基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

基于光谱技术的原料肉新鲜度指标在线检测系统开发及试验

为了实现原料肉新鲜度参数的无损在线实时评估,基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。研究设计了装置的光源单元、光谱采集单元、控制单元和驱动单元,优化设计了光源固定支架和安放角度,编写了相应的控制程序,开发了实验室用和便于在不同生产线应用的两套在线检测系统。首先,对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究,通过光谱相似度比较和显著性分析,确定传送带速度是275 mm·s-1、距离是12 cm时能够获得更加稳定的光谱信号。然后,基于该试验参数,分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱,并利用抛物线拟合法对双波段光谱进行融合,以获取整条覆盖可见及近红外区域的完整光谱。为了使两个波段范围内的光谱数据点权重相同,在整个波段范围内均匀分布,借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。采用窗口移动多项式最小二乘拟合法对光谱作平滑处理,采用标准正态变量变换对每条光谱进行标准化预处理,分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*,a*和b*）、pH和挥发性盐基氮的预测模型,以此验证所搭建系统的可靠性。经过对比分析,发现在线条件下的建模结果不如静止状态下的建模结果,这可能与在线采集时光谱存在漂移现象有关。进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征,并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。结果发现先经过一阶导数再经过标准化处理,能更好地消除外部干扰造成的影响,建模结果更佳。在该处理方式下,基于第一波段光谱建立了颜色参数（L*,a*,b*）的预测模型,基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型,预测相关系数分别为0.955 3,0.924 7,0.955 1,0.961 5和0.966 8。最后,为了验证模型的适用性,基于开发的便于在不同生产线应用的在线检测系统,利用独立的20个样本对在线模型进行外部验证,对颜色参数（L*,a*,b*）,pH和挥发性盐基氮的预测相关系数分别为0.918 9,0.914 1,0.947 7,0.950 4和0.960 6。研究结果表明,该系统通过双波段光谱的实时采集和融合,可以获取更多反应样本内部信息的光学信号,具有更强的检测能力。结合设计的光路等其他硬件单元,可以同时获取样本表面更大区域的反射光谱信息,从而实现对原料肉新鲜度主要表征参数的无损、在线、实时评估。该系统便于组装和拆卸,可以适应不同企业生产线的实际需要,具有较强的实用价值和较好的市场前景。     

利用BP神经网络光谱分类法研究肉品新鲜度

利用自行设计的一种光纤探头式生物表面光谱测试系统 ,对肉品进行测量。建立用于肉品新鲜度的自动分类和识别的 BP神经网络 ,准确率达到 93.3%。试验表明 ,利用光谱分析法测量肉品的新鲜度快捷、准确 ,可用于实际肉品检测     

基于近红外光谱的淡水鱼新鲜度在线检测方法研究

新鲜度是反映鱼类品质以及可否食用的重要指标,在线检测直接关系到食品质量与安全的实施应用,因此对淡水鱼新鲜度进行在线无损检测具有重要意义。应用近红外光谱对淡水鱼新鲜度进行在线检测,试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置,试验时样品在输送链上以0.5 m·s-1的速度运动,采集其近红外漫反射光谱(900～2 500 nm),并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分,其中校正集111条(新鲜57条,变质54条)、测试集37条(新鲜19条,变质18条),通过对比不同的光谱预处理方法对预测结果的影响,明确了一阶导结合标准化预处理为最优光谱预处理方法,经过该方法预处理后所建模型对校正集的正确识别率为97.96%,对测试集的识别率为95.92%。为了提高模型运行速度对建模所用光谱变量进行优化,分别采用遗传算法(genetic algorithm, GA)、连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选,通过建模比较分析确定CARS为最优波长选择方法,以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型,模型对校正集的正确识别率为100%,对测试集的识别率为93.88%。该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。     

近红外光谱的河蟹新鲜度快速检测研究

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素,挥发性盐基氮(TVB-N)是当前国际通用的评价肉类新鲜度的指标,但其检测工序繁琐、耗费时间长,无法满足当前市场对河蟹新鲜度评价的迫切需求。因此,建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。将购于水产市场的河蟹,采用聚乙烯充氧袋快速运至实验室,样本数共126只。在洁净的工作台上处理后,将螃蟹分为42个实验样品,每个样品3只鲜活螃蟹;42个实验样品放在低温4℃的恒温生化培养箱中贮藏,每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定,历时7 d。采用近红外光谱(NIRS)对贮藏在不同时间下的河蟹新鲜度进行评价,使用挥发性盐基氮(TVB-N)作为评价河蟹新鲜度的指标,首先通过比较经五折交叉验证(5-fold CrossValidation)算法、 kennard-stone(KS)算法、光谱-理化值共生距离(SPXY)算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法,最终采用五折交叉验证(5-fold CrossValidation)算法对样本进行划分。其中的32个样品被划分为训练集进行模型构建,其余的10个样品被划分为测试集用于模型检验。然后在经过五折交叉验证法对样本进行划分的基础上,分别采用小波变换(WT)、 Savitzky-Golay平滑、一阶导数法(Db1)、二阶导数法(Db2)这4种单一算法以及小波变换(WT)与Savitzky-Golay平滑相结合的算法进行预处理,通过比较预处理后所建模型的预测效果,确定了小波变换(WT)预处理为最优光谱预处理方法,从而消除了光谱中的无用信息并提高了信噪比。再次,在WT预处理的基础上,分别采用主成分分析(PCA)法和连续投影(SPA)算法提取光谱特征波段,通过建模比较确定主成分分析(PCA)法为最优波长选择方法,以所选的16个特征波长作为模型的输入,不仅提高了模型的运行速度还可以提高模型的稳定性。最后,在经过PCA特征提取后,分别采用偏最小二乘回归(PLSR)算法和多元线性回归(MLR)算法构建TVB-N定量预测模型,通过比较两种模型的预测效果,确定了偏最小二乘回归(PLSR)模型为最优建模方法,最终确定的最优模型为基于WT-PCA-PLSR建立的模型,模型预测决定系数R^2为0.89,预测均方根误差RMSEP为3.00。综上所述,所建立的预测模型具有较高的精度,可以实现对河蟹新鲜度的快速检测,具有较好的市场应用前景。     

高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测

羊肉新鲜度受多种因素影响，通常由多个指标来综合评价，常规试验操作复杂不适合在线检测。高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息，但是光谱特征提取与评价模型的建立对最终结果影响较大。为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性，提出一种稀疏核典型相关分析方法，借助实验室测定的多个标准值，研究多指标的羊肉新鲜度无损检测。采集了70个代表各级新鲜程度的羊肉样本400~1 000 nm高光谱图像，采用实验室方法测定了挥发性盐基氮(TVB-N)和菌落总数(TAC)标准值，选择感兴趣区域(ROIs)提取代表性光谱图像，利用所提出的特征提取方法提取光谱特征信息，并按照3:1划分校正集和预测集，利用三层神经网络进行分类识别试验。结果表明，新鲜度等级分类总体精度(OA)为0.939 3，Kappa系数为0.906 0，均方根误差(RMSEC)为0.297。研究表明，所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度，为采用高光谱成像综合多个新鲜度检测指标，改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。     

零售商风险规避条件下基于期权契约的生鲜农产品供应链协调研究

民以食为天,随着生活水平的不断提高,生鲜农产品在消费结构中的重要性越来越突出,本文将期权思想引入生鲜农产品供应链运作当中,针对由一个零售商和一个供应商组成的二级生鲜农产品供应链,结合生鲜农产品的自然属性,考虑在途损耗对产品数量的影响以及保鲜投入对产品新鲜度的影响,运用CVaR模型研究了零售商的风险规避程度对供应链决策的影响以及期权契约协调机制。研究表明,期权机制可实现风险在供需双方之间共担,可解决随机需求下生鲜农产品供应链的协调问题并合理分配整体利润;仅当零售商的风险规避程度较低时系统协调和帕累托改进才能同时达成。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

基于拉曼光谱技术的猪瘦肉新鲜度快速无损检测方法研究

猪肉是我国主要肉类消费产品,其新鲜度与居民健康息息相关。目前感官检测、理化检测、微生物检测是其新鲜度的通用检测方法,但感官检测存在可靠性、可比性差,理化检测和微生物检测存在耗时长、操作繁琐、破坏样品等问题,因此建立猪肉快速无损检测方法应用意义重大。拉曼光谱作为一种检测技术,具有快速、无损的特点,仅用激光探头照射样品就可获得样本拉曼谱图,便携式拉曼光谱更是为食品现场检测提供了新途径,有望实现加工业快速实时大批量检测。目前未见拉曼光谱技术快速检测猪肉新鲜度理化指标的研究,因此采用便携式拉曼光谱仪对冷藏猪瘦肉新鲜度进行快速检测。对随时间变化的样本进行拉曼光谱采集并同时监测其对应的新鲜度指标,如挥发性盐基氮(TVB-N)、 pH、颜色L^*值、 a^*值、 b^*值,采用标准正态变量变换(SNV)、曲线平滑(SG)、归一化(NL)、多元散射校正(MSC)、基线校正(BL)、去趋势化处理(DFA)等单方法对拉曼光谱进行预处理,采用偏最小二乘回归(PLSR)建立基于全波段光谱的猪瘦肉新鲜度指标定量预测模型。结果表明,各指标全波段PLSR模...     

基于高光谱图像的即食海参新鲜度无损检测

新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标。针对感官评定和现有理化检测无法满足即食海参产品大批量、标准化、工业化生产问题,提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法,通过图像主成分分析和波段比运算相结合,优选特征波长和图像;依据海参腐败机理,建立图像纹理特征与即食海参新鲜度等级间的关联模型,实现即食海参新鲜度无损、快速评价。首先针对高光谱图像巨大的数据量展开降维研究。根据即食海参体壁光谱吸收特性,以具有明显化学吸收特征的波长(474和985 nm)为分界点,获得包括全检测波段(400～1 000 nm)在内的六个待处理波段,通过分段图像主成分分析实现待测波段的优选,利用权重系数和波段比图像运算,最终将686和985 nm波段比图像确定为特征图像。面向特征图像的感兴趣区域(ROI),构建灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、灰度梯度共生矩阵(gray-gradient co-occurrence matrix, GGCM)、改进的局部二元模式纹理描述子(local binary pattern,LBP),分别提取纹理参数作为输入,以挥发性盐基氮(total volatile basic nitrogen, TVB-N)检测为标准,建立经粒子群优化的BP 神经网络(back propagation,BP)即食海参新鲜度判别模型,新鲜度等级判别准确率分别为90%,95%和80%。结果表明,即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好。为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持。