利用高光谱成像技术预测牛肉pH值及其空间分布

利用可见/近红外高光谱(400~1000 nm)成像技术对黄牛肉pH值进行预测。对229个黄牛肉样本的原始光谱信息利用Kennard-Stone(KS)算法进行样本集划分及光谱预处理,分别采用竞争性自适应加权算法(competitive adaptive reweighed sampling,CARS)、无信息消除变量法(uninformative variable elimination,UVE)、β权重系数法及变量组合集群分析法(variable combination population analysis,VCPA)对特征波长进行提取,最后结合偏最小二乘回归(partial least squares regression,PLSR)、多元线性回归(multiple linearity Regression,MLR)和主成分回归(principal component regression,PCR)方法对全波段及特征波段进行建模分析,进而优选出最佳模型。结果表明,利用KS算法划分后的样本集,结合最大归一化法预处理后的光谱数据所建立的预测模型的RC^2和RP^2分别为0.8423和0.7837,效果较好;利用CARS、UVE、β权重系数法和VCPA分别选出19、16、14和11个特征波长;基于CARS提取特征波长建立的PLSR模型效果最优,其决定系数RC^2和RP^2分别为0.8453和0.7406,均方根误差为0.0690。利用CARS-PLSR模型计算牛肉样本中像素点的pH值,并通过选取742 nm处的伪色彩图像直观表示牛肉样本的pH值的空间分布情况。

结合高光谱图像的光谱和纹理信息预测羊肉可溶性蛋白和GSH含量

可溶性蛋白和谷胱甘肽(GSH)是羊肉重要的生理生化指标,是衡量机体抗氧化能力大小的重要因素,传统检测方法程序复杂,检测费时。为此应用可见-近红外(400~1000 nm)高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽(GSH)含量无损、快速检测。首先,对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理,再运用竞争自适应加权算法(CARS)、区间变量迭代空间收缩算法-迭代和保留信息变量法(iVISSA-IRIV)进行特征波段的提取。同时使用灰度共生矩阵法(GLCM)提取贡献率最高的主成分图像的纹理信息。最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归(MLR)、最小二乘支持向量机(LS-SVM)模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳,其R_(c)和R_(p)分别为0.8757和0.8547;采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳,其R_(c)和R_(p)分别为0.8048和0.8265。利用iVISSA-IRIV共筛选出31个特征波长,建立的羊肉可溶性蛋白LS-SVM模型的R_(c)和R_(p)最优,分别为0.9146和0.8818;同时利用iVISSA-IRIV筛选出29个特征波长,建立的羊肉GSH-MLR模型的R_(c)和R_(p)最优,分别为0.8446和0.8705。最终经光谱特征信息和图谱信息融合模型对比发现,建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳,其R_(c)和R_(p)分别为0.9146和0.8818;利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型,其R_(c)和R_(p)分别为0.8495和0.8904。利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法,结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。

瓜尔豆胶对马铃薯-小麦混合粉面团质构和流变特性的影响

本文探究了添加量为0(对照组)、0.3%、0.6%、0.9%、1.2%和1.5%的瓜尔豆胶对马铃薯含量为35%的混合面团质构特性和流变特性的影响。结果表明:改良面团属于假塑性流体,具有剪切稀化特性。添加瓜尔豆胶能减小面团的硬度,改善拉伸特性,增大弹性模量和黏性模量,降低损耗角正切值、应变值和蠕变柔量,使面团高聚物含量增大,聚合度提高。其中,瓜尔豆胶添加量为0.9%的混合面团硬度适中,拉伸距离最大;弹性模量和黏性模量与对照组接近,黏弹性好;应变值、蠕变速率和蠕变柔量最小,表明面团内部强度大,在外力作用下,面团抗变形能力强;面团蠕变回复率和可回复性柔量最大,面团在撤去外力后,回复能力强。所以瓜尔豆胶添加量为0.9%的混合面团,适合用于制作马铃薯主食产品。

基于高光谱成像技术的泾源黄牛肉色度PLSR预测模型构建

利用高光谱成像技术对泾源黄牛肉色度的PLSR预测模型进行构建。通过可见近红外高光谱成像系统获取牛肉样本的高光谱图像,提取感兴趣区域(ROI)的光谱信息并计算平均光谱,采用蒙特卡洛法剔除异常样本后进行样本集划分,并对划分后的样本数据进行预处理。其中,亮度(L^*)经Deresolve法预处理的模型结果最好,其Rc^2为0.9790,预测集相关系数Rp^2为0.9766;红度(a^*)经卷积平滑法预处理的模型结果最好,其Rc^2和Rp^2分别为0.8070、0.9155;黄度(b^*)经卷积平滑法预处理的模型结果最好,其Rc^2和Rp^2分别为0.9311、0.9506。分别利用竞争性自适应重加权法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)进行特征波长提取,建立基于特征波段的偏最小二乘回归(PLSR)模型,进而优选出最佳预测模型,结合视觉的空间深度、立体程度,对样本的形态和色觉感知进行提取与辨别。结果表明,利用高光谱成像技术所构建的色度PLSR模型均是可行的,研究结果为牛肉品质在线快速检测提供了理论依据。

高光谱成像技术对牛肉水分含量及分布的快速检测

利用可见/近红外高光谱成像技术对牛肉水分含量及分布进行快速检测。采用可见/近红外高光谱成像系统(400-1 000 nm)采集150个黄牛肉样本的高光谱图像,利用ENVI软件提取样本感兴趣区域(ROI)并计算平均光谱值;对原始光谱数据进行预处理并利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和无信息变量消除算法(UVE)进行特征波长提取,建立基于不同特征波长的偏最小二乘回归(PLSR)模型,进而优选牛肉水分含量预测的最优模型。通过蒙特卡罗交叉验证法剔除26个异常样本值;经卷积平滑(Smoothing-SG)法预处理后的原始光谱数据所建PLSR模型效果较好,其校正集决定系数(R^2c)与预测集决定系数(R^2_p)分别为0.817、0.850;利用CARS、SPA、UVE法分别优选出12、27、27个特征波长;对比基于全波段光谱与特征波段光谱所建PLSR牛肉水分预测模型的优劣,结果显示基于CARS-PLSR法建立的牛肉水分预测模型效果最好,其R^2_c、R^2_p值分别为0.814、0.750,校正集均方根误差(RMSEC)与预测集均方根误差(RMSEP)分别为0.477、0.555;最后,利用CARS-PLSR模型计算牛肉样本每个像素点的水分含量并利用伪彩色图对牛肉样本水分分布进行可视化分析,进而实现牛肉水分含量的快速检测及分布的可视化表达。该研究结果可为黄牛肉水分含量的快速检测提供理论支撑。