基于近紅外光譜技術的豬肉新鮮度快速預測與識別.pdf

1、豬肉新鮮度的傳統(tǒng)檢測方法操作繁瑣、耗時長、難以滿足大批量樣本的快速、實時檢測。另外,市場中以冷凍肉冒充新鮮肉的情況時有發(fā)生。因此,本文基于近紅外光譜技術對揮發(fā)性鹽基氮(TVB-N)和細菌總數(shù)(TVC)這兩個代表豬肉新鮮度的指標進行了定量建模預測,并對冷凍豬肉進行了定性建模判別。具體結論如下:
　　 1、以完整肉塊、絞碎肉泥、滲出肉汁三種樣品預處理方法建立了不同的揮發(fā)性鹽基氮的偏最小二乘(PLS)定量預測模型,通過多種光譜預處理方

2、法獲得各自的最優(yōu)模型,將最優(yōu)模型進行比較后得出結論:絞碎肉泥的樣品預處理方法最好,其原始光譜經(jīng)過標準變量變換(SNV)后建立的模型為最優(yōu)模型,建模集相關系數(shù)和均方差為0.85412、2.65,預測集相關系數(shù)和均方差為0.82626、2.79。
　　 2、利用多傳感器信息融合技術將近紅外光譜、色差、pH三者的傳感器信息通過徑向基函數(shù)網(wǎng)絡(RBFN)進行數(shù)據(jù)層的融合,來預測豬肉的揮發(fā)性鹽基氮含量。比較了單個信息和不同信息組合預測的結

3、果,發(fā)現(xiàn)三者融合在一起時,揮發(fā)性鹽基氮預測模型的性能最好,訓練集相關系數(shù)和均方差為0.98、1.565、預測集相關系數(shù)和均方差為0.945、2.722。
　　 3、通過多種數(shù)據(jù)處理方法建立并優(yōu)化了細菌總數(shù)的定量預測模型。其中:最優(yōu)光譜預處理方法為多元散射校正(MSC);相關系數(shù)法提取特征波段為9759～8878cm-1、8756～8230cm-1、7610～7212cm-1、6766～6606cm-1、4860～4582cm-1

4、,其中第一、第四和第五個波段區(qū)間與已測定的蛋白質中的N-H在近紅外區(qū)域中的吸收譜帶較為一致,可以推斷豬肉中細菌總數(shù)含量和豬肉蛋白質的變化有一定的關系;最后將提取出的特征波段輸入誤差反向傳播人工神經(jīng)網(wǎng)絡(BP-ANN),得到最優(yōu)模型,其訓練集和預測集的相關系數(shù)在0.98左右、均方差在0.23左右。
　　 4、建立了-18℃下凍藏0天、10天、20天、30天的豬肉樣本的主成分分析結合馬氏距離判別模型和概率神經(jīng)網(wǎng)絡(PNN)判別模型,