對蝦鮮度的可見-近紅外光譜分析研究.pdf

1、本文以養(yǎng)殖對蝦為研究對象，利用可見/近紅外光譜分析技術(shù)對新鮮對蝦和解凍對蝦進(jìn)行鑒別，并結(jié)合化學(xué)計(jì)量學(xué)方法對對蝦的色澤指標(biāo)(L*、a*、b*)和鮮度指標(biāo)揮發(fā)性鹽基氮(Total Volatile Basic Nitrogen，TVB-N)含量進(jìn)行了定量分析。
　　 主要研究結(jié)論如下：
　　 (1)對新鮮和解凍對蝦肌肉第一節(jié)、第三節(jié)和末節(jié)中心三個檢測點(diǎn)分別采集光譜，并進(jìn)行了定性分析。建模結(jié)果表明，900-1100 nm比全波

2、段670-1100 nm范圍內(nèi)判別分析(Discriminant Analysis，DA)建模效果好。在此基礎(chǔ)上，比較了不同光譜預(yù)處理方法對判別模型性能的影響。第一點(diǎn)和第三點(diǎn)判別分析結(jié)合Savizky-Golay19點(diǎn)平滑所建的新鮮和解凍對蝦鑒別模型可以實(shí)現(xiàn)所有樣本的正確分類；第二點(diǎn)判別分析結(jié)合Savizky-Golay11點(diǎn)平滑所建的模型性能最優(yōu)，總體正確率達(dá)到98.09％。
　　 (2)利用不同模式識別方法對新鮮對蝦和解凍對

3、蝦進(jìn)行了定性分析。結(jié)果表明，判別偏最小二乘(Discriminant Partial Least Squares，DPLS)結(jié)合Savizky-Golay7點(diǎn)平滑處理所建模型可以實(shí)現(xiàn)所有樣本的正確分類。最小二乘支持向量機(jī)(Least Squares-SupportVector Machine，LS-SVM)判別正確率在第一點(diǎn)和第三點(diǎn)最好，均為98.73%，第二點(diǎn)稍差為96.82%。因此，可見/近紅外光譜分析技術(shù)可以實(shí)現(xiàn)新鮮對蝦和解凍對蝦

4、的鑒別。
　　 (3)對對蝦的L*、a*、b*值進(jìn)行了定量分析。利用偏最小二乘回歸(Partial LeastSquares Regression)和LS-SVM建模，比較了不同光譜預(yù)處理方法對對蝦L*、a*、b*值定量分析模型性能的影響。對蝦在全波段(670-1100 nm)光譜結(jié)合多元散射校正所建的L*、a*、b*PLSR模型性能最優(yōu)。L*的校正均方根誤差(Root Mean Square Error of Calibrat

5、ion，RMSEC)、校正集相關(guān)系數(shù)(rc)、預(yù)測集均方根誤差(Root Mean Square Error of Prediction，RMSEP)、預(yù)測集相關(guān)系數(shù)(rp)分別為0.565、0.976、0.561、0.822；a*的RMSEC、rc、RMSEP、rp分別為0.067、0.990、0.104、0.833；b*的RMSEC、rc、RMSEP、rp分別為0.443、0.900、0.398、0.845。LS-SVM所建模型相關(guān)