基于光谱和图像信息的进口冰鲜与解冻牛肉品质检测研究

发布时间：2020-06-05 04:57

【摘要】：中国是世界第三大牛肉产国,但是国内旺盛的牛肉需求远远超过国内供给,并且供需差距不断扩大,因此进口牛肉成为解决供需矛盾的重要途径,产品主要为冰鲜牛肉与冷冻牛肉。由于冰鲜牛肉具有较高的市场价值,导致一些不法商家以次鲜牛肉冒充新鲜牛肉、解冻牛肉冒充冰鲜牛肉,从中谋取不当利益。虽然常规方法检测准确度高,但无法满足大规模、快速等检测要求,近红外光谱(NIR)和高光谱成像(HSI)技术近年来在食品检测中应用广泛。本文尝试利用NIR和HSI技术分别鉴别不同储藏时间的冰鲜牛肉、冰鲜与解冻牛肉,并研究牛肉在储藏过程中的品质变化,具体研究内容和相关结论如下:(1)不同储藏时间的冰鲜牛肉、冰鲜与解冻牛肉特征指标的筛选。分别测定样本的挥发性盐基氮(TVB-N)、pH、颜色参数(L*、a*、b*)、脱氧肌红蛋白(DMb)、氧合肌红蛋白(OMb)和高铁肌红蛋白(MMb)含量,根据相关性和显著性差异分析筛选出不同储藏时间冰鲜牛肉的新鲜度特征指标为TVB-N、pH、a*和b*,冰鲜与解冻牛肉的差异性特征指标为a*、b*和MMb。(2)不同储藏时间冰鲜牛肉、冰鲜和解冻牛肉及其储藏时间的鉴别。首先利用NIR技术采集样本的光谱信息,利用HSI技术采集样本的图像并从图像上选择感兴趣区域提取平均光谱与纹理变量,然后对NIR光谱数据、HSI光谱数据、HSI纹理变量、融合HSI光谱数据与纹理变量进行预处理,最后利用竞争性自适应重加权算法(CARS)、区间偏最小二乘方法(iPLS)和区间偏最小二乘-竞争性自适应重加权方法(iCARS)提取特征变量后构建线性判别分析(LDA)、K最近邻法(KNN)、反向传播人工神经网络(BPANN)和随机森林(RF)鉴别模型,并比较各模型识别结果。结果表明,两种技术均可以识别不同储藏时间的冰鲜牛肉,并且HSI技术可以较好地鉴别冰鲜和解冻牛肉及其储藏时间。其中基于HSI光谱数据构建的LDA模型对不同储藏时间冰鲜牛肉的识别效果最优,测试集识别率为100%;基于HSI技术获得的光谱数据构建的RF模型对冰鲜与解冻牛肉及其储藏时间的识别效果最优,测试集识别率均为97.86%。(3)基于NIR和HSI技术对特征指标含量进行快速预测及其分布可视化。首先采集样本的近红外光谱和高光谱图像并测定样本中相关特征指标的含量,选择图像中感兴趣区域并提取平均光谱。然后分别利用NIR和HSI的光谱信息结合预处理方法、特征变量提取方法(iPLS、CARS、iCARS)建立偏最小二乘(PLS)预测模型。结果表明两种技术对特征指标含量均能较好的预测,并且最佳预测模型均为CARS-PLS。其中对新鲜度特征指标TVB-N和b*预测,HSI预测结果较优,其测试集的相关系数(r_p)分别为0.9637、0.9423,预测均方根误差(RMSEP)分别为1.12 mg/100g、0.77;对新鲜度特征指标pH和a*进行预测,NIR预测结果较优,其r_p分别为0.9512、0.9683,RMSEP分别为0.0159、0.59;对差异性特征指标a*、b*和MMb含量进行预测,HSI预测结果较优,其r_p分别为0.9203、0.8506、0.9244,RMSEP值分别为0.85、1.01、1.73%。同时,利用HSI光谱数据构建的CARS-PLS模型结合图像信息实现了每个特征指标含量的分布可视化。研究表明NIR与HSI技术均能较好的识别不同储藏时间的冰鲜牛肉以及预测特征指标的含量,而且利用HSI技术能达到对冰鲜与解冻牛肉及其储藏时间鉴别的目的,并实现了特征指标含量的分布可视化。这为监测掺假、规范进口牛肉市场秩序提供理论参考。
【图文】：

技术路线图,技术路线,牛肉

图 1.2 技术路线Figure 1.2 The technical route1.7 小结本章首先简述了牛肉的生产消费现状、冰鲜牛肉与解冻牛肉的品质差异，其次总结了肉品品质常规检测方法与无损检测方法的原理及其国内外研究现状，明确了本研究的研究目的与意义，，最后提出了本文的研究内容。

制备流程,样本

图 2.1 样本制备流程图Figure 2.1 The flow chart of sample preparation2.2.1.2 样本的预处理实验前，按照国标相关指标测定规定，在无菌冷藏室去掉样本中可见的脂肪、结缔组织等，用刀切成 3×3×2 cm（长×宽×高）表面平整的块状样本，编号后进行指标测定。每种处理方式含有 30 块样本，用于颜色的测定，然后将其利用绞肉机充分搅碎后进行 TVB-N、pH 和肌红蛋白（DMb、OMb 和 MMb）的测定。2.2.2 仪器与试剂2.2.2.1 主要仪器表 2.1 主要仪器Table 2.1 The main instruments
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TS251.52;O657.3

【参考文献】