嗅觉可视化技术对虾储藏期内新鲜度变化的研究

新鲜度是虾类产品品质和加工适性的一个重要指标。研究利用自制的4×4可视化传感器阵列提取储藏在4℃下1～7 d的南美白对虾的挥发性气味信息。将提取的传感器阵列与虾顶空挥发性气体反应前后的颜色变化值作为特征值,对其进行主成分分析。构建以前7个主成分作为输入变量的虾新鲜度等级的BP神经网络判别模型。对训练集样本,模型的判别正确率达100%,对预测集样本,模型的识别正确率达91.30%。研究结果表明:利用嗅觉可视化技术来检测虾的新鲜度是可行的。     

基于近红外光谱的大黄鱼新鲜度评价模型

目的 探索定量评价大黄鱼新鲜度的方法。方法 在整鱼背部采集近红外光谱, 将原始光谱预处理后分别与挥发性盐基氮(TVB-N)、菌落总数建立偏最小二乘(PLS)模型、区间偏最小二乘(iPLS)模型、向后区间偏最小二乘(biPLS)模型和联合区间偏最小二乘(siPLS)模型。结果 biPLS模型的精度最高、预测性能最佳。TVB-N的biPLS模型的校正集和预测集相关系数分别为0.8371和0.7652; 菌落总数的biPLS模型的校正集和预测集相关系数分别为0.878和0.7009。结论 大黄鱼的近红外光谱信息与其TVB-N、菌落总数间都存在较高的相关性, 所建模型可以快速、无损地定量评价大黄鱼的新鲜度。     

电子鼻技术对猪肉挥发性盐基氮的预测研究

为预测不同肥瘦配比猪肉的新鲜度,对4℃恒温贮藏条件下的新鲜猪肉进行挥发性盐基总氮(Total Volatile Basic Nitrogen,TVB-N)检测和营养成分检测,同时利用电子鼻技术检测挥发性气味的信息。以传感器阵列特征值为自变量建立蛋白质、脂肪的回归预测模型,分别对不同肥瘦配比的猪肉样本建立不分类和分类2种TVB-N神经网络预测模型。结果表明:先分类再建立神经网络模型预测的效果更优,将样本进行二分类建立2个模型后,模型训练组的相关系数达0.994、0.985(p<0.01),预测组的相关系数达到0.984、0.979(p<0.01);模型的绝对误差小而且分布区间集中,训练组和预测组各有86%、62.6%的样本的绝对误差在0~1之间;训练组中没有绝对误差大于2.5的样本,预测组中仅有8.5%的样本绝对误差大于2.5。电子鼻传感器特征信号与TVB-N数据具有很强的相关性,电子鼻可以快速预测出不同肥瘦配比猪肉在贮藏期间TVB-N含量的变化,进而无损的评价猪肉的新鲜度。     

基于电子舌技术的鱼新鲜度定性、定量分析

为实现鱼新鲜度的快速定性、定量分析。采用电子舌技术对4℃下不同冷藏天数的鲳鱼进行检测。同时测量鲳鱼体内挥发性盐基氮(Total volatile basic nitrogen,TVB-N)含量及细菌总数(Total viable count,TVC)。对电子舌数据进行分析处理,构建了K最近邻(K-nearest neighbor,KNN)判别模型和BP人工神经网络(Back-propagation artificial neural network,BP-ANN)模型定性评价鲳鱼新鲜度。结果显示,KNN模型的训练集、测试集识别率分别为:99.11%和98.21%;BP-ANN模型的训练集、测试集识别率分别为:92.86%和91.07%。构建了电子舌数据和TVB-N及TVC之间的支持向量机回归模型对鲳鱼新鲜度进行定量评价,独立样本检验结果显示,对TVB-N及TVC的预测,支持向量机回归模型的预测值和实测值的相关系数分别为:0.9727和0.9457,预测均方根误差分别为2.8×10-4 mg/g和0.052 log(CFU/g)。可见三种模型均能达到较好的效果。研究表明:电子舌技术在鱼新鲜度的快速定性、定量评价中具有很大的潜力。     

基于阳极氧化铝比色阵列传感器对鱼肉新鲜度的测定

为了快速、准确地对鱼肉新鲜度进行无损实时监测,本研究以阳极氧化铝片为基材,选取13种指示剂作为气敏材料,构建了一种可视化比色阵列传感器。利用所构建的比色阵列传感器对贮藏过程中大菱鲆鱼肉新鲜度进行测定。结果表明,在25 ℃条件下,当贮藏时间超过22 h时,鱼肉的总挥发性盐基氮（TVB-N）含量达到32.85 mg/100 g,鱼肉发生腐败变质,此时的比色阵列传感器中的阵列点发生颜色变化。提取阵列点在响应前后的红、绿、蓝（Red、Green、Blue,RGB）值并进行差减,对其进行聚类分析和主成分分析。结果表明,该传感阵列能够准确区分不同贮藏时间段的鱼肉新鲜度。此外,将该阵列传感器应用于不同贮藏时间下鲤鱼和美国红鱼新鲜度的检测,结果表明通过传感阵列预测的TVB-N值与实际测量值之间没有显著性差异。因此,将该传感器应用于鱼肉新鲜度监测具有可行性。     

一种基于高光谱图像的熟牛肉TVB-N含量预测方法

传统肉制品新鲜度检测方法具有耗时费力、效率低、有损等缺陷,提出利用高光谱成像(HSI)技术预测熟牛肉新鲜度指标挥发性盐基氮(TVB-N)含量。首先通过HSI系统获取熟牛肉样本的高光谱数据,并进行黑白校正。进而采用移动平均平滑和多元散射校正对高光谱数据进行预处理。最后采用支持向量回归(SVR)方法分别建立基于全光谱特征、单一光谱特征、单一纹理特征、主成分分析(PCA)融合特征对TVB-N含量的预测模型。结果显示,使用PCA融合特征的SVR模型,对新鲜度的关键指标TVB-N含量的平均预测准确度(APA)可达到85.13%,表明高光谱成像技术与信息融合技术相结合能够提升模型准确度。     

基于神经网络的冷却猪肉新鲜度测定

应用快速、准确的方法对冷却猪肉新鲜度进行测定。以挥发性盐基氮含量、肉浸液pH、液体电导率、肌红蛋白含量和色差仪a值等五项理化指标为自变量,以天数的改变为因变量,在Matlab操作平台下应用BP神经网络对新鲜度进行预报,并与感官评判方法及单独测定挥发性盐基氮方法进行比较。结果显示,BP神经网络最为准确,正确率达到87.5%。     

电子鼻定量检测淡水鱼新鲜度的方法研究

挥发性盐基氮(total volatile basic nitrogen,TVB-N)值是定量评价淡水鱼新鲜度的重要指标之一,为了寻求更加准确检测TVB-N值的有效方法,自行设计了电子鼻系统。该系统由金属氧化物感器阵列、数据采集卡、信号调理电路以及数据采集与处理程序构成。以鲢鱼为研究对象,利用电子鼻系统对其新鲜度进行检测。以传感器阵列响应值作为自变量,以鱼肉TVB-N值作为因变量,分别采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)和反向传播神经网络(back propagation neural network,BPNN)建立了TVB-N值的预测模型。通过测试样本对3种模型进行验证,MLR预测模型对TVB-N的预测值与测量值之间的相关系数R、预测标准误差SEP、最大误差百分比RE-max及平均误差百分比RE-mean分别为0.65、5.11、7.45%和5.04%;PCR预测模型分别为0.80、2.77、5.64%和3.15%;BPNN预测模型分别为0.97、1.56、3.51%和2.18%。结果表明:BPNN预测模型性能最优,PCR预测模型性能次之,MLR预测模型性能最差。该研究为定量化检测淡水鱼新鲜度的检测提供了一种有效的方法。     

鱼体新鲜度近红外光谱检测方法的比较研究

目的 建立针对淡水鱼整鱼鱼体新鲜度的快速无损检测方法. 方法 通过比较不同的光谱与相应挥发性盐基氮(TVB-N)值的建模结果, 以及对比分析竞争性自适应重加权算法(CARS)、遗传算法(GA)及连续投影算法(SPA)三种特征波长选择方法对模型的优化结果, 对鱼鳞及光谱采集部位等影响因素进行研究。结果 鱼体有鳞时的尾部为最佳新鲜度检测部位。CARS法较优且鱼体新鲜度检测的最优波段为800~1100 nm, 采用CARS特征波长选择方法选择出23个波长变量重新建立PLS模型, 模型预测集相关系数RP=0.957, 预测均方根误差RMSEP=0.589 mg/100 g。利用CARS方法选择的23个波长变量对淡水鱼进行新鲜度评价, 准确率达96.67%。结论 该方法为淡水鱼整鱼新鲜度快速无损检测提供了一种有效的方法。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

SVM方法在肉品新鲜度分类问题中的应用

对猪肉、牛肉、羊肉及虾等几种生鲜农产品进行了减压贮藏实验,通过检测各种样品不同保藏时间的挥发性盐基氮含量(TVB-N)、细菌总数、pH值及感官评分数据,以期实现对其新鲜度的准确分类。实验结果表明,任何单一理化或感官指标都难以获得理想的分类正确率。在此基础上,运用支持向量机(support vector machine,SVM)方法对以上数据进行合理的综合训练,并对参数进行优化,从而得到SVM神经网络模型,利用此模型进行肉品的新鲜度分类预测,可大大提高分类正确率。     

近红外光谱技术快速检测小龙虾新鲜度

应用近红外光谱技术实现对小龙虾新鲜度的快速检测。利用化学计量学方法,通过对近红外品质分析仪采集的虾肉绞碎前后光谱（850～1 050 nm）调整不同预处理方法、偏最小二乘法和组合算法,建立一种基于总挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的小龙虾新鲜度定量预测模型。结果表明：采用标准正态变量变换与一阶导数结合的预处理方法模型预测效果最好,且绞碎后的虾肉光谱比绞碎前建模效果更好;为满足实际应用需要,对绞碎前的虾肉TVB-N含量预测模型进行分析,其交叉验证误差为3.123,交叉验证相关系数为0.947,用此模型对预测集24 个样品进行预测,预测值与实测值的交叉验证相关系数为0.951 4,在TVB-N含量超过20 mg/100 g（不新鲜）的检测准确率为100%。近红外光谱技术可应用于快速检测小龙虾新鲜度,所建模型具有较好的预测能力。     

GC-MS结合模式识别评价鱼新鲜度的研究

目的 对鱼新鲜度进行客观评价。方法 用顶空固相微萃取气相色谱质谱联用(HS-SPME-GC-MS)检测不同储藏时间下鱼的挥发性成分, 建立鱼肉挥发性物质的特性指纹图谱, 利用模糊C均值聚类法(FCM)分析特征共有峰。为验证聚类分析的结果, 建立鱼新鲜度神经网络判别模型。结果 FCM能较好地将贮藏9 d的鱼可分成3类(新鲜、次新鲜和腐败), 建立的RBF神经网络模型能很好鉴别鱼的新鲜度, 其训练集和测试集的正确分类率都达到100%。结论 此方法效果好, 为分析和检验鱼新鲜度提供了一种新的方法。     

基于高光谱图像技术的油炸薯片中羧甲基赖氨酸含量检测

为探究羧甲基赖氨酸[N^ε-(1-carboxymethyl)-L-lysine,CML]含量的快速无损检测方法,该文采用高光谱图像技术对8种自制油炸薯片进行检测研究,提取每个高光谱图像的平均光谱值作为特征参量,同时结合液相色谱-质谱法测定CML含量,探寻预测其含量最适宜的光谱预处理和建模方法。首先将高光谱图像进行黑白校正,再选用标准正态变量变换光谱预处理方法,以消除固体颗粒、散射以及光程变化对光谱的影响。然后筛选出第200个到1 000个波段图像的平均光谱反射值,建立主成分回归、偏最小二乘回归和BP神经网络3种预测模型。对比结果表明：BP神经网络可以预测油炸薯片中CML含量,预测正确率为99.67%,决定系数为0.99,均方根误差为0.22。同时,为验证模型的稳健性,随机选取5组训练集和预测集代入相同参数的模型进行预测。结果显示：预测正确率平均值为96.23%,决定系数平均值为0.99,均方根误差平均值为0.22。这说明高光谱图像技术结合BP神经网络快速预测油炸薯片中CML含量具有可行性。     

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

目的 构建基于各种机器学习算法结合近红外光谱的模型，从而确定出更准确预测冷藏草鱼新鲜度的方法。方法 采集连续冷藏6 d的草鱼片的新鲜度指标, 并进行方差分析。选择受冷藏天数影响最大的指标: 总挥发性盐基氮(Total volatile basic nitrogen, TVB-N)进行定量预测。运用x-y距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY)方法进行数据集的划分, 并采用正交信号校正法(orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播神经网络(back propagation neural network, BPNN)和粒子群优化算法(particle swarm optimization, PSO)优化BP神经网络(PSO-BP)建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能, 但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能, 也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987, 预测集的均方根误差为0.108, 相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱结合的定量预测模型, 可以很好的预测冷藏鱼肉的新鲜度指标。     

薄膜荧光传感器对冷藏鸭肉新鲜度的无损检测

目的:探究薄膜荧光传感器在肉品新鲜度检测中的可应用性,实现鸭肉新鲜度的无损、快速检测。方法:采用薄膜荧光传感器技术检测冷藏7 d内的鸭肉新鲜度,并测定其pH值、挥发性盐基氮(TVB-N)和生物胺含量,对传感器响应值与鸭肉新鲜度指标进行相关性分析。结果:pH值随贮藏时间的延长呈上升趋势,在贮藏第7天达到最大值;TVB-N含量随贮藏时间的延长而显著增加(P<0.05),在贮藏第7天达到17.51 mg/100 g,已超过限量值;生物胺中的色胺、腐胺、尸胺、章鱼胺和酪胺随贮藏时间的延长呈上升趋势,其中尸胺上升幅度最为明显,贮藏第7天时其含量是初始值的56.79倍。相关性分析结果表明,传感器响应值与生物胺总量的相关系数为-0.935(P<0.01),与TVB-N值和pH值的相关系数分别为0.841,0.857(P<0.05)。回归分析表明,响应值与TVB-N值、苯乙胺之间呈指数相关,拟合的回归方程为y = 0.154e-0.021x和y = 0.0664e-0.015x,决定系数分别为0.971和0.936,通过响应值能够较准确的预测TVB-N值和苯乙胺含量。结论:薄膜荧光传感器可用于鸭肉新鲜度的无损、快速和实时监测,为薄膜荧光传感器的应用提供理论参考,同时为肉类新鲜度检测提供新思路和技术支撑。     

基于近红外光谱与组合间隔偏最小二乘法的稻米镉含量快速检测

采用近红外光谱(near infrared spectroscopy,NIRS)结合组合间隔偏最小二乘法(synergy interval partial least squares,siPLS)建立稻米镉含量快速检测的方法。收集并分析72个稻米样品的NIRS谱图。对光谱前处理方法进行优化,确定平滑、多元散射校正与均值中心化处理为最优方法。采用siPLS法筛选特征波数,建立稻米镉含量的定量模型。稻米镉siPLS模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)值分别为0.247与0.261,训练集相关系数(Rc)与预测集相关系数(Rp)值分别为0.919与0.895。结果表明:运用siPLS法选择特征波长后,不但可以降低模型的复杂度,同时还能够提高预测精度。NIRS作为一种快速、无损与便捷的初筛方法,可用于检测稻米中镉含量是否超标。     

基于不同波段的何首乌多糖及总糖高光谱成像检测方法

为实现何首乌内部品质的快速分级与评价,针对多糖和总糖含量两个何首乌品质指标,研究何首乌多糖和总糖含量与光谱间的关系,建立BP神经网络预测模型,探寻何首乌中多糖和总糖含量的无损检测方法。结果表明:基于全波段下的光谱信息的特征参量所建立的BP神经网络预测模型最佳,何首乌多糖含量预测的平均正确率为98.88%,相关系数平均值为0.996 2,均方根误差平均值为0.068 8;总糖含量预测的平均正确率达100%,相关系数平均值为0.993 5,均方根误差平均值为0.252 5。该研究为何首乌多糖和总糖含量的无损检测方法的实现提供理论依据,对实现何首乌内部品质的评定具有重要的现实意义。     

基于PSO-GA-BP神经网络的大米水分含量预测

为保障大米质量安全，提出一种基于BP神经网络的大米品质检测方法。方法以大米水分含量作为大米品质指标，通过结合粒子群优化算法(PSO)和遗传算法(GA)优化BP神经网络的阈值和权值，实现了BP神经网络的改进，提高BP神经网络的收敛速度，解决BP神经网络容易陷入局部最优的问题。然后，将改进的BP神经网络应用于大米水分含量预测中，实现了大米水分含量的准确预测。仿真结果表明，所提的改进BP神经网络模型相较于标准BP神经网络模型和LSTM-BP神经网络模型，在预测集和验证集上的均方根误差更小，分别为0.007和0.005,其大米水分含量预测值与真实值接近，可准确检测大米水分含量，为大米品质检测奠定了理论基础。     

猪肉新鲜度智能检测分级系统研究

对表征猪肉新鲜度的氨气和硫化氢气味、图像颜色值、脂肪细胞数和细菌菌斑信息特征量进行检测,通过神经网络技术研究非相干微量参数的多数据融合检测方法,以总挥发性盐基氮(TVB-N)值序列作为SOM网络的输入,利用SOM 神经网络对TVB-N 值序列进行聚类研究,将新鲜度细分为5 个等级,实现了新鲜度等级划分与国家标准和感官检验相一致的结果,从而实现对猪肉新鲜度检测分级辨识。