CN103439271B - 一种猪肉成熟状况的可视化检测方法 - Google Patents
一种猪肉成熟状况的可视化检测方法 Download PDFInfo
- Publication number
- CN103439271B CN103439271B CN201310385321.3A CN201310385321A CN103439271B CN 103439271 B CN103439271 B CN 103439271B CN 201310385321 A CN201310385321 A CN 201310385321A CN 103439271 B CN103439271 B CN 103439271B
- Authority
- CN
- China
- Prior art keywords
- ripe
- pork
- pork sample
- sample
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了猪肉成熟状况的可视化检测方法,包括以下步骤:(1)根据猪肉样本的理化指标判断猪肉样本的成熟类别;(2)用近红外高光谱仪对猪肉样本进行扫描,得到三维高光谱图像;(3)提取出五个特征波长下的猪肉样本的光谱图像;(4)建立三层神经网络;(5)用近红外高光谱仪对待测猪肉样品进行扫描,通过三层神经网络得到待测猪肉样品的三维高光谱图像的每个像素的成熟类别结果;(6)将3种成熟类别分别用3种颜色表示,得到待测猪肉样品的猪肉成熟状况的分布图,判断猪肉成熟状况。本发明可以快速、无损地判别畜肉的成熟度,既不需要测量理化指标,也不需要专业人员训练光谱模型。
Description
技术领域
本发明涉及一种畜肉成熟状况的检测方法,特别涉及一种猪肉成熟状况的可视化检测方法。
背景技术
肉是百姓餐桌上每天必不可少的食材,许多人以为越新鲜的肉越好吃,然而实际情况是存放一段时间,完成后熟的肉食用品质才是最佳的。牲畜被屠宰,经过一段时间后,进入尸僵状态,肉的硬度增大,持水性差,加热时不易煮熟,肉汁流失多,缺乏风味,食用品质差。若继续贮藏,肉的柔软性和持水性逐渐恢复,风味提高,此过程称为肉的成熟。同时如果贮存肉的方法不当,会被微生物感染和酶分解引起腐败变质,贮藏时间过长还会让水分散失,肉质过干。肉品的尸僵、成熟、腐败是三个连续变化的过程,因此,准确地掌握肉品的成熟时间,才能使肉品的食用品质最佳。
不断为客户提供品质最佳的商品,是企业的目标和生命力。欧美等发达国家的肉品经过后熟才销售,这也必然是我国屠宰行业发展的方向,越来越多的屠宰厂将肉品售前的冷藏成熟作为必不可少的阶段。然后,检测肉品成熟何时完成,却没有快捷、简单的方法。通过传统的方法测量肉品的理化指标的变化,推断肉品的成熟情况,需要每隔一段时间都测量肉品的多项指标,检测工作繁重、费时,并且检测需要割取样品,破坏胴体完整性,降低商品价值。
高光谱成像是一门新兴的快速、无损检测技术,它融合了传统的成像技术和光谱学,在农畜水产品品质检测方面具有巨大的潜力和优势。目前,肉类、牛奶、水果和蔬菜的品质检测等方面都有采用高光谱技术的报道。如中国发明专利CN200710178609.8公布了一种利用超光谱成像系统检测肉制品嫩度的方法;中国专利CN200710178609公布了肉制品嫩度无损检测的超光谱成像系统及检测方法;中国专利CN200610097857公布了基于高光谱图像技术的农畜产品无损检测方法及装置。然而需要指出的是,肉品成熟是个复杂的过程,动物生前的性别、年龄、体质以及屠宰后的贮藏条件都会影响肉品的成熟速率和成熟后的品质。同时,肉品的pH值、嫩度、色差等多项指标都会发生变化,仅用嫩度无法准确判别肉品处于尸僵、成熟、腐败连续变化的哪个阶段。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种猪肉成熟状况的可视化检测方法,可以快速、无损地判别畜肉的成熟度,既不需要测量理化指标,也不需要专业人员训练光谱模型。
本发明的目的通过以下技术方案实现:
一种猪肉成熟状况的可视化检测方法,包括以下步骤:
(1)根据猪肉样本的理化指标判断猪肉样本的成熟类别,成熟类别为僵直、成熟或腐败;
(2)用近红外高光谱仪对猪肉样本进行扫描,得到猪肉样本的三维高光谱图像;
(3)提取出967nm、1076nm、1127nm、1235nm、2061nm五个特征波长下的猪肉样本的光谱图像,选出猪肉区域,将每个波长下的数据归一化,映射到(0,1)范围内,此时,每个像素下含5个特征波长的光谱反射值;
(4)以每个像素的5个特征波长的光谱反射值作为神经网络的输入,3种成熟类别作为输出,建立三层神经网络;其中,3种成熟类别分别为僵直、成熟和腐败;
(5)用近红外高光谱仪对待测猪肉样品进行扫描,得到待测猪肉样品的三维高光谱图像,将每个像素的5个特征波长的光谱反射值并代入步骤(4)得到的三层神经网络,得到待测猪肉样品的三维高光谱图像的每个像素的成熟类别结果;
(6)将3种成熟类别分别用3种颜色表示,得到待测猪肉样品的猪肉成熟状况的分布图,计算3种成熟类别所占的像素比例,判断猪肉成熟状况:
当僵直区域面积大于20%时,说明猪肉没有完全解僵,应继续存放;
当腐败区域大于32%时,肉品感染微生物严重,腐败加快,应该立即终止储藏;
当僵直区域小于20%、腐败区小于32%时,肉品完成解僵,品质最高,适合出库销售。
所述神经网络的结构为:输入层5个神经元,隐含层2个神经元,输出层3个神经元;隐藏层激活函数为双曲正切;输出层激活函数为softmax。
步骤(2)所述用近红外高光谱仪对猪肉样本进行扫描,具体为:
像素分辨率不小于320×256,扫描面积不少于100cm2。
所述僵直的理化指标为:嫩度83.3±13.2N,挥发性盐基氨12.2±1.5mg/100g,细菌总数6.77±0.8LogCFU/g,热损失21.3±2.5%;
所述成熟的理化指标为:嫩度56.2±11.4,挥发性盐基氨16.4±2.1mg/100g,细菌总数7.74±1.3LogCFU/g,热损失17.2±1.8%;
所述腐败的理化指标为:嫩度52.7±10.7N,挥发性盐基氨122.3±3.4mg/100g,细菌总数11.62±2.7LogCFU/g,热损失16.6±2.1%。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明基于嫩度、挥发性盐基氨、热损失、细菌总数多个指标综合起来考察猪肉的成熟状况,与嫩度作为单一指标相比,建立的模型系统的稳健性更好和准确性率更高。
(2)本发明将肉品成熟状况这一模糊的概念用可视化的图像表现出来,直观清晰,可得知每块肉的成熟速率与演变规律。
(3)采用本发明的方法判别肉品的成熟度,成熟的肉品立即出库分销,既可保障肉品的质量最高,又可缩短肉品储存周期,提高冷藏库的利用率和肉厂经济效益。
(4)本发明的方法只需扫描肉品,代入建立好的模型,即可得检测结果,方便、快捷,不需要测量任何理化指标,也不需要训练模型。
附图说明
图1为本发明的实施例的不同成熟类别的猪肉样本的平均光谱图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
本实施例的猪肉成熟状况的可视化检测方法,包括以下步骤:
(1)根据猪肉样本的理化指标判断猪肉样本的成熟类别,成熟类别为僵直、成熟或腐败,具体如下:
(1-1)在屠宰场收购30头刚被屠宰猪的背最长肌,用切肉机(广州力进食品机械厂)将其切割成厚度为2cm的肉片,然后放入冷藏库储藏,冷藏库温度设定为4℃,湿度为75%。14天内每天一次对肉品进行光谱扫描以及嫩度、热损失、挥发性盐基氨和细菌菌落总数的测量。本实施例中以最长背肌代表猪肉胴体成熟度。本实施例中所用的高光谱仪由近红外光谱仪(芬兰Spectral Imaging有限公司,波长900-2500nm,波长分辨率是6nm)和CCD相机(比利时XenicsInfrared Solutions公司,像素是320×300)构成。肉的嫩度测量,参照农业部行业标准一NY/Tll80一2006《肉嫩度的测定剪切力测定法》进行,猪肉按标准加热后,顺肌肉纤维方向将肉切为截面积1cm×1cm、长度大于2cm的长方体。然后用质构仪(Instron,Model4301,英国)垂直于肌肉纤维方向做剪切,对每个样品重复测量3次,均值作为该样品为的嫩度(单位N)。猪肉细菌总数的测定方法按照GB/T4789.17-2003《食品卫生微生物学检验肉与肉制品检验》。挥发性盐基氨(TVB-N)的测定:利用FOSS公司的半自动凯氏定氮仪(Kjeltec8000),按照GB5009.44《肉与肉制品卫生标准》进行检测。热损失的测量:约为100g的肉放入72.5℃水浴锅中煮10min,称量加热前后质量,按公式(1)计算热损失:
(1-2)依据理化指标对猪肉样本分类:
分类的具体指标及结果见表1。
表1不同成熟类别的肉品理化指标
由表1可知,肉品在成熟过程中嫩度到得很大改善,同时热损失降低。继续储藏后,肉的嫩度和热损失变化不大,但微生物数量及挥发性盐基氨上升加快。因此,找到肉品成熟的终止点极为重要。
(2)用近红外高光谱仪对猪肉样本进行扫描,像素分辨率不小于320×256,扫描面积不少于100cm2,得到猪肉样本的三维高光谱图像;
(3)提取出967nm、1076nm、1127nm、1235nm、2061nm五个特征波长下的猪肉样本的光谱图像,选出猪肉区域,将每个波长下的数据归一化,映射到(0,1)范围内,此时,每个像素下含5个特征波长的光谱反射值;
本发明筛选特征波长的过程如下:
对不同成熟类别的猪肉样本进行光谱平均化,从图1可看出不同成熟类别的猪肉样本的光谱趋势相似,但仍有明显差别。运用连续投影算法(successiveprojections algorithm,SPA)来提取特征波长,得到967nm、1076nm、1127nm、1235nm、2061nm5个波长区分效果好。
(4)以每个像素的5个特征波长的光谱反射值作为神经网络的输入,3种成熟类别(分别为僵直、成熟和腐败)作为输出,建立三层神经网络;神经网络的结构为:输入层5个神经元,隐含层2个神经元,输出层3个神经元;隐藏层激活函数为双曲正切;输出层激活函数为softmax;神经元间的权值如表2所示。
表2神经网络各权值参数
注:w967、w1076、w1127、w1235、w2061为输入层神经元分别对应五个波长;H(1:1)、H(1:2)为隐藏层神经元;[Value=1]、[Value=2]、[Value=1]为输出层神经元对应三个分类结果:僵直区、成熟区和腐败区。
(5)用近红外高光谱仪对待测猪肉样品进行扫描,得到待测猪肉样品的三维高光谱图像,将每个像素的5个特征波长的光谱反射值并代入步骤(4)得到的三层神经网络,得到待测猪肉样品的三维高光谱图像的每个像素的成熟类别结果;
(6)将3种成熟类别分别用3种颜色表示,得到待测猪肉样品的猪肉成熟状况的分布图;计算3种成熟类别所占的像素比例,判断猪肉成熟状况:
当僵直区域面积大于20%时,说明猪肉没有完全解僵,应继续存放;
当腐败区域大于32%时,肉品感染微生物严重,腐败加快,应该立即终止储藏;
当僵直区域小于20%、腐败区小于32%时,肉品完成解僵,品质最高,适合出库销售。
本实施例计算得到的3种成熟类别所占的像素比例如表3所示,表3中a为屠宰当天的肉,大部分处于僵直期;b为屠宰第2天的肉,肉品开始部分解僵;c为第5天成熟良好;d为第5天的另一块肉,成熟不好,有腐败迹象;e为第11天的肉,肉品大面积腐败;由表3可知,检测结果与实际情况相符。
表3不同区域的比例统计表
本实施例中,为对本发明的神经网络分类结果的检测结果进行验证,对待猪肉样本、侧猪肉样品同时还采用理化指标的方式检测成熟度,比较的结果见表4。
表4神经网络分类结果
注:分类结果中1类代表僵直期,2类为成熟期,3类为腐败期
由表3可知,本实施例的神经网络分类结果是:猪肉样本集分类正确率99.4%,待侧猪肉样品集分类正确率100%。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种猪肉成熟状况的可视化检测方法,其特征在于,包括以下步骤:
(1)根据猪肉样本的理化指标判断猪肉样本的成熟类别,成熟类别为僵直、成熟或腐败;
所述僵直的理化指标为:嫩度83.3±13.2N,挥发性盐基氨12.2±1.5mg/100g,细菌总数6.77±0.8LogCFU/g,热损失21.3±2.5%;
所述成熟的理化指标为:嫩度56.2±11.4N,挥发性盐基氨16.4±2.1mg/100g,细菌总数7.74±1.3LogCFU/g,热损失17.2±1.8%;
所述腐败的理化指标为:嫩度52.7±10.7N,挥发性盐基氨122.3±3.4mg/100g,细菌总数11.62±2.7LogCFU/g,热损失16.6±2.1%;
(2)用近红外高光谱仪对猪肉样本进行扫描,得到猪肉样本的三维高光谱图像;
(3)提取出967nm、1076nm、1127nm、1235nm、2061nm五个特征波长下的猪肉样本的光谱图像,选出猪肉区域,将每个波长下的数据归一化,映射到(0,1)范围内,此时,每个像素下含5个特征波长的光谱反射值;
(4)以每个像素的5个特征波长的光谱反射值作为神经网络的输入,3种成熟类别作为输出,建立三层神经网络;其中,3种成熟类别分别为僵直、成熟和腐败;
(5)用近红外高光谱仪对待测猪肉样品进行扫描,得到待测猪肉样品的三维高光谱图像,将每个像素的5个特征波长的光谱反射值并代入步骤(4)得到的三层神经网络,得到待测猪肉样品的三维高光谱图像的每个像素的成熟类别结果;
(6)将3种成熟类别分别用3种颜色表示,得到待测猪肉样品的猪肉成熟状况的分布图,计算3种成熟类别所占的像素比例,判断猪肉成熟状况。
2.根据权利要求1所述的猪肉成熟状况的可视化检测方法,其特征在于,所述神经网络的结构为:输入层5个神经元,隐含层2个神经元,输出层3个神经元;隐藏层激活函数为双曲正切;输出层激活函数为softmax。
3.根据权利要求1所述猪肉成熟状况的可视化检测方法,其特征在于,步骤(2)所述用近红外高光谱仪对猪肉样本进行扫描,具体为:
像素分辨率不小于320×256,扫描面积不少于100cm2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310385321.3A CN103439271B (zh) | 2013-08-29 | 2013-08-29 | 一种猪肉成熟状况的可视化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310385321.3A CN103439271B (zh) | 2013-08-29 | 2013-08-29 | 一种猪肉成熟状况的可视化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439271A CN103439271A (zh) | 2013-12-11 |
CN103439271B true CN103439271B (zh) | 2015-10-28 |
Family
ID=49692971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310385321.3A Active CN103439271B (zh) | 2013-08-29 | 2013-08-29 | 一种猪肉成熟状况的可视化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439271B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776775B (zh) * | 2014-01-27 | 2015-12-02 | 华南理工大学 | 一种安装于冷库中的肉品品质检测装置 |
CN103868883B (zh) * | 2014-03-30 | 2016-04-20 | 南京农业大学 | 一种反映鸡肉宰后早期僵直变化指标的筛选方法 |
CN103900972B (zh) * | 2014-04-04 | 2017-01-18 | 江南大学 | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 |
CN104597051A (zh) * | 2015-01-24 | 2015-05-06 | 无锡桑尼安科技有限公司 | 基于品种鉴别的西红柿成熟度检测系统 |
CN104949927A (zh) * | 2015-06-01 | 2015-09-30 | 浙江大学 | 一种干贝水分含量的高光谱检测方法 |
CN105136835B (zh) * | 2015-07-23 | 2017-07-04 | 南京农业大学 | 一种基于lf‑nmr技术的猪肉熟度判别方法 |
CN106153576B (zh) * | 2016-07-28 | 2019-08-20 | 华南理工大学 | 基于近红外双波段比的快速预测冷冻猪肉贮藏时间的方法 |
CN107271375B (zh) * | 2017-07-21 | 2019-10-01 | 石河子大学 | 一种羊肉品质指标的高光谱图像检测方法 |
CN107823678B (zh) * | 2017-10-24 | 2019-12-13 | 北京健租宝科技有限公司 | 一种日常器械消毒管理控制系统及控制方法 |
CN110501310B (zh) * | 2019-05-07 | 2020-12-22 | 华南理工大学 | 一种基于非模型光学校正高光谱的食品检测方法 |
CN110163293A (zh) * | 2019-05-28 | 2019-08-23 | 武汉轻工大学 | 基于深度学习的红肉分类方法、装置、设备及存储介质 |
CN111751297A (zh) * | 2020-07-06 | 2020-10-09 | 广东智芯光电科技有限公司 | 一种基于摄像头识别生鲜产品质量的方法和系统 |
CN114663821B (zh) * | 2022-05-18 | 2022-08-30 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097714A1 (en) * | 2001-04-09 | 2002-12-05 | Lifespan Biosciences, Inc. | Computer method for image pattern recognition in organic material |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN101059424A (zh) * | 2007-05-22 | 2007-10-24 | 浙江大学 | 多光谱肉类新鲜度人工智能测量方法及系统 |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN101975844A (zh) * | 2010-08-20 | 2011-02-16 | 中国农业大学 | 基于多传感器融合技术的猪肉品质综合检测方法 |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102507459A (zh) * | 2011-11-23 | 2012-06-20 | 中国农业大学 | 一种生鲜牛肉新鲜度快速无损评价方法及系统 |
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 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
-
2013
- 2013-08-29 CN CN201310385321.3A patent/CN103439271B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097714A1 (en) * | 2001-04-09 | 2002-12-05 | Lifespan Biosciences, Inc. | Computer method for image pattern recognition in organic material |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN101059424A (zh) * | 2007-05-22 | 2007-10-24 | 浙江大学 | 多光谱肉类新鲜度人工智能测量方法及系统 |
CN101975844A (zh) * | 2010-08-20 | 2011-02-16 | 中国农业大学 | 基于多传感器融合技术的猪肉品质综合检测方法 |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102507459A (zh) * | 2011-11-23 | 2012-06-20 | 中国农业大学 | 一种生鲜牛肉新鲜度快速无损评价方法及系统 |
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 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
Non-Patent Citations (2)
Title |
---|
基于高光谱成像技术的猪肉嫩度检测研究;陈全胜等;《光学学报》;20100930;第30卷(第9期);第2602-2607页 * |
猪肉新鲜度智能检测分级系统研究;郭培源等;《食品科学》;20101231;第31卷(第15期);第68-72页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103439271A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439271B (zh) | 一种猪肉成熟状况的可视化检测方法 | |
Hassoun et al. | Quality evaluation of fish and other seafood by traditional and nondestructive instrumental methods: Advantages and limitations | |
Liu et al. | Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications | |
Karoui et al. | Fluorescence spectroscopy measurement for quality assessment of food systems—a review | |
Qu et al. | Applications of near-infrared spectroscopy in food safety evaluation and control: A review of recent research advances | |
CN102507459B (zh) | 一种生鲜牛肉新鲜度快速无损评价方法及系统 | |
CN103439285B (zh) | 一种基于高光谱成像的鱼片新鲜度检测方法 | |
Cheng et al. | Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications | |
Olafsdottir et al. | Multisensor for fish quality determination | |
Cheng et al. | Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging | |
Qiao et al. | Pork quality and marbling level assessment using a hyperspectral imaging system | |
Woodcock et al. | Better quality food and beverages: the role of near infrared spectroscopy | |
ElMasry et al. | Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging | |
Prieto et al. | Application of near infrared reflectance spectroscopy to predict meat and meat products quality: A review | |
Huang et al. | Near infrared spectroscopy for on/in-line monitoring of quality in foods and beverages: A review | |
Alander et al. | A review of optical nondestructive visual and near‐infrared methods for food quality and safety | |
Oto et al. | Non-destructive evaluation of ATP content and plate count on pork meat surface by fluorescence spectroscopy | |
Washburn et al. | Non-invasive assessment of packaged cod freeze-thaw history by hyperspectral imaging | |
CN204287031U (zh) | 一种基于高光谱成像技术的鱼新鲜度在线无损检测装置 | |
Brown | Rapid compositional analysis of oysters using visible-near infrared reflectance spectroscopy | |
Sun et al. | Growth simulation and discrimination of Botrytis Cinerea, Rhizopus Stolonifer and Colletotrichum Acutatum using hyperspectral reflectance imaging | |
CN109142269A (zh) | 一种冰鲜牛肉不同储存时间的快速鉴别方法 | |
Berzaghi et al. | Near infrared spectroscopy in animal science production: principles and applications | |
Hashem et al. | Prediction of beef quality traits through mini NIR spectrophotometer and multivariate analyses | |
Feng et al. | Hyperspectral imaging in tandem with R statistics and image processing for detection and visualization of pH in Japanese big sausages under different storage conditions |
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 |