CN102181514A - 快速无损伤检测冷却肉菌落总数的方法 - Google Patents
快速无损伤检测冷却肉菌落总数的方法 Download PDFInfo
- Publication number
- CN102181514A CN102181514A CN 201110060095 CN201110060095A CN102181514A CN 102181514 A CN102181514 A CN 102181514A CN 201110060095 CN201110060095 CN 201110060095 CN 201110060095 A CN201110060095 A CN 201110060095A CN 102181514 A CN102181514 A CN 102181514A
- Authority
- CN
- China
- Prior art keywords
- sample
- total number
- lorentz
- bacterial colony
- meat
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种快速无损伤检测冷却肉菌落总数的方法,包括以下步骤:S1、获取冷却肉样本;S2、采集所述样本的高光谱图像;S3、计算所述样本单位面积菌落总数的参照值;S4、将所述高光谱图像进行空间分解,得到样本在不同波长处的空间扩散信息,并利用所述空间扩散信息根据非线性回归方法提取得到代表样本组成成分信息的洛伦兹参数;S5、在一定波长范围内,得到所述洛伦兹参数与所述参照值之间的关系,从而根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型,利用所述模型对冷却肉样本的菌落总数进行预测。本发明能够实现快速无损伤地检测肉品菌落总数。
Description
技术领域
本发明涉及肉品质量安全检测领域,尤其涉及一种快速无损伤检测冷却肉菌落总数的方法。
背景技术
我国是猪肉生产和消费大国,据2008年畜产品产量统计报告,我国全年肉类总产量7269万吨,其中猪肉产量4615万吨,约占63.5%,占世界猪肉总产量的46%,居世界首位。目前,猪肉供应主要有热鲜肉、冷冻肉、冷却肉三种形式。冷却猪肉是我国近些年出现的一种新型消费形态,因营养好、风味佳,当前在大中城市已出现了“冷却肉甲天下”的消费热潮,其市场份额逐年扩大。在国外,欧美等发达国家几乎全部消费冷却肉类。冷却肉是指严格按卫生标准屠宰的畜禽胴体,并在屠宰后迅速进行冷却处理,24h内使胴体温度降至0-4℃(后腿内部为测量点),且在后续的排酸、分割、包装、运输及零售环节始终保持在0-4℃条件下的肉。冷却猪肉因其生产工艺复杂,极易在生产加工过程中造成表面的微生物污染,而在流通、贮藏过程中,一些微生物如假单胞菌、乳酸菌及肠杆菌等也会大量生长繁殖,造成冷却肉腐败变质,对消费者健康造成极大的潜在威胁。
菌落总数是评价食品卫生质量的重要微生物学指标,可反映肉类生产、加工、运输及销售等环节的卫生安全状况,并用于预测肉品的货架期和判断其是否腐败变质。目前常规的检测方法主要有平板计数法、电阻抗测定法、微热量计法、酶联免疫法、多聚酶链式反应等,但是上述方法多存在操作繁琐、耗时长、检测结果滞后、费用昂贵等缺点,不能实现冷却肉在生产加工、销售等环节的在线无损检测。
现有技术中,还没有能够快速无损伤地检测肉品菌落总数的方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何实现快速无损伤地检测肉品菌落总数。
(二)技术方案
为解决上述技术问题,本发明提供了一种快速无损伤检测冷却肉菌落总数的方法,包括以下步骤:
S1、获取冷却肉样本;
S2、采集所述样本的高光谱图像;
S3、计算所述样本单位面积菌落总数的参照值;
S4、将所述高光谱图像进行空间分解,得到样本在不同波长处的空间扩散信息,并利用所述空间扩散信息根据非线性回归方法提取得到代表样本组成成分信息的洛伦兹参数;
S5、在一定波长范围内,得到所述洛伦兹参数与所述参照值之间的关系,从而根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型,利用所述模型对冷却肉样本的菌落总数进行预测。
其中,利用点光源采集所述样本的高光谱图像。
其中,采集所述样本在400-1100nm波长范围内的高光谱图像。
其中,步骤S3具体为:采用棉拭法获取每个样本一定面积的菌落总数,并求单位面积的菌落总数,对该菌落总数进行对数换算,所得到的结果作为菌落总数的参照值。
其中,利用所述空间扩散信息根据非线性回归方法提取得到代表样本组成成分信息的洛伦兹参数的步骤具体为:利用下面的洛伦兹分布函数拟合样本的散射曲线,从该曲线提取得到代表样本组成成分信息的洛伦兹参数a、b、c:
其中,R为散射曲线上任意点处的光反射强度;z为该任意点距离光入射点的距离;a为散射曲线的渐进线值;b为散射曲线在z=0处的峰值;c为散射曲线的半波带宽。
其中,所述一定波长范围为470~943nm。
其中,根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型具体为:在利用逐步回归法选取优选波长时,将同一波长处三个洛伦兹参数全选或全不选,再利用所选优选波长处的洛伦兹参数建立多元线性回归预测模型。
其中,步骤S5之后还包括步骤:利用全交叉验证法对所述模型进行验证。
(三)有益效果
本发明利用高光谱图像实现菌落总数的检测,可以实现快速、无损伤检测;同一波长处三个洛伦兹参数的组合选取优选波长的方法建立多元线性回归模型,可以对冷却猪肉菌落总数进行较好预测;在所选取的470-943nm光谱范围,洛伦兹函数可以较好地拟合冷却猪肉的光学空间扩散曲线,从而较全面反映样本组成成分信息。利用猪肉高光谱图像的光学散射信息,建立数学模型来预测样本表面的菌落总数。
附图说明
图1是本发明的方法流程图;
图2是本发明实施例中所使用的高光谱成像系统结构示意图;
图3是本发明实施例中所得到的猪肉样本的高光谱图像;
图4是本发明实施例中所得到的三个波长处,猪肉样本的空间扩散曲线(即散射曲线);
图5是本发明实施例中所得到的洛伦兹参数b(峰值);
图6是400-1100nm波段内,洛伦兹函数拟合系数图;
图7是洛伦兹各参数与菌落总数参照值间相关关系图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
高光谱成像技术融合了传统的图像和光谱技术,可同时得到待测物的空间位置信息和光谱信息,因此可以更好地反映样品的综合性状。Bosoon Park等利用高光谱技术成功检测出禽肉表面排泄物的污染,准确率达96.4%。Yankun Peng等利用高光谱成像技术对水果的光学扩散特性进行了研究,证明了该方法是检测水果内在品质(硬度、糖含量)的有效途径。本发明是基于所构建高光谱成像系统来完成的。
首先来解释本发明的方法中所使用的高光谱成像系统的结构。如图2所示,该系统主要由高性能背照明CCD相机1(Sencicam QE,Germany)、行扫描光谱摄制仪2(ImSpector V10E,Spectral ImagingLtd.,Finland)、卤钨灯直流光源3(Oriel Instruments,USA)、图像采集模块4(包括图像采集卡及与该采集卡连接的计算机)、载物模块5(包括试样载物台及其调节机构,所述调节机构一般为手动螺旋调节架,可调节高度)组成,图2中。所用行扫描光谱摄制仪的光学覆盖范围为400-1100nm,分辨率为2.8nm,波长间隔为0.74nm,CCD相机的分辨率为1376×1040。为避免图像采集过程中外界光的干扰,整个系统须置于一封闭的光屏蔽舱6内。图2中8为光纤。
如图1、2所示,利用上述系统实施的本发明包括以下步骤:
S1、获取冷却猪肉样本7:
将蓄冷储运箱中取出冷却猪肉(猪背最长肌),无菌操作将肉样分割成长×宽×高约为9cm×5cm×2.5cm的肉块,得到多个样本。样本采用统一的包装方式,即将每个肉块放于一个托盘中,覆盖保鲜膜。随后将待测样品整齐、无挤压放于4℃冰箱中贮藏2-14d。实验时从冰箱随机取肉样,每24h测定一次。
S2、采集所述样本的高光谱图像:首先打开相机控制软件,并启动高光谱摄制仪、CCD相机及光源(先进行预热);将相机镜头盖上,采集黑背景图像;待测样品置于光屏蔽舱内的样本载物台上,并调节其在合适的物距后开始采集光谱图像。每个样本表面平行选取4个不同位置,每个位置扫描四次,每次获取一张图像,即每个样本共获取16张扫描图像,取经黑背景校正后的平均图像作为该样本的最终图像。实验中所采集的冷却猪肉样本的高光谱图像如图3所示。
S3、参考GB/T 4789.2-2008,采用棉拭法获取每个冷却猪肉样本2cm×5cm即10cm2面积的菌落总数,求取单位面积的菌落总数,并作对数换算,结果以log CFU/cm2计,作为菌落总数的参照值。实验中所测45个样本的菌落总数参照值的各统计数据如表1所示。
表1.菌落总数参照值数据统计分析表
S4、洛伦兹参数的提取:将所获取猪肉样本的高光谱图像进行空间分解,得到样本在不同波长处的空间扩散信息(如图4),利用下面的洛伦兹分布函数拟合样本的散射曲线,从该曲线提取得到代表样本组成成分信息的洛伦兹参数a、b(如图5)、c。
其中,R为散射曲线上任意点处的光反射强度(单位是CCDcount);z为该任意点距离光入射点的距离(mm);a为散射曲线的渐进线值;b为散射曲线在z=0处的峰值(CCD count);c为散射曲线的半波带宽(mm)。
利用洛伦兹函数拟合猪肉样本空间扩散曲线的拟合系数如图6所示,可以看到470-943nm范围内相对较好,故选取该波段数据为分析用。
S5、模型的建立与验证:得到样本的洛伦兹参数光谱后,利用MATLAB7.0软件进行数据分析。在470-943nm范围内,得到洛伦兹参数a、b、c与菌落总数参照值间的相关关系如图7所示,从而根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型,利用所述模型对冷却肉样本的菌落总数进行预测。具体来说,利用同一波长处三个洛伦兹参数组合的方法选取优选波长,然后建立多元线性回归模型。建立模型的过程为:在利用逐步回归法选取优选波长时,将同一波长处三个洛伦兹参数全选或全部不选取,再利用优选波长处洛伦兹参数建立多元线性回归预测模型。实验结果如下:选取的优选波长为578nm、852nm、472nm、777nm、928nm,所得建模结果为RC=0.984,SEC=0.425;该模型全交叉验证结果为RCV=0.959,SECV=0.575。RC、SEC分别是所述数学模型的相关系数与标准差,RCV、SECV是对该模型进行全交叉验证时的相关系数、标准差,利用它们可以对模型性能进行评价。
需要说明的是,本发明的实施例中的样本材料为冷却猪肉,然而本发明的方法的检测对象不限于冷却猪肉,对于牛肉、羊肉等肉品的菌落总数的检测可以适用,这是由本发明所使用的硬件系统、检测方法及数据处理方法等决定的。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种快速无损伤检测冷却肉菌落总数的方法,其特征在于,包括以下步骤:
S1、获取冷却肉样本;
S2、采集所述样本的高光谱图像;
S3、计算所述样本单位面积菌落总数的参照值;
S4、将所述高光谱图像进行空间分解,得到样本在不同波长处的空间扩散信息,并利用所述空间扩散信息根据非线性回归方法提取得到可代表样本组成成分信息的洛伦兹参数;
S5、在一定波长范围内,得到所述洛伦兹参数与所述参照值之间的关系,从而根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型,利用所述模型对冷却肉样本的菌落总数进行预测。
2.如权利要求1所述的方法,其特征在于,利用点光源采集所述样本的高光谱图像。
3.如权利要求1所述的方法,其特征在于,采集所述样本在400-1100nm波长范围内的高光谱图像。
4.如权利要求1所述的方法,其特征在于,步骤S3具体为:采用棉拭法获取每个样本一定面积的菌落总数,并求出单位面积的菌落总数,对该菌落总数进行对数换算,所得到的结果作为菌落总数的参照值。
5.如权利要求1所述的方法,其特征在于,利用所述空间扩散信息根据非线性回归方法提取得到代表样本组成成分信息的洛伦兹参数的步骤具体为:利用下面的洛伦兹分布函数拟合样本的散射曲线,从该曲线提取得到代表样本组成成分信息的洛伦兹参数a、b、c:
其中,R为散射曲线上任意点处的光反射强度;z为该任意点距离光入射点的距离;a为散射曲线的渐进线值;b为散射曲线在z=0处的峰值;c为散射曲线的半波带宽。
6.如权利要求1所述的方法,其特征在于,所述一定波长范围为470~943nm。
7.如权利要求1所述的方法,其特征在于,根据多元线性回归方法建立洛伦兹参数与样本菌落总数间的数学模型,具体为:在利用逐步回归法选取优选波长时,将同一波长处三个洛伦兹参数全选或者全不选,再利用所选优选波长处的洛伦兹参数建立多元线性回归预测模型。
8.如权利要求1~7任一项所述的方法,其特征在于,步骤S5之后还包括步骤:利用全交叉验证法对所述模型进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110060095 CN102181514A (zh) | 2011-03-11 | 2011-03-11 | 快速无损伤检测冷却肉菌落总数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110060095 CN102181514A (zh) | 2011-03-11 | 2011-03-11 | 快速无损伤检测冷却肉菌落总数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102181514A true CN102181514A (zh) | 2011-09-14 |
Family
ID=44567800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110060095 Pending CN102181514A (zh) | 2011-03-11 | 2011-03-11 | 快速无损伤检测冷却肉菌落总数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102181514A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564964A (zh) * | 2011-12-29 | 2012-07-11 | 南京林业大学 | 基于光谱图像的肉品品质可视化非接触检测方法 |
CN103163047A (zh) * | 2013-03-12 | 2013-06-19 | 浙江大学 | 一种无封装条件下牛奶菌落总数和粘度的检测方法 |
CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN105203467A (zh) * | 2015-09-17 | 2015-12-30 | 南京农业大学 | 一种通用无损的真菌的生长拟合方法 |
CN105606473A (zh) * | 2016-01-20 | 2016-05-25 | 华中农业大学 | 一种基于机器视觉的红提葡萄硬度无损检测方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
CN106124474A (zh) * | 2016-05-16 | 2016-11-16 | 中国农业大学 | 肉品有害化学残留无损快速检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
-
2011
- 2011-03-11 CN CN 201110060095 patent/CN102181514A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
Non-Patent Citations (5)
Title |
---|
《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 20060630 Adrian Jon Brown Spectral Curve Fitting for Automatic Hyperspectral Data Analysis 1601-1608 1-8 第44卷, 第6期 * |
《Journal of Food Engineering》 20110131 Yankun Peng et al. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles 163-169 1-8 第102卷, 第2期 * |
《光谱学与光谱分析》 20100228 王伟等 基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究 第412页右栏第17-21页 4 第30卷, 第2期 * |
《光谱学与光谱分析》 20100731 吴建虎等 基于高光谱散射特征的牛肉品质参数的预测研究 第1816页"2 数据采集与处理"部分,第1816页左栏第1-5行 1-8 第30卷, 第7期 * |
《食品科学》 20101231 周全等 成像光谱技术在农产品/ 食品检测中的研究进展 423-428 1-8 第31卷, 第23期 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564964A (zh) * | 2011-12-29 | 2012-07-11 | 南京林业大学 | 基于光谱图像的肉品品质可视化非接触检测方法 |
CN103163047A (zh) * | 2013-03-12 | 2013-06-19 | 浙江大学 | 一种无封装条件下牛奶菌落总数和粘度的检测方法 |
CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN104297165B (zh) * | 2014-10-28 | 2017-06-16 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
CN105203467A (zh) * | 2015-09-17 | 2015-12-30 | 南京农业大学 | 一种通用无损的真菌的生长拟合方法 |
CN105606473A (zh) * | 2016-01-20 | 2016-05-25 | 华中农业大学 | 一种基于机器视觉的红提葡萄硬度无损检测方法 |
CN105606473B (zh) * | 2016-01-20 | 2018-06-15 | 华中农业大学 | 一种基于机器视觉的红提葡萄硬度无损检测方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
CN106124474A (zh) * | 2016-05-16 | 2016-11-16 | 中国农业大学 | 肉品有害化学残留无损快速检测方法 |
CN106124474B (zh) * | 2016-05-16 | 2019-02-05 | 中国农业大学 | 肉品有害化学残留无损快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1995987B (zh) | 基于高光谱图像技术的农畜产品无损检测方法 | |
CN102181514A (zh) | 快速无损伤检测冷却肉菌落总数的方法 | |
Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
Huang et al. | Development of a multispectral imaging system for online detection of bruises on apples | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
Feng et al. | Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets | |
Xiong et al. | Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: A review | |
Qiao et al. | Pork quality and marbling level assessment using a hyperspectral imaging system | |
Chen et al. | Classification of Chinese honeys according to their floral origin by near infrared spectroscopy | |
CN101776597A (zh) | 一种畜肉细菌总数无损检测方法 | |
CN104174597A (zh) | 轻微损伤鲜枣的快速无损在线检测与分选装置 | |
Wang et al. | Smartphone imaging spectrometer for egg/meat freshness monitoring | |
Mo et al. | On-line fresh-cut lettuce quality measurement system using hyperspectral imaging | |
Sturm et al. | In-process investigation of the dynamics in drying behavior and quality development of hops using visual and environmental sensors combined with chemometrics | |
Yang et al. | Rapid determination of biogenic amines in cooked beef using hyperspectral imaging with sparse representation algorithm | |
CN104330382A (zh) | 一种生鲜牛肉的安全分级方法 | |
CN104949927A (zh) | 一种干贝水分含量的高光谱检测方法 | |
Jiang et al. | Quick assessment of chicken spoilage based on hyperspectral nir spectra combined with partial least squares regression. | |
CN104677920A (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
CHEN et al. | The development of a machine vision system for shiitake grading | |
Shang et al. | Full‐surface defect detection of navel orange based on hyperspectral online sorting technology | |
CN108872138A (zh) | 在线快速检测鸡肉肠杆菌科含量的方法 | |
Jo et al. | Hyperspectral imaging–based assessment of fresh meat quality: Progress and applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110914 |