【摘要】：肉色是評判羊肉感官品質(zhì)及其新鮮度的視覺指標。在肉類生產(chǎn)過程中,亞硝酸鈉是一種常用的食品添加劑,它可以使肉品保持誘人的粉紅色,抑制食品腐敗菌的生長,有利于改善肉制品的色澤。亞硝酸鹽腌肉肌紅蛋白含量是影響肉制品色澤變化的關(guān)鍵因素。針對不同貯藏期內(nèi)亞硝酸鹽腌肉色澤快速精準預(yù)測問題及其光譜特征變化尚不清楚的現(xiàn)狀,本文基于可見近紅外(visible/near-infrared,VIS/NIR)和近紅外(near-infrared,NIR)高光譜成像技術(shù)對不同貯藏期內(nèi)亞硝酸鹽腌肉樣本的色澤進行分析,以色度(L,a,b)和肌紅蛋白(DeoMb,MbO2和MetMb)為檢測指標,建立基于全波段的腌肉色澤變化的偏最小二乘(partial least squares wavelength regression,PLSR)預(yù)測模型;采用競爭性自適應(yīng)加權(quán)算法(competitive adaptive reweighted sampling,CARS)、間隔隨機蛙跳(interval Random Frog,IRF)、變量組合集群分析(variable combination population analysis,VCPA)及區(qū)間變量迭代空間收縮法(interval variable iterative space shrinkage approach,iVISSA)特征波長提取方法降維,建立特征波段下的腌肉色澤變化的PLSR和(least-squares support vector machines,LSSVM)預(yù)測模型,優(yōu)選最佳模型。具體研究內(nèi)容及結(jié)論如下:(1)分別建立VIS/NIR和NIR光譜的亞硝酸鈉添加量的偏最小二乘判別分析(partial least squares discriminant analysis,PLSDA)模型,比較VIS/NIR和NIR波段建模效果。結(jié)果顯示:基于NIR高光譜的PLSDA判別模型準確率高于VIS/NIR高光譜的PLSDA模型,其校正集準確率為88%,預(yù)測集準確率為82%;(2)建立基于VIS/NIR高光譜成像技術(shù)的腌肉色澤預(yù)測模型,分析對比不同預(yù)處理方法、特征波長提取算法和模型構(gòu)建方法。結(jié)果表明,在色度預(yù)測方面,iVISSA-CARS-LSSVM模型在預(yù)測L值方面效果較好(Rc=0.9017,Rp=0.8562),CARS-LSSVM模型在預(yù)測a值方面效果更佳(Rc=0.9133,Rp=0.8983),而VCPA-LSSVM模型在預(yù)測b值方面效果較好(Rc=0.8380,Rp=0.7605);在肌紅蛋白預(yù)測方面,CARS-PLSR 模型在預(yù)測 MetMb(Rc=0.9042,Rp=0.9092)方面效果較好,VCPA-PLSR在預(yù)測MbO2(Rc=0.9506,Rp=0.9707)方面效果更佳;而iVISSA-CARS-LSSVM 模型在預(yù)測 DeoMb(Rc=0.9166,Rp=0.9099)方面效果最佳。(3)建立基于NIR高光譜成像技術(shù)的腌肉色澤預(yù)測模型,分析對比不同預(yù)處理方法、特征波長提取算法和模型構(gòu)建方法。結(jié)果表明,CARS-PLSR模型在預(yù)測亮度值L(Rc=0.7628,Rp=0.8003)和黃度值b(Rc=0.8512,Rp=0.8606)方面效果較好,iVISSA-PLSR在預(yù)測紅度值a(Rc=0.9033,Rp=0.8985)方面效果更佳;在肌紅蛋白預(yù)測方面,iVISSA-PLSR模型在預(yù)測DeoMb(Rc=0.8897,Rp=0.9017)和 MetMb(Rc=0.9157,Rp=0.8972)方面效果較好,而 CARS-PLSR在預(yù)測Mb02(Rc=0.9629,Rp=0.9661)方面效果更佳。
【學(xué)位授予單位】：寧夏大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TS251.53
【圖文】：

邐第三章＆光譜技彳：：對腌肉中彳Ｋｆｉ酸鈉添加Ｍ的判R%分析逡逑譜，如圖３－１邋（ａ）所示。經(jīng)過光譜數(shù)據(jù)的處理，得到其吸收光譜曲線，如圖３－１邋（ｂ）所示。在逡逑４００－１０００邋ｎｍ波段主要為分子基團的三倍頻及可見光吸收，由３－１邋（ａ）顯示出２４０個樣本在Ｖ１Ｓ／ＮＩＲ逡逑區(qū)的原始反射光譜，觀察到不同肌紅蛋白含量的樣本的光譜變化趨勢相似，但整個光譜區(qū)反射率逡逑不同，４００？６３０邋ｎｍ與６３０？１０００邋ｎｍ范圍相比，其反射率較低。在可見光區(qū)域，肉中的肌紅蛋白逡逑與血紅蛋白相互作用，使其肉色呈現(xiàn)紅色［６１］。逡逑由３－１邋（ｂ）可以看出，通過對被測樣品的光譜觀察，發(fā)現(xiàn)腌肉在４３０、５５０、５７０、６１０、７８０、逡逑９７０ｎｍ處有主要的吸收帶，主要是因為腌肉結(jié)構(gòu)中的化學(xué)鍵在特定波長下吸收了能量，其中４３０逡逑ｎｍ處的吸收與Ｓｏｒｅｔ吸收帶有關(guān)，是由于肌紅蛋白中的血紅素輔基引起的這種色素主要負責(zé)逡逑肉的顏色［６３］

腌肉亞硝酸鈉的添加量及貯藏過程中腌肉品質(zhì)的變化與光譜反射曲線關(guān)系密切，為反映腌肉逡逑樣本光譜曲線隨亞硝酸鈉添加量的變化，將同一添加量的腌肉樣本的光譜再均值化，得到不同亞逡逑硝酸鈉添加量的（鮮肉、0、５０、】００、１５０邋ｎｉｇ／Ｋｇ）腌肉樣本平均反射光譜。由圖３－５可看出，逡逑樣本在９００－１７００邋ｎｍ范圍內(nèi)的原始反射光譜變化趨勢相似，但整個光譜區(qū)反射率不同，９００－１４００逡逑ｎｍ與１４００－１７００邋ｎｍ范圍相比，其反射率較高。腌制后的樣本的光譜曲線總體趨勢相似，隨著亞逡逑硝酸鈉量的增加，光譜反射逐漸增強，但腌制后樣本的反射率均低于鮮肉樣本。通過對被測樣品逡逑的光譜觀察，發(fā)現(xiàn)腌肉在丨000、１１４０、１３〗０ｎｍ處有主要的反射帶，而在１０５０、１２５５、１４４０ｎｍ逡逑處有主要的吸收帶。光譜曲線在９００－１０００邋ｎｎｉ波段內(nèi)包含大量的噪音和雜亂波，對光譜建模效果逡逑有一定的干擾；由圖３－５可看出，腌肉樣本光譜曲線在９００－１邋０００邋ｉｉｍ波段走勢相近，雖然在９００－１０２０逡逑ｎｍ波段范圍內(nèi)存在交叉和重疊現(xiàn)象，但在１０５０－１２００，】２００－］４００邋ｎｍ波段范圍內(nèi)反射率差異較明逡逑顯

ｇ．－ｓｃｒｍｎａｎｍｏｅｓ邋ｏｅｒｅｎｓｏｕｍ邋ｎｒｅ邋ａｔｏｎｓｎ邋ｃｕｒｅｍｕｏｎ邋ｓａｍｐｅｓ逡逑３．４本章小結(jié)逡逑本章選用Ｖ１Ｓ／ＮＩＲ和ＮＩＲ高光譜成像系統(tǒng)獲取了亞硝酸鹽腌肉樣本的光譜圖像，通過提取感逡逑興趣區(qū)域得到原始光譜曲線，建立亞硝酸鈉添加量的ＰＬＳＤＡ判別模型。得到以下結(jié)論：逡逑（１）邐４００－１０００邋ｎｍ波段范圍內(nèi)亞硝酸鈉添加量的ＰＬＳＤＡ模型校正集準確率為８１％，預(yù)測集逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 馬江麗;;基于高光譜成像技術(shù)的藝術(shù)品鑒定研究[J];文物保護與考古科學(xué);2018年03期

2 桂江生;吳子嫻;顧敏;遲元峰;包曉安;;高光譜成像技術(shù)在農(nóng)業(yè)中的應(yīng)用概述[J];浙江農(nóng)業(yè)科學(xué);2017年07期

3 于宏威;王強;劉麗;石愛民;胡暉;劉紅芝;;糧油品質(zhì)安全高光譜成像檢測技術(shù)的研究進展[J];光譜學(xué)與光譜分析;2016年11期

4 劉燕德;鄧清;;高光譜成像技術(shù)在水果無損檢測中的應(yīng)用[J];農(nóng)機化研究;2015年07期

5 王龍;邱園園;李小波;;基于高光譜成像技術(shù)的牛羊肉品質(zhì)無損檢測研究進展[J];新疆農(nóng)墾科技;2015年06期

6 張保華;李江波;樊書祥;黃文倩;張馳;王慶艷;肖廣東;;高光譜成像技術(shù)在果蔬品質(zhì)與安全無損檢測中的原理及應(yīng)用[J];光譜學(xué)與光譜分析;2014年10期

7 孫佳馨;;農(nóng)產(chǎn)品外部品質(zhì)無損檢測中高光譜成像技術(shù)的應(yīng)用研究進展[J];黑龍江科技信息;2014年27期

8 羅陽;何建國;賀曉光;王松磊;劉貴珊;;農(nóng)產(chǎn)品無損檢測中高光譜成像技術(shù)的應(yīng)用研究[J];農(nóng)機化研究;2013年06期

9 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展與應(yīng)用(一)[J];肉類研究;2012年04期

10 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展與應(yīng)用(二)[J];肉類研究;2012年05期

相關(guān)會議論文 前10條

1 張馨月;張旭東;;基于分類的高光譜壓縮成像評價[A];第十三屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2019年

2 成誠;;高光譜成像技術(shù)在公安業(yè)務(wù)中的應(yīng)用展望[A];2017年光學(xué)技術(shù)研討會暨交叉學(xué)科論壇論文集[C];2017年

3 柏財勛;李建欣;沈燕;;基于雙折射偏振干涉的高光譜成像方法[A];第十六屆全國光學(xué)測試學(xué)術(shù)交流會摘要集[C];2016年

4 劉德芳;孟鑫;李建欣;;基于色散剪切干涉的高光譜成像方法[A];第十五屆全國光學(xué)測試學(xué)術(shù)交流會論文摘要集[C];2014年

5 顏昌翔;;星載高光譜成像及數(shù)據(jù)應(yīng)用[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會論文集[C];2012年

6 楊暄;亓洪興;劉敏;王義坤;劉毓博;汪磊;;機載擺掃式寬幅高光譜成像技術(shù)研究[A];2016年紅外、遙感技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇論文集[C];2016年

7 何寶琨;;使用曲面棱鏡的高光譜成像系統(tǒng)設(shè)計[A];中國空間科學(xué)學(xué)會空間探測專業(yè)委員會第二十六屆全國空間探測學(xué)術(shù)研討會會議論文集[C];2013年

8 向明順;楊武年;楊盡;任金銅;溫玉雯;周思琪;;基于高光譜成像技術(shù)的災(zāi)毀土地作物生長狀況研究[A];資源環(huán)境與地學(xué)空間信息技術(shù)新進展學(xué)術(shù)會議論文集[C];2016年

9 鞏夢婷;馮萍莉;;高光譜成像技術(shù)用于書畫顏料的無損分析——以張大千臨摹敦煌壁畫《隋藻井》為例[A];中國文物保護技術(shù)協(xié)會第九次學(xué)術(shù)年會論文集[C];2016年

10 王靜禹;楊良;孟留偉;李紹佳;傅霞萍;杜小強;吳迪;黃凌霞;;可見-近紅外高光譜成像技術(shù)檢測桑螟幼蟲及其對桑葉損害的潛力研究[A];中國蠶學(xué)會2018年學(xué)術(shù)年會論文集[C];2018年

相關(guān)重要報紙文章 前3條

1 本報記者 袁一雪;高光譜成像 一雙慧眼“看”透千年壁畫[N];中國科學(xué)報;2018年

2 本報記者 于德福;擦亮找礦“天眼”[N];中國國土資源報;2012年

3 記者 聶可 秦華江;環(huán)保產(chǎn)業(yè)“藍�！比孕杓夹g(shù)“落地”[N];經(jīng)濟參考報;2015年

相關(guān)博士學(xué)位論文 前10條

1 司夢婷;火焰中碳黑形貌特征及其輻射特性檢測研究[D];華中科技大學(xué);2019年

2 謝正超;基于高光譜成像的火焰三維溫度場、煙黑濃度場和氣體濃度場重建研究[D];浙江大學(xué);2018年

3 杜劍;基于醫(yī)學(xué)高光譜影像分析的腫瘤組織分類方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院西安光學(xué)精密機械研究所);2018年

4 吳威;基于高光譜成像的家禽胴體表面污染檢測方法研究[D];南京農(nóng)業(yè)大學(xué);2017年

5 王彩玲;干涉高光譜成像中的信息提取技術(shù)[D];中國科學(xué)院研究生院(西安光學(xué)精密機械研究所);2011年

6 郭輝;牛肉主要品質(zhì)參數(shù)無損光學(xué)檢測裝置的研究[D];中國農(nóng)業(yè)大學(xué);2014年

7 王鵬沖;聲光調(diào)制型可見光高光譜成像技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2017年

8 葛明鋒;基于輕小型無人機的高光譜成像系統(tǒng)研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

9 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

10 陳凱;長波紅外高光譜成像信息獲取與處理關(guān)鍵技術(shù)研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2016年

相關(guān)碩士學(xué)位論文 前10條

1 萬國玲;貯藏期內(nèi)亞硝酸鹽腌羊肉色澤變化的高光譜預(yù)測[D];寧夏大學(xué);2019年

2 李玉婷;壓縮高光譜成像編碼矩陣優(yōu)化設(shè)計[D];國防科技大學(xué);2017年

3 李文博;復(fù)雜背景下地面目標可見光高光譜成像仿真[D];西安電子科技大學(xué);2019年

4 趙軍波;基于高光譜成像技術(shù)的環(huán)境微塑料檢測的研究[D];大連理工大學(xué);2019年

5 俞晗月;肉類摻假高光譜檢測的數(shù)據(jù)處理方法研究[D];華中科技大學(xué);2019年

6 曹崴;基于高光譜成像技術(shù)的大米產(chǎn)地鑒別研究[D];吉林農(nóng)業(yè)大學(xué);2019年

7 余云新;基于高光譜技術(shù)的摻假大米快速檢測研究[D];華中科技大學(xué);2019年

8 楊思成;基于高光譜成像技術(shù)的稻谷品種鑒別研究[D];武漢輕工大學(xué);2019年

9 解娜;高光譜成像技術(shù)研究[D];長春理工大學(xué);2019年

10 李東澤;基于高光譜成像技術(shù)的牛肉品質(zhì)檢測研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2019年

本文編號：2754118