CN102967578A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN102967578A CN102967578A CN2012104442825A CN201210444282A CN102967578A CN 102967578 A CN102967578 A CN 102967578A CN 2012104442825 A CN2012104442825 A CN 2012104442825A CN 201210444282 A CN201210444282 A CN 201210444282A CN 102967578 A CN102967578 A CN 102967578A
- Authority
- CN
- China
- Prior art keywords
- beef
- spectrum
- near infrared
- sample
- infrared spectrum
- 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。本发明提供的一种获取牛肉样本的近红外光谱的方法,是采用近红外光谱仪获取牛肉样本的近红外光谱;所述近红外光谱仪的光谱平均扫描次数设置为30次。本发明还保护所述方法在评价牛肉品质和/或比较牛肉品质中的应用。所述牛肉品质体现为如下指标中的至少一个:(1)pH;(2)颜色;(3)嫩度。采用本发明提供的方法评价或比较牛肉品质,可以实现在线无损检测(无需将样本从胴体或分割部位肉上取下及绞碎),可以同时评估肉类的多个指标,具有处理方式简单,重复性好的显著优点。
Description
技术领域
本发明涉及一种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。
背景技术
改革开放30年来,我国肉类产业飞速发展。从八十年代中期以来,我国肉类生产从短缺走向充裕。“七五”到“十五”的二十年,是我国肉类生产增长最快的时期。肉类产业在国计民生中占有重要地位,对促进畜禽生产、发展农村经济、繁荣稳定城乡市场、满足人民生活需要、保证经济建设与改革的顺利进行,都发挥着重要作用。
肉类及其肉制品是人类获得蛋白质、维生素和矿物质等营养成分的重要来源之一,在人类社会发展中发挥着重要的作用。肉类品质的好坏,关系到人类的健康、生活质量和安全。随着社会的进步和经济的发展,人们对肉品品质提出了更高的要求。
不同性别和年龄的牛肉,其产品品质差异明显。传统的牛肉质量评定采用感官评价或常规仪器测定等方法。感官评价方法掺杂很大的人为因素,存在速度慢、主观随意性强等缺点。常规仪器测定方法对牛肉产品造成一定的损害,造成一定的经济损失。
近红外(NIR)是一种介于可见光(VIS)和中红外光(IR)之间的电磁波,美国材料检测学会(ASTM)将其定义为波长为780-2526nm的光谱区,是自上个世纪70年代以来发展起来的一项现代分析技术,目前在各个领域都具有广泛的应用,其样品的处理方式简单,并且可以同时评估肉类的多个指标,目前主要用于产地和品种的鉴别、品质的评价以及安全的检测等方面。
近红外光谱技术具有多组分同时测定、人为干扰因素小、分析速度快、非破坏性、重现性好、成本低、操作简单、绿色环保等优点。
发明内容
本发明的目的是提供一种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。
本发明提供的一种获取牛肉样本的近红外光谱的方法,是采用近红外光谱仪获取牛肉样本的近红外光谱;所述近红外光谱仪的光谱平均扫描次数设置为30次。
所述方法中,获取的近红外光谱可为1000-1300nm范围内的光谱。
所述牛肉样本具体可为氧合时间为2min以内的牛肉样本。
所述近红外光谱仪具体可为SupNIR-1000便携式近红外光谱仪。
本发明还保护以上任一所述方法在评价牛肉品质中的应用。所述牛肉品质体现为如下指标中的至少一个:(1)pH;(2)颜色;(3)嫩度。
本发明还保护以上任一所述方法在比较牛肉品质中的应用。所述牛肉品质体现为如下指标中的至少一个:(1)pH;(2)颜色;(3)嫩度。
本发明还保护一种比较牛肉品质的方法,是采用近红外光谱仪分别获取不同牛肉样本的近红外光谱,然后通过近红外光谱比较牛肉样本的品质;所述近红外光谱仪的光谱平均扫描次数设置为30次。所述方法中,获取的近红外光谱可为1000-1300nm范围内的光谱。所述牛肉样本具体可为氧合时间为2min以内的牛肉样本。所述不同牛肉样本可为取自不同牛的同一侧的牛肉样本。所述近红外光谱仪具体可为SupNIR-1000便携式近红外光谱仪。所述牛肉品质体现为如下指标中的至少一个:(1)pH;(2)颜色;(3)嫩度。
本发明还保护一种评价牛肉品质的方法,是采用近红外光谱仪获取牛肉样本的近红外光谱,然后通过近红外光谱评价牛肉样本的品质;所述近红外光谱仪的光谱平均扫描次数设置为30次。所述方法中,获取的近红外光谱可为1000-1300nm范围内的光谱。所述牛肉样本具体可为氧合时间为2min以内的牛肉样本。所述近红外光谱仪具体可为SupNIR-1000便携式近红外光谱仪。所述牛肉品质体现为如下指标中的至少一个:(1)pH;(2)颜色;(3)嫩度。
目前国外近红外光谱技术在肉类上主要用于肉类及其制品的化学组成、工艺参数和感官特性的分析。然而这些测定均需要将肉类样本绞碎,并且破坏了肌纤维的结构,这对于工艺参数和感官特性,例如pH、持水力、剪切力和嫩度等与肌肉完整组织有关参数的测定是不利的,因为绞碎的样本缺失了完整组织结构所包含的信息。对于大规模的肉类生产企业来说,在线测定技术的应用探索是非常有必要的。本发明探索了国产便携式近红外光谱仪器用于在线测定牛肉过程中光谱扫描的条件,以光谱反射率及其重复率为衡量指标,旨在说明不同光谱平均次数、不同侧胴体及不同氧和时间对近红外光谱技术在线测定肉类品质效果的影响,为探索最佳技术条件提供理论基础。采用本发明提供的方法评价或比较牛肉品质,可以实现在线无损检测(无需将样本从胴体或分割部位肉上取下及绞碎),可以同时评估肉类的多个指标,具有处理方式简单,重复性好的显著优点。
附图说明
图1为每个观察平均扫描次数(50、40、30、20、10)对反射光谱重复率的影响。
图2为光谱平均扫描次数设置为20时,最高反射率和最低反射率牛肉样品的反射光谱。
图3为牛胴体背最长肌12肋间横断面近红外反射光谱的方差分量分析。
图4为肌肉横断面暴露于空气中的氧和时间对近红外光谱重复率的影响。
图5为肌肉横断面暴露于空气中的氧和时间对近红外光谱反射率的影响。
图6为牛肉样本的杠杆值。
图7为牛肉成熟2d的原始近红外光谱。
图8为牛肉成熟2d的一阶导数近红外光谱。
图9为牛肉成熟2d的二阶导数近红外光谱。
图10为预测残差平方和与主成分编号的关系图。
图11为pH校正和验证结果。
图12为成熟2d和7d的牛肉样本的WBSF剪切力值散点分布图。
图13为来自内蒙的牛肉样本的原始(a)、MSC(b)、SNV(c)、SNV+Detrending(d)、一阶导数(e)和二阶导数(f)处理光谱。
图14为来自北京和陕西的牛肉样本的原始(a)、MSC(b)、SNV(c)、SNV+Detrending(d)、一阶导数(e)和二阶导数(f)处理光谱。
图15为1000-1799nm范围内成熟2d牛肉在线嫩度分级验证集真实值与预测值比较分布图。
图16为1000-1300nm范围内成熟2d牛肉在线嫩度分级验证集真实值与预测值比较分布图。
图17为1000-1799nm范围内成熟7d牛肉在线嫩度分级验证集真实值与预测值比较分布图。
图18为1000-1300nm范围内成熟7d牛肉在线嫩度分级验证集真实值与预测值比较分布图。
具体实施方式
以下的实施例便于更好地理解本发明,但并不限定本发明。下述实施例中的实验方法,如无特殊说明,均为常规方法。下述实施例中所用的试验材料,如无特殊说明,均为自常规生化试剂商店购买得到的。实施例中所采用的近红外光谱仪为SupNIR-1000便携式近红外光谱仪(聚光科技公司),光谱范围为1000-1799nm。CR-400色差计:日本柯尼卡美能达公司。HI9025pH计:意大利哈纳HANNA公司。G-R沃-布剪切仪:Elec Mfg.Co.。HH-60数显恒温搅拌循环水箱:常州国华公司。GM2000绞肉机:Retsch公司。
为了便于计算和减少光谱噪音,应用The Unscrambler(Version 9.8)对光谱进行5点平滑处理,反射率=1/10吸光度,每个波长点处光谱数据的重复性应用SAS(Version9.1.3)中的VARCOMP程序进行分析,不同侧胴体比较时重复率计算公式为:σ2carcaas/(σ2carcaas+σ2side+σ2interaction+σ2error),其它时候的重复率计算公式为:σ2carcaas/(σ2carcaas+σ2error)。不同光谱平均扫描次数下扫描的光谱,每个波长点处的反射率的方差来自胴体间和误差;胴体内部及两侧间差异性比较所采集的近红外光谱,其每个波长点处的反射率的方差均来自胴体间、两侧间、胴体与两侧交互作用和误差;不同氧合时间下的近红外光谱,每个波长点处的反射率的方差来自胴体间和误差。
实施例1、获取牛肉样本的近红外光谱的方法的建立(参数优化)
一、光谱平均扫描次数的优化
Sup-1000便携式近红外光谱仪可以设置无限多的光谱平均扫描次数,但是理论上来说,在一定程度范围内随着光谱数目的增加,光谱噪音会降低,然而采集的光谱数目越多,所需要的时间越长,采集的光谱数目比需要的光谱数目多仅能提供重复的观察数据,不利于便携式近红外光谱仪的在线应用,因此,本步骤旨在确定合适的光谱平均扫描数目。
随机获取北京金维福仁清真食品有限公司的来自48头牛的48个牛肉左侧外脊样本,48头牛均为谷物饲喂的成年公牛或母牛,用于不同光谱平均扫描次数的比较。
对于48个样本,为了防止在重复光谱数据采集过程中因肌肉氧合作用(肌红蛋白-氧合肌红蛋白-高铁氧合肌红蛋白)引起的差异,将其11-12肋骨横断面氧合60min,然后进行近红外光谱数据的采集。
分别设置光谱平均扫描次数为50、40、30、20和10,于每个样本的11-12肋间横断面中心位置采集光谱,原始输出数据为吸光度。48个样本分为6组采集光谱,每组8个样本。每组样本采集光谱时:先将近红外光谱仪的平均扫描次数设置为50次,然后依次对8个样本进行扫描,结束后重新校正近红外光谱仪并重复对8个样本依次扫描;重新校正近红外光谱仪,将近红外光谱仪的平均扫描次数设置为40次,然后依次对8个样本进行扫描,结束后重新校正近红外光谱仪并重复对8个样本依次扫描;重新校正近红外光谱仪,将近红外光谱仪的平均扫描次数设置为30次,然后依次对8个样本进行扫描,结束后重新校正近红外光谱仪并重复对8个样本依次扫描;重新校正近红外光谱仪,将近红外光谱仪的平均扫描次数设置为20次,然后依次对8个样本进行扫描,结束后重新校正近红外光谱仪并重复对8个样本依次扫描;重新校正近红外光谱仪,将近红外光谱仪的平均扫描次数设置为10次,然后依次对8个样本进行扫描,结束后重新校正近红外光谱仪并重复对8个样本依次扫描。每个样本在每个平均扫描次数设置下的每次重复实验得到一条吸光度曲线,共得到480条(48×5×2)吸光度曲线。
光谱重复率结果见图1。随着光谱平均扫描数目的增大,光谱重复率先增大后降低,当设置为30时,光谱重复率达到最高。
为了评估每个设置扫描次数下,每个小时能够测定的样本数目,在近红外光谱数据采集的过程中,记录每个扫描次数下所用的时间,其中包括将探头从一个胴体横截面移动到另一胴体横截面时的动态间隔时间,结果见表1。
表1每个观察平均扫描次数对每个小时测定牛数量的影响
设置的平均扫描次数 | 每个样本所用时间/s | 所测牛的数目/h |
50 | 15 | 180 |
40 | 13 | 200 |
30 | 11 | 225 |
20 | 9 | 257 |
10 | 7 | 300 |
间隔 | 5 |
时间的动态数据显示,当平均扫描次数设置为30时,应用此套在线近红外检测系统,每小时可以测定牛的数目为225头,可满足实际生产过程中在线测定的需求。
综合以上结果,合适的光谱平均扫描次数应不超过30,否则不仅扫描所用时间会延长,并且光谱重复率也会降低,当平均扫描次数设置为30时,整个波段范围(1000-1799nm)内,光谱重复率都大于0.91,重复率最高在1062nm处(达0.98)。
光谱平均扫描次数设置为30时,最高反射率的样品反射光谱在吸收峰1074nm、1257nm和1657nm处,其反射率要比最低反射率的牛肉样品反射率高出113%、125%和73%,并且差异比较明显的光谱范围是在1000-1300nm范围内(图2)。
二、胴体内部及胴体两侧差异性比较
步骤一的结果显示,当光谱平均扫描次数设置为30时,近红外光谱仪的重复性达到最好,但是众所周知,大理石花纹及瘦肉的颜色在整个背最长肌分布是不均匀的,因此,本步骤的目的是为探索近红外光谱在胴体间及胴体两侧之间的重复性。
随机获取北京金维福仁清真食品有限公司的来自41头牛的92个牛肉外脊样本(每头牛分别取左、右两侧外脊),41头牛均为谷物饲喂的成年公牛或母牛,用于胴体内部及胴体两侧差异性比较。
对于41头牛,将其左右两侧背最长肌11-12肋间横断面氧合60min,然后应用近红外光谱仪(设置光谱平均扫描次数为30)探头置于横断面中心进行近红外光谱数据的采集。
41个样本分为5组采集光谱,每组8-9个样本。以每组8个样本为例,采集光谱时:依次按照L1-R1-L2-R2……L8-R8的顺序进行扫描(L1代表第一头牛的左侧外脊,R1代表第一头牛的右侧外脊,依次类推),结束后重新校正近红外光谱仪并重复扫描一次。共得到164条(41×2×2)吸光度曲线。
方差分量分析结果如图3所示,在1000-1301nm光谱范围内,胴体间的方差占总方差的70%以上,其余变异多为两侧之间的差异引起的。在此试验中,同一侧胴体的光谱重复率,即上述因胴体、胴体两侧及交互作用产生的变异所占总变异的比率在整个波段范围内都很高(96%),因此近红外光谱测定时应该选择来自同一侧胴体的图谱,且模型建立的光谱范围选择1000-1301nm为宜。
三、比较氧合时间对光谱重复性的影响
随机获取北京金维福仁清真食品有限公司的来自70头牛的70个牛肉左侧外脊样本,70头牛均为谷物饲喂的成年公牛或母牛,用于比较不同氧合时间对光谱重复性的影响。
对于70个样本,将其11-12肋间横断面断开后,分别在氧合2min和60min时,进行近红外光谱数据的采集(设置光谱平均扫描次数为30)。
70个样本分为8组采集光谱,每组8-9个样本。以每组8个样本为例,采集光谱时:依次对8个11-12肋间横断面断开2min内的样本进行扫描,结束后重新校正近红外光谱仪并重复扫描一次;重新校正近红外光谱仪,对8个11-12肋间横断面断开60min后的样本进行扫描。共得到280条(70×2×2)吸光度曲线。
重复率结果见图4。可以看出,在1000-1307nm光谱范围内,近红外反射光谱的重复率受到肌肉氧合时间的影响不大,氧合2min时采集的近红外光谱和氧合60min时采集的近红外光谱重复率均在0.95以上。在1368-1799nm光谱范围内,肌肉于空气中氧合60min时采集的近红外光谱反射率的重复性要明显高于肌肉在空气中氧合2min内的采集的近红外光谱。在整个光谱范围内(1000-1799nm)氧合60min的光谱重复率都高于0.94,而氧合2min的光谱重复率均大于0.85。
反射率结果见图5。可以看出光谱反射率除在1139nm处,都受氧合时间的影响。氧合2min时的光谱反射率在1000nm-1138nm范围内要比氧合60min时的光谱反射率高,在1071nm处相差最大,1138nm-1799nm范围内氧合60min时的光谱反射率比氧合2min时的光谱反射率略高,但是氧合2min时及氧合60min时的光谱反射率最高相差不超过9%。
从近红外光谱技术的应用角度讲,氧合2min和氧合60min的光谱重复率在1000-1307nm范围内相差不大,氧合2min内测定的光谱要比氧合60min测定的光谱损失信息量少,且氧合时间越短对于企业上来说越易控制,因此应该选择横截面断开后尽可能快的采集近红外光谱(即氧合2min内)。
综合步骤一至三的结果,最终确定了如下参数:光谱平均扫描次数(30次)、同一侧胴体(左侧)和采集氧合时间(2min内),且在1000-1300nm范围内更利于模型的建立。将实施例1确定的各个参数用于实施例2和实施例3的模型建立。
实施例2、近红外光谱技术用于牛肉pH和颜色的在线测定
鲜肉的食用品质受到许多因素的影响,例如,动物种类(品种、性别、年龄等)、环境(饲养、运输、屠宰条件等)和加工过程(储存时间、温度)等,加之在成熟的过程中,牛肉会经历一系列物理化学变化从而影响肉类的食用品质参数,如颜色、嫩度、多汁性和风味等。对于生产企业和消费者来说,了解和保证肉类的品质是非常重要的。目前检测肉类pH和颜色值的手段主要包括应用pH计、色差仪和感官评定等传统的检测手段,不仅属破坏性检测、耗费时间,且不适合于在线测定,因此,快速、无损、在线检测技术开始快速发展,近红外光谱技术因其快速、易用、受肉样颜色和水分影响较小成为这些无损技术的基础。国内外已将近红外光谱技术不仅用于肉类化学成分、技术参数、感官品质等的测定,还用于肉类的分类和分级,尽管有些研究已证实近红外光谱技术在肉类检测上应用的潜力,但在pH和颜色值L*、a*、b*方面的预测能力是有限的,国内这方面的探索较少,尤其是在线测定方面,本实施例在确定了在线测定条件的基础上探索了应用便携式近红外光谱仪测定牛肉的pH、L*、a*、b*。
实验材料:选取自陕西秦宝、北京御香苑、北京金维福仁的牛肉外脊样本共62个,分别为成熟2d和成熟7d的样本,未经冷冻解冻,用于近红外光谱的采集及pH和颜色的测定。具体的样本信息见表2。
表2牛肉样本统计
实验地点 | 样本统计 | 品种 | 年龄(月) |
陕西秦宝 | 17 | 秦川 | 18:5/18-24:5/24-36:4/36-72:3 |
御香苑 | 14 | 秦川:8西杂:6 | 18:3/18-24:4/36-48:1/48-72:5/72:1 |
金维福仁 | 31 | 西杂 | 18:21/18-24:6/24-36:4 |
一、光谱采集
测量之前,首先预热光栅式近红外光谱仪器;仪器自检完成后,设定仪器的测试参数,随后进行背景扫描,取排酸2d后的牛肉外脊样本,按照实施例1确定的技术参数,设定光谱平均扫描次数为30次,外脊样本11-12肋骨间断开后切取厚度约3cm的样品,其横断面氧合2min时采集近红外光谱,进而进行pH、L*、a*、b*的测定,另取3cm样品置于真空包装袋中,经真空包装后,置于温度0-4℃排酸间继续排酸7d后再次测定上述参数。应用便携式近红外光谱仪于眼肌中心位置采集3个近红外光谱,取平均后与所测pH、L*、a*、b*之间建立模型。
二、样品测定
1、pH测定
分别对成熟2d和7d后的牛肉外脊样本,应用HI9025pH计于肌肉块三个不同的位置测定3组pH值,每次测定前需要对pH计进行两点校正。
2、颜色值L*、a*、b*测定
分别对成熟2d和7d后的牛肉外脊样本,切开横断面后氧合约60min后,应用CR-400色差计于横断面三个不同的位置测定3组L*、a*、b*色差值取平均,每次测定前需要对色差计进行白板校正,绿灯闪烁时指示一次测量完成。
3、统计分析
试验数据用Excel 2007进行处理,统计各样品的pH、L*、a*、b*值。试验数据经Excel 2007整理,光谱数据经格式转换后,应用Unscrambler(version 9.8,CAMO)建立上述指标的定量分析模型。
4、建模方法与模型评价
以pH、L*、a*、b*为参考值,用不同的化学计量学方法分别建立其近红外光谱和pH、L*、a*、b*测定值的定量模型,选择最佳光谱范围,预处理方法和主成分数对所建模型进行优化。模型评价用校正相关系数(R)、校正均方根误差(RMSEC)、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和相对分析偏差(RPD)作为衡量指标。
三、结果与分析
1、样本统计结果
参与定量分析的样品性质和范围需要涵盖待测样品的测定值范围。收集样品的含量范围越宽,所建立模型的适应性越广,但是分析结果的精度会有所下降;反之,如果收集的建模样品范围越窄,则建立的校正模型精度会相对提高,而适用范围会有所缩小。
模型建立之前,应用主成分分析法(PCA)对近红外光谱进行分析,在95%的置信度下采用F检验来识别异常光谱,应用The Unscrambler分析软件(CAMO)计算,通过计算其马氏距离(Mahalanobis distance,MD),当置信度在95%时的MD阈值作为异常判定标准,当光谱MD值大于阈值时,则为异常光谱,如图6所示,直线以上的则为异常光谱:
将牛肉样本的pH、L*、a*、b*测定值按从小到大排列,以3:1比例将其分为校正集和预测集,其中最大值和最小值归为校正集,如表3所示。
表3牛肉样本使用品质参数的基本统计结果
2、光谱分析及预处理
近红外光谱往往包含一些与待测样品性质无关的因素带来的干扰,如样品的状态、光的散射、杂散光及仪器响应等的影响,导致了近红外光谱的基线漂移和光谱的不重复。为了消除这些外界因素对光谱信息的影响,充分提取样品的光谱特征信息,提高模型的预测能力,需要对光谱进行预处理。分别对样品的近红外光谱采取了平滑(Smoothing)、标准正态化(Standard normol variate,SNV)、多元散射校正(Multiplicative signal correction,MSC)、导数处理(Derivative)等预处理方法,以消除各种高频噪音和基线漂移,提高信噪比。
平滑主要是窗口移动平均法(Moving average smoothing)和卷积平滑处理(Savitzky-Golay filter),导数处理包括一阶导数(First derivative,1st)处理和二阶导数(Second derivative,2nd)。平滑处理可以提高分析信号的信噪比,导数处理可以强化谱带特征,同时也放大了光谱噪音。图7是近红外原始光谱,图8是经过一阶导数处理后的光谱,图9是经过二阶导数处理后的光谱。
3、食用品质参数PLS定量回归模型
将光谱经格式转换与测定的牛肉pH、L*、a*、b*值输入The Unscrambler 9.8(CAMO)软件,各参数值如上表所示。选定的主成分数过少时,将会丢失原始光谱较多的有用的信息,拟合不充分;如果选取的主成分数太多,会将测量噪音过多的包括进来,出现过拟合现象,所建模型的预测误差会显著增大,因此,合理确定参加建立模型的主成分数是充分利用光谱信息和滤除噪音的有效方法之一。采用留一内部交互验证(Cross Validation)的方法确定最佳主成分数,应用预测残差平方和(PRESS)作为判据,是使用预测残差平方和值对主成分数作图(成为预测残差平方和图)方法确定最佳主成分数。
pH在不同因子数下的PRESS值如图10所示,随着主成分数的增加,呈递减趋势,但是当预测残差平方和值达到最低点后又开始出现上升或波动,说明在这点以后,加入的主成分是与被测组分无关的噪音成分。
采用3个因子数,在1000-1800nm波段范围内建立牛肉成熟2d后的pH的PLSR模型,分别采用多元散射校正(MSC)、标准正态化(SNV)、去趋势化(Detrending)、一阶导数(First derivative)、二阶导数(Second derivative)、平滑(Smoothing)及多种处理方法联合使用,以最小的交互验证标准差(RMSECV)来确定最优预处理方法,当近红外光谱采用5点卷积平滑处理后,建立的模型达到最优,其模型回归结果如图11所示。
同理,采用上述方法确定其他指标的最佳主因子数,分别建立成熟2d和7d牛肉的L*、a*、b*的最佳PLSR模型。表4为PLSR结合最佳光谱预处理方法所建立的上述指标的模型校正和预测分析结果。
表4牛肉食用品质参数PLS建模及预测结果
指标 | 波长范围 | R | RMSEC | RMSECV | RMSEP | RPD | 预处理 |
pH-2d | 1000-1799nm | 0.88 | 0.13 | 0.15 | 0.16 | 1.44 | Smooth5 |
1000-1300nm | 0.96 | 0.05 | 0.11 | 0.10 | 2.10 | Smooth5 | |
pH-7d | 1000-1799nm | 0.77 | 0.12 | 0.14 | 0.15 | 1.53 | Smooth5 |
1000-1300nm | 0.84 | 0.09 | 0.13 | 0.14 | 1.64 | Smooth5 | |
L*-2d | 1000-1799nm | 0.36 | 1.97 | 2.08 | 2.10 | 1.28 | Smooth7 |
1000-1300nm | 0.30 | 2.02 | 2.12 | 2.13 | 1.26 | Smooth7 | |
L*-7d | 1000-1799nm | 0.75 | 1.87 | 2.39 | 2.39 | 1.18 | Smooth7 |
1000-1300nm | 0.68 | 2.08 | 2.45 | 2.15 | 1.32 | Smooth7 | |
a*-2d | 1000-1799nm | 0.84 | 1.65 | 2.01 | 2.05 | 1.60 | None |
1000-1300nm | 0.83 | 1.62 | 1.92 | 2.0 | 1.64 | None | |
a*-7d | 1000-1799nm | 0.69 | 2.15 | 2.34 | 2.36 | 1.49 | None |
1000-1300nm | 0.89 | 1.53 | 1.87 | 1.88 | 1.87 | None | |
b*-2d | 1000-1799nm | 0.82 | 1.18 | 1.49 | 1.50 | 1.39 | SNV |
1000-1300nm | 0.98 | 0.36 | 1.08 | 1.1 | 1.89 | SNV | |
b*-7d | 1000-1799nm | 0.78 | 1.16 | 1.40 | 1.42 | 1.39 | SNV |
1000-1300nm | 0.94 | 1.38 | 1.12 | 1.14 | 1.73 | SNV |
上述研究结果显示,在牛肉pH、L*、a*、b*的PLSR定量模型中,应用成熟2d的近红外光谱建立的成熟2d后测定的各个指标的模型中,pH的预测结果较优,无论是在整个波段范围1000-1799nm还是在优选波段1000-1300nm范围内,其模型相关系数都大于0.8,1000-130nm范围下RPD达到2.10;而颜色值L*、a*和b*的定量预测结果中L*最差,RPD值范围为1.18-1.32。对于pH、a*和b*来说,在优选波段1000-1300nm范围内的模型优于在整个波段范围(1000-1799nm)内建立的模型,这与实施例1得出的结论(考虑到近红外光谱数据的重复性,在建模过程中应尽量选择1000-1300nm的光谱范围)是一致的。另外,应用成熟2d所采集的近红外光谱在预测成熟2d和成熟7d的模型结果对比上,成熟2d所建立的模型要优于成熟7d所建立的模型。
本实施例应用多种光谱预处理方式,如多元散射校正(MSC)、标准正态化(SNV)、去趋势化(Detrending)、一阶导数(First derivative)、二阶导数(Secondderivative)、平滑(Smoothing)及多种处理方法联合使用,分别建立其偏最小二乘回归(PLSR)模型,以最小的交互验证标准差(RMSECV)选择最优的光谱预处理方式,发现a*在光谱未经任何处理的方式下建立的模型较优,而pH和L*需要经过平滑处理,b*需要经过标准正态化(SNV)处理;本实施例分别比较了1000-1799nm和1000-1300nm范围下近红外光谱对各个参数所建模型精度,结果发现,在1000-1300nm范围下建立的模型较优,精确度更高,与实施例1得出的结论是一致的,光谱在1000-1300nm内重复性较好,因此,对于本实施例中所涉及的牛肉品质参数(pH、L*、a*、b*)来说,1000-1300nm为其优选波段,这与Shackelford等人的研究是一致的,在建立模型的过程中,1300-1799nm范围内的光谱重复性较差,应当尽量避免;另外,本实施例应用成熟2d的近红外光谱,分别对成熟2d和成熟7d的pH、L*、a*、b*,建立其PLSR定量回归模型,结果发现,近红外光谱技术在预测当下测定参数方面的能力要优于预测继续成熟后的样本。本实施例证明近红外光谱技术用于在线实时预测牛肉的pH方面有很大的潜力,尤其在1000-1300nm范围内。
实施例3、近红外光谱技术用于牛肉嫩度分级研究
根据Shackelford等所作的消费调查,在影响消费者购买决定的嫩度、多汁性和风味这三个因素中,嫩度是其中最主要的因素,大多数消费者愿意为嫩牛肉付更高的价格。近年来,采用近红外光谱技术检测肉品嫩度受到了关注。尤其在嫩度分级方面,Liu、Shackelford和赵杰文等人研究发现,近红外光谱技术能够成功的用于牛肉和禽肉的嫩度分级,分级的正确率在80%和100%之间。
为了实现我国牛肉工业化的在线嫩度分级,本实施例考查了牛肉在成熟过程中嫩度的变化,并应用国产便携式近红外光谱仪器,采集牛肉成熟2d后的近红外光谱,以沃布剪切力值作为评价指标,初步建立了成熟2d和7d的牛肉嫩度的在线分级模型,探索了应用早期近红外光谱预测不同成熟时间牛肉嫩度的可行性。
实验材料:取自陕西和北京的秦川牛和西门塔尔杂交牛外脊样本52个,未经冷冻解冻,直接于屠宰场进行近红外光谱的扫描和剪切力值的测定。
一、实验方法
1、光谱采集
对来自陕西秦宝、北京御香苑、北京金维福仁的秦川牛和西门塔尔杂交牛外脊样本,测量前,预热光栅式近红外光谱仪器,仪器测试通过后,在选定的仪器测试参数条件下,先进行背景扫描,取排酸2d后的牛肉外脊样本,按照实施例1确定的技术参数,设定光谱采集平均扫描次数为30次,外脊样本12肋骨间断开后切取厚度约3cm的样品,其横断面氧合2min时采集近红外光谱,进而剪切力值的测定,另取3cm样品置于真空包装袋中,经真空包装后,置于温度0-4℃排酸间继续排酸7d后再次测定其剪切力值。应用便携式近红外光谱仪于眼肌中心位置采集的3个近红外光谱,取平均后与依据剪切力值所做的分级之间建立模型。
2、剪切力值测量
按照农业行业标准NY/T 1180-2006《肉嫩度的测定剪切力测定法》,即把肌肉用蒸煮袋包装,待水浴温度达到80℃,将肉块放入,加热到肉中心温度70℃,用专用的温度计测量。将肌肉取出用保鲜袋装好置于4℃下环境下冷却24h至中心温度达到0-4℃。用直径1.27cm的圆锥形取样器按与肌纤维平行的方向钻切肉样,孔样长度不少于2.5cm,取样位置应距离样品边缘不少于5mm,两个取样的边缘间距不少于5mm,剔除有明显缺陷的孔样,样品数量不少于3个。用沃-布剪切力仪对每个剪切样本垂直于肌纤维方向进行剪切,分别得到最大剪切力值,求平均值得到该牛肉样本的剪切力值。
3、统计分析
试验数据剪切力值经Excel 2007整理,光谱数据经格式转换后,应用TheUnscrambler(version 9.8,CAMO)建立牛肉嫩度近红外分级模型。
4、建模方法与模型评价
以剪切力值为参考值,依据其剪切力值的分布分别以6kg和4.5为嫩度值的界点,将所测牛肉嫩度分为2个等级,应用判别偏最小二乘法(PLS-DA)建立其分级模型,PLS-DA法是偏最小二乘法(PLS)的一种变体,它是通过创造“虚拟变量”来建立模型,利用PLS1法建立“虚拟变量”Y与光谱变量X的回归预测模型,然后通过比较“虚拟变量”预测值大小确定样品的类别。本研究建模过程中,将两种嫩度级别的牛肉光谱,分别赋予值1和2(1代表嫩牛肉,2代表普通牛肉)作为光谱数据的参考值,应用交互验证的方法及预测残差平方和(PRESS)为依据选择建立PLSR模型的主成分,采用偏最小二乘回归技术建立鉴别模型。如果预测值在嫩牛肉和普通牛肉所赋予值(1和2)±0.5范围内,则判断其预测准确。
二、结果与分析
1、样本统计结果
参与嫩度在线分级的来自陕西和北京的样本及其成熟2d和成熟7d的剪切力值如表5所示,样品剪切力值范围分别为3.95-11.62(2d)和1.21-9.48(7d),基本覆盖了我国现有的牛肉嫩度值范围,说明本实验所取样本具有很强的代表性,具体的分布状态如图12所示。
表5牛肉样本的剪切力值变化
样品编号 | 成熟2d剪切力值 | 成熟7d剪切力值 | 嫩度变化率 |
1 | 4.98 | 2.17 | 0.564257 |
2 | 6.2 | 2.7 | 0.564516 |
3 | 7.825 | 5.6 | 0.284345 |
4 | 7.88 | 4.9 | 0.378173 |
5 | 8.133333 | 4.925 | 0.394467 |
6 | 8.316667 | 6.833333 | 0.178357 |
7 | 8.8625 | 4.9 | 0.447109 |
8 | 3.95 | 1.208333 | 0.694093 |
9 | 7.841667 | 3.5125 | 0.552072 |
10 | 11.62 | 9.48 | 0.184165 |
11 | 10.43333 | 6.35 | 0.391374 |
12 | 10 | 5.46 | 0.454 |
13 | 7.0875 | 3.533333 | 0.50147 |
14 | 6.76 | 4.1 | 0.393491 |
15 | 9.88 | 8.266667 | 0.163293 |
16 | 6 | 3.2 | 0.466667 |
17 | 6.033333 | 4.34 | 0.280663 |
18 | 6.533333 | 5.5 | 0.158163 |
19 | 6.525 | 5.95 | 0.088123 |
20 | 6.81 | 4.0875 | 0.39978 |
21 | 6.68 | 3.8125 | 0.429266 |
22 | 7.05 | 4.49 | 0.363121 |
23 | 7.4 | 5.9 | 0.202703 |
24 | 8.1 | 4.75 | 0.41358 |
25 | 8.833333 | 7.466667 | 0.154717 |
26 | 4.63 | 2.266667 | 0.510439 |
27 | 9.5625 | 7.5375 | 0.211765 |
28 | 9.3 | 5.87 | 0.368817 |
29 | 5.9 | 4.741667 | 0.196328 |
30 | 7.29 | 6.0375 | 0.171811 |
31 | 6.03 | 5.65 | 0.063018 |
32 | 6.816667 | 4.15 | 0.391198 |
33 | 7.983333 | 5.375 | 0.326722 |
34 | 8.958333 | 6.18 | 0.31014 |
35 | 7.658333 | 4.77 | 0.377149 |
36 | 4.758333 | 2.266667 | 0.523643 |
37 | 7.633333 | 5.3875 | 0.294214 |
38 | 9.77 | 6.591667 | 0.325316 |
39 | 5.96 | 4.47 | 0.25 |
40 | 6.75 | 5.208333 | 0.228395 |
41 | 5.891667 | 4.091667 | 0.305516 |
42 | 4.791667 | 3.366667 | 0.297391 |
43 | 6.483333 | 3.975 | 0.386889 |
44 | 7.57 | 6.25 | 0.174373 |
45 | 6.08 | 5.666667 | 0.067982 |
46 | 7.6 | 5.3 | 0.302632 |
47 | 6.691667 | 4.0875 | 0.389166 |
48 | 7.583333 | 6.95 | 0.083516 |
49 | 7.816667 | 4.875 | 0.376333 |
50 | 7.3875 | 5.52 | 0.252792 |
51 | 7.991667 | 5.816667 | 0.272158 |
52 | 6.841667 | 5.366667 | 0.215591 |
2、光谱分析及预处理
近红外光谱往往包含一些与待测样品性质无关的因素带来的干扰,如样品的状态、光的散射、杂散光及仪器响应等的影响,导致了近红外光谱的基线漂移和光谱的不重复。为了消除这些外界因素对光谱信息的影响,充分提取样品的光谱特征信息,提高模型的预测能力,需要对光谱进行预处理。分别对样品的近红外光谱进行了平滑(Smoothing)、标准正态化(Standard normo variate,SNV)、去趋势化(Detrending)、多元散射校正(Multiplicative signal correction,MSC)、导数处理(Derivative)。经预处理后的光谱如图13、14所示,MSC和SNV预处理可以消除散射等因素引起的光谱基线漂移,而一阶导数和二阶导数处理可以消除线性基线漂移,同时放大光谱信号。若不同嫩度级别对近红外的散射差异明显,则表现出光谱基线不同,采用基线消除预处理方法对判别模型不利;若散射差异不明显,而对于在模型特征区间存在差异,则导数处理将会放大信号,有益于判别分级模型精度提高。
3、牛肉嫩度PLS-DA模型的建立
对来自陕西和北京的牛肉样本按照3:1分为校正集和预测集,光谱经一阶导数、标准正态化、去趋势化和13点平滑后建立其DPLS模型,最佳因子数依据PRESS值来确定,嫩牛肉和普通牛肉分别赋予虚拟值1和2,成熟2d及成熟7d后的验证集样本在1000-1799nm和1000-1300nm两个波段范围内的判别结果如表6及图15、16、17、18所示,可以看出在选定波段范围(1000-1300nm)下所建的成熟2d和成熟7d的模型准确度(92.1%和85.7%)相对优于在全波段范围(1000-1799nm)下建立的模型(89.5%和82.9%);而应用成熟2d的近红外光谱建立的成熟2d后的嫩度分级模型,其正确识别率为89.5%(1000-1799nm)和92.1%(1000-1300nm),应用成熟2d的近红外光谱建立的成熟7d后的嫩度分级模型,其正确识别率为82.9%(1000-1799nm)和85.7%(1000-1300nm)。
表61000-1799nm和1000-1300nm范围内基于DPLS算法嫩牛肉和普通牛肉验证集鉴别结果
采用两个不同波段下所建立的在线嫩度DPLS模型对预测集14个样本进行预测,预测结果如表7所示,在±0.5个误差范围内,嫩牛肉的预测结果越接近于1,普通牛肉的预测结果越接近于2,则判别结果的正确率越高。结果表明,对于成熟2d的牛肉,在1000-1799nm波段范围内,嫩牛肉的识别正确率为87.5%,其中有一个嫩牛肉误判别为普通牛肉;普通牛肉的正确识别率为83.3%,其中一个普通牛肉误识别为嫩牛肉,模型总的判别正确率为85.7%;在1000-1300nm波段范围内,对于预测集的正确识别率与在1000-1799nm范围内的识别率相同。对于成熟7d的牛肉来说,在1000-1799nm波段范围内,嫩牛肉的识别正确率为60%,其中有两个嫩牛肉误判别为普通牛肉;普通牛肉的正确识别率为77.8%,其中两个普通牛肉误识别为嫩牛肉,模型总的判别正确率为71.4%;在1000-1300nm波段范围内,对于预测集的正确识别率(78.6%)要优于在1000-1799nm范围内的识别率(71.4%)。
表71000-1799nm和1000-1300nm范围内基于DPLS算法嫩牛肉和普通牛肉预测集鉴别结果
利用近红外光谱分析技术对牛肉样品进行在线嫩度等级预测分析过程中,分别比较了1000-1799nm范围和1000-1300nm范围下的嫩度等级判定结果,验证集的判定结果表明在选定波段范围下所建的模型准确度(92.1%)相对优于在全波段范围下建立的模型(89.5%),在应用模型预测未知样本时,成熟7d的牛肉样本在1000-1300nm范围内的预测结果(78.6%)要优于在1000-1799nm范围的预测结果,结果说明,在嫩度分级方面,选定波段1000-1300nm范围内的模型相对较好,1300-1799nm范围内的光谱重复性较差,应当尽量避免。
本实施例应用早期(成熟2d)的近红外图谱分别对成熟2d和成熟7d的牛肉嫩度建立了其预测模型,其中对于成熟2d验证集的总的识别正确率为92.1%(1000-1300nm)和89.5%(1000-1799nm),成熟7d验证集的识别正确率为85.7%(1000-1300nm)和82.9%(1000-1799nm),对于预测集来说,成熟2d后的识别正确率同为85.7%,成熟7d后的识别正确率分别为71.4%(1000-1799nm)和78.6%(1000-1300nm)。本实施例应用实施例1确定的所得在线采集技术参数于工厂中在线采集近红外光谱,从而建立了其嫩度分级模型,对以后实际在线应用奠定了理论基础。本实施例表明,近红外光谱技术在牛肉嫩度在线分级方面具有很大的潜力,尤其是在应用当下扫描的近红外光谱实时预测当时的肉类嫩度等级方面,且在1000-1300nm范围内建立的嫩度分级模型要优于在整个波段范围建立的嫩度分级模型。本实施例提供了一种应用国产便携式近红外光谱仪器建立牛肉嫩度在线分级模型的方法,为之后的研究和工业应用提供了一定的参考。
Claims (10)
1.一种获取牛肉样本的近红外光谱的方法,是采用近红外光谱仪获取牛肉样本的近红外光谱;所述近红外光谱仪的光谱平均扫描次数设置为30次。
2.如权利要求1所述的方法,其特征在于:所述方法中,获取的近红外光谱为1000-1300nm范围内的光谱。
3.如权利要求1或2所述的方法,其特征在于:所述牛肉样本为氧合时间为2min以内的牛肉样本。
4.如权利要求1或2或3所述的方法,其特征在于:所述近红外光谱仪为SupNIR-1000便携式近红外光谱仪。
5.权利要求1至4中任一所述方法在评价牛肉品质中的应用。
6.权利要求1至4中任一所述方法在比较牛肉品质中的应用。
7.一种比较牛肉品质的方法,是采用近红外光谱仪分别获取不同牛肉样本的近红外光谱,然后通过近红外光谱比较牛肉样本的品质;所述近红外光谱仪的光谱平均扫描次数设置为30次。
8.如权利要求7所述的方法,其特征在于:所述不同牛肉样本为取自不同牛的同一侧的牛肉样本。
9.一种评价牛肉品质的方法,是采用近红外光谱仪获取牛肉样本的近红外光谱,然后通过近红外光谱评价牛肉样本的品质;所述近红外光谱仪的光谱平均扫描次数设置为30次。
10.如权利要求7至9中任一所述的方法,其特征在于:所述近红外光谱仪为SupNIR-1000便携式近红外光谱仪;所述方法中,获取的近红外光谱为1000-1300nm范围内的光谱;所述牛肉样本为氧合时间为2min以内的牛肉样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104442825A CN102967578A (zh) | 2012-11-08 | 2012-11-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104442825A CN102967578A (zh) | 2012-11-08 | 2012-11-08 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102967578A true CN102967578A (zh) | 2013-03-13 |
Family
ID=47797867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104442825A Pending CN102967578A (zh) | 2012-11-08 | 2012-11-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102967578A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454240A (zh) * | 2013-08-30 | 2013-12-18 | 上海海洋大学 | 一种快速评定冷冻鱼糜等级模型的建立方法 |
CN103712948A (zh) * | 2013-12-05 | 2014-04-09 | 中国肉类食品综合研究中心 | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 |
CN104502307A (zh) * | 2014-12-12 | 2015-04-08 | 山东省海洋资源与环境研究院 | 一种快速检测长牡蛎糖原和蛋白质含量的方法 |
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 |
CN106198439A (zh) * | 2016-06-28 | 2016-12-07 | 北京市农林科学院 | 一种辐照食品的快速无损检测方法 |
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 |
CN106501211A (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 | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 |
CN109187130A (zh) * | 2018-09-14 | 2019-01-11 | 青海省畜牧兽医科学院 | 一种基于矿物元素判别模型的牦牛肉溯源方法 |
CN109272030A (zh) * | 2018-09-03 | 2019-01-25 | 贵阳学院 | 基于光纤光谱技术的苹果表面早期损伤快速无损识别方法 |
CN109520965A (zh) * | 2018-11-20 | 2019-03-26 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
CN110702637A (zh) * | 2019-10-30 | 2020-01-17 | 石河子大学 | 一种热鲜和冷鲜羊肉的近红外在线融合快速判别方法 |
CN113324967A (zh) * | 2020-09-18 | 2021-08-31 | 山东农业大学 | 一种快速鉴定dfd牛肉的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001264249A (ja) * | 2000-03-16 | 2001-09-26 | Kochi Prefecture | 近赤外分光分析による肉質推定方法とその応用 |
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 |
KR100514471B1 (ko) * | 2003-07-18 | 2005-09-14 | 학교법인 정의학원 | 쇠고기 신선도 측정방법 및 장치 |
CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
-
2012
- 2012-11-08 CN CN2012104442825A patent/CN102967578A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001264249A (ja) * | 2000-03-16 | 2001-09-26 | Kochi Prefecture | 近赤外分光分析による肉質推定方法とその応用 |
KR100514471B1 (ko) * | 2003-07-18 | 2005-09-14 | 학교법인 정의학원 | 쇠고기 신선도 측정방법 및 장치 |
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 |
CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
Non-Patent Citations (2)
Title |
---|
刘晓晔: ""基于近红外光谱技术的牛肉在线分级及分类初探"", 《中国农业科学院学位论文》, 1 June 2012 (2012-06-01) * |
夏玉伟: ""科尔沁牛胴体品质及肉品质预测"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, 15 February 2012 (2012-02-15) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454240A (zh) * | 2013-08-30 | 2013-12-18 | 上海海洋大学 | 一种快速评定冷冻鱼糜等级模型的建立方法 |
CN103712948A (zh) * | 2013-12-05 | 2014-04-09 | 中国肉类食品综合研究中心 | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 |
CN103712948B (zh) * | 2013-12-05 | 2016-08-17 | 中国肉类食品综合研究中心 | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 |
CN104502307A (zh) * | 2014-12-12 | 2015-04-08 | 山东省海洋资源与环境研究院 | 一种快速检测长牡蛎糖原和蛋白质含量的方法 |
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 |
CN106198439A (zh) * | 2016-06-28 | 2016-12-07 | 北京市农林科学院 | 一种辐照食品的快速无损检测方法 |
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 |
CN106501211A (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 | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 |
CN109272030A (zh) * | 2018-09-03 | 2019-01-25 | 贵阳学院 | 基于光纤光谱技术的苹果表面早期损伤快速无损识别方法 |
CN109187130A (zh) * | 2018-09-14 | 2019-01-11 | 青海省畜牧兽医科学院 | 一种基于矿物元素判别模型的牦牛肉溯源方法 |
CN109520965A (zh) * | 2018-11-20 | 2019-03-26 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
CN110702637A (zh) * | 2019-10-30 | 2020-01-17 | 石河子大学 | 一种热鲜和冷鲜羊肉的近红外在线融合快速判别方法 |
CN113324967A (zh) * | 2020-09-18 | 2021-08-31 | 山东农业大学 | 一种快速鉴定dfd牛肉的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
CN102519906B (zh) | 多通道近红外光谱牛肉品质多参数同时检测方法 | |
CN104048939A (zh) | 生猪血液中血糖含量近红外快速检测方法 | |
WO2021138941A1 (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
CN105548062B (zh) | 生鲜牛肉多指标的快速无损同步检测方法 | |
CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
CN103712948B (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
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 | |
CN103645144A (zh) | 一种白酒成分定量分析方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
Melado-Herreros et al. | Postharvest ripeness assessment of ‘Hass’ avocado based on development of a new ripening index and Vis-NIR spectroscopy | |
Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
Noypitak et al. | Evaluation of astringency and tannin content in ‘Xichu’persimmons using near infrared spectroscopy | |
Wang et al. | Development of near‐infrared online grading device for long jujube | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
CN105675538A (zh) | 一种胡麻饼养分的检测方法 |
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: 20130313 |