CN101968438B - 一种原料肌肉注水快速判别方法 - Google Patents
一种原料肌肉注水快速判别方法 Download PDFInfo
- Publication number
- CN101968438B CN101968438B CN 201010289153 CN201010289153A CN101968438B CN 101968438 B CN101968438 B CN 101968438B CN 201010289153 CN201010289153 CN 201010289153 CN 201010289153 A CN201010289153 A CN 201010289153A CN 101968438 B CN101968438 B CN 101968438B
- Authority
- CN
- China
- Prior art keywords
- meat
- water
- sample
- raw material
- injected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种原料肌肉注水快速判别方法,包括以下步骤:A1:以原料肉和注水肉为原料,利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据,A2:应用主成分分析结合人工神经网络技术对试验数据进行了多元统计分析;A3:将主成分作为人工神经网络的输入,对应的肉种类作为输出,建立三层BP神经网络模型,选用人工神经网络进行进一步信息提取进行肌肉是否注水判别。
Description
技术领域
本发明涉及肉类注水检测技术领域,尤其涉及一种基于近红外光谱技术和主成分结合人工神经网络分析的原料肌肉注水快速判别方法。
背景技术
水分含量对鲜肉品质、口感等有直接的影响,水分含量是直接影响畜禽鲜肉加工、储藏、贸易与食用的一项质量指鲜肉水分含量过高,细菌、霉菌繁殖加剧,容易引起肉品变质;脱水干缩不仅使肉品失重,造成直接经济损失,而且影响肉的颜色。风味和组织状态,并引起脂肪氧化。由于缺乏快速检测水分的仪器,致使我国长期以来,有关监督部门的执法人员依靠感官来判断鲜肉的水分含量。由于个体感官差异,使判断的结果也不同,直接影响了检测的准确性。因此探讨鲜肉水分的快速,无损检测方法,并研制鲜肉水分检测仪器具有现实意义,也是市场迫切的需要。
经典的水分测量方法采用烘干失重法,即(GB9695 115-1988肉与肉制品水分含量测定)方法。该方法测量准确,通常用作标准对照。但该种方法操作费时,不适于便携使用,较难成为快速无损检测方法。
目前易于快速测量的方法有电导法和基于近红外光谱分析的水分测量法。电导法依据肉的阻抗与其含水量有关,通过测量肉的阻抗变化来判断肉的水分含量,但存在准确性和重复性问题。基于近红外的检测方法,其检测速度快,无污染,且能同时提取样品的多种组分信息等特点,已经广泛应用于茶叶、粮食、烟草等无损检测领域。在肌肉水分含量的研究上近红外技术由于分析方法的差别同样存在准确性等问题。
发明内容
本发明的目的在于提供一种肌肉(例如猪、马、牛、羊等)注水的近红外光谱人工神经网络判别的快速检测方法。
本发明采用以下技术方案:
一种原料肌肉注水快速判别方法,包括以下步骤:A1:分别以原料肉和注水肉为原料制备样品,利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据,光谱数据进行预处理,选取特征光谱用于下步分析;A2:对所述特征光谱进行主成分分析,得到主成分;A3:将主成分作为人工神经网络的输入,对应的肉种类作为输出,建立三层ANN-BP神经网络模型;A4:模型建立以后,用近红外光谱仪对未知待测样品进行扫描,扫描光谱经预处理和主成分分析后,用所建模型判定注水肌肉。
所述的原料肌肉注水快速判别方法,其特征在于,所述主成分分析得到的主成分能够解释原始波长变量的95%以上的信息。
所述的原料肌肉注水快速判别方法,至少制备48个样品,包括原料肉样品和注水肉样品。
所述的原料肌肉注水快速判别方法,样品中至少应当有6个注水肉样品。
本发明建立的BP神经网络模型,可快速定性检测出原料肉中注水的情况,当注水量达到原料肉重量的1%时,检测的准确率可达到90%以上。
注水量达3%以上时,检测及预测准确率达到100%,在0.05显著性水平下,预测值和实测值几乎不存在显著性差异,检测准确可靠,可直接应用于原料肉品质的品质检测,具有广阔的发展前景。
附图说明
图1原料肉和注水肉(猪肉)的近红外光谱图;
图2原料肉和注水肉(猪肉)的二阶导数光谱图;
图3 139份样本的前三个主成分得分图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
实施例1
1、原料肌肉,以1kg为一个单位制备样品,注水肉样本注入的水浓度分别为1%,3%,5%,8%,10%,13%,15%,7个浓度水平,每个浓度做6个平行样。
2、利用MPA傅里叶变换近红外光谱仪,结合2mm固体光纤探头,采集原料肉和注水肉的漫反射光谱。范围是4000~12000cm-1。
3、对原始光谱数据进行预处理。采用二阶导数+25点平滑预处理方法来消除基线平移、漂移及平缓背景的干扰。去除重叠光谱部分,选取特征波段的光谱用于分析。
4、对特征光谱做主成分分析。主成分分析过程在SPSS 17.0软件中完成。要求所选主成分能够解释原始波长变量95%以上的信息。
5、把主成分作为BP的输入节点,输出节点为1,(把原料肉和注水肉的种类值分别设为1和2),这样就建立了一个5(输入节点)-5(隐含层节点)-1(输出节点)的3层ANN-BP模型。设定原料肉和注水肉预测结果偏差在±0.5以内为各自的界限。
6、对未知样品近红外光谱扫描,用所建模型判定是否注水。
实施例2(猪肉)
MPA傅里叶变换近红外光谱仪,结合2mm固体光纤探头采集猪肉的漫反射光谱。光谱范围4000~12000cm-1,扫描分辨率为8cm-1,扫描次数为64次。光谱分析软件为仪器自带OPUS 5.5软件,模型建立在统计学软件SPSS17.0DPS软件上进行。
1、样品的制备及光谱扫描
样品制备如下:首先,取猪肌肉切块,预处理,以1kg为一个单位制备样品,最后共获得样品139份;其次,从139份样品中选取60份肉样作为原料肉样本,剩下79份样用来制备注水肉样本,注水肉样本注入的水浓度分别为1%,3%,5%,8%,10%,13%,15%,其中前5个浓度做11个平行样,后2个浓度做12个平行样。样本制备完毕后,将每个样本平整装入样品杯中。
利用MPA傅里叶变换近红外光谱仪,结合2mm固体光纤探头,采集原料肉和注水肉的漫反射光谱。样品的近红外光谱如图1所示,光谱图横坐标为波数,范围是4000~12000cm-1,纵坐标为吸光度值,从图中可以看出原料肉与注水肉的光谱曲线没有明显区别。
2、光谱数据预处理
为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等影响,需要对原始光谱数据进行预处理。本发明采用二阶导数+25点平滑预处理方法来消除基线平移、漂移及平缓背景的干扰。样品的二阶导数光谱图如图2所示,去除重叠光谱部分,所以只取4030.6~7409.3cm-1波段的光谱用于分析。
3、分析方法
主成分分析
主成分分析(PCA)是考察多个变量间相关性的一种多元统计方法。它是研究如何通过少数几个独立的主成分来解释多个变量间的内部结构。在多指标(变量)的研究中,往往由于变量个数太多,且彼此之间存在着一定的相关性,因而所得的统计的数据反映的信息在一定程度上有重叠,增加了计算量和分析问题的复杂性。
主成分分析过程在SPSS 17.0软件中完成。要求所选主成分能够解释原始波长变量95%以上的信息。
主成分分析能够在不丢失主要光谱信息的前提下提取出较少的新的特征变量,解决了因近红外谱带的重叠而难以分析的困难。本发明对原始光谱数据进行预处理,通过主成分分析提取有效的特征变量,作为人工神经网络的输入值。
人工神经网络模型
人工神经网络(ANN)是对人脑或自然神经网络(Natural Neural Network)若干基本特性的抽象和模拟,以对大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。具体的说人工神经网络就是由人工建立的以有向图为拓扑结构的动态系统,通过对连续或断续的输入作状态响应而进行信息处理。在实际应用中,80%~90%的人工神经网络模型是采用误差反向传播算法或其变化形式的网络模型(简称BP网络)。
本发明建立一个三层的BP人工神经网络结构(ANN-BP),各层传递函数都用S型(Sigmoid)函数。网络输入层节点数为5,隐含层节点数为5,输出层节点数为1(把生鲜肉和注水肉的种类值分别设为1和2),目标误差为0.01,学习速率为0.1,设定训练迭代次数为1000次。
4、结果与分析
4、1样本光谱数据的主成分分析结果
主成分分析的目的是将数据降维,以消除众多信息中相互重叠的信息部分。方法是通过对实测的多个指标相关矩阵(或协方差阵)内部结构关系的研究,构造少数几个相互独立的主成分指标,用这几个指标来代表原指标。
对原料肉和注水肉共139个样本光谱数据进行预处理并选择合适光谱范围(4030.6~7409.3cm-1),对其做主成分分析。主成分分析过程在SPSS 17.0软件中完成。经过计算,前5个主成分的累计方差贡献率如表1所示。由表1可知,前5个主成分能够解释原始波长变量99.626%的信息,说明前5个主成分可代表原近红外光谱的大部分信息。
表1前5个主成分及其累计贡献率
图3为139个样本的前3个主成分得分图,图中X轴PC1表示每个样本的第1主成分的得分值,Y轴PC2表示每个样本的第2主成分的得分值,Z轴PC3表示每个样本的第3主成分的得分值。从图3中可以看到原料肉主要分布在Y轴的负半轴和Z轴的正半轴区域,而注水肉主要分布在Y轴的负半轴区域和X轴的正半轴区域,可以看出在Y轴的负半轴原料肉与注水肉存在交叉现象,可能是由于原料肉与注水肉之间的水分含量差异较小引起的。由此可见,在待鉴别样品比较多或差异较小的情况下,利用主成分较难直接区分原料肉和注水肉。
4、2基于5个主成分建立生鲜肉和注水肉的ANN-BP识别模型
把所有样本分为建模集和验证集,从原料肉和注水肉中各随机抽取15个样本作为验证集,其余109个样本作为建模集。在主成分分析的基础上,把前5个主成分作为BP的输入节点,输出节点为1,(把原料肉和注水肉的种类值分别设为1和2),这样就建立了一个5(输入节点)-5(隐含层节点)-1(输出节点)的3层ANN-BP模型。设定原料肉和注水肉预测结果偏差在±0.5以内为各自的界限。结果表明,模型对109个建模样本的拟合残差为0.09050,预测准确率为91.74%;对验证集的30个样本预测准确率为90%(见表2)。
从表2可知,模型对注水肉的识别率达到100%,原料肉有三个被误判,这与建模样本中原料肉较少有关。因此,进一步加大样本代表性,提高样本的数量尤其是原料肉样本数量可以提高所建模型的判别率以及对注水量判定的准确性。
表2ANN-BP模型对30个未知样的预测结果
注:1-原料肉;2-注水肉
5、检测模型建立以后,用近红外光谱仪对未知待测样品进行扫描,扫描光谱用所建模型在2分钟以内判定肌肉是否注水,肌肉注水判定准确率90%。
结论
应用主成分分析结合人工神经网络建立了原料肉与注水肉的判别模型,该模型的预测效果很好,当注水量达到1%时,识别率达到90%以上。说明运用近红外光谱技术可以快速、准确的对原料肉和注水肉进行判别。本文提出的主成分分析结合人工神经网络判别法,特别适用于处理光谱分析中的大量数据,不仅能够降低数据维数,缩减运算量,而且能够运用已知样本的性质建立判别模型,对未知样品进行定性判别。本文对原料肉与注水肉的判别提供了一种新的途径,具有实际意义,对提高我国原料肉质量控制水平具有重要意义。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种原料肌肉注水快速判别方法,其特征在于,包括以下步骤:A1:分别以原料肉和注水肉为原料制备样品,利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据:利用MPA傅里叶变换近红外光谱仪,结合2mm固体光纤探头,采集原料肉和注水肉的漫反射光谱,范围是4000~12000cm-1,扫描分辨率为8cm-1,扫描次数为64次;光谱数据进行预处理,采用二阶导数+25点平滑预处理方法来消除基线平移、漂移及平缓背景的干扰,去除重叠光谱部分,选取特征光谱用于下步分析;A2:对所述特征光谱进行主成分分析,得到主成分;A3:将主成分作为人工神经网络的输入,对应的肉种类作为输出,建立三层ANN-BP神经网络模型,各层传递函数都用S型函数;网络输入层节点数为5,隐含层节点数为5,输出层节点数为1,目标误差为0.01,学习速率为0.1,设定训练迭代次数为1000次;A4:模型建立以后,用近红外光谱仪对未知待测样品进行扫描,扫描光谱经预处理和主成分分析后,用所建模型判定注水肌肉。
2.根据权利要求1所述的原料肌肉注水快速判别方法,其特征在于,所述主成分分析得到的主成分能够解释原始波长变量的95%以上的信息。
3.根据权利要求1所述的原料肌肉注水快速判别方法,其特征在于,至少制备48个样品,包括原料肉样品和注水肉样品。
4.根据权利要求1所述的原料肌肉注水快速判别方法,其特征在于,样品中至少应当有6个注水肉样品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010289153 CN101968438B (zh) | 2010-09-25 | 2010-09-25 | 一种原料肌肉注水快速判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010289153 CN101968438B (zh) | 2010-09-25 | 2010-09-25 | 一种原料肌肉注水快速判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101968438A CN101968438A (zh) | 2011-02-09 |
CN101968438B true CN101968438B (zh) | 2013-03-06 |
Family
ID=43547623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010289153 Expired - Fee Related CN101968438B (zh) | 2010-09-25 | 2010-09-25 | 一种原料肌肉注水快速判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101968438B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776797B (zh) * | 2014-02-25 | 2016-09-21 | 河北大学 | 一种近红外光谱鉴别平利绞股蓝的方法 |
CN104359855B (zh) * | 2014-11-03 | 2017-06-06 | 中国农业大学 | 一种基于近红外光谱的注水肉检测方法 |
CN110596193A (zh) * | 2019-07-15 | 2019-12-20 | 天津大学 | 基于电学特性的注水猪肉的鉴别方法 |
CN113049500B (zh) * | 2021-03-19 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
CN113418889B (zh) * | 2021-05-17 | 2023-05-26 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
CN113866119A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种注水鸡快速鉴别方法及应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6087662A (en) * | 1998-05-22 | 2000-07-11 | Marathon Ashland Petroleum Llc | Process for analysis of asphaltene content in hydrocarbon mixtures by middle infrared spectroscopy |
CN101059431A (zh) * | 2007-05-11 | 2007-10-24 | 上海师范大学 | 镰刀菌属真菌的红外指纹快速鉴定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19850825C2 (de) * | 1998-11-04 | 2001-05-23 | Siemens Ag | Verfahren und Vorrichtung zur Messung der Qualitätseigenschaften von Papier und/oder Pappe an laufenden Materialbahnen |
-
2010
- 2010-09-25 CN CN 201010289153 patent/CN101968438B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6087662A (en) * | 1998-05-22 | 2000-07-11 | Marathon Ashland Petroleum Llc | Process for analysis of asphaltene content in hydrocarbon mixtures by middle infrared spectroscopy |
CN101059431A (zh) * | 2007-05-11 | 2007-10-24 | 上海师范大学 | 镰刀菌属真菌的红外指纹快速鉴定方法 |
Non-Patent Citations (2)
Title |
---|
何勇等.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究.《光谱学与光谱分析》.2006,第26卷(第5期),850-853. * |
张海红等.应用可见-近红外光谱快速识别沙棘汁品牌.《光学学报》.2010,第30卷(第2期),574-578. * |
Also Published As
Publication number | Publication date |
---|---|
CN101968438A (zh) | 2011-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101968438B (zh) | 一种原料肌肉注水快速判别方法 | |
Xu et al. | An overview on nondestructive spectroscopic techniques for lipid and lipid oxidation analysis in fish and fish products | |
Pan et al. | Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
Qiao et al. | Analysis and detection of decayed blueberry by low field nuclear magnetic resonance and imaging | |
Jie et al. | Review on the recent progress of non-destructive detection technology for internal quality of watermelon | |
Qing et al. | Wavelength selection for predicting physicochemical properties of apple fruit based on near‐infrared spectroscopy | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
Fowler et al. | Preliminary investigation for the prediction of intramuscular fat content of lamb in-situ using a hand-held NIR spectroscopic device | |
Han et al. | Fusion of a low-cost electronic nose and Fourier transform near-infrared spectroscopy for qualitative and quantitative detection of beef adulterated with duck | |
Berardinelli et al. | Kiwifruit flesh firmness determination by a NIR sensitive device and image multivariate data analyses | |
CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
Takizawa et al. | Development of nondestructive technique for detecting internal defects in Japanese radishes | |
Hernandez-Jimenez et al. | Comparison of artificial neural networks and multiple regression tools applied to near infrared spectroscopy for predicting sensory properties of products from quality labels | |
Guo et al. | Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology | |
Wang et al. | Application of hyperspectral imaging for prediction of textural properties of maize seeds with different storage periods | |
Ding et al. | Integration of vibration and optical techniques for watermelon firmness assessment | |
Li et al. | Fast detection of water loss and hardness for cucumber using hyperspectral imaging technology | |
Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
Song et al. | Detection of Aflatoxin B1 in Peanut Oil Using Attenuated Total Reflection Fourier Transform Infrared Spectroscopy Combined with Partial Least Squares Discriminant Analysis and Support Vector Machine Models | |
Cáceres-Nevado et al. | NIR handheld miniature spectrometer to increase the efficiency of Iberian pig selection schemes based on chemical traits | |
CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
Krajnc et al. | The use of ultrasound velocity and damping for the detection of internal structural defects in standing trees of European beech and Norway spruce | |
CN106198423B (zh) | 一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法 | |
Kamal et al. | Comparison of principal component and partial least square regression method in NIRS data analysis for cocoa bean quality assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130306 Termination date: 20130925 |