本文關(guān)鍵詞： 高光譜成像 熟牛肉 揮發(fā)性鹽基氮 特征提取 可視化　出處：《現(xiàn)代食品科技》2017年09期 　論文類型：期刊論文

【摘要】：為了能夠快速、準(zhǔn)確的檢測出熟牛肉在冷藏過程中的新鮮狀況,嘗試?yán)酶吖庾V成像技術(shù)對熟牛肉中的揮發(fā)性鹽基氮(TVB-N)含量進(jìn)行定量可視化分析。采集400~1000 nm范圍內(nèi)樣品高光譜圖像,采用變量組合集群分析法(VCPA)提取出6個光譜特征波段變量,針對特征波段圖像,利用Tamura算法共提取出18個紋理特征變量,基于RGB顏色模型,分別計(jì)算出R、G和B分量圖中共9個顏色特征變量。利用粒子群優(yōu)化最小二乘支持向量機(jī)(PSO-LS-SVM)算法分別建立了不同變量組合的TVB-N含量預(yù)測模型。經(jīng)分析比較,基于光譜與顏色特征融合的PSO-LS-SVM模型展現(xiàn)出最優(yōu)的預(yù)測能力,預(yù)測集決定系數(shù)(R2p)和均方根誤差(RMSEP)分別為0.955和1.093。利用最優(yōu)模型將TVB-N含量進(jìn)行可視化表達(dá)。結(jié)果表明,融合高光譜圖像中光譜與顏色特征并結(jié)合PSO-LS-SVM算法對熟牛肉中TVB-N含量進(jìn)行準(zhǔn)確的預(yù)測與可視化表達(dá)是可行的,該研究可為其它肉及肉制品新鮮度檢測提供理論參考。
[Abstract]:In order to quickly and accurately detect the fresh condition of cooked beef during cold storage, This paper attempts to use hyperspectral imaging technology to quantitatively visualize the volatile base nitrogen (VB-N) content in cooked beef. The hyperspectral images of samples in the range of 400 nm are collected and six spectral characteristic band variables are extracted by variable combination cluster analysis (VCPA). For the feature band image, 18 texture feature variables are extracted by using Tamura algorithm, which is based on RGB color model. Nine color characteristic variables of RGG and B component diagrams were calculated respectively. The TVB-N content prediction models with different combinations of variables were established by using PSO LS-SVM algorithm. The PSO-LS-SVM model based on the fusion of spectral and color features shows the optimal prediction ability. The prediction set determination coefficient (R2p) and root mean square error (RMS EPV) are 0.955 and 1.093, respectively. The TVB-N content is visualized by the optimal model. The results show that the prediction set determination coefficient (R2p) and the root-mean-square error (RMS) are 0.955 and 1.093, respectively. It is feasible to accurately predict and visualize the content of TVB-N in cooked beef by combining the spectral and color features of hyperspectral images with PSO-LS-SVM algorithm. This study can provide a theoretical reference for the detection of freshness of other meat and meat products.
【作者單位】： 北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測技術(shù)研究中心;沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院;
【基金】：國家科技支撐計(jì)劃項(xiàng)目(2014BAD04B05-2)
【分類號】：TP391.41;TS251.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 佘綱哲 ,黃廷輝;β—CD對延長一些食品貨架壽命的應(yīng)用試驗(yàn)[J];鄭州糧食學(xué)院學(xué)報(bào);1989年02期

2 馬驥;曲佳歡;孫大文;吳迪;曾新安;;高光譜成像在食品質(zhì)量評估方面的研究進(jìn)展與應(yīng)用(二)[J];肉類研究;2012年05期

3 張令標(biāo);何建國;王松磊;劉貴珊;賀曉光;羅瑞明;;高光譜成像技術(shù)在肉品無損檢測中的應(yīng)用及進(jìn)展[J];河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

4 王斌;薛建新;張淑娟;;基于高光譜成像技術(shù)的腐爛、病害梨棗檢測[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年S1期

5 馬本學(xué);應(yīng)義斌;饒秀勤;桂江生;;高光譜成像在水果內(nèi)部品質(zhì)無損檢測中的研究進(jìn)展[J];光譜學(xué)與光譜分析;2009年06期

6 曲佳歡;馬驥;孫大文;吳迪;曾新安;;高光譜成像在食品質(zhì)量評估方面的研究進(jìn)展與應(yīng)用(一)[J];肉類研究;2012年04期

7 蔡健榮;韓智義;;碧螺春茶葉的真?zhèn)舞b別技術(shù)——基于漫反射式高光譜成像技術(shù)[J];農(nóng)機(jī)化研究;2013年04期

8 張令標(biāo);何建國;劉貴珊;王松磊;賀曉光;王偉;;基于可見/近紅外高光譜成像技術(shù)的番茄表面農(nóng)藥殘留無損檢測[J];食品與機(jī)械;2014年01期

相關(guān)博士學(xué)位論文 前1條

1 朱逢樂;基于光譜和高光譜成像技術(shù)的海水魚品質(zhì)快速無損檢測[D];浙江大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 熊振杰;基于高光譜成像技術(shù)的雞肉品質(zhì)快速無損檢測[D];華南理工大學(xué);2015年

2 代瓊;基于高光譜成像技術(shù)的蝦仁新鮮度檢測研究[D];華南理工大學(xué);2015年

3 楊曉忱;基于高光譜成像技術(shù)的不同品種羊肉識別方法研究[D];寧夏大學(xué);2015年

4 王婉嬌;基于高光譜成像技術(shù)的冷鮮羊肉品質(zhì)無損檢測研究[D];寧夏大學(xué);2016年

5 何加偉;基于高光譜圖像技術(shù)的冷凍食品品質(zhì)的無損檢測研究[D];天津商業(yè)大學(xué);2016年

6 石慧;基于高光譜成像技術(shù)的對蝦品質(zhì)信息快速檢測方法研究[D];浙江大學(xué);2013年

7 崔彬彬;基于高光譜成像技術(shù)的花生分類及水分和蛋白質(zhì)含量檢測[D];河南工業(yè)大學(xué);2015年

8 張令標(biāo);基于高光譜成像技術(shù)的紅棗表面農(nóng)藥殘留無損檢測的研究[D];寧夏大學(xué);2014年

9 羅陽;基于NIR高光譜成像技術(shù)的長棗蟲害及可溶性固形物無損檢測研究[D];寧夏大學(xué);2013年

10 吳龍國;基于高光譜成像技術(shù)的靈武長棗常見缺陷無損檢測研究[D];寧夏大學(xué);2014年

，

本文編號：1546173