论文部分内容阅读
为满足广大消费者日益增长的关于肉品质量与食用安全方面的需求,对肉品的新鲜程度实施快速、精准的评价有着至关重要的意义。脂肪氧化程度是衡量猪肉新鲜度的指标之一,可是当前冷鲜肉行业尚不能以无损方式快速定量检测其脂肪氧化程度。本课题基于高分辨率光谱技术,在近红外900~1700 nm波段,研究0~4℃条件下冷藏0~14天的猪肉和鸡肉硫代巴比妥酸值、过氧化值和酸价的定量预测,以实现对冷鲜猪肉和鸡肉脂肪氧化程度的无损、快速检测。主要研究内容和结果如下:(1)采用高分辨率光谱技术对0~4℃冷藏条件下储藏0~14天的猪肉硫代巴比妥酸(TBA)值进行快速定量检测。首先采集900~1700 nm处不同储藏期猪肉样品的光谱图像,提取样品感兴趣区域的平均光谱信息,经过移动平均值平滑(Moving Average Smoothing,MAS)、S-G卷积平滑(Savitzky-Golay Smoothing,SGS)、中值滤波平滑(Median Filter Smoothing,MFS)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、标准化校正(Normalization Correction,NC)、多元散射校正(Multiplicative Scatter Correction,MSC)、基线校正(Baseline Correction,BC)和标准正态变量校正(Standard Normal Variable,SNV)八种光谱预处理方式,结合偏最小二乘回归(Partial least squares regression,PLSR)算法构建猪肉TBA值的全波段预测模型。通过比较预测模型的精准度和稳定性,得出GFS是最合适的光谱预处理方式。为优化全波段模型,采用回归系数法(Regression Coefficient,RC),逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)三种算法筛选最优波长并基于最优波长重新构建PLSR模型和多元线性回归(Multiple Linear Regression,MLR)模型。结果显示,依据RC算法提取的29个最优波长建立的GFS-RC-MLR模型和GFS-RC-PLSR模型预测精确度相似且均令人满意,其中预测集相关系数r_P(Regression coefficient of prediction)均为0.924,预测集均方根误差RMSEP(Root mean square error of prediction,RMSEP)分别为0.035mg/100 g和0.034 mg/100g。(2)应用长波近红外高光谱成像技术分析0~4℃条件下冷藏0~7天的鸡肉TBA值的定量检测的可行性。试验获取不同差异的脂肪氧化程度的鸡肉样品的高光谱图像,首先提取原始光谱信息并在此基础上分别进行MAS、SGS、MFS、GFS、NC、MSC、BC和SNV预处理,再使用RC、Stepwise和SPA三种算法对庞大的光谱信息分别作降维处理,分别筛选最优波长。结果表明,RC算法优选的31个最优波长更能表征鸡肉的TBA值,根据最优波长构建的鸡肉TBA值的GFS-RC-PLSR模型(r_P=0.945,RMSEP=0.053 mg/100g)预测效果优于GFS-RC-MLR模型(r_P=0.934,RMSEP=0.058 mg/100g,且两者的预测精度都较理想,说明基于高光谱技术评估鸡肉脂肪氧化程度是可行的。(3)借助高光谱成像技术作为分析手段,以过氧化值为猪肉脂肪氧化程度评价指标研究猪肉的新鲜度。首先,把试验采集到的猪肉样品的高光谱数据进行预处理,再分别构建原始光谱(RAW)和预处理光谱的全波段PLSR预测模型。分析模型各参数可得,光谱的最佳预处理方式是GFS。接着,用RC、Stepwise和SPA三种算法对GFS光谱进行降维处理,分别提取最优波长重新建立优化模型。结果表明,运用SPA算法筛选出的25个最优波长建立的猪肉过氧化值的GFS-SPA-MLR模型(r_P=0.877,RMSEP=7.55×10~-44 g/100g)预测效果更好。(4)使用高光谱技术快速检测猪肉的酸价。首先提取已采集的猪肉样品的高光谱图像中的光谱数据,再用多种方法(MAS、SGS、MFS、GFS、NC、MSC、BC和SNV)对RAW光谱进行预处理,分别基于预处理光谱和RAW光谱构建猪肉酸价的全波段PLSR预测模型。通过对模型数据分析,发现基于RAW光谱和BC预处理光谱构建的预测模型性能更好。最后,使用RC和SPA算法选择最优波长并分别重新构建PLSR和MLR预测模型,结果表明,使用RC算法提取的28个最优波长建立的RAW-RC-PLSR模型(r_P=0.846,RMSEP=0.569 mg/g)相关系数更高,误差更小,预测性能更好。