其模型性能指标将在4.1小节中进行介绍，这里就不再详述。
从表中可以看出，预处理后的光谱所建立的两种指标的预测模型性能均有一定程度的提高，针对TVC的预测模型性能相关系数R提升16个百分点，而TVB-N的预测模型性能相关系数R提升9个百分点。这就验证了光谱预处理的必要性，故后续分析均使用预处理后的数据。
总结
为了实现熟肉制品新鲜度的快速无损检测，本文以熟牛肉为研究对象，应用高光谱成像技术创建熟牛肉新鲜度的预测模型。研究了熟牛肉在存储期间新鲜度的变化情况及影响熟牛肉新鲜度的主要因素，并确定了与其相关的微生物指标TVC值和化学指标TVB-N值。具体研究结论如下：研究了利用高光谱成像技术检测熟牛肉新鲜度的可能性，并讨论了熟牛肉在存储期间，其新鲜度指标TVC和TVB-N值TVC的变化趋势；对比了光谱数据预处理前后所建SVR预测模型(采用十折交叉验证)性能，预处理后的数据集所建预测模型性能更优；研究了样本集划分方法。对于不同样本划分方法的所产生的训练集和测试集进行建模分析比较，最终选取SPXY划分法所划分的训练集和测试集。
文献贡献者
高光谱相机对“阳光玫瑰葡萄”的糖度测试实验
高光谱成像系统对燕麦β-葡聚糖含量估测研究
高光谱成像技术的水稻叶瘟病斑分割方法及其光谱特性分析
相关产品
关注
拨打电话
留言咨询
