基于光譜成像技術(shù)的豬肉品質(zhì)檢測研究.pdf

1、豬肉品質(zhì)主要包括食用品質(zhì)和安全品質(zhì)。本研究自行設(shè)計搭建一個近紅外多光譜成像系統(tǒng)，采用多光譜成像技術(shù)對豬肉品質(zhì)進(jìn)行定量分析，以期把新興光譜成像技術(shù)從實驗室研究推向在線實際應(yīng)用。同時，將顯微成像技術(shù)和光譜成像技術(shù)相結(jié)合，對豬肉腐敗變質(zhì)過程中組織結(jié)構(gòu)的變化機理進(jìn)行了初步研究，以期進(jìn)一步深入了解豬肉腐敗變質(zhì)過程。主要研究內(nèi)容如下：
　?。?）基于近紅外多光譜成像技術(shù)的豬肉食用品質(zhì)指標(biāo)檢測研究。利用近紅外高光譜成像系統(tǒng)采集豬肉樣本，采用主成

2、分分析方法篩選特征波長，進(jìn)而搭建基于離散波長（1280±10nm、1440±10nm和1660±10nm）的近紅外多光譜成像系統(tǒng)。利用近紅外多光譜成像技術(shù)采集豬肉樣本的多光譜圖像信息，基于灰度共生矩陣（Gray level co-occurrence matrix, GLCM）提取其紋理特征變量；然后通過模型分別建立多光譜圖像紋理特征值與豬肉食用品質(zhì)指標(biāo)——嫩度和持水力之間的關(guān)系。本研究采用剪切力（WBSF值）和蒸煮損失率分別表征豬肉嫩

3、度和持水力。模型建立過程中，比較了線性的偏最小二乘法（PLS）和非線性的反向傳播人工神經(jīng)網(wǎng)絡(luò)（ BP-ANN）、蟻群算法（ ACO）和 BP-ANN相結(jié)合的ACO-BPANN算法模型的預(yù)測性能。結(jié)果顯示，多光譜圖像數(shù)據(jù)的非線性模型預(yù)測結(jié)果均優(yōu)于線性模型，且ACO-BPANN模型結(jié)果最優(yōu)。近紅外多光譜成像技術(shù)結(jié)合ACO-BPANN算法對豬肉WBSF值進(jìn)行預(yù)測時，預(yù)測集的相關(guān)系數(shù)（Rp）為0.8451，預(yù)測均方根誤差RMSEP=0.9087

4、 kgf；近紅外多光譜成像技術(shù)結(jié)合ACO-BPANN算法對豬肉蒸煮損失率進(jìn)行預(yù)測時，預(yù)測集的Rp為0.9116，RMSEP=1.5129％。最后，研究采用了APaRPs和Runs Test相結(jié)合的方法分別驗證了近紅外多光譜圖像紋理特征變量與豬肉食用品質(zhì)指標(biāo)——WBSF值和蒸煮損失率之間的非線性關(guān)系。結(jié)果表明，近紅外多光譜成像技術(shù)結(jié)合適合的化學(xué)計量方法對豬肉食用品質(zhì)指標(biāo)進(jìn)行定量檢測是可行的。
　?。?）基于近紅外多光譜成像技術(shù)的豬肉

5、安全品質(zhì)指標(biāo)檢測研究。利用上章搭建的近紅外多光譜成像系統(tǒng)采集豬肉樣本的多光譜圖像信息，基于灰度共生矩陣提取其紋理特征變量；然后通過模型分別建立多光譜圖像紋理特征值與豬肉安全品質(zhì)指標(biāo)——新鮮度之間的關(guān)系。本研究采用揮發(fā)性鹽基氮含量（Total volatile basic nitrogen, TVB-N）對豬肉新鮮度進(jìn)行表征。模型建立過程中，比較了線性方法和非線性方法所建模型的預(yù)測性能。結(jié)果顯示，近紅外多光譜成像數(shù)據(jù)的非線性模型預(yù)測結(jié)果優(yōu)

6、于線性模型，并且，經(jīng)過自適應(yīng)提升算法（AdaBoost）對BP-ANN模型進(jìn)行提升，模型的性能得到很大的提高，預(yù)測集的Rp為0.8325，RMSEP=6.9439 mg/100g。最后，研究采用APaRPs結(jié)合Runs Test方法對近紅外多光譜數(shù)據(jù)與豬肉TVB-N值的線性相關(guān)度進(jìn)行了診斷，結(jié)果驗證了紅外多光譜數(shù)據(jù)與豬肉中TVB-N含量的非線性關(guān)系。研究結(jié)果表明，近紅外多光譜成像技術(shù)結(jié)合適合的統(tǒng)計學(xué)習(xí)方法對豬肉中TVB-N含量進(jìn)行定量預(yù)

7、測分析是可行的，且采用BP-ANN與AdaBoost算法相結(jié)合的方法，可以顯著提高模型預(yù)測性能。
　?。?）基于顯微高光譜成像技術(shù)的豬肉腐敗變質(zhì)內(nèi)部組織結(jié)構(gòu)變化可視化分析研究。利用顯微高光譜成像系統(tǒng)獲取豬肉樣本的微觀尺度高光譜圖像；通過主成分分析方法對豬肉的顯微高光譜圖像進(jìn)行降維處理，并選取了521.08nm、589.69nm、636.88nm、687.58nm和738.66nm五個波長作為特征波長；對這些特征波長下的顯微圖像進(jìn)行

8、分析，發(fā)現(xiàn)不同存儲天數(shù)下的豬肉顯微高光譜圖像有著明顯差別，隨著存儲天數(shù)的增加，豬肉組織結(jié)構(gòu)受到破壞的程度也增加。然后，對豬肉的顯微高光譜圖像進(jìn)行紋理特征提取，運用線性的LDA和非線性的BP-ANN、SVM方法對豬肉的新鮮度等級進(jìn)行劃分；其校正集判別率分別為91.67%、95.00%和98.33%，預(yù)測集判別率分別為93.33%、100.00%和93.33%；從結(jié)果得出，非線性方法的總體判別率比線性方法的總體判別率高。從研究可以得出，運用