论文部分内容阅读
调理牛排是一种滋味鲜美,食用方便的调理肉制品,近年来受到越来越多的消费者青睐。调理牛排市场在不断扩大的同时,也存在一些质量问题,如异物污染、新鲜度不明确、肉类掺假、合成冒充原切等。常规检测方法存在一定的局限性,无法满足快速无损的检测要求。超声成像技术具有灵敏度高、穿透性强、清洁安全等优点,在异物检测、质构评价等方面具有独特优势;高光谱成像技术信息全面、快速准确,在食品检测中应用广泛。本研究利用超声成像技术检测调理牛排中的异物,利用高光谱成像技术检测调理牛排的新鲜度和肉类掺假,最后分别利用两种技术鉴别原切与合成调理牛排,并进行数据融合建立鉴别模型。主要研究内容和结论如下:(1)基于超声成像技术检测调理牛排中的异物。首先将不同材料和尺寸的异物包埋在调理牛排的不同深度并进行超声成像数据采集,利用图像处理方法分割出异物区域并计算检出率。然后通过灰度共生矩阵法(GLCM)提取异物最小外接矩形区域的纹理特征值,分别建立线性判别分析(LDA)、K最邻近法(KNN)、反向传播人工神经网络(BP-ANN)和极限学习机(ELM)四种鉴别模型识别异物材料。结果表明,在铁片、玻璃和碎骨三种异物中,铁片异物的超声信号最强,碎骨的最弱。通过图像处理方法可以分割出异物区域,异物检出率为97.78%。在对异物种类的鉴别结果中,四种模型中ELM的精度最高,校正集识别率为83.33%,预测集识别率为76.67%。(2)基于高光谱成像技术定量预测不同贮藏时间调理牛排新鲜度指标含量。首先采集不同贮藏时间的冷鲜调理牛排的高光谱数据并通过理化方法测定其挥发性盐基氮(TVB-N)和硫代巴比妥酸(TBA)含量。然后采用1~stt Der、2~ndd Der、MC、MSC、SG、SNVT六种光谱预处理方法和竞争性自适应重加权算法(CARS)、变量组合集群分析法(VCPA)、间隔随机蛙跳(iRF)、iRF-CARS、iRF-VCPA五种变量选择方法对光谱进行处理,建立光谱信息对新鲜度指标的偏最小二乘(PLS)预测模型,并评价算法稳定性和串联策略效果。结果表明,在对TVB-N含量预测过程中,最佳预处理方法为1~stt Der,相比于CARS,VCPA算法的稳定性更好。而最佳波长选择方法为iRF-CARS,对应预测模型的R_P为0.939,RMSEP为1.22 mg/100g。在TBA含量预测过程中,最佳预处理方法是MSC,最佳波长选择方法也为iRF-CARS,对应预测模型R_P为0.893,RMSEP为0.061 mg/kg。(3)基于高光谱成像技术定量预测合成调理牛排中掺假肉含量。首先分别采集掺有不同比例猪肉和鸭肉的合成调理牛排的高光谱数据,对光谱进行预处理后,采用连续投影算法(SPA)、CARS、VCPA、iRF、iRF-SPA、iRF-CARS、iRF-VCPA七种变量选择方法,建立掺假含量PLS预测模型。结果表明,掺假猪肉和鸭肉预测模型最佳预处理方法分别为MC和SNVT,最佳波长选择方法分别为iRF-CARS和iRF-VCPA,分别选择了19和11个特征波长,建立的模型R_P分别为0.966和0.971,RMSEP分别为2.11%和2.23%。(4)基于高光谱和超声成像技术鉴别原切与合成牛排。首先分别采集原切与合成牛排的超声图像和高光谱图像,并通过GLCM提取图像纹理特征值,分别建立基于两种纹理特征值的鉴别模型。而后将两种技术进行数据融合建立鉴别模型,并采用SPA、CARS、VCPA优化模型。结果表明,超声成像和高光谱成像数据单独建模时,最佳模型分别为ELM和KNN,预测集识别率分别为90.00%和95.00%。数据融合后最佳模型为ELM,预测集识别率为97.50%,CARS和VCPA优化融合数据后建立的模型校正集和预测集识别率均达到100.00%。本研究利用高光谱和超声成像技术结合图像处理与化学计量学方法实现了调理牛排部分品质指标快速检测,研究可为调理牛排快速无损检测提供理论参考,并为光谱变量选择算法串联策略和超声成像技术在食品品质检测中的应用提供思路。