CN102507459B - 一种生鲜牛肉新鲜度快速无损评价方法及系统 - Google Patents

Abstract

本发明公开了属于食品无损检测技术领域的一种运用可见/近红外光谱技术对生鲜牛肉新鲜度多指标进行快速无损评价的方法和系统。本发明通过建立反映生鲜牛肉组分和物态信息的光谱信息与生鲜牛肉新鲜度多项指标间的数学预测模型，并在此基础上并搭建整个检测系统，该系统能够对未知生鲜牛肉新鲜度多项指标(挥发性盐基氮(TVB-N)、pH值、细菌总数、肉色(CIE颜色参数L^*、a^*)等同时进行准确可靠地检测，并能够预测出牛肉储存时间，结合多个指标综合对牛肉新鲜度进行等级划分，实现快速无损检测评价生鲜牛肉的新鲜度。

Description

一种生鲜牛肉新鲜度快速无损评价方法及系统

技术领域

本发明属于食品无损检测技术领域，特别涉及一种运用可见/近红外光谱技术对生鲜牛肉新鲜度多指标进行快速无损评价的方法和系统。

背景技术

牛肉是主要肉类产品之一，具有高蛋白质、低脂肪、维生素及矿物质含量丰富，含有人们所需要的一切必需氨基酸等特点，是一种营养价值较高的保健型肉食品，深受国际国内市场的青睐。随着人们生活水平的提高和膳食结构的不断变化，对牛肉肉食品的需求量越来越大，尤其是随着保鲜技术及物流运输业的高速发展，生鲜牛肉的供需量越来越大。我国作为牛肉生产大国，生产的牛肉有价格优势，是传统的出口创汇产品。但从国际竞争力和影响力来说，长期以来我们在国际牛肉贸易的舞台上始终无法扮演重要角色，国际市场上我国牛肉占有率很低，牛肉价格大大低于世界牛肉平均价格，竞争能力较低，牛肉出口远不及美国、澳大利亚、巴西、日本等国家。一个很重要的原因就是我国的肉食卫生安全检测手段不健全，检测方法落后，不被国外市场认可。因此，如何有效快速对生鲜牛肉进行品质检测和安全评定有着重要的意义。

生活牛新鲜肉的肉质呈弱碱性或中性，宰后糖元开始分解形成乳酸，肌磷酸等分解为磷酸，使肌肉处于酸性，但随着生鲜肉随着存放时间的增长，肉质在酶和细菌的作用下，蛋白质分解生成氨及胺类等具有挥发性的碱性等含氮物质(简称为挥发性盐基氮(TVB-N))，使肉的pH值升高，同时肉色变暗。即挥发性盐基氮、pH值、细菌总数、肉色可以反映肉的新鲜程度。

新鲜度是反映生鲜牛肉卫生质量的重要指标，是衡量生鲜牛肉是否可以安全食用的主要标准之一，也是消费者是否购买的主要依据之一。传统检验生鲜牛肉新鲜度的方法主要包括感官检验、理化检验和细菌污染程度检验三方面。但感官检验容易受人感觉器官的差异、感官人生理因素、外界环境因素等多方面因素的干扰影响，检验误差大，也不易形成量化标准，不能适应高标准的卫生安全检验要求。理化检验方法具有检测数值准确和检验指标易量化的优点，但理化检验往往需要较长的时间，并且常需要对样品进行前期预处理及破坏加工后进行检测，如按照目前传统的检验肉质细菌总数的标准理化方法(培养计数法)检测肉品细菌污染程度，需要把肉质绞碎并培养细菌48小时后进行检测，周期长，效率低，成本高，已越来越不能满足如今日益快速的生活节奏，不能满足当今要求高效率检测的要求。国内外学者也开发了一些针对肉品新鲜度无损检测的一些技术，如朝鲜专利KR100514471(B1)用近红外光谱检测肉新鲜度，但仅用900-1700nm波长范围的信息，且只建立了光谱信息与TVB-N一个指标之间的关系对牛肉新鲜度进行预测，可能不够全面准确。日本专利申请号JP2003121351(A)中给出了用牛肉红色与牛肉储存时间的关系检测肉的新鲜度，该方法仅用一个肉色参数红色变量来检测肉的新鲜度，可能存在检测结果容易受牛肉的品种及个体差异的影响而不准确的现象。中国专利授权号CN100480680C中开发了一种肉类新鲜度检测方法，用3CCD摄像机拍摄肉表面图像信息，用图像处理技术检测肉的新鲜度，该方法检测结果可能同样容易受牛肉的品种差异的影响。即传统抽样检验方法或已经提出的针对牛肉新鲜度无损检测的方法，均是通过一个指标来衡量肉质新鲜度，而单一的指标很难全面反映肉品新鲜度，而应该由多项指标综合评定，充分利用多元信息，提高检测精度和可靠性。

因此，为提高我国生鲜牛肉在国际市场的竞争力，保证我国生鲜牛肉食品卫生质量安全，研究对生鲜牛肉卫生质量多项指标能够进行快速、无损检测的方法，开发出有效的能够可靠、快速检验生鲜牛肉卫生质量多项指标的系统设备，是具有重要意义的。

发明内容

本发明旨在运用光谱测量技术、计算机技术、化学计量学技术与基础测试技术的有机结合，建立可靠的反映生鲜牛肉组分和物态信息的光谱信息与生鲜牛肉新鲜度多项指标间的数学预测模型，并搭建整个检测系统。该系统能够对未知生鲜牛肉新鲜度多项指标(挥发性盐基氮(TVB-N)、pH值、细菌总数、肉色(CIE颜色参数L^*、a^*(L^*代表亮度变量、a^*代表红-绿变量))等同时进行准确可靠地检测，并能够预测出牛肉储存时间，结合多个指标综合对牛肉新鲜度进行等级划分，实现快速无损检测评价生鲜牛肉新鲜度的目的。

本发明对反映生鲜牛肉新鲜度的多项指标(TVB-N、pH值、细菌总数、肉色(L^*、a^*))进行检测采用的是可见/近红外光谱分析技术进行评价的方法，并构建了检测系统。

本发明的生鲜牛肉新鲜度快速无损评价方法(如图1)如下：

(1)首先采集大量的生鲜牛肉样品，按照预定的设计方案实验周期，对样品进行光谱数据信息采集；按照国家标准规定的标准理化实验方法检测每个样品的理化、物理指标TVB-N、pH值、细菌总数和肉色的标准值，求出上述各个指标随储存时间的变化的回归方程和反回归方程；

(2)对步骤(1)所采集的样品光谱数据信息进行预处理，把所有样品和相对应的样品光谱数据信息分为校正集和验证集；利用所述校正集的光谱数据信息分别寻找反映生鲜牛肉新鲜度的各个指标值对应的特征波长并建立各个指标特征波长反射强度的多元线性回归预测模型；利用所述验证集的光谱数据信息和标准值评价所建各指标预测模型的精度，确定各个指标对应的最佳的光谱数据预处理方法和最佳可靠的预测模型；

(3)利用步骤(2)所确定的各个指标对应的最佳的光谱数据预处理方法和最佳可靠的预测模型，来评价待测样品的新鲜度：

采集待测样品光谱数据信息，利用所述最佳的光谱数据预处理方法对光谱数据信息进行预处理，根据各指标最佳可靠的预测模型和各个指标随储存时间的变化的反回归方程，直接预测出待测样品的理化指标TVB-N、pH值、细菌总数和物理参数指标肉色(L^*、a^*)，进而预测出待测样品的储存时间，利用多个指标综合评价待测样品的新鲜度。

所采集的大量生鲜牛肉样品一般要同属于一个品种的牛肉，这样可以提高预测模型的准确性。针对不同品种的牛肉建立各自的预测模型。

所述校正集和验证集的数据的优选比例为3∶1。

所述最佳的光谱数据预处理方法优选为多元散射校正、一阶导数、S-G滤波中的一种或几种。

上述生鲜牛肉新鲜度快速无损评价方法的检测系统主要由光谱采集装置、计算机和检测外部触发电路构成，其中光谱采集装置由光源系统、光谱采集舱、光纤和光谱仪组成。光源系统由直流开关稳压电源和光源组成，光源一般为卤钨灯。直流开关稳压电源保证电源电压稳定并能调节电压，保证光源质量和光强度可调，通常采用低压直流电源，保证操作安全可靠。光谱采集舱由舱体、封闭罩和光纤探头组成，构成一个相对封闭的光屏蔽空间，防止外界光源干扰，同时保护光纤探头，也避免污染、损坏待测样品。封闭罩是透明材质(如玻璃、有机玻璃等)，舱体形状为球弧面，内表面光滑，卤钨灯光源所发光照射到舱体内球弧面，被均匀反射透过封闭罩照射在待测样品上，以确保照射在待测样品肉质表面的光质均匀、强度足够，避免光斑的产生影响检测效果。照射到肉表面的光经肉吸收反射后由光纤探头检测采集。光纤探头下端距离封闭罩间的距离可调，以适应多种检测条件。光纤探头采集到的肉质反射的光谱信息由光纤传送到光谱仪，光谱仪是可见/近红外光谱仪，波长范围是400nm-1700nm。光谱仪把光谱信息转换相应的光谱数据，由数据电缆经第一数据接口传送到计算机。计算机安装有由检测系统控制分析软件平台，软件平台中嵌入有编写的所述最佳的光谱数据预处理算法程序和上述检测流程方法所确定的生鲜牛肉的TVB-N、PH值、细菌总数和肉色(L^*、a^*)各指标对应的最佳预测模型及各指标与储存时间的反回归方程。软件平台能够自动对采集到的光谱数据进行预处理，并分别输入到对应的不同指标预测模型，对相应指标值进行预测，可快速得出各指标的预测值，根据各指标与储存时间的反回归方程和系统中预设的国标标准值，自动综合判断评价肉的新鲜度等级、储存时间、卫生质量状况，自动给出检验结果，综合评价牛肉新鲜度。软件平台同时能够自动保存检测、分析结果，并构成数据库，以方便查询。检测系统外部触发电路是由微控制器集成芯片等电子元器件组成的一小单片机系统，其通过第二数据接口与计算机检测软件平台进行通讯，控制检测系统是否对样品开始进行检测。整个检测系统既可以实现在线检测，也容易高度集成在一起，形成便携式检测系统。

一种优选的方案是：检测系统中预存有多种牛肉品种的预测模型，检测系统首先辨别出待测样品的品种，再用相对应品种的预测模型进行预测。

本发明的有益效果为：

本评价生鲜牛肉新鲜度的方法与传统和其他方法相比，具有检测时间短、检测速度快、省工、省时；不需要检测人员具备专业知识背景，操作简单、便捷；不需要对检测样品进行前期预处理或破坏，实现无损检测，节约成本；用多个指标综合评价牛肉的新鲜度，比单一指标评价精度更高、更可靠；不仅能够自动检测出国家标准规定的衡量肉品新鲜度的TVB-N的含量，自动分级，还能检测出肉品储存的时间、以及pH值、肉色等，较能全面、准确评价肉的新鲜度；肉品系统智能化程度高，检测过程自动完成，自动分析并显示检测评价结果；系统既可以应用于在线检测，也可以应用于便携式离线检测，方便快捷，应用范围广。

附图说明

图1是评价方法流程图；

图2是检测系统工作原理图；

图3是检测系统结构示意图；

图4是TVB-N变化与储存时间回归Logistic曲线图；

图5是本发明系统检测单个样品光谱数据曲线图；

图6是系统中所建立的各个指标的特征波长反射强度的多元线性回归预测模型，对TVB-N、细菌总数、pH值、肉色(L^*、a^*)指标分别预测评价的结果图；

图中标号：1卤钨灯，2舱体，3封闭罩，4光纤探头，5光纤，6光谱仪，7数据电缆，8第一数据接口(第一USB2.0串行接口)，9计算机，10第二数据接口(第二USB2.0串行接口)，11检测系统外部触发电路，12直流开关稳压电源、13待测样品。

具体实施方法

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，但并不用来限制本发明的范围。

实施例1

生鲜牛肉新鲜度快速无损评价检测系统的工作原理图如图2所示，主要由光谱采集装置、计算机9和检测外部触发电路11构成，其中光谱采集装置由光源系统、光谱采集舱、光纤5和可见/近红外光谱仪6组成。图3是整个检测系统结构示意图。光源系统由直流开关稳压电源12和卤钨灯1组成，卤钨灯规格为12V、20W，直流开关稳压电源12保证电源电压稳定并能调节电压，保证光源质量和光强度可调，采用低压直流电源，保证操作安全可靠。光谱采集舱由舱体2、封闭罩3和光纤探头4组成，构成一个相对封闭的光屏蔽空间，防止外界光源干扰，同时保护光纤探头4，也避免污染、损坏待测样品13。封闭罩3是透明材质(有机玻璃)，舱体2形状为球弧面，内表面光滑，卤钨灯1光源所发光照射到舱体2内球弧面，被均匀反射透过封闭罩3照射在待测样品13上，以确保照射在待测样品13肉质表面的光质均匀、强度足够，避免光斑的产生影响检测效果。照射到肉表面的光经肉吸收反射后由光纤探头4检测采集。光纤探头4下端距离封闭罩3间的距离可调，以适应多种检测条件。光纤探头4采集到的肉质反射的光谱信息由光纤5传送到光谱仪6，光谱仪6是可见/近红外光谱仪，波长范围是400nm-1700nm。光谱仪6把光谱信息转换相应的光谱数据，由数据电缆7经第一USB2.0串行接口8传送到计算机9。计算机9安装有由Visual C#开发的检测系统控制分析软件平台，软件平台中嵌入有编写的最佳光谱数据预处理算法程序和所确定的生鲜牛肉的TVB-N、PH值、细菌总数、肉色(L^*、a^*)等各指标对应的最佳预测模型和各指标与储存时间的反回归方程。软件平台能够自动对采集到的光谱数据进行预处理，并分别输入到对应的不同指标预测模型，对相应指标值进行预测，可快速得出各指标的预测值，根据各指标与储存时间的反回归方程和系统中预设的国标标准值(国家标准GB2723规定)，自动综合判断评价肉的新鲜度等级、储存时间、卫生质量状况，自动给出检验结果，综合评价牛肉新鲜度。软件平台同时能够自动保存检测、分析结果，并构成数据库，以方便查询。检测系统外部触发电路11是由微控制器集成芯片等电子元器件组成的一小单片机系统，其通过第二USB2.0串行接口10与计算机检测软件平台进行通讯，控制检测系统是否对样品开始进行检测。

生鲜牛肉新鲜度快速无损评价方法主要包括以下流程步骤：

1、获取相同尺寸规格的56块内蒙古黄牛的生鲜牛肉样品，统一编号冷藏在4℃环境下，按照预定的实验周期，用系统采集样品光谱信息(如图5)，分别按照国标要求方法检测样品的理化、物理指标TVB-N、pH值、细菌总数(注：细菌总数用菌落形成单位colony-forming units，CFU的对数表示，简称logCFU)、肉色参数(CIE(L^*、a^*))，本实施例中的实验周期为前6天每隔12h取出一块样品进行光谱信息采集，6天后每隔12h取出两块样品，直至检测完所有样品。

2、求TVB-N、pH值、细菌总数、肉色参数(L^*、a^*)各个指标与储存时间T的回归方程，并求出其反回归方程如式子(1)-(5)(式子中T是指时间天数，X是指对应指标的标准值)，其中，TVB-N指标与储存时间是Logistic函数回归方程，如图4所示。其余指标与储存时间是线性回归。

$\text{T=-}\frac{{{\log }_{10}}^{\frac{99.989-X_{\mathrm{TVB}-N}}{12.78X_{\mathrm{TVB}-N}}}}{0.102}---\left(1\right)$

$T=\frac{X_{\log \mathrm{CFU}}-7.723}{0.104}---\left(2\right)$

$T=\frac{X_{\mathrm{pH}}-4.567}{0.038}---\left(3\right)$

$T=-\frac{X_{L*}-43.221}{0.458}---\left(4\right)$

$T=-\frac{X_{a*}-23.680}{0.355}---\left(5\right)$

3、对所有样品光谱进行多元散射校正(MSC)、一阶导数(FD)和S-G滤波等预处理，把所有样品的光谱数据和对应的各项标准值按照3∶1的比例分为校正集和验证集。在校正集中求TVB-N、pH值、细菌总数、肉色(L^*、a^*)各个指标与400-1700nm波段范围内所有波长的相关性(如图5)，结合逐步回归方法选择上述各个指标对应的特征波长。根据各个指标的特征波长和对应的标准值，建立对应的多元线性回归(MLR)预测模型，利用所述验证集的光谱数据信息和标准值评价所建各指标预测模型的精度，确定各个指标对应的最佳的光谱数据预处理方法以及最佳预测模型。

所述最佳的光谱数据预处理方法：对于TVB-N采用多元散射校正(MSC)、一阶导数(FD)和S-G滤波进行预处理，对于细菌总数采用多元散射校正和S-G滤波进行预处理，对于pH值采用多元散射校正进行预处理，对于肉色参数L^*采用多元散射校正和一阶导数进行预处理，对于肉色参数a^*采用S-G滤波进行预处理。

所述最佳预测模型如式子(6)-(10)所示(式子中X是对应指标的特征光谱反射强度值，Y是对应指标的模型预测值)，验证集对各个指标的MLR预测模型的预测评价结果如图6所示，对于TVB-N，其预测模型的预测相关系数Rv＝0.84，预测标准差SEV＝4.36；对于logCFU，其预测模型的Rv＝0.70，SEV＝0.35；对于pH值，其预测模型的Rv＝0.88，SEV＝0.06；对于L^*，其预测模型的Rv＝0.92，SEV＝1.0；对于a^*，其预测模型的Rv＝0.84，SEV＝4.36。

Y_TVB-N＝103.575-449.974X₅₈₃+246.755X₉₀₂+60.346X₁₁₃₆        (6)

Y_logCFU＝3.478-1.286X₃₆₀+1.557X₃₈₆+0.393X₁₁₄₂              (7)

Y_pH＝0.261+0.175X₃₉₄+0.089X₈₈₄+0.051X₁₁₃₉                  (8)

Y_L*＝25.306+42.577X₄₅₃+87.946X₅₈₄-28.006X₇₀₄               (9)

Y_a*＝153.654-1.239X₄₄₁-0.991X₇₇₆-1.922X₈₇₇                 (10)

4、把确定的最佳的光谱数据预处理方法、各指标对应的最佳可靠预测模型(式子(6)-(10))和与储存时间的反回归方程(式子(1)-(5))预置在所述快速无损评价检测系统的计算机9的程序中。通过所述检测系统对待测样品进行检测：把待测样品13放在光谱采集舱下，触发检测，检测系统自动完成光谱采集、光谱预处理、各个指标值预测等过程，根据预测出的TVB-N、pH值、细菌总数、肉色(L^*、a^*)值及其对应的储存时间自动综合判断样品的新鲜度，实现用多个指标综合检测评价生鲜牛肉新鲜度。

其中，利用所述最佳光谱数据预处理方法对待测样品光谱数据信息进行预处理，根据各指标最佳预测模型和各个指标随储存时间变化的反回归方程，直接预测出待测样品的TVB-N、pH值、细菌总数和肉色，进而预测出待测样品的储存时间，利用TVB-N、pH值、细菌总数和肉色多个指标综合评价待测样品的新鲜度。

实施例2

内蒙古黄牛的预测模型及检测系统同实施例1，同理得出秦川牛、鲁西黄牛等其它牛肉品种的预测模型，检测系统预存秦川牛、鲁西黄牛等多种牛肉品种的预测模型。快速无损评价检测系统可以自动辨别待测样品13的牛肉品种，并调用相应的预测模型对其进行预测。

Claims (4)

1.一种生鲜牛肉新鲜度快速无损评价方法，其特征在于：该方法包括如下步骤：

(1)首先采集大量的生鲜牛肉样品，按照预定的实验周期，对样品进行光谱数据信息采集；按照国家标准规定的标准理化实验方法检测每个样品的TVB-N、pH值、细菌总数和肉色的标准值，求出上述各个指标随储存时间变化的回归方程和反回归方程；

(2)对步骤(1)所采集的样品光谱数据信息进行预处理，把所有样品和相对应的样品光谱数据信息分为校正集和验证集；利用所述校正集的光谱数据信息分别寻找反映生鲜牛肉新鲜度的各个指标值对应的特征波长，并建立各个指标特征波长反射强度的多元线性回归预测模型；利用所述验证集的光谱数据信息和标准值评价所建各指标预测模型的精度，确定各个指标对应的最佳光谱数据预处理方法和最佳预测模型；

所述最佳的光谱数据预处理方法：对于TVB-N采用多元散射校正、一阶导数和S-G滤波进行预处理，对于细菌总数采用多元散射校正和S-G滤波进行预处理，对于pH值采用多元散射校正进行预处理，对于肉色参数L*采用多元散射校正和一阶导数进行预处理，对于肉色参数a*采用S-G滤波进行预处理；

所述最佳预测模型具体是：

对于TVB-N，其计算公式为：

Y_TVB-N＝103.575-449.974X₅₈₃+246.755X₉₀₂+60.346X₁₁₃₆，

对于细菌总数，其计算公式为：

Y_logCFU＝3.478-1.286X₃₆₀+1.557X₃₈₆+0.393X₁₁₄₂，

对于pH值，其计算公式为：

Y_pH＝0.261+0.175X₃₉₄+0.089X₈₈₄+0.051X₁₁₃₉，

对于肉色参数L*，其计算公式为：

Y_L*＝25.306+42.577X₄₅₃+87.946X₅₈₄-28.006X₇₀₄，

对于肉色参数a*，其计算公式为：

Y_a*＝153.654-1.239X₄₄₁-0.991X₇₇₆-1.922X₈₇₇；

其中，式子中X是对应指标的特征光谱反射强度值，Y是对应指标的模型预测值；

(3)利用步骤(2)所确定的各个指标对应的最佳光谱数据预处理方法和最佳预测模型，来评价待测样品的新鲜度：采集待测样品光谱数据信息，利用所述最佳光谱数据预处理方法对光谱数据信息进行预处理，根据各指标最佳预测模型和各个指标随储存时间变化的反回归方程，预测出待测样品的TVB-N、pH值、细菌总数和肉色，进而预测出待测样品的储存时间，利用TVB-N、pH值、细菌总数和肉色多个指标综合评价待测样品的新鲜度。

2.根据权利要求1所述的评价方法，其特征在于：步骤(1)和步骤(3)中采集光谱数据信息的光谱波长范围为400-1700nm。

3.根据权利要求1所述的评价方法，其特征在于：步骤(1)中，TVB-N随储存时间T变化回归方程为Logistic函数，pH值、细菌总数和肉色随储存时间变化回归方程是线性方程。

4.根据权利要求1所述的评价方法，其特征在于：所述光谱数据预处理方法为多元散射校正、一阶导数、S-G滤波中的一种或几种。

Images