羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究

以从内蒙、宁夏、甘肃、新疆4个肉羊产区筛选的有代表性的98份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨了羊肉嫩度无损检测的方法。以模型决定系数(r2)、校正标准差(RMSECV)和预测标准差(RMSEP)为模型精度评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的质构仪剪切力值进行了拟合,确定了最佳的光谱预处理方法、主成分数和波段范围。结果表明:所选98个羊肉样品的剪切力值分布范围为1.673～6.631 kg,其中75%以上的样品剪切力值在2～5 kg,基本覆盖了我国现有的肉羊嫩度值分布;在11 995～5 446 cm-1和4 601～4 246 cm-1的波段范围内,最佳主成分数为10,光谱经矢量归一法处理后,建立的羊肉嫩度模型精度最高,r2达到86.2%,RMSECV为0.445;用此模型对预测集29个样品进行预测,预测值与实测值的相关系数r达到0.87,预测平均偏差为0.385,RMSEP为0.524。

基于可见光和近红外光谱鲜猪肉蒸煮损失和嫩度检测的研究

蒸煮损失和嫩度是决定猪肉的食用品质的重要指标,文章提出了可见光/近红外漫反射光谱检测真空包装猪肉的蒸煮损失和嫩度的新方法,从而实现对其快速、无损、无污染测定。利用光谱专用分析软件Unscrambler9.6对采集的近红外漫反射光谱分别进行卷积平滑、二阶微分法和多元散射校正预处理,用偏最小二乘法(PLS)建立其定量校正模型。结果表明近红外光谱漫反射法的预测值与常规方法测定值的相关系数分别为0.81和0.78。该研究结果说明基于可见光/近红外光谱漫反射光谱的检测方法简便易行,是无损检测猪肉的蒸煮损失和嫩度的较好方法。

近红外光谱法预测羊肉化学成分的研究

对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。

羊肉色泽傅立叶变换近红外光谱定量分析方法研究

以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。

IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化

高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。利用可见-近红外(400~1 000 nm)和近红外(900~1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测,优选最佳建模波段。首先,采集羊肉的高光谱图像,提取样本感兴趣区域的光谱反射值,采用TA-XTplus质构仪测量滩羊肉嫩度;其次,将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、去趋势(de-trending)、基线校准(baseline)、标准正态变量(standard normal variable, SNV)、归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理;分别采用连续投影算法(successive projection algorithm, SPA)、竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长;最后,建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型,优选最佳建模波段。结果表明:(1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱;(2)经过多种预处理方法所建立的滩羊肉嫩度的模型中,近红外区域的原始光谱(original spectra, OS)模型效果最优,其Rc=0.83,Rp=0.79, RMSEC=874.94, RMSEP=1 465.97;(3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长,占总波长的7%, 6%, 5%和54%;(4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好,其Rc=0.85,RMSEC=850.86,Rp=0.79, RMSEP=1 497.11。IVISSA算法不仅可大幅度减少模型运算次数,还可以保证模型的精准和稳定性。研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉（1~8 d）表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归（PLSR）模型,预处理的特征区域光谱建立的模型效果更优。结果表明：特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数（Rp）和均方根误差（RMSEP）分别为0.773和1.060。研究表明：利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。

基于近红外光谱技术构建牛羊肉掺假鉴别模型

【目的】为应用近红外光谱技术结合正交偏最小二乘判别分析(orthogonalpartialleast-squares discrimination analysis,OPLS-DA)方法对牛羊肉掺杂鸡肉和鸭肉的定性鉴别。【方法】采集新鲜的牛里脊肉、羊后腿肉、鸡胸肉、鸭脯肉各41份,用绞肉机绞碎成肉糜,按照0%、25%、50%、75%、100%的掺假比例分别将鸡肉糜和鸭肉糜掺入到牛肉糜和羊肉糜中,得到4种纯肉样品各41份,牛肉掺鸭肉、牛肉掺鸡肉、羊肉掺鸭肉、羊肉掺鸡肉样品各123份,并采集近红外光谱。利用二阶导数(second derivative,2^(nd) Der)、savitzky-golay滤波平滑(savitzkygolay,S-G)、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量校正(standard normal variate correction,SNV)、2nd Der+S-G、2nd Der+MSC、2nd Der+SNV、S-G+MSC、S-G+SNV等方法对原始光谱数据预处理,结合OPLS-DA分别构建牛羊肉掺假定性鉴别模型。根据模型训练集的最高正确判别率以及比较受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)的面积(area under curve,AUC)评价模型的预测性能。【结果】原光谱建立的牛肉掺鸭肉模型和牛肉掺鸡肉模型对训练集鉴别准确率均为97.42%,对预测集的鉴别准确率分别为96%和92%;经S-G+MSC预处理的牛肉掺假模型对训练集和预测集的鉴别准确率分别为97.24%和90%;经SNV预处理的羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为96.13%和92%;经SNV预处理的羊肉掺鸡肉模型对训练集和预测集的鉴别准确率分别为96.77%和94%;经S-G+SNV预处理的羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.24%和97.14%。【结论】研究结果为近红外技术结合OPLS-DA方法对定性鉴别掺假牛羊肉提供了参考。

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。

近红外技术快速检测冷鲜羊肉品质的研究

目的建立近红外反射光谱法,结合偏最小二乘回归法对冷鲜羊肉进行快速无损检测。方法从农贸市场购买新冷鲜羊肉100批,通过分析一阶导和二阶导,S-G平滑(savitzky-golay,S-G)和Norris平滑方式建立羊肉的近红外光谱参数与样品的蛋白质、脂肪、水分含量之间的对应关系模型。结果蛋白质含量最优模型选择5981.72～5961.74 cm^(-1)波段,二阶导,S-G平滑方式,相关系数为0.9312,建模方差为0.803;脂肪含量最优模型选择5207-7362 cm^(-1)波段,一阶导,Norris平滑方式,其相关系数0.9157,建模方差为4.703;水分含量最优模型选择6800-9000 cm^(-1)波段,一阶导,Norris平滑方式,相关系数为0.9200,建模方差为0.039。结论所建立模型的精确度符合检测要求,为羊肉品质的分析测定提供了一种快速方便的检测方法 。

基于可见-近红外光谱的滩羊肉多品质指标无损检测

针对近红外光谱技术在生鲜肉品质检测中预测模型适用范围窄、检测指标单一、模型稳定性差、难以有效应用于生产检测等问题,本研究采集不同月龄宁夏滩羊宰后3个时期4个部位肉的可见-近红外光谱信息,测定色泽、pH值、蒸煮损失、剪切力以及蛋白质、粗脂肪和水分含量,利用2个波段(370~1050 nm、900~1700 nm)的光谱数据分别构建各个指标的偏最小二乘回归(PLSR)预测模型以实现滩羊肉多品质指标同步无损检测。结果表明,两波段中各品质指标的PLSR预测模型相关系数(R)均大于0.80,第二波段中水分含量PLSR模型预测集R可达0.941;两波段中各品质指标预测模型的性能较好,其中370~1050 nm波段的光谱数据对样品色泽参数预测效果更好。综上所述,可见-近红外光谱技术可实现滩羊肉7个品质指标的快速无损检测。本研究结果为滩羊肉品质控制和滩羊屠宰加工企业优质特色产品的生产提供了技术支撑。

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统（900-1700nm）采集69个羊肉样本信息，先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归（PLSR）模型，对比优选出最佳预处理算法，后采用PLSR的加权卢系数法提取特征波长，建立特征波长下各品质参数的PLSR模型，分析预测效果。结果表明：羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准（Baseline）、多元散射校正与S-G卷积平滑结合算法（MSC＋SG）和原始光谱；利用特征波长建立预测模型，决定系数（Rp2）分别为0．83、0．86和0．72，预测均方根误差（RMSEP）为0．57、0．09和0．12，可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。

近红外光谱法检测猪、牛、羊肉加热终点温度

加热终点温度(EPT)是在肉制品生产中控制食源性疾病的关键因素。现有的EPT检测方法虽然很多,但普遍存在耗时长,样品处理繁杂等不足。本文验证了近红外光谱法检测肉类EPT的可行性,为其在肉制品生产流通中的应用提供理论依据。采用近红外光谱(NIR)结合偏最小二乘法(PLS),由校正集建立模型,用已知EPT的检验集检验模型的判别效果。采用校正集的内部交叉验证均方差(RMSECV)确定猪肉、牛肉、羊肉的主成分数分别为12,10,13,此时校正集的RMSECV值分别为2.57%,1.98%和0.89%;所得校正模型的预测加热终点温度与实际加热终点温度之间的相关系数分别为0.9808,0.9872,0.9892;由所建模型对检验集样品的检验结果看,实际加热终点温度与近红外模型预测的加热终点温度具有很高的相关性,预测值的相关系数r分别为0.9940,0.9968,0.9915,预测均方差RMSEP分别为4.03%,3.86%,3.57%,预测标准差σ为1.06,0.92,1.49。由此得出结论:近红外光谱法能很好地用于肉制品EPT检测。

近红外光谱下冷鲜羊肉中鸡肉掺假鉴别分析

为对不同肥瘦比的冷鲜羊肉中鸡肉掺假水平进行判别分析,实现对掺假羊肉的快速检测。选用400个掺假样本,羊肉肥肉占10%、20%、30%、40%、50%,鸡肉占瘦肉的0%、10%、20%、30%、40%、60%、80%和100%。利用近红外光谱技术提取光谱波段为680~2600 nm,以3倍标准差法去异常值,运用光谱-目标共生距离按3:1比例划分样本,以多元散射校正、标准正态变换、SG卷积平滑(SGS)、SG一阶导和二阶导为预处理方法,特征波长提取选用竞争性自适应重加权算法(CARS)、信息变量消除法、连续投影算法三类方法,结合偏最小二乘(PLS)及支持向量机(SVM)建模预测。共剔除5个异常值,确定使用SGS作为最佳预处理方法,采用CARS方法提取的56个波长点表现出良好建模性能,最佳预测模型组合为SGS-CARS-PLS建模,校正集决定系数与均方根误差分别是0.9993、0.1895,验证集决定系数和均方根误差为0.8982、0.2843。因此,近红外光谱技术下经SGS预处理、CARS特征波长选取后建立的PLS模型可以识别出冷鲜羊肉中鸡肉掺假水平。