基于矿物组分差异的致密气层识别方法

四川盆地天府地区侏罗系沙溪庙组为典型的致密砂岩气层,与沙溪庙组沙二段产气无水特征不同的是,沙一段存在明显的产水现象,而前期建立统一的电阻率与孔隙度交会图难以区分不同的流体性质,适用性较差。为解决流体性质识别的问题,基于密度和中子测井的相关性原理,在考虑不同岩石矿物组合类型差异的基础上,提出了应用密度和中子测井曲线分离的程度表征不同的矿物组合类型,进而建立了基于密度中子分离度的电阻率与孔隙度交会图版。该图版明显提高了气层和气水层的的区分能力,并结合饱和度计算结果确定了气层的饱和度下限,实际试气资料应用效果验证了该方法的有效性。研究成果对于复杂矿物组分的致密气储层流体性质识别具一定的借鉴性。

快速与慢速解冻对冷冻猪肉品质特性及蛋白变性的影响

研究快速解冻技术(微波、超声)与慢速解冻技术(流水、空气、低温、35℃静水)对猪肉品质特性及蛋白质变性程度的影响,以新鲜猪肉作为对照组,分析六种解冻方式对冷冻肉,解冻速率、保水性、色泽、脂肪氧化程度(TBARS)、蛋白溶解性、蛋白变性程度、新鲜度及剪切力值的影响。结果表明,与新鲜猪肉相比,经解冻处理后,猪肉的品质特性均有不同程度的变化;经差示热量扫描仪(DSC)热分析也可看出,解冻方式对猪肉蛋白质的变性程度有一定影响。六种解冻方式中,微波解冻作为一种快速解冻方式,耗时最短,解冻速率为39.61 cm/h,与慢速解冻相比,大大提高了解冻效率(p <0.05),且能较好地保持猪肉的保水性和嫩度,解冻后猪肉的TBARS值和蛋白变性程度较低,新鲜度也仍在一级鲜肉的水平。由此说明,微波解冻能较好地保持猪肉的品质。

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R2C)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R2P)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。

近红外光谱技术在肉品掺假检测方面的研究进展

近红外光谱(Near-Infrared Spectroscopy,NIRS)技术是一种通过获取被测样品的近红外光谱信息,并使用化学计量学方法挖掘被测样品指标和光谱信息之间定性定量关系的一种无损分析技术。该技术通过构建精确度高、稳定性好的数学模型,可在不破坏样品完整性和无需样品前处理的前提下获取被测样品信息,实现肉品掺假成分及掺假量的快速预测,目前在肉品掺假方面已有大量研究且应用潜力巨大。本文主要综述了2010年至今NIRS用于肉品掺假研究方面的研究进展和最新成果,可为后续研发肉品掺假无损快检设备提供数据支撑和理论参考。

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(RP)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。

近红外光谱技术在小麦粉品质检测方面的应用研究进展

近红外光谱(NIRS)技术是当前发展最快、最具前景的现代无损分析技术之一。NIRS技术融合了计算机、光学、数学、化学和化学计量学等多个学科的最新研究成果,具有简便、快速、低成本、无污染、不接触等优点,目前被广泛应用于食品品质分析与检测研究。本文综述了近十年来NIRS技术在小麦粉理化指标(如水分、灰分、蛋白质、淀粉)、粉质指标(如面筋、面筋指数分、沉降值、吸水量、形成时间、稳定时间、弱化度)及掺杂物(如甲醛次硫酸氢钠、滑石粉、过氧化苯甲酰、石灰、偶氮甲酰胺、曲酸)等方面的检测研究进展。同时,基于当前研究进展,NIRS技术在光谱数据挖掘、建模算法优化、模型稳健性等方面还需大量研究,为研发小麦粉质量快速无损检测设备提供更多数据支撑和方法参考。

基于不同预处理高光谱信息的鸡肉滴水损失率快速预测研究

本文旨在通过挖掘不同预处理高光谱(900~1700 nm)信息构建鸡肉滴水损失率的快速预测模型。首先采集每个鸡肉样本高光谱图像并提取图像感兴趣区域内的平均光谱信息,经基线校正(BC)、标准正态变量校正(SNV)、多元散射校正(MSC)、高斯滤波平滑(GFS)、归一化校正(NC)等五种光谱不同预处理,利用偏最小二乘回归(Partial Least Squares Regression,PLSR)算法构建光谱信息与鸡肉滴水损失率之间的定量关系。然后分别基于回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归算法(Stepwise)筛选出对模型精度影响较大的最优波长优化全波段PLS模型。结果显示,基于BC光谱的全波段PLSR模型(BC-PLSR)预测鸡肉滴水损失率效果更好(r_P=0.95,RMSEP=0.29%,RPD=3.07,ΔE=0.0024%)。利用Stepwise法从BC光谱中选取的14个最优波长(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型(r_P=0.97,RMSEP=0.24%,RPD=3.82,ΔE=0.0012%)和多元线性回归(Multiple Linear Regression,MLR)模型SW-BC-MLR(r_P=0.97、RMSEP=0.22%、RPD=4.19,ΔE=0.0036%)预测鸡肉滴水损失率效果均良好。本试验表明,基于近红外高光谱信息可潜在实现鸡肉滴水损失率的快速预测。

食品鲜度保持卡对冰温贮藏鸡胸肉品质特性的影响

为了延长鸡胸肉的保质期,本文研究了浸泡生姜精油后的食品鲜度保持卡对鸡胸肉在冰温贮藏期间色泽、pH、保水性、TVB-N值、TBARS值、菌落总数、电导率以及流变学特性的影响。结果表明:相对于单独冰温贮藏,放入食品鲜度保持卡能不同程度降低鸡胸肉的pH、菌落总数、TVB-N值以及电导率,有效地维持鸡胸肉的保水性,控制脂质氧化程度;流变学结果表明,放入食品鲜度保持卡后,能有效地维持鸡胸肉的凝胶特性,最终使鸡胸肉的保质期延长了3~9 d。其中放入4、6片食品鲜度保持卡对鸡胸肉的保鲜效果显著高于放入2片食品鲜度保持卡的处理(P<0.05)。另外在贮藏期间放入4、6片食品鲜度保持卡对鸡胸肉的滴水损失率、TVB-N值和电导率的影响仅在第24 d时出现显著性差异(P<0.05),其他指标均无显著差异(P>0.05)。最终结合经济因素等各方面综合考虑,在冰温贮藏期间,放入4片食品鲜度保持卡后能较好地维持鸡胸肉的品质,使鸡胸肉的保质期延长了9 d。

在线近红外光谱系统快速检测整块鸡胸肉菌落总数含量

以整块鸡胸肉为研究对象,利用在线近红外光谱系统采集其900~1650 nm波长范围内的光谱信息,探究光谱信息与细菌菌落总数(Total Viable Count,TVC)之间的定量关系。对采集的原始光谱信息进行高斯滤波平滑(Gaussian Filter Smoothing,GFS)等五种预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型。采用回归系数法(Regression Coefficient,RC)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长,构建优化的PLS模型和多元线性回归(Multiple Linear Regression,MLR)模型。结果表明,基于全波段GFS光谱构建的GFS-PLS模型预测鸡胸肉TVC效果最佳(rP=0.964,RMSEP=0.806 lg CFU/g)。基于SPA法从GFS光谱中筛选出的25个最优波长(907.0、913.7、923.8、927.2、937.2、947.3、974.0、987.3、997.3、1007.3、1040.4、1080.1、1099.9、1132.9、1155.9、1185.5、1215.0、1241.2、1270.6、1358.2、1380.8、1403.3、1419.3、1578.9和1615.2 nm),建立的SPA-GFS-MLR模型预测性能(rP=0.944,RMSEP=1.022 lg CFU/g)最接近GFS-PLS模型。基于在线近红外光谱系统可实现对大批量整块鸡胸肉细菌总数含量的快速无接触检测。

冰温对鸡胸肉成熟过程中品质的影响

为研究冰温对宰后鸡胸肉成熟过程的影响,本研究以白羽鸡鸡胸肉为原料,对比冷藏(4℃)和冰温(-1.5℃)状态下鸡胸肉在成熟过程中pH、剪切力、乳酸以及糖酵解过程限速酶丙酮酸激酶和乳酸脱氢酶活力的变化。结果表明,冰温状态延缓了乳酸积累,剪切力和pH极限值的到达时间,并且延迟了糖酵解过程中关键酶丙酮酸激酶和乳酸脱氢酶的活力,与冷藏状态的鸡胸肉相比,冰温状态下鸡胸肉的最低pH被延缓了6 h,乳酸的积累延缓2 h,剪切力的最大值延迟了2 h,丙酮酸激酶和乳酸脱氢酶活力最大值被延迟了2 h,冰温可以延缓鸡胸肉成熟进程大约2～6 h,但在冰温和冷藏状态下各项指标的变化趋势相同,除乳酸脱氢酶外其余各项指标的极限值均无显著性差异(p> 0.05)。

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1700 nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(R P=0.919,RMSEP=0.036 mg/100 g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(R P=0.924,RMSEP=0.034 mg/100 g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。

基于近红外光谱技术的生鲜猪肉质量检测研究进展

近红外光谱技术(Near-Infrared Spectroscopy,NIR)是一种根据被检测物质的光谱信息,运用统计学的方法,构建被测物质某种属性值和光谱信息之间最优预测模型的一种间接分析技术。近红外光谱分析集光谱测量技术、计算机技术、化学计量学技术和基础测试技术于一体,通过选择合适的化学计量学方法,将样品光谱信息和指标参考值相关联,构建高精度、高稳定性的数学模型预测未知样品参考值,具有无损、快捷和环保等特点。相比传统理化及生物方法反复试验且破坏原料获取数据,近红外光谱信息更容易获取、信息量更丰富、数据计算速度更快,在猪肉质量的分析检测方面获得广泛研究。本文主要综述了2010年至今近红外光谱用于研究猪肉的物理属性、化学组成、新鲜度预测和肉品掺假等方面的最新研究进展和成果,为研发肉品无损分析检测设备提供相关信息和参考。

基于NIR高光谱技术快速预测冷鲜鸡肉热杀索丝菌含量

基于NIR高光谱成像技术快速评估鸡肉热杀索丝菌含量。通过采集新鲜鸡肉高光谱图像并提取样本反射光谱信息(900~1699 nm),再采用多元散射校正(Multiplicative Scatter Correction,MSC)、基线校正(Baseline Correction,BC)和标准正态变量校正(Standard Normal Variable Correction,SNV)三种方法预处理原始光谱,分别利用偏最小二乘(Partial Least Squares,PLS)、多元线性回归(Multiple Linear Regression,MLR)挖掘光谱信息与鸡肉热杀索丝菌参考值之间的定量关系。同时采用PLS-β系数法、Stepwise算法和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长简化全波段模型(F-PLS)提高预测效率。结果显示,经BC预处理的全波段光谱(485个波长)构建的F-PLS模型预测热杀索丝菌效果较好,相关系数RP为0.973,误差RMSEP为0.295 lg CFU/g。基于PLS-β法从BC预处理光谱中筛选出25个最优波长构建的PLS-β-PLS(RP=0.931,RMSEP=0.434 lg CFU/g)模型预测较好。本试验表明,利用近红外高光谱成像技术可潜在实现鸡肉热杀索丝菌含量的快速评估。

高光谱快速预测冷鲜鸡胸肉中乳酸菌

乳酸菌含量是评价冷鲜鸡胸肉品质的重要指标。随着储藏天数的增加,当乳酸菌含量超过10~6 CFU/g,冷鲜鸡胸肉黏度增加,开始腐败变味。本研究通过化学计量学算法挖掘高光谱数据快速预测鸡胸肉中乳酸菌含量。首先,采集119个冷鲜鸡胸肉样品900~1700 nm的高光谱图像,提取肉样图像感兴趣区域(Region of interest,ROI)内的光谱信息,经多元散射校正(Multiplicative Scatter Correction,MSC)等8种方法预处理原始光谱,采用偏最小二乘(Partial Least Squares,PLS)算法挖掘光谱信息,构建全波段PLS预测模型(F-PLS)。然后,选用回归系数法(Regression Coefficient,RC)、逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长优化F-PLS模型。结果显示,基于SPA法从基线校正(Baseline Correction,BC)预处理光谱中筛选出21个最优波长(903.8、905.5、912.1、915.4、917.0、920.3、923.6、931.8、941.7、1107.0、1135.9、1157.3、1269.2、1303.7、1320.2、1348.2、1551.1、1676.9、1686.9、1695.1和1698.4 nm)构建的SPA-PLS模型预测最好(r_P=0.949,RMSEP=0.439lg CFU/g,RPD=2.787)。本试验表明,采用近红外高光谱技术快速预测冷鲜鸡胸肉中乳酸菌含量是可行的。

基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,rP为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。

NIR高光谱成像技术联用SPA算法快速检测五花肉的过氧化值

利用近红外(NIR)高光谱成像技术结合连续投影算法(SPA)快速、无损检测五花肉的过氧化值。通过高光谱成像系统采集样品的光谱图像,提取其反射光谱信息,经过基线校正(BC)、高斯滤波平滑(GFS)、中值滤波平滑(MFS)、卷积平滑(SGS)、移动平均值平滑(MAS)、标准正态变量变换(SNV)、多元散射校正(MSC)七种预处理后,利用偏最小二乘(PLS)建立预测模型。使用SPA筛选最优波长,重新预算,构建优化的PLS模型和多元线性回归(MLR)模型。结果显示,经过BC预处理(RP=0.960,RMSEP=5.15×10-4 g/100 g)和原始数据RAW(RP=0.960,RMSEP=4.89×10-4 g/100 g)的全波段PLS模型(F-PLS)预测过氧化值效果较好。优化结果显示,RAW的MLR模型(RP=0.968,RMSEP=4.12×10-4 g/100 g)预测效果更好。研究表明,NIR高光谱成像技术联用SPA算法可潜在实现对五花肉过氧化值的快速无损检测。

天然减菌剂对宰后鸡胴体表面雾化喷淋减菌效果研究

以某肉鸡屠宰加工厂的肉鸡胴体为试验对象,研究食品中常用的0. 5%混合Nisin、壳聚糖、茶多酚、ε-聚赖氨酸、姜黄素、溶菌酶和海藻酸钠等天然减菌剂对其进行雾化喷淋及复合喷淋处理后的减菌效果。结果表明:Nisin、聚赖氨酸和壳聚糖对鸡胴体表面的菌落总数、乳酸菌、葡萄球菌属、假单胞菌属、热杀索丝菌和肠杆菌科的减菌效果较好。确定0. 1%Nisin、0. 2%ε-聚赖氨酸和0. 2%壳聚糖的复合喷淋减菌效果优于Nisin、ε-聚赖氨酸和壳聚糖的单一喷淋减菌效果,且复合天然减菌剂喷淋减菌后对鸡胴体的a*、b*和L*值基本无显著性影响(p> 0. 05)。在11 d的贮藏期内,复合有机酸喷淋后鸡胴体的TVB-N和TBARS等指标都明显降低,复合天然减菌剂雾化喷淋处理的肉鸡胴体具有明显的减菌效果并可延长产品的货架期。

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,rC为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,rP为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。

近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

利用900~1700nm近红外高光谱成像系统联用Stepwise算法快速评估鸡肉色泽和嫩度。通过采集新鲜屠宰鸡肉高光谱图像,提取试验样本感兴趣区域(Region of interests,ROI)反射光谱信息,经中值滤波平滑(Median filtering smoothing,MFS)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换( Standard normal variable correction,SNV)三种预处理后,分别利用偏最小二乘(Partial Least Squares,PLS)和多元线性回归(Multiple linear regression,MLR)挖掘光谱信息与鸡肉色泽参数(L^*、a^*、b^*)及嫩度参考值之间的定量关系。结果显示,经MFS预处理的近红外光谱(486个波长)构建的全波段PLS回归模型(F-PLS)预测L^*(RP=0.904,RMSEP=2.036)、b^*(RP=0.908,RMSEP=1.577)和嫩度(RP=0.948,RMSEP=1.596)效果更好。为提高预测效率,采用Stepwise算法筛选最优波长优化F-PLS模型,结果显示,从SNV预处理光谱筛选的14个最优波长构建MLR回归模型预测L^*值(RP=0.894,RMSEP=2.160)效果较优,从SNV预处理光谱筛选的13最优波长构建的O-PLS回归模型预测b^*值(RP=0.877,RMSEP=1.811)效果较优,从MFS预处理光谱筛选的20个最优波长构建O-PLS回归模型预测嫩度值(RP=0.888,RMSEP=2.408N)效果较优。本试验表明,利用近红外高光谱成像技术结合Stepwise算法可实现鸡肉色泽参数L^*、b^*值以及嫩度的快速评估。

基于最优光谱信息的冷鲜鸡肉TBA值快速检测

基于最优光谱信息构建PLS模型预测冷鲜鸡肉的2-硫代巴比妥酸(2-Thiobarbituric acid,TBA)值,快速无损评估冷鲜鸡肉的氧化程度。采集冷鲜鸡肉的900~1700 nm范围内高光谱图像,提取并平均图像中感兴趣区域内的反射光谱信息,经移动平均值平滑(MAS)、卷积平滑(SGS)、中值滤波平滑(MFS)、高斯滤波平滑(GFS)、归一化(N)、多元散射校正(MSC)、基线校正(BC)和标准正态变量变换(SNV)8种方法预处理光谱信息后,建立偏最小二乘(PLS)模型预测冷鲜鸡肉中TBA值。同时采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化PLS模型。结果显示,基于PLS-β系数法从GFS光谱筛选的31个最优波长构建的GFS-P-OW-PLS模型预测冷鲜鸡肉TBA值效果最好(rP=0.945,RMSEC=0.053 mg/100 g)。综上,基于最优光谱信息构建PLS模型可实现鸡肉TBA值的快速无接触检测。