光譜和成像技術(shù)檢測豬肉及其制品新鮮度的研究.pdf

1、豬肉及其制品是我國居民主要的肉類消費(fèi)品，它們的品質(zhì)關(guān)系到消費(fèi)者的身體健康，新鮮度是評價(jià)豬肉及其制品品質(zhì)的重要指標(biāo)。為了實(shí)現(xiàn)豬肉及其制品新鮮度快速、準(zhǔn)確、無損檢測，本課題開展了光譜和成像技術(shù)檢測豬肉及肴肉新鮮度的研究，主要內(nèi)容如下:
　　 1.利用課題組自行設(shè)計(jì)的基于近紅外光譜儀和電荷耦合器件(CCD)成像系統(tǒng)的多傳感器信息融合裝置，同時(shí)采集豬肉樣本的光譜信息和圖像信息，然后利用半微量定氮法測定樣品揮發(fā)性鹽基氮(TVB-N)。優(yōu)選

2、TVB-N光譜特征波段后提取圖像的12個(gè)顏色特征變量，選擇反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)方法，將光譜特征和圖像特征在特征層上進(jìn)行融合，建立豬肉新鮮度的預(yù)測模型，預(yù)測集的相關(guān)系數(shù)(R)達(dá)到0.957，效果好于圖像信息模型(0.746)和光譜信息模型(0.922)。
　　 2.在完成豬肉樣品多傳感信息采集后，利用高光譜圖像裝置獲取樣本的高光譜圖像信息。首先對原始數(shù)據(jù)黑白標(biāo)定，選擇感興趣區(qū)域(ROI)的數(shù)據(jù)塊，再分別提取ROI數(shù)

3、據(jù)塊的光譜信息和圖像信息。光譜特征提取:采用標(biāo)準(zhǔn)正態(tài)變量變換(SNV)方法對原始光譜進(jìn)行預(yù)處理后，選用聯(lián)合區(qū)間偏最小二乘法(siPLS)算法優(yōu)選光譜特征波段;圖像特征提取:根據(jù)主成分分析(PCA)得到3個(gè)特征圖像，提取特征圖像基于灰度共生矩陣的4個(gè)紋理特征參數(shù)（相關(guān)性、對比度、能量和一致性）。利用BP-ANN算法，對各特征變量進(jìn)行主成分優(yōu)化，建立TVB-N預(yù)測模型，預(yù)測集的R為0.952，略低于多傳感器信息融合技術(shù)實(shí)驗(yàn)效果(R=0.95

4、7)。
　　 3.探討高光譜圖像技術(shù)檢測肴肉新鮮度的可行性。獲取肴肉樣品的高光譜圖像數(shù)據(jù)后，采用半微量定氮法和平板菌落計(jì)數(shù)法測定樣品的TVB-N和細(xì)菌總數(shù)(TVC)。首先對原始高光譜數(shù)據(jù)進(jìn)行黑白標(biāo)定和重采樣，得到ROI數(shù)據(jù)塊的光譜信息和圖像信息。然后利用siPLS方法分別提取TVB-N和TVC的光譜特征波段。根據(jù)PCA得到的4張?zhí)卣鲌D像，并提取特征圖像基于統(tǒng)計(jì)矩的6個(gè)紋理特征參數(shù)。選用光譜角匹配(SAM)方法區(qū)分特征圖像中瘦肉和

5、明膠區(qū)域，單獨(dú)提取瘦肉圖像的紋理特征，來分析肴肉中瘦肉和明膠的不規(guī)則分布對預(yù)測模型的影響。結(jié)合光譜特征和圖像特征，建立基于BP-ANN的肴肉TVB-N和TVC預(yù)測模型，得到TVB-N和TVC最佳預(yù)測模型的R分別為0.81和0.88，且兩最佳模型都是光譜特征結(jié)合完整圖像紋理特征時(shí)取得的。結(jié)果表明，高光譜圖像技術(shù)可以用于肴肉新鮮度檢測，且肴肉中瘦肉和明膠的不規(guī)則分布只要在合適的圖像紋理特征提取方法下對所建模型影響效果不大。
　　 4

6、.肴肉高光譜預(yù)測模型建立中特征圖像的篩選?；趕iPLS方法得到的特征波段，采用GA-PLS算法分析，根據(jù)波段被使用頻率情況篩選特征波長，得到TVB-N特征波長是511.09nm，528.79nm，674.14nm and740.86nm，TVC特征波長是654.25nm，619.87nm，668.91nm and693.12nm，再找到對應(yīng)的特征圖像，提取完整特征圖像和純瘦肉圖像的基于統(tǒng)計(jì)矩的紋理特征，結(jié)合光譜特征，建立基于BP-AN