CN102519906B - 多通道近红外光谱牛肉品质多参数同时检测方法 - Google Patents
多通道近红外光谱牛肉品质多参数同时检测方法 Download PDFInfo
- Publication number
- CN102519906B CN102519906B CN 201110428023 CN201110428023A CN102519906B CN 102519906 B CN102519906 B CN 102519906B CN 201110428023 CN201110428023 CN 201110428023 CN 201110428023 A CN201110428023 A CN 201110428023A CN 102519906 B CN102519906 B CN 102519906B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- beef
- model
- quality
- 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.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了属于牛肉品质快速无损检测范围的一种多通道近红外光谱牛肉品质多参数同时检测方法。首先在可移动控制柜内安装由8路光纤复用器分别和两个波长范围的光谱仪及探头装置组成的光谱检测系统;并嵌入到生产线工艺里进行在线检测:可同时满足胴体和分割肉的质量检测,得出最佳的光谱数据;建立定标预测模型,和采用相对分析误差来评价模型效果,模型分析大量样品实验数据,分别建立嫩度、含水率的预测模型得到各指标的预测值,再将所得的预测值代入基于所测指标建立的牛肉多参数综合品质评价模型得到最后的肉品等级;本发明采集可见近红外波段内的光谱信息,信息丰富,检测指标具有可拓展性;能够适应生产线检测需求。
Description
技术领域
本发明属于牛肉品质快速无损检测范围,特别涉及一种多通道近红外光谱牛肉品质多参数同时检测方法。
背景技术
牛肉分级是指根据市场对牛肉品质的认可度,将牛肉产品分成不同的等级,实现优质优价的利益分配。牛肉分级的广泛推广,对牛肉行业的健康发展具有重要作用,可以指引牛肉生产者进行定性良种选育、科学饲喂、规范的屠宰分割,使其生产出质美价优的牛肉产品;也可以规范牛肉市场,形成良性健康的市场竞争;还可以指导消费者正确消费,确保交易的公平性。
现行国内外生产加工企业对牛肉的分级都包括产量级分级和质量级分级。产量级指标主要包括冷胴体重、眼肌面积和背瞟厚等;质量级指标主要有大理石花纹、生理成熟度、肉色、脂肪色、嫩度等。国外应用成熟的检测技术主要包括:
1)机器视觉检测技术,用来检测胴体特征、大理石纹、眼肌面积等感官指标,如美国农业部用来评定牛肉质量级和产量级的计算机图像分析的系统(VlAScan),在北美、欧洲等国家此系统已经得到了一定的应用;由美国农业部与堪萨斯大学合作研制的视频图像分析(VIA),美国的CVS-Beefcam,丹麦的BCC-2以及德国的VBS2000;
2)背膘厚检测的超声波成像技术,用来检测活体或二分体的背膘厚;
3)基于近红外光谱检测技术的在线检测仪器,如美国农业部的嫩度检测仪。
随着人们消费意识的提高,目前以反映产肉效益和肉品外表属性为主导的分级标准越来越难以满足市场的消费需求,国外许多国家已经开始将牛肉商品质量分级推进到内在质量分级阶段,开始研究更为直观可靠的分级标准及相应的快速无损检测技术,基于此,本发明提出使用便携可移动式的多通道近红外光谱系统,同时检测牛肉的嫩度和含水率,为牛肉内在质量分级提供技术支持。
发明内容
本发明的目的是提供一种多通道近红外光谱牛肉品质多参数同时检测方法,其特征在于,包括:
1)在可移动控制柜内安装可见近红外光谱检测系统,光谱检测系统结构为多路光纤复用器(4)分别连接波长为300-1100nm的第一光谱仪(1)、波长为1000-2200nm的第二光谱仪(2)、高功率卤钨灯光源(3)、4个光纤检测探头(7)组成;通过USB数据线及光纤将两光谱仪与计算机(5)及显示屏(6)相连;在可移动控制柜上左侧面的探头架上放置4个光纤检测探头(7);4个光纤检测探头按星形方式平整分布于探头架内,探头末端离探头架内顶面的高度一致,确保光纤离样品表面的距离一致;
2)采用光谱检测系统对牛肉品质进行检测:
采用光纤检测探头贴样检测,通过多路光纤复用器(4),将4个光纤检测探头与两光谱仪连接,形成多通道的近红外光谱检测系统,同时检测样品4个不同位置处的光谱信息,覆盖300~2200nm的可见近红外光谱范围;将光谱信息输入到计算机内,通过实验建立的牛肉品质预测模型,得到用剪切力值表示的嫩度、含水率的预测值;
3)预测模型的建立,由上述光谱检测系统采集光谱,同时检测样品4个不同位置处的光谱信息,每个样品取平均光谱作为该样品的特征光谱;由于可见近红外光谱易受外界环境、检测距离的影响,在采集到的光谱中,不可避免的会出现各种噪声、基线漂移现象,这些现象的存在必然会影响到光谱数据的分析及定标模型的分析精度和稳定性,因此在建立模型前有必要对原始光谱进行数学预处理,对预处理后的校正集光谱,结合逐步回归、主成分分析法和偏最小二乘回归(PLSR),寻找主成分数和特征波长,分别建立牛肉嫩度和含水率的多元线性回归(MLR)定标预测模型:
(1)ji=β0+β1Xil+…+βpXip+εi(i=1,2,…,n),
(2)Wi=α0+α1Xil+…+αqXiq+εi(i=1,2,…,n),其中,xi1,xi2,…,xip为第i个样品在各个特征波长点处的反射光谱参数;β0、β1…βp和α0、α1…αq为回归系数;ji为第i个样品的嫩度值,含水率值为Wi,εi为测量随机误差;通常假定E(εi)=0,D(εi)=σ2,且ε1,ε2,……,εn相互独立,其中E(εi)为随机变量的平均值,D(εi)为随机变量的方差,σ2为模型的方差值;
4).品质评级模型的建立,采用先分后总式,通过大量样品实验,分别建立嫩度、含水率的预测模型得到各指标的预测值,再将所得的预测值代入基于所测指标建立的牛肉多参数综合品质评价模型:f(x)=ω1·j+ω2·W式中,得到最后的肉品等级;
其中,f(x)为牛肉综合品质的函数,j为用剪切力值表示的嫩度,W为含水率,ω1,ω2为加权因子;
5)在线检测的实现:
将检测系统嵌入到胴体分级检测工序处,对12-13胸肋间眼肌截面进行检测,操作人员通过触发式开关控制光谱采集过程的启停,对每个样品的四条光谱曲线求平均,取平均光谱作为样品的特征光谱;
对样品的特征光谱进行预处理,预处理的方法与建立嫩度、含水率预测模型时所进行的预处理方法保持一致;
将预处理后的特征光谱代入到嫩度、含水率预测模型中,得到样品用剪切力值表示的嫩度、含水率的预测值;
将用剪切力值表示的嫩度、含水率的预测值代入到牛肉内在品质评定模型中,得到以嫩度、含水率为评价指标的牛肉内在品质等级。
所述数学预处理是将所有试验样品随意排序,每四个样品取三个组成校正集,其余的组成验证集,分别采用多元散射校正、一阶微分和S-G平滑滤波的方法,对光谱进行预处理、对比分析,得出最佳的光谱数据。
所述模型分析,对预处理后的校正集光谱,分别使用多元线性回归(MLR)、逐步回归和偏最小二乘回归(PLSR),建立定标预测模型,采用相关系数(r)、定标样品的标准分析误差(SEC)、预测样品的标准分析误差(SEP)、交叉验证标准分析误差(SECV)和相对分析误差(RSD)来评价模型效果,选出最佳预测模型。
本发明的有益效果是:
1)系统拓展了波长的覆盖范围,可采集可见近红外波段(300-2200nm)内的光谱信息,信息丰富,检测指标具有可拓展性;
2)多通道检测探头设计,可实现样品不同位置信息的同时检测,使得检测信息更具代表性、一致性;
3)自行设计的检测装置可实现贴样检测,操作简单,同时可确保各检测探头离样品表面的距离一致,提高检测精度;
4)采用可移动控制柜和贴样检测探头,使得系统可以适应不同的检测环境,既可进行二分体在线评级检测,也可实现分割肉块的品质检测。
附图说明
图1为便携可移动式多通道近红外光谱检测系统示意图。
图2为对每个样品分别进行平均处理后得到的所有样品的原始光谱。
图3是样品光谱经SG-MSC预处理后得到的特征光谱。
具体实施方式
本发明提供一种多通道近红外光谱牛肉品质多参数同时检测方法。下面结合附图予以说明。
图1所示为便携可移动式多通道近红外光谱检测系统示意图。在可移动控制柜内安装可见近红外光谱检测系统,光谱检测系统结构为8路光纤复用器4分别连接波长为300-1100nm的第一光谱仪1、波长为1000-2200nm的第二光谱仪2、高功率卤钨灯光源3、4个光纤检测探头7组成;通过USB数据线及光纤将两光谱仪与计算机5及显示屏6相连;在可移动控制柜上左侧面的探头架上放置4个光纤检测探头7;4个光纤检测探头按星形方式平整分布于探头架内,探头末端离探头架内顶面的高度一致,确保光纤离样品表面的距离一致。
在线检测流程:
将检测系统嵌入到胴体分级检测工序处,对12-13胸肋间眼肌截面进行检测,操作人员通过触发式开关控制光谱采集过程的启停,对每个样品的四条光谱曲线求平均,取平均光谱作为样品的特征光谱;
对样品的特征光谱进行预处理,预处理的方法与建立嫩度、含水率预测模型时所进行的方法保持一致;
将预处理后的特征光谱代入到嫩度、含水率预测模型中,得到相应的预测值;
将嫩度、含水率的预测值代入到牛肉内在品质评定模型中,得到以嫩度、含水率为评价指标的牛肉内在质量等级。
3.预测模型的建立
1)光谱采集及预处理
由上述光谱检测系统采集光谱,检测到样品的4个不同位置处的光谱信息,取每个样品的平均光谱作为样品的特征光谱;由于可见近红外光谱易受外部环境、检测距离的影响,在采集到的光谱中,不可避免地会含有各种噪声、偏移现象,这些必然会影响到光谱数据的分析及定标模型的分析精度和稳定性,因此在建立模型前有必要对原始光谱进行数学预处理,以尽量减小噪声,提高信噪比,所述是预处理是将所有试验样品随意排序,每4个样品取3个组成校正集,其余的组成验证集,分别采用多元散射校正、一阶微分和S-G平滑的滤波方法,对光谱进行预处理、对比分析,得出最佳的光谱数据;
2)模型建立与分析
对预处理后的校正集光谱,分别使用多元线性回归、逐步回归和偏最小二乘回归,建立定标预测模型,采用相关系数r、定标样品的标准分析误差(SEC)、预测样品的标准分析误差(SEP)、交叉验证标准分析误差(SECV)、和相对分析误差(RSD)来评价模型效果,相关系数越大、误差越小,模型越佳,进而选出最佳预测模型。
品质评级模型的建立,采用先分后总式,通过大量样品实验,分别建立嫩度、含水率的预测模型得到各指标的预测值,再将所得的预测值代入基于所测指标建立的牛肉多参数综合品质评价模型:f(x)=ω1·j+ω2·W式中,得到最后的肉品等级。
其中,f(x)为牛肉综合品质的函数,j为用剪切力值表示的嫩度,W为含水率,ω1,ω2为加权因子;
4.在线检测的实现:
将检测系统嵌入到胴体分级检测工序处,对12-13胸肋间眼肌截面进行检测,操作人员通过触发式开关控制光谱采集过程的启停,对每个样品的四条光谱曲线求平均,取平均光谱作为样品的特征光谱;
对样品的特征光谱进行预处理,预处理的方法与建立嫩度、含水率预测模型时所进行的预处理方法保持一致;
将预处理后的特征光谱代入到嫩度、含水率预测模型中,得到样品的嫩度、含水率的预测值;
将嫩度、含水率的预测值代入到牛肉内在品质评定模型中,得到以嫩度、含水率为评价指标的牛肉内在品质等级。
实施实例:
下面通过牛肉嫩度检测实施例,并结合附图,对本发明的具体方法作进一步地描述。
2011年8月从北京市海淀区某超市购置宰后成熟14天的出自不同牛的里脊块,运至中国农业大学农畜产品无损检测实验室,无须清洗、剔除脂肪或结缔组织、水浴等准备工作,将肉样均匀分割成厚3cm的肉块,剔除不规则肉块后共获得40块样品。
对样品编号后,立即用所述的检测系统(如图1所示)按照本发明方法,获取所有样品的反射光谱图像(如图2所示)。
获取所有样品的光谱图像后,参照我国农业部行业标准—NY/T1180-2006《肉嫩度的测定剪切力测定法》标准进行嫩度测量,取每个样品的平均剪切力值作为该样品剪切力的标准参照值。
获得样品反射光谱图像后,进一步按照预处理方法对获取的相对反射光谱图像数据进行预处理,进一步获取其多元散射校正光谱(如图3所示),将所有样品按3:1的比例随机分成校正集和验证集,利用预处理后的校正集光谱数据,选取425-435nm、555-565nm、625-635nm、685-705nm、895-915nm、965-985nm、1245-1365nm等七个特征波段的平均光谱数据,建立MLR预测模型,然后将该验证集光谱数据代入已经该预测模型中,得到验证集牛肉样品剪切力值的预测值。将牛肉样品按照剪切力值大小分为不同嫩度等级,剪切力值小于44N的认为是嫩牛肉(Tender),大于44N的认为是老牛肉(Tough),分级结果如下表1所示:
表1嫩度测量(每个样品的平均剪切力值)结果
*嫩牛肉表示为1,老牛肉表示为0。
分级准确率达到80%,证明本发明所述方法具有可行性。
采用类似的方法,得到含水率的预测值,同时将样品的剪切力预测值与含水率预测值代入到品质评价模型中,即可得到对应的品质等级。
Claims (3)
1.一种多通道近红外光谱牛肉品质多参数同时检测方法,其特征在于,包括:
1)在可移动控制柜内安装可见近红外光谱检测系统,光谱检测系统结构为多路光纤复用器(4)分别连接波长为300-1100nm的第一光谱仪(1)、波长为1000-2200nm的第二光谱仪(2)、高功率卤钨灯光源(3)、4个光纤检测探头(7)组成;通过USB数据线及光纤将两光谱仪与计算机(5)及显示屏(6)相连;在可移动控制柜上左侧面的探头架上放置4个光纤检测探头(7);4个光纤检测探头按星形方式平整分布于探头架内,探头末端离探头架内顶面的高度一致,确保光纤离样品表面的距离一致;
2)采用光谱检测系统对牛肉品质进行检测:
采用光纤检测探头贴样检测,通过多路光纤复用器(4),将4个光纤检测探头与两光谱仪连接,形成多通道的近红外光谱检测系统,同时检测样品4个不同位置处的光谱信息,覆盖300~2200nm的可见近红外光谱范围;将光谱信息输入到计算机内,通过实验建立的牛肉品质预测模型,得到用剪切力值表示的嫩度、含水率的预测值;
3)预测模型的建立,由上述光谱检测系统采集光谱,同时检测样品的4个不同位置处的光谱信息,每个样品取平均光谱作为该样品的特征光谱;由于可见近红外光谱易受外界环境和检测距离的影响,在采集到的光谱中,不可避免的会出现各种噪声、基线漂移现象,这些现象的存在必然会影响到光谱数据的分析及定标模型的分析精度和稳定性,因此在建立模型前有必要对原始光谱进行数学预处理,对预处理后的校正集光谱,结合逐步回归、主成分分析法和偏最小二乘回归(PLSR),寻找主成分数和特征波长,分别建立牛肉嫩度和含水率的多元线性回归(MLR)定标预测模型:
(1)ji=β0+β1Xil+…+βpXip+εi(i=1,2,…,n),
(2)Wi=α0+α1Xil+…+αqXiq+εi(i=1,2,…,n);.其中,xi1,xi2,…,xip为第i个样品在各个特征波长点处的反射光谱参数,β0、β1、βp和α0、α1…αq为回归系数;ji为第i个样品的嫩度值,含水率值为Wi,εi为测量随机误差;通常假定E(εi)=0,D(εi)=σ2,且ε1,ε2,……,εn相互独立,其中E(εi)为随机变量的平均值,D(εi)为随机变量的方差,σ2为模型的方差值;
4).品质评级模型的建立,采用先分后总式,通过大量样品实验,分别建立嫩度、含水率的预测模型得到各指标的预测值,再将所得的预测值代入基于所测指标建立的牛肉多参数综合品质评价模型:f(x)=ω1·j+ω2·W式中,得到最后的肉品等级;
其中,f(x)为牛肉综合品质的函数,j为用剪切力值表示的嫩度,W为含水率,ω1,ω2为加权因子;
5)在线检测的实现:
将检测系统嵌入到胴体分级检测工序处,对12-13胸肋间眼肌截面进行检测,操作人员通过触发式开关控制光谱采集过程的启停,对每个样品的四条光谱曲线求平均,取平均光谱作为样品的特征光谱;
对样品的特征光谱进行预处理,预处理的方法与建立嫩度、含水率预测模型时所进行的预处理方法保持一致;
将预处理后的特征光谱代入到嫩度、含水率预测模型中,得到样品用剪切力值表示的嫩度、含水率的预测值;
将嫩度、含水率的预测值代入到牛肉内在品质评定模型中,得到以嫩度、含水率为评价指标的牛肉内在品质等级。
2.根据权利要求1所述多通道近红外光谱牛肉品质多参数同时检测方法,其特征在于,所述数学预处理是将所有试验样品随意排序,每四个样品取三个组成校正集,其余的组成验证集,分别采用多元散射校正、一阶微分和S-G平滑滤波的方法,对光谱进行预处理、对比分析,得出最佳的光谱数据。
3.根据权利要求1所述多通道近红外光谱牛肉品质多参数同时检测方法,其特征在于,所述模型分析,采用相关系数、定标样品的标准分析误差、预测样品的标准分析误差、交叉验证标准分析误差和相对分析误差来评价模型效果,选出最佳预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110428023 CN102519906B (zh) | 2011-12-19 | 2011-12-19 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110428023 CN102519906B (zh) | 2011-12-19 | 2011-12-19 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102519906A CN102519906A (zh) | 2012-06-27 |
CN102519906B true CN102519906B (zh) | 2013-07-31 |
Family
ID=46290900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110428023 Active CN102519906B (zh) | 2011-12-19 | 2011-12-19 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102519906B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590103A (zh) * | 2012-02-29 | 2012-07-18 | 翟学智 | 近红外肉品检测仪及检测方法 |
CN103163083B (zh) * | 2013-03-13 | 2015-03-11 | 中国农业大学 | 一种生鲜肉类多参数检测的双波段光谱融合方法及系统 |
CN104089891B (zh) * | 2014-03-31 | 2017-01-25 | 浙江工商大学 | 牛肉新鲜度检测系统及方法 |
US20170184493A1 (en) * | 2014-04-28 | 2017-06-29 | Sintef Tto As | Measurement of properties of an organic material |
CN104458594B (zh) * | 2014-12-16 | 2017-02-22 | 中国农业大学 | 一种生鲜肉品质参数多点同时检测的系统及方法 |
CN204515353U (zh) * | 2015-03-31 | 2015-07-29 | 深圳市长桑技术有限公司 | 一种智能手表 |
CN104880427B (zh) * | 2015-05-29 | 2017-08-25 | 华南理工大学 | 一种猪肉产品快速水分检测方法 |
CN105651776A (zh) * | 2015-12-30 | 2016-06-08 | 中国农业大学 | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 |
CN105675539B (zh) * | 2016-01-07 | 2019-05-10 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
CN106018331B (zh) * | 2016-07-13 | 2018-08-28 | 广州讯动网络科技有限公司 | 多通道光谱系统的稳定性评价方法及预处理优化方法 |
CN106441121A (zh) * | 2016-09-18 | 2017-02-22 | 成都广宇科技有限公司 | 一种基于三基色光电猪胴体背膘检测仪 |
CN106501212A (zh) * | 2016-11-01 | 2017-03-15 | 中国农业科学院农业质量标准与检测技术研究所 | 基于原料肉近红外光谱信息预测烧烤牛肉熟后品质的方法 |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测系统 |
BR112019024115B1 (pt) * | 2017-05-16 | 2024-01-09 | MEQ Probe Pty Ltd | Métodos e sistemas para avaliar a qualidade de um produto de carne |
CN108375546B (zh) * | 2018-01-31 | 2021-05-25 | 中国科学院合肥物质科学研究院 | 基于可见/近红外光谱技术的化肥在线多点检测装置及其检测方法 |
CN108902776A (zh) * | 2018-07-06 | 2018-11-30 | 安徽万礼食品有限责任公司 | 一种牛肉的嫩化方法 |
TWI684763B (zh) * | 2019-06-21 | 2020-02-11 | 財團法人食品工業發展研究所 | 使用近紅外光譜的肉品品質檢測方法 |
CN110618094B (zh) * | 2019-08-12 | 2022-03-15 | 山西省平遥牛肉集团有限公司 | 一种生鲜牛肉多指标复合同步检测台及使用方法 |
CN110954494A (zh) * | 2019-11-29 | 2020-04-03 | 中国农业科学院北京畜牧兽医研究所 | 一种基于近红外的牛肉品质分级方法 |
CN111474134A (zh) * | 2020-04-24 | 2020-07-31 | 驻马店华中正大有限公司 | 一种利用在线近红外进行丁酸发酵控制的方法 |
CN112461770B (zh) * | 2020-11-17 | 2022-11-29 | 山东省科学院海洋仪器仪表研究所 | 一种用于获取光谱仪性能的方法 |
CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
CN113522152B (zh) * | 2021-09-17 | 2021-12-14 | 江西鼎峰智能装备有限公司 | 一种粉体混合系统、控制方法及粉体强化混合方法 |
CN114324195A (zh) * | 2022-03-17 | 2022-04-12 | 广东省农业科学院农业质量标准与监测技术研究所 | 一种多通道农产品无损检测方法 |
CN114660247B (zh) * | 2022-03-25 | 2024-04-09 | 河南工业大学 | 一种基于物理的煎制牛肉熟度分级表征方法 |
CN115406854B (zh) * | 2022-08-23 | 2024-08-16 | 绿萌科技股份有限公司 | 一种面向定标模型评价的短波红外检测水果腐烂的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1093581B1 (fr) * | 1998-07-03 | 2004-07-07 | Societe Vitreenne D'abattage | Procede et dispositif de prediction de la tendrete d'une viande |
CN1603794A (zh) * | 2004-11-02 | 2005-04-06 | 江苏大学 | 近红外技术快速检测牛肉嫩度的方法和装置 |
DE102008009660A1 (de) * | 2008-02-18 | 2009-08-27 | Rational Ag | Berührungsloser Garsensor |
CN101710067A (zh) * | 2009-12-14 | 2010-05-19 | 中国农业大学 | 一种畜肉品质检测系统及其检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK172774B1 (da) * | 1997-10-15 | 1999-07-12 | Slagteriernes Forskningsinst | Fremgangsmåde og apparat til bestemmelse af en kvalitetsegenskab af et kødemne |
-
2011
- 2011-12-19 CN CN 201110428023 patent/CN102519906B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1093581B1 (fr) * | 1998-07-03 | 2004-07-07 | Societe Vitreenne D'abattage | Procede et dispositif de prediction de la tendrete d'une viande |
CN1603794A (zh) * | 2004-11-02 | 2005-04-06 | 江苏大学 | 近红外技术快速检测牛肉嫩度的方法和装置 |
DE102008009660A1 (de) * | 2008-02-18 | 2009-08-27 | Rational Ag | Berührungsloser Garsensor |
CN101710067A (zh) * | 2009-12-14 | 2010-05-19 | 中国农业大学 | 一种畜肉品质检测系统及其检测方法 |
Non-Patent Citations (6)
Title |
---|
Jianhu Wu et.al..Prediction of beef quality attributes using VIS/NIR hyperspectral scatteringimaging technique.《Journal of Food Engineering》.IEEI,2011,第109卷(第2期),全文. |
Nondestructive Assessment of Beef-marbling Grade using Hyperspectral Imaging Technology;Yongyu Li et.al.;《New Technology of Agricultural Engineering》;IEEE;20110529;全文 * |
Prediction of beef quality attributes using VIS/NIR hyperspectral scatteringimaging technique;Jianhu Wu et.al.;《Journal of Food Engineering》;IEEI;20111019;第109卷(第2期);全文 * |
Yongyu Li et.al..Nondestructive Assessment of Beef-marbling Grade using Hyperspectral Imaging Technology.《New Technology of Agricultural Engineering》.IEEE,2011,全文. |
徐霞.近红外光谱技术在肉品检测中的应用和研究进展.《光谱学与光谱分析》.CNKI,2009,第29卷(第7期),全文. |
近红外光谱技术在肉品检测中的应用和研究进展;徐霞;《光谱学与光谱分析》;CNKI;20090731;第29卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102519906A (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102519906B (zh) | 多通道近红外光谱牛肉品质多参数同时检测方法 | |
Qu et al. | Applications of near-infrared spectroscopy in food safety evaluation and control: A review of recent research advances | |
CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
Wu et al. | Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet by using visible and near infrared hyperspectral imaging | |
Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
Shackelford et al. | On-line classification of US Select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
Parrini et al. | Near Infrared Spectroscopy technology for prediction of chemical composition of natural fresh pastures | |
Jie et al. | Review on the recent progress of non-destructive detection technology for internal quality of watermelon | |
Parrini et al. | Use of FT-NIRS for determination of chemical components and nutritional value of natural pasture | |
Huang et al. | Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts | |
CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
CN109211835A (zh) | 一种基于光谱技术的厨余垃圾快速鉴定方法 | |
CN102590129A (zh) | 近红外检测花生中氨基酸含量的方法 | |
Wu et al. | Identification of adulterated and non-adulterated Norwegian salmon using FTIR and an improved PLS-DA method | |
Dixit et al. | Multipoint NIR spectrometry and collimated light for predicting the composition of meat samples with high standoff distances | |
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 | |
CN201156043Y (zh) | 食品综合品质无损检测装置 | |
Zhu et al. | Rapid discrimination of fish feeds brands based on visible and short-wave near-infrared spectroscopy | |
Dixit et al. | Challenges in Model Development for Meat Composition Using Multipoint NIR Spectroscopy from At‐Line to In‐Line Monitoring | |
CN106950186A (zh) | 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法 | |
Wang et al. | Development of near‐infrared online grading device for long jujube | |
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 | |
Peng et al. | Application of near-infrared spectroscopy for assessing meat quality and safety | |
Wang et al. | Real-Time and Online Inspection of Multiple Pork Quality Parameters Using Dual-Band Visible/N ear-Infrared Spectroscopy |
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 |