欧美日韩精品久久久免费观看_欧美激情综合色综合啪啪五月_欧美日韩国产精品_久久夜色精品国产欧美乱极品

基于高光譜成像技術(shù)結(jié)合數(shù)據(jù)融合策略的雞肉多品質(zhì)快速定性評價

引言：

雞肉因其富含較高的蛋白質(zhì)含量、易于人體消化、雞肉口感好，它已經(jīng)成為非常受消費者歡迎的肉制品之一。在生產(chǎn)、運輸、銷售和儲藏過程中雞肉容易變質(zhì)，吃變質(zhì)的雞肉可能會引起不良的健康反應(yīng)和疾病。因此，雞肉品質(zhì)和安全受到了越來越多的關(guān)注。雞肉的變質(zhì)是由于酶和細(xì)菌的作用，在腐敗過程中使蛋白質(zhì)分解而產(chǎn)生氨以及胺類等堿性含氮等物質(zhì)，這些物質(zhì)可以統(tǒng)稱為揮發(fā)性鹽基氮（TVB-N）。因此，可用TVB-N含量判斷肉類的新鮮程度，其被認(rèn)為是監(jiān)測肉類質(zhì)量的最重要和常用的指標(biāo)之一。另外，肉類的高水分含量有助于腐敗微生物的生長；檢測肉類中的微生物含量并及時進(jìn)行測量可以有效控制微生物引起的腐敗。因此，代表微生物生長的菌落總數(shù)含量（TVC）也是控制和評估肉類質(zhì)量的重要指標(biāo)。本研究利用高光譜成像技術(shù)結(jié)合數(shù)據(jù)融合策略開發(fā)了雞肉TVB和TVC含量的快速、無損準(zhǔn)確檢測方法。

樣本制備及其光譜數(shù)據(jù)提?。?/span>

該研究從廣州當(dāng)?shù)厥袌鲭S機(jī)購買了100只新鮮的雞胸脯肉，用無菌刀具從雞胸脯肉中心切下約30mm×30mm×20mm的立方體，共得到240個新鮮雞肉樣品。然后，將所有樣品均單獨放置在無菌一次性塑料盒中并貼上標(biāo)簽。最后，將樣品儲藏在4℃的環(huán)境下，在儲藏的第0、2、4、6、8、10、12和14天隨機(jī)抽取了30個樣品用于高光譜圖像采集和其對應(yīng)的理化值（TVB和TVC）測定。其中，利用了GaiaField-Pro-V10E型和GaiaField-Pro-N17E型高光譜相機(jī)采集了不同儲藏期雞肉樣品的高光譜圖像，使用圖像處理技術(shù)提取了雞肉樣品區(qū)域的平均光譜數(shù)據(jù)，光譜數(shù)據(jù)提取流程如圖1所示。

圖1 光譜數(shù)據(jù)提取流程

數(shù)據(jù)處理與結(jié)果分析：

1）雞肉TVB和TVC含量統(tǒng)計及光譜分析。在儲藏期14天內(nèi)，雞肉樣品的TVB-N和TVC含量變化如圖2所示，TVB-N含量和TVC含量變化都呈現(xiàn)逐漸上升的趨勢。以TVB-N含量的四個不同范圍為例，分別繪制了Vis-NIR和NIR范圍的平均光譜曲線，如圖3所示。從圖中可以發(fā)現(xiàn)隨著雞肉樣品中TVB-N含量的增加，光譜曲線整體趨勢向下移動，表明腐敗程度較高的雞肉反射率較低。

圖2 雞肉樣本TVB-N和TVC含量的變化（儲藏期14天）

圖3 TVB-N含量不同范圍的平均光譜曲線（a：Vis-NIR，b：NIR）

2）數(shù)據(jù)融合策略。該研究采用了低級融合方法（LLF）和中級融合方法（ILF）分別對雞肉的Vis-NIR和NIR光譜范圍的數(shù)據(jù)進(jìn)行了融合，數(shù)據(jù)融合過程如圖4所示。其中，低級融合方法是指對Vis-NIR和NIR范圍的光譜數(shù)據(jù)進(jìn)行串行拼接；中級融合方法是指分別提取Vis-NIR和NIR范圍的特征并進(jìn)行串行拼接。然后，將單數(shù)據(jù)（Vis-NIR、NIR）、LLF融合數(shù)據(jù)和ILF數(shù)據(jù)融合分別用于建立雞肉的TVB-N含量和TVC含量預(yù)測模型。

圖4 數(shù)據(jù)融合過程

3）光譜數(shù)據(jù)預(yù)處理及結(jié)果分析。由于光譜數(shù)據(jù)包含儀器和檢測條件引起的噪聲和雜散光等干擾信息，該研究利用了高斯濾波平滑（GFS）、Savitzky–Golay平滑（SGS）方法、最小二乘擬合導(dǎo)數(shù)系數(shù)、一階導(dǎo)數(shù)（FD）、二階導(dǎo)數(shù)（SD）和標(biāo)準(zhǔn)正態(tài)變換等七種不同預(yù)處理方法分別對Vis-NIR、NIR和LLF的全光譜數(shù)據(jù)進(jìn)行了預(yù)處理并建立了PLSR模型。根據(jù)校正集、交叉驗證集和測試集的決定系數(shù)（R_C²、R_CV²和R_P²）、以及均方根誤差（RMSEC、RMSECV和RMSEP）分別確定了Vis-NIR、NIR和LLF光譜數(shù)據(jù)對TVB-N含量的最佳預(yù)處理方法為SNV、SD和SD，TVC含量的最佳預(yù)處理方法為Nor、GFS和NOR；并使用最佳預(yù)處理方法進(jìn)行后續(xù)的研究。

4）單數(shù)塊（Vis-NIR、NIR）建立的PLSR模型分析。該研究使用了連續(xù)投影算法（SPA）、競爭性自適應(yīng)加權(quán)算法（CARS）、隨機(jī)森林（RF）、遺傳算法（GA）和變量組合集群分析法聯(lián)合遺傳算法（VCPA-GA）五種特征提取方法分別提取了Vis-NIR、NIR光譜范圍的特征波長，并建立PLSR模型預(yù)測雞肉的TVB-N含量和TVC含量，建模結(jié)果如表1所示。對于雞肉的TVB-N含量預(yù)測而言，使用GA方法提取NIR光譜范圍內(nèi)的87個特征波長建立的模型預(yù)測TVB-N含量精度最高，其R_P²和RMESP分別為0.8346，2.8910，這與全光譜建模的結(jié)果相似，而與256個全光譜波長相比，波長數(shù)量減少了近66.02%。對于雞肉的TVC含量預(yù)測而言，使用CARS方法提取NIR光譜范圍內(nèi)的86個特征波長建立的模型預(yù)測TVB-N含量精度最高，其R_P²和RMESP分別為0.9143，0.1976，這與全光譜建模的結(jié)果相似，而與256個全光譜波長相比，波長數(shù)量減少了近66.40%?？偟膩碚f，盡管特征波長提取方法沒有顯著改善模型的預(yù)測性能，但它顯著減少了波長的數(shù)量，這是非常有意義的。

表1 單數(shù)據(jù)（Vis-NIR、NIR）的PLSR模型比較

5）融合數(shù)據(jù)（LLF、ILF）建立的PLSR模型分析。融合數(shù)據(jù)（LLF、ILF）建模結(jié)果如表2所示，在LLF低級融合策略中對于雞肉的TVB-N含量預(yù)測而言，使用VCPA-GA方法提取的34個特征波長建立的模型預(yù)測TVB-N含量精度最高，其R_P²和RMESP分別為0.8514，2.7397。對于雞肉的TVC含量預(yù)測而言，使用CARS方法提取的116個特征波長建立的模型預(yù)測TVC含量精度最高，其R_P²和RMESP分別為0.9275，0.1889。在ILF中級融合策略中對于雞肉的TVB-N含量預(yù)測而言，使用VCPA-GA方法提取的88個特征波長建立的模型預(yù)測TVB-N含量精度最高，其R_P²和RMESP分別為0.8653，2.6094。對于雞肉的TVC含量預(yù)測而言，使用GA方法提取的100個特征波長建立的模型預(yù)測TVC含量精度最高，其R_P²和RMESP分別為0.9176，0.1998?？傊梢缘贸鼋Y(jié)論，使用融合數(shù)據(jù)（LLF、ILF）建立的PLSR模型都優(yōu)于單數(shù)塊（Vis-NIR、NIR）的預(yù)測精度。其中，使用中級融合數(shù)據(jù)（VCPA-GA方法）建立的PLSR模型預(yù)測TVB-N含量精度最佳；使用低級融合數(shù)據(jù)（CARS方法）建立的PLSR模型預(yù)測TVC含量精度最佳。

表2 融合數(shù)據(jù)（LLF、ILF）的PLSR模型比較

6）雞肉TVB-N含量和TVC含量可視化。該研究利用最佳模型構(gòu)建TVB-N含量和TVC含量的可視化分布圖。四種不同TVB-N含量的雞肉樣品的可視化分布圖如圖5上半部分所示。同時，圖5的下半部分顯示了四種不同TVC含量的雞肉樣品的可視化分布圖。從圖中可以直觀地看到雞肉的TVB-N含量和TVC含量變化。TVB-N含量從圖5a~5d逐漸增加，可視化分布圖的紅色區(qū)域也逐漸增加；TVC含量的變化也具有類似趨勢，如圖5e~5h所示?？偟膩碚f，以可視化分布圖的形式表示雞肉的質(zhì)量指標(biāo)有助于企業(yè)更準(zhǔn)確地分割雞肉，并讓消費者更快速的地了解雞肉質(zhì)量，這是高光譜成像技術(shù)相對于其他無損檢測技技術(shù)的優(yōu)勢。

圖5 TVB-N和TVC含量從低到高的可視化和分布圖

論文摘自SCI一區(qū)文章：Xiaoxin Li, Mingrui Cai, Mengshuang Li, et al. Combining Vis-NIR and NIR hyperspectral imaging techniques with a data fusion strategy for the rapid qualitative evaluation of multiple qualities in chicken [J], Food Control, Volume 145(2023):109416.https://doi.org/10.1016/j.foodcont.2022.109416.