脆性是食品质地评价的一项重要指标,但对其进行鉴别的研究较少。本文旨在利用声音信号鉴别不同食品间的脆度,将湿脆性食品,如胡萝卜、白萝卜、土豆、地瓜、富士苹果及水晶梨作为研究对象,通过声音信号特征值和力学脆度构建分类鉴别模型和云模型,选取最优模型用于食品脆度鉴别。并获取样品的微观形态学参数,从微观角度解释脆度差异性原因。本文主要研究内容和结论如下:1.不同样品力学及声音信号的采集与分析。使用CT3型质构仪、声音传感器和计算机采集声音信号。将采集到的声音信号去噪,并提取时域特征值中的信号强度、最大短时帧能量、波形指标、幅值差,和频域特征值中的功率谱密度最大值、功率谱密度特征。力学脆度同样使用CT3型质构仪进行测定并记录。2.基于声音信号建立脆度分类模型。(1)将样品的力学脆度进行分类处理,根据聚类分析结果将分类方法分为两种,分别为分六类(胡萝卜、白萝卜、土豆、地瓜、富士苹果、水晶梨)和分三类(A、B、C)的情况,将筛选后的样品声音信号特征值采用主成分分析法进行降维,分别构建分六类和分三类的鉴别模型,构建方法包括三种即Fisher判别法、MLP神经网络和RBF神经网络,共得到六种鉴别模型。(2)将得到的六种鉴别模型进行比较,结果可知分三类时判别正确率比分六类时高,原因可能为分六类时数值间差异较小。分三类建模时利用RBF神经网络鉴别的判别正确率最高,建模集和验证集的判别正确率分别为82.7%、85.4%。故六种鉴别模型中较优的模型为将样品分为三类,且采用RBF神经网络进行建模的鉴别模型。3.基于云模型及声音信号比较脆度。(1)为了更好的将样品一一鉴别,将声音信号特征值中与脆度呈高度正相关的最大短时帧能量、波形指标、信号强度、功率谱密度特征值保留,与云模型方法结合进行脆度的鉴别比较。通过一维云模型、二维云模型及综合云模型结果可知六种样品的脆度顺序为胡萝卜>土豆>地瓜>白萝卜>富士苹果>水晶梨,而胡萝卜、土豆、白萝卜、地瓜的脆度离散程度较大,富士苹果和水晶梨的脆度离散程度较小。(2)将云模型方法与第二点的鉴别模型对比,结果表明云模型方法更优,因此最终选择云模型方法用于食品脆度鉴别研究。(3)进行验证试验包括力学脆度试验和感官评价试验,与云模型结果对比表明,云模型评价方法适用于食品脆度鉴别,且具有节约时间、结果直观准确等优势。4.微观结构与食品脆度间的关系。(1)利用显微镜记录不同样品的微观结构图像,经过单因素方差分析和相关性分析保留细胞参数中的面积、周长、费里特直径,且样品的脆度越大,三个细胞参数越小。在六种样品中,水晶梨的细胞参数最大,胡萝卜的细胞参数最小,因此水晶梨脆度最小,胡萝卜脆度最大。(2)利用样品的细胞参数预测脆度,分别采用聚类分析和主成分分析对样品细胞参数进行降维,得到降维后的参数分别利用一维线性模型和BP神经网络构建脆度预测模型。共得到四种预测模型,对比得知最优的模型为基于主成分分析的BP神经网络模型,其验证试验的平均相对误差为4.79%,表明该模型可用于样品脆度的预测。综上,本研究以具有代表性的果蔬产品为研究对象,利用声音信号对食品脆度进行鉴别,为食品脆度评级提供理论依据。另外,本研究从微观结构方面分析食品脆度差异性原因,并利用细胞参数预测食品脆度,为食品脆度提供微观结构方面的研究依据。