基于高光譜成像的灘羊肉菌落總數(shù)和揮發(fā)性鹽基氮的無損檢測

,,,松磊, ,

(寧夏大學農(nóng)學院,寧夏銀川 750021)

基于高光譜成像的灘羊肉菌落總數(shù)和揮發(fā)性鹽基氮的無損檢測

王莉,馬天蘭,賀曉光*,王松磊,董歡,馬瑩

(寧夏大學農(nóng)學院,寧夏銀川 750021)

以寧夏灘羊肉為研究對象,利用400～1000 nm可見近紅外高光譜對冷鮮羊肉的菌落總數(shù)和揮發(fā)性鹽基氮含量進行新鮮度的檢測研究。采集冷鮮灘羊肉表面光譜圖像,提取感興趣區(qū)域獲取原始光譜數(shù)據(jù)。剔除由蒙特卡洛檢測法所檢測出的異常樣本,采用理化值共生距離法(SPXY)劃分樣本的校正集和預測集。先對原始光譜預處理并建立偏最小二乘回歸(PLSR)模型,優(yōu)選最佳預處理方法;后采用主成分回歸法(PCR)和支持向量機回歸法(SVR)建立模型,優(yōu)選最佳建模方法。結果表明:光譜數(shù)據(jù)經(jīng)過正交信號校正(OSC)預處理后,建立的菌落總數(shù)和TVB-N含量預測模型效果較好,其RC分別為0.9067和0.9147,Rp分別為0.8743和0.8802,均高于其他光譜預處理模型。通過不同建模方法的比較,建模效果較好的是PLSR方法。研究表明:利用可見近紅外高光譜技術可以實現(xiàn)對灘羊肉新鮮度的無損檢測。

高光譜成像技術,灘羊肉,菌落總數(shù)，揮發(fā)性鹽基氮,無損檢測,偏最小二乘回歸

寧夏灘羊肉因其肉質細嫩、脂肪均勻、風味獨特等特點深受廣大消費者的喜愛[1],但是羊肉在屠宰、加工、運輸、銷售的過程中易受到外部環(huán)境的影響而發(fā)生腐敗變質[2]。消費者誤食腐敗變質的羊肉會嚴重影響到身體健康,因此實現(xiàn)對羊肉品質的監(jiān)控和快速無損檢測顯得尤為重要。傳統(tǒng)的化學檢測方法易受到外界環(huán)境的干擾,且存在耗時、耗試劑、繁瑣、對樣本破壞性大等問題,因此急需一種快速有效的方法對羊肉品質進行無損檢測[3-4]。

高光譜成像技術將傳統(tǒng)光譜和成像技術、光電子和計算機技術緊密結合,是一種在測得連續(xù)光譜的同時又獲得樣品空間位置的成像技術[5-6],不僅獲取數(shù)據(jù)能力較強且具有很強的分析檢測能力,在無損檢測領域是較前沿的技術之一[7-8]，具有無損、無污染、檢測速度快、集光譜和圖像技術為一體等優(yōu)點,目前被研究工作者廣泛應用于農(nóng)產(chǎn)品無損檢測研究中[9-10]。尤其是近年來,高光譜成像技術在羊肉、豬肉、牛肉等相關領域得到了廣泛的應用,楊菊梅等[11]利用400～1000 nm可見近紅外高光譜成像系統(tǒng)對冷鮮羊肉蛋白質含量、嫩度和pH進行無損檢測研究,選用偏最小二乘回歸法(Partial Least Squares Regression,PLSR)作為最佳預處理手段。彭彥昆等[12-14]利用可見 VIS/NIR 高光譜對豬肉新鮮度及嫩度、牛肉品質及細菌總數(shù)等進行檢測分析,建立了多元線性回歸等多種預測模型。Qiao等[15]利用高光譜成像技術對豬肉的相關品質指標進行無損檢測研究,通過建模來實現(xiàn)各個指標的預測并對品質進行了分級[16]。

菌落總數(shù)、揮發(fā)性鹽基氮(TVB-N)是評價羊肉新鮮度及品質的重要指標。但是國內外學者對綜合檢測研究鮮有報道,鑒于此,本文以寧夏特色鹽池灘羊肉為研究對象,選擇菌落總數(shù)、TVB-N作為研究指標,利用可見近紅外高光譜圖像技術獲取樣品冷鮮貯藏10 d的光譜數(shù)據(jù)。對比優(yōu)選原始光譜預處理方法和建模方法,建立冷鮮灘羊肉新鮮度的最優(yōu)預測模型,滿足企業(yè)對冷鮮羊肉在線快速無損檢測生產(chǎn)需求,實現(xiàn)冷鮮肉在市售和流通過程中感官品質、營養(yǎng)價值和風味的及時監(jiān)測和控制[17]。

1 材料與方法

1.1材料與儀器

寧夏鹽池灘羊 寧夏吳忠市澇河橋分割肉有限公司;氯化鈉 分析純,北京惠保聯(lián)化科技有限公司;鹽酸 分析純,石家莊鑫隆威化工有限公司;氧化鎂 分析純,北京鵬彩化學試劑有限公司;石油醚 分析純,濟寧華凱樹脂有限公司;硼酸 分析純,濟寧宏明化學試劑有限公司;乙醚 分析純,深圳市力冠化工有限公司;濃硫酸 分析純,淄博庫倫分析儀器有限公司。

高光譜成像系統(tǒng)(Hyper Spec VNIR,400～1000 nm),如圖1所示,包括:Imspector N系列高光譜成像光譜儀(Golden Way Scientific CO.,Ltd.,US)、G4-232 CCD相機(Golden Way Scientific CO.,Ltd.,US)、光源系統(tǒng)由1個線光源(90～254 VAC,47～63 Hz,Golden Way Scientific CO.,Ltd.,EQUIP)與一個250 V鹵鎢燈(Headwall Photonics Instruments Co.,Ltd.,Beijing,China)、VT-80電控位移平臺(Headwall Photonics Instruments Co.,Ltd.,Beijing,China)、計算機(Think Pad X220 Inter(R)Core i5-2450CPU@2.5GHz,RAM 3.41G)和數(shù)據(jù)采集軟件(Hyperspec-N for Andor Luca Rev A.3.1.4.vi,Headwall Photonics Instruments Co.,Ltd.,Beijing,China)等；BJ-MM12型絞肉機 廣東省韶關北江機電廠;BCD-268WBCS型冰箱 海爾集團;ST-40R型冷凍離心機 德國Thomo-fisher公司制造;CLC111-TV型恒溫恒濕培養(yǎng)箱 德國Merdcenter Einrichtugen GmbH;KG-SX-500型高壓滅菌鍋 日本KAGOSHIMA SEISAKUSYO公司;JK-JH01型超凈工作臺 安徽杰克歐德實驗室設備有限公司;UDK140型微量凱氏定氮儀 意大利VELP公司;SMART Trac型快速脂肪水分測試儀 上海卓越實驗設備有限公司;KD-2268型切片機 上海之信儀器有限公司。

圖1 可見近紅外高光譜系統(tǒng)

1.2實驗方法

1.2.1 采樣 灘羊被屠宰后,取其后腿肉,用手術刀片除去其脂肪和肌膜,整形切塊(30 mm×30 mm×10 mm),共獲得100個樣本,并用保鮮袋包裝置于4 ℃冷藏冰箱中保藏1～10 d。每隔24 h取出10個樣,于室溫下于放置2 h后采集其光譜圖像,隨后對樣本的菌落總數(shù)、揮發(fā)性鹽基氮進行測定。

1.2.2 高光譜圖像采集 本實驗采用Headwall Hyperspec高光譜成像系統(tǒng),首先打開高光譜數(shù)據(jù)采集控制平臺,對參數(shù)進行設定。根據(jù)光源光照強度設置成像光譜儀的曝光時間,微調整樣品移動平臺的距離以獲得較清晰圖像,通過多次反復實驗,最終確定最佳曝光時間為6 ms,樣品移動平臺步距為120 μm時獲得的圖像不失真且較清晰,物距為660 mm,掃描長度為100 mm,光譜分辨率為0.8 nm時,采集的光譜的波長數(shù)最大。多次實驗確定最佳參數(shù)后,進行黑白校正,將采集到的標定圖像輸入高光譜數(shù)據(jù)采集控制平臺中,在其它操作完成的基礎上,開始獲取羊肉樣本的高光譜數(shù)據(jù),高光譜數(shù)據(jù)采集控制平臺對隨后采集的樣本高光譜數(shù)據(jù)將自動完成黑白標定[18]。

1.2.3 羊肉品質指標測定

1.2.3.1 微生物的測定 按照GB 4789.2-2010對菌落總數(shù)進行測定[19]。在無菌操作環(huán)境下,稱取25 g實驗樣品,搗碎放于含有225 mL滅菌生理鹽水的三角瓶中。為了獲得所需的濃度梯度以10倍遞增稀釋。用滅菌移液管在每個平皿中接入1 mL菌懸液,然后分別倒入PCA培養(yǎng)基,混勻。每個菌樣選取3個不同濃度梯度,每個梯度做3個平行,并以空白做對照。菌落總數(shù)測定采用平板傾注法記數(shù)測定。

1.2.3.2 揮發(fā)性鹽基氮(Volatile base nitrogen,TVB-N)含量的測定 采用半微量定氮法測定其TVB-N含量[17]。首先用滴管準確吸取20.0 mL的樣品過濾液于250 mL消化管內,然后再加5 mL過氧化鎂懸液,迅速將消化管放入儀器中,開始運行樣品。在運行樣品前,先進行空白樣品檢測。蒸餾得到的接收液采用鹽酸標準液進行滴定。每天測10個樣本,取其平均值,連續(xù)測量10 d,繪制變化趨勢圖。

1.3數(shù)據(jù)處理與分析

1.3.1 感興趣區(qū)域的選取 采用ENVI V. 4.8軟件從采集的羊肉高光譜圖像中提取羊肉感興趣區(qū)域的平均光譜信息作為樣本的光譜值。

1.3.2 異常樣本的去除 利用MATLAB軟件,采用蒙特卡洛方法檢測菌落總數(shù)和TVB-N含量異常樣本,并且對剔除樣本之后的數(shù)據(jù)進行PLSR建模,對比沒有剔除異常值時所建模型,正確剔除異常樣本。

1.3.3 樣本劃分 本實驗利用MATLAB軟件,采用光譜-理化值共生距離法(sample set partitioning based on joint X-Y distances,SPXY),按照3∶1的比例對羊肉菌落總數(shù)和TVB-N含量樣本集進行校正集和預測集的劃分。

1.3.4 預處理方法的選擇 利用The Unscrambler X10.3軟件對原始光譜進行預處理,采用平滑處理(Savitzky-Golay)、多元散射校正(Multiple scattering correction,MSC)、校正信號校正(Orthogonal Signal Correction,OSC)和標準正態(tài)變量變換(standard normalized variate,SNV)對冷鮮羊肉菌落總數(shù)、TVB-N的原始光譜數(shù)據(jù)進行預處理,并與原始光譜數(shù)據(jù)建立的PLSR模型比較,優(yōu)選最佳預處理方法。

1.3.5 建模方法的選擇 確定菌落總數(shù)和TVB-N所對應的最優(yōu)預處理方法,分別通過偏最小二乘回歸(Partial Least Squares Regression,PLSR)、主成分回歸(principal component regression,PCR)和支持向量機回歸(support vector machine regression,SVR)對經(jīng)過正交信號校正處理后的光譜進行不同建模方法的分析比較,以確定最優(yōu)模型。

1.3.6 模型評價指標 通過校正相關系數(shù)(Rc)、預測相關系數(shù)(Rp)、交互驗證相關系數(shù)(Rcv)、校正均方根誤差(Root-mean-square error of calibration set,RMSEC)、預測均方根誤差(Root-mean-square error of prediction set,RMSEP)和交互驗證誤差(RMSECV)對模型的性能進行評價。相關系數(shù)(R)通常反映波長吸光度與理化指標之間的相關性,Rc、Rp、Rcv值越大相關性越好。用RMSECV評價模型的可行性,其值越小,可行性越高。

2 結果與分析

2.1不同貯藏時間下新鮮度指標的變化趨勢

2.1.1 不同儲藏條件下菌落總數(shù)變化趨勢 菌落總數(shù)是用來反應食品被微生物污染程度的重要指標,也是反映食品新鮮度的一個重要參數(shù)。肉品質量衛(wèi)生指標中菌落總數(shù)標準:新鮮肉的評價標準為微生物含量為104cfu/g以下,次鮮肉達104～106cfu/g,當微生物量達106cfu/g以上則為變質肉[20]。根據(jù)GB/T 16869-2005冷鮮肉的菌落總數(shù)指標,當羊肉的菌落總數(shù)≥1×106cfu/g即視為腐敗變質,不能再食用。不同貯藏時間下羊肉菌落總數(shù)的變化情況如圖2所示。

圖2 不同貯藏時間羊肉菌落總數(shù)的變化

從圖2可以看出,羊肉的菌落數(shù)隨貯藏時間的延長呈上升趨勢。羊肉在第1～2 d時,菌落總數(shù)均小于104cfu/g;第3～6 d時,菌落總數(shù)為105cfu/g,屬于次鮮肉;7 d的時候,菌落總數(shù)達到106cfu/g,肉已經(jīng)開始變質。從第7 d開始,羊肉色澤不再鮮艷,能聞到明顯的腐臭味,品質已經(jīng)明顯下降;第10 d時,菌落總數(shù)明顯上升,已經(jīng)超過國家標準所規(guī)定的106cfu/g,此時羊肉視為腐敗變質,已經(jīng)完全不能食用。

2.1.2 不同貯藏時間條件下?lián)]發(fā)性鹽基氮的變化趨勢 揮發(fā)性鹽基氮是評價肉新鮮度的重要指標,對肉品質的評價有重要意義。新鮮度與TVB-N含量對應關系的參考標準[20]為一級鮮度≤15 mg·100 g-1,二級鮮度≤20 mg·100 g-1,變質肉>20 mg·100 g-1。不同貯藏時間下羊肉TVB-N含量的變化如圖3所示。

圖3 不同貯藏時間羊肉TVB-N含量的變化

由圖3得知,貯藏初期,TVB-N含量呈逐漸增加的趨勢,1～5 d時TVB-N含量≤15 mg·100 g-1,此時的羊肉屬于一級新鮮。貯藏期為7 d時,TVB-N含量達到了20.18 mg·100 g-1,且含量>20 mg·100 g-1,此時的羊肉屬于變質肉[21]。10 d時,TVB-N含量達到了28.4 mg·100 g-1。隨貯藏時間的延長,羊肉的TVB-N含量呈上升趨勢,其新鮮程度逐漸下降,因此,TVB-N含量的變化可以反映肉品的腐敗變質。

2.2原始光譜的預處理

2.2.1 原始光譜圖像的提取 采用ENVI V. 4.8從采集的羊肉高光譜圖像中提取羊肉感興趣區(qū)域的平均光譜信息作為樣本的光譜,實驗提取的羊肉原始光譜如圖4所示。

圖4 羊肉原始光譜

2.2.2 羊肉異常樣本檢測結果 異常樣本的存在對模型的準確性有一定影響,其不僅包括光譜或化學測量值與真實值的差異性,也包含其測量值與建模集中平均光譜或化學值的差異。

表1 羊肉異常樣本檢測結果

表2 羊肉顯著性品質指標SPXY樣本集劃分PLSR模型結果

判斷一個樣本是否有可靠的預測值主要取決于光譜異常與模型的擬合程度,因此有效發(fā)現(xiàn)和剔除異常樣本是得到可靠模型及數(shù)據(jù)分析的關鍵。本實驗利用MATLAB軟件,采用蒙特卡洛方法檢測羊菌落總數(shù)和TVB-N含量異常樣本。首先通過建立PLSR模型確定最佳主成分數(shù)為10,預處理方法設置為center;抽樣次數(shù)設置為2500次,通過蒙特卡洛得校正集與測試集比例,預測誤差及標準差閾值均值取其平均值的2.5倍。蒙特卡洛方法檢測羊肉異常樣本結果如圖5所示。

由圖5(a)可以看出,2號、55號、62號、82號、91號、97號、98號、100號樣本的誤差均值大于樣本預測誤差均值閾值。由此可知,采用蒙特卡洛算法共檢測出8個羊肉菌落總數(shù)異常樣本,剔除被檢測出的異常值,采用偏最小二乘法建立羊肉剩余樣本菌落總數(shù)回歸模型,以留一交叉驗證法獲得模型的交叉驗證決定系數(shù)Rcv為0.9523,RMSECV為2.1131。

圖5 基于蒙特卡洛方法的羊肉相關性顯著品質指標異常樣本檢測結果

結果表明:采用蒙特卡洛算法共檢測出TVB-N值異常樣本個數(shù)7個,分別為8號、18號、20號、45號、70號、81號、99號。剔除異常值后將全部數(shù)據(jù)作為校正集建立PLSR模型,Rcv和均方根誤差RMSECV分別為0.9378、2.2053。結果表明對剔除異常值后的數(shù)據(jù)建模利于模型的優(yōu)化。

2.2.3 羊肉樣本集劃分結果 樣本集劃分主要是通過采用適當?shù)姆椒▽⒖傮w樣本劃分為校正集和預測集一個重要環(huán)節(jié),分別建立相應的預測模型,由于校正集和預測集的劃分不同導致模型的性能也不同。剔除異常樣本由蒙特卡洛檢測法所檢測出的異常樣本后,利用MATLAB軟件,采用SPXY樣本集劃分方法按照3∶1的比例,對菌落總數(shù)和TVB-N含量樣本集進行校正集和預測集的劃分,樣本集劃分PLSR模型結果如表2所示。

由表2可知,SPXY法所得菌落總數(shù)主成分數(shù)為13,校正集Rc和RMSEC分別為0.9012、2.2540;預測集Rp和RMSEP分別為0.8603、2.6288。羊肉TVB-N含量主成分數(shù)為7,校正集Rc和RMSEC分別為0.9041、2.2056;預測集Rp和RMSEP分別為0.8157、2.9828。

表3 灘羊肉菌落總數(shù)的原始光譜與預處理光譜的PLSR模型結果

表4 灘羊肉TVB-N含量的原始光譜與預處理光譜的PLSR模型結果

2.3光譜預處理方法的比較與分析

為了消除光譜曲線上的噪音與其他無關信息的干擾,易增強分析有用信號信息,對原始光譜進行預處理。本文利用The Unscrambler X10.3軟件,采取平滑處理、多元散射校正、正交信號校正、標準正態(tài)變量變換四種方法對原始光譜進行預處理。后利用PLSR方法分別對預處理光譜建模,比較預處理效果。

2.3.1 羊肉菌落總數(shù)原始光譜預處理方法的比較與分析 羊肉菌落總數(shù)經(jīng)不同預處理方法所建PLSR模型的性能參數(shù)如表3所示。

由表3可以看出,經(jīng)不同預處理方法所建立的PLSR模型,除經(jīng)正信號校正后的PLSR模型以外,其他模型的Rc和Rp值都較原始光譜的值低,且RMSEC、RMSECV和RMSECP都較高。而經(jīng)過正交信號校正后PLSR模型的Rc和Rp也均高于原始光譜和其他預處理方法數(shù)據(jù),分別為0.9067和0.8743。綜上所述,本實驗選擇正交信號校正處理法對菌落總數(shù)進行后續(xù)不同建模方法的比較與分析。

2.3.2 TVB-N含量原始光譜預處理方法的比較與分析 羊肉TVB-N含量經(jīng)不同光譜預處理后所建模型PLSR的性能參數(shù)見表4。

由表4可以看出,經(jīng)過正交信號校正后預測模型與原始光譜預處理相比,有較高的RC、Rcv和RP,分別為0.9147、0.8795和0.8802,且均高于其他預處理方法;RMSEC、RMSECV和RMSEP值也較小,分別為2.5095、2.9619和2.6570。因此,本實驗選取正交信號校正處理法進行后續(xù)不同建模方法的比較與分析。

2.4建模方法的比較與分析

不同的建模算法對建模效果會產(chǎn)生不同的影響。采用PLSR、PCR和SVR方法分別對經(jīng)過正交信號校正處理后的光譜進行菌落總數(shù)和TVB-N不同建模方法的分析比較,以確定最優(yōu)模型。

2.4.1 菌落總數(shù)建模方法的比較與分析 采用PLSR建模,其Rc和Rp分別為0.9067,0.8743,均高于PCR所建模型,且RMSECV和RMSECP均低于PCR建模。與SVR建模相比,PLSR校正集相關性系系數(shù)Rp較低,但是預測集相關性系數(shù)Rc較高,且RMSECV和RMSECP都較小,如表5所示。綜上,本研究采用PLSR為預測羊肉菌落總數(shù)的最佳模型,羊肉菌落總數(shù)PLSR預測模型如圖6所示。

圖6 羊肉菌落總數(shù)PLSR預測模型

表5 菌落總數(shù)不同建模效果的比較

表6 TVB-N含量不同建模效果的比較

2.4.2 TVB-N含量建模方法的比較與分析 由表6可知,建模效果較好的是PLSR方法,其Rc和Rp分別為0.9147和0.8802;RMSECV和RMSECP分別為2.5095和2.6570,均優(yōu)于PCR和SVR模型。實驗結果表明,采用髙光譜成像技術對羊肉TVB-N含量進行無損檢測是可行的,綜上,本研究采用PLSR為預測羊肉TVB-N含量的最佳模型,羊肉TVB-N含量的PLSR預測模型如圖7所示。

圖7 羊肉TVB-N含量PLSR預測模型

3 結論

本實驗首先對新鮮度指標菌落總數(shù)和TVB-N含量的變化規(guī)律進行了研究,然后采用蒙特卡洛檢測方法剔除了8個菌落總數(shù)異常值和7個TVB-N含量異常樣本,在此基礎上利用SPXY法對樣本集劃分校正集和預測集,并依據(jù)模型的性能參數(shù)(Rc、RMSEC、Rp、RMSEP)通過不同預處理方法利用PLSR建模,得到羊肉菌落總數(shù)和TVB-N含量樣本集的最優(yōu)光譜預處理方法都為正交信號校正預處理方法,在此基礎上分別采用PCR和SVR建模,得到最優(yōu)建模方法為PLSR,菌落總數(shù)最優(yōu)模型的Rc、Rp分別為0.9067、0.8743,RMSEC、RMSEP分別為2.2334、2.5423;揮發(fā)性鹽基氮最優(yōu)模型的Rc、Rp分別為0.9147、0.8802,RMSEC、RMSEP分別為2.5095、2.6570。因此,利用高光譜成像技術對羊肉新鮮度進行檢測是可行的。

[1]王松磊,吳龍國,康寧波,等.基于高光譜圖譜融合技術的寧夏灘羊肉嫩度檢測方法研究[J].光電子·激光,2016,27(9):988-995.

[2]蔡健榮,萬新民,陳全勝,等.近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J].光學學報,2009,29(10):2810-2812.

[3]呂日琴,黃星奕,辛君偉,等.魚新鮮度檢測方法研究進展[J].中國農(nóng)業(yè)科技導報,2015,56(5):18-26.

[4]Huang L,Zhao J,Chen Q,et al. Nondestructive measurement of total volatile basic nitrogen(TVB-N)in pork meat by integrating near infrared spectroscopy,computer vision and electronic nose techniques[J].Food Chemistry,2014,145(23):228-236.

[5]Katia Gindro,Virginia Alonso-Villaverde,Francine Voinesco,et al. Susceptibility to downy mildew in grape clusters:New microscopical and biochemical insights[J].New Microscopical and Biochemical Insights,2012,52(52):140-146.

[6]楊晨龍,袁大林,牟定榮,等.近紅外顯微成像技術及其應用進展[J].光譜實驗室,2012,29(5):3198-3202.

[7]劉燕德,張光偉.高光譜成像技術在農(nóng)產(chǎn)品檢測中的應用[J].食品與機械,2012,28(5):127-132.

[8]李江波,饒秀勤,應義斌,等. 農(nóng)產(chǎn)品外部品質無損檢測中高光譜成像技術的應用研究進展[J].光譜學與光譜分析,2011,31(8):123-129.

[9]Teye E,Huang X,Dai H,et al. Rapid differentiation of Ghana cocoa beans by FT-NIR spectroscopy coupled with multivariate classification[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2013,114(31):183-189.

[10]Lin H,Zhao J,Sun L,et al. Freshness measurement of eggs using near infrared(NIR)spectroscopy and multivariate data analysis[J]. Innovative Food Science & Emerging Technologies,2011,12(2):182-186.

[11]楊菊梅,賀曉光.冷鮮羊肉品質的高光譜成像無損檢測[J].食品工業(yè)科技,2016,37(22):84-89.

[12]Wu Jianhu,Peng Yankun,Li Yongyu,Prediction of beef quality attributes using VIS/NIR hyperspectral scat-tering imaging technique[J].Jonrnal of Food Engineering,2012,(109):267-273.

[13]張雷蕾,彭彥昆,陶斐斐,等. 肉品揮發(fā)性鹽基氮的高光譜無損快速檢測[J].食品安全質量檢測學報,2012,3(6):545-547.

[14]Tao Feifei,Peng Yankun,Li Yongyu,et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[15]Qiao J,Wang N,Ngadi M,et al. Prediction of drip-loss,pH,and color for pork using a hyperspectral imaging technique[J]. Meat Science,2007,76(1):1-8.

[16]Fan J M,Zhang J S,Tang Q J,et al. Structural elucidation of a neutral fucogalactan from the mycelium of Coprinus comatus[J].Carbohydrate Research,2006,3(41):1130-1134.

[17]顧賽麒,趙勇,謝晶,等.冷卻肉新鮮度變化研究[J].食品工業(yè)科技,2010,49(1):102-104.

[18]吳龍國,何建國,劉貴珊,等.基于近紅外高光譜成像技術的長棗含水量無損檢測[J].光電子·激光,2014,25(1):135-140.

[19]中國國家標準化管理委員會.GB/T 5009.44-2003肉與肉制品衛(wèi)生標準的分析方法[S]. 北京:中國標準出版社,2003.

[20]李曉波.微生物與肉類腐敗變質[J].肉類研究,2008,15(9):41-44.

[21]姜曉文.肌肉水分分布、抗氧化性與生鮮豬肉持水性的關系[D].杭州:浙江工商大學,2009.

NondestructivetestingoftotalnumberofcoloniesandvolatilebasenitrogenofTan-muttonbasedonhyperspectralimaging

WANGLi,MATian-lan,HEXiao-guang*,WANGSong-lei,DONGHuan,MAYing

(School of Agriculture,Ningxia University,Yinchuan 750021,China)

The freshness of colony and the content of volatile base nitrogen in cold fresh mutton were studied by using near-infrared hyperspectral spectrum of 400～1000 nm in Ningxia Tan mutton as the research object. The surface spectral images of cold and fresh muttons were collected and the original spectral data were extracted from the region of interest. The anomalous samples detected by the Monte Carlo method were excluded and the calibration set and the prediction set of the samples were divided by the physical and chemical value symbiotic distance method(SPXY),(PLSR)model and the best pretreatment method was established. Then,the principal component regression(PCR)and support vector machine regression(SVR)were used to establish the model. Modular method.The results showed that the predicted number of colonies and TVB-N were better when the spectral data were pretreated by orthogonal signal correction(OSC),the RCs were 0.9067 and 0.9147,and the Rp were 0.8743 and 0.8802,which were higher than other spectral pretreatment models. Through the comparison of different modeling methods,better PLSR method was the best method. The results showed that Nondestructive testing of freshness of beach mutton could be achieved by using near-infrared hyperspectral spectroscopy.

hyperspectral imaging;Tan-mutton;total number of colonies;volatile base nitrogen;nondestructive testing;partial least squares regression

2017-05-16

王莉(1993-)，女，碩士研究生，主要從事農(nóng)產(chǎn)品無損檢測相關的工作，E-mail：m15121805802@163.com。

*

賀曉光(1963-)，男，本科，教授，主要從事食品加工與食品機械方面的教學和科研工作，E-mail：13995015705@163.com。

中央財政支持地方高校改革發(fā)展資金——食品學科建設項目(2017)；國家自然科學基金資助項目(31660484)。

TS251.5+3

A

1002-0306(2017)22-0235-07

10.13386/j.issn1002-0306.2017.22.046