CN104089881A - 大黄鱼存储时间检测方法 - Google Patents
大黄鱼存储时间检测方法 Download PDFInfo
- Publication number
- CN104089881A CN104089881A CN201310695736.0A CN201310695736A CN104089881A CN 104089881 A CN104089881 A CN 104089881A CN 201310695736 A CN201310695736 A CN 201310695736A CN 104089881 A CN104089881 A CN 104089881A
- Authority
- CN
- China
- Prior art keywords
- storage time
- signal
- computing machine
- yellow croaker
- large yellow
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大黄鱼存储时间检测方法,本发明使激光器阵列发出的激光按照不同的角度Aj依次照射在样品上,光纤探头采集样品反射的光进入光谱仪中,得到与n个激光器的波长相对应的n个检测信号;计算机将x(t)输入随机共振系统模型中,使随机共振系统模型发生随机共振;计算机画出随机共振系统模型的输出信噪比曲线,计算机计算并得到预测的大黄鱼存储时间。本发明具有检测速度快、准确性高、经济性好;消除了无用波段杂光的干扰信息,样品的存储时间得到更好的区分的特点。
Description
技术领域
本发明涉及食品品质检测技术领域,尤其是涉及一种检测速度快、准确性高的大黄鱼存储时间检测方法。
背景技术
大黄鱼为石首鱼科(Sciaenidae),又名黄鱼、石首鱼。大黄鱼为暖温性近海集群涸游鱼类,主要活动区域为南海中部以南。由于其含有大量的硒元素,故可以较好地清除自由基,美容养颜。另外,大黄鱼含有非常丰富的蛋白质,肉质较为细腻,可作为人类理想的动物性蛋白源之一。大黄鱼被誉为我国四大主捕经济鱼类,尤其在我国及太平洋西部的海洋渔业发展中具有相当重要的地位,其中闽东地区大黄鱼出口量就可以达到产量的80%,大黄鱼在国内外水产市场中都占有较大的份额,奠定了大黄鱼在海产品产业中的独特性和重要性。
存储时间能表征鱼肉的新鲜度,而新鲜度是鱼类或鱼类制品质量的一个重要指标,对产品最终质量十分重要。现已发展了一系列的指标和方法来评价鱼肉新鲜度,如感官评价方法、微生物学方法、物理及化学方法等,但以上检测方法较难满足准确、快速检测的要求。普遍存在着检测过程繁琐、成本高、耗时长等缺点。
中国专利授权公告号:CN101769889A,授权公告日2010年7月7日,公开了一种农产品品质检测的电子鼻系统,包括一主要完成对低浓度气味收集的气体富集模块,一主要把气味信号转化为电信号的气室气路模块及传感器阵列,一主要对传感器阵列输出信号进行滤波、模数转换、特征提取的传感器调理电路与数据预处理模块,一对信号进行识别和判断、且带有数据存储的嵌入式系统,一显示与结果输出模块;所述的气体富集模块由装填有吸附剂的吸附管、电热丝和温控装置构成。该发明具有功能单一,检测时间长,不能用于对大黄鱼存储时间进行检测的不足。
发明内容
发明的发明目的是为了克服现有技术中的检测方法过程繁琐、成本高、耗时长的不足,提供了一种检测速度快、准确性高的大黄鱼存储时间检测方法。
为了实现上述目的,发明采用以下技术方案:
一种大黄鱼存储时间检测方法,用于检测的检测装置包括激光器阵列、光谱仪、水平托板和光纤探头;光纤探头与光谱仪、计算机依次电连接,包括如下步骤:
(1-1)样品制备:
将大黄鱼洗净,去除内脏、鳞片、头和尾,从鱼体上取出片状鱼肉作为待检测样品,设定p个角度Aj,设定参数j的初始值为1;
(1-2)进行检测:将计算机与光谱仪电连接,将样品放到水平托板上,使用由n个捆绑在一起且波长不同的单波长激光器构成的激光器阵列发出的激光照射样品,使照射光与水平面之间的夹角为Aj,用光纤探头采集样品反射的光并将采集的光输入光谱仪中,光谱仪得到与n个激光器的波长相对应的n个检测信号x1(t),x2(t),…,xn(t),并将x1(t),x2(t),…,xn(t)输入计算机中;
(1-3)数据处理:
(1-3-1)在计算机中设定与各个检测信号一一对应的一组权重w1,w2,…,wn,并且使
(1-3-2)利用公式计算得到检测信号(x(t))j,并计算总均方差
当 转入步骤(1-3-3);
当 或 则转入步骤(1-3-1);说明此时选取的各个信号的权重不合理,转入步骤(1-3-1)重新选择一组权重,直至得到权重合理的检测信号为止,从而确保检测信号能够准确的将大黄鱼的存储时间信息表征出来。
(1-3-3)将(x(t))j存储在计算机中;当j<m,使j值增加1,转入步骤(1-2);
(1-3-3)将(x(t))j存储在计算机中;当j<p,使j值增加1,转入步骤(1-2);
(1-3-4)计算机计算(x(t))1,(x(t))2,…,(x(t))p的平均值x(t),将x(t)输入预存在计算机中的随机共振系统模型 中,使随机共振系统模型发生随机共振,其中,V(s)为对称双势阱模型;ξ(t)为自相关函数E[ξ(t)ξ(0)]=2αδ(t)的Gaussian噪声,其强度为α;A为信号sin(2πf0t+ψ)的强度;f0为信号的频率;a、b均为设定的实参数,s为布朗粒子的运动轨迹,t为运动时间,ψ是相位;
(1-3-5)计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR;
(1-3-6)计算机画出随机共振系统模型的输出信噪比曲线,得到信噪比曲线的信噪比最大值,并将信噪比最大值的绝对值作为信噪比特征值K;
(1-4)存储时间预测:
将K代入存储于计算机中的存储时间预测模型中,计算机计算并得到预测的大黄鱼存储时间Time。
在传统的光谱分析方法中,常采用卤素灯作为光源进行检测,卤素灯光源是一种较宽范围的连续波长光,但是在食品检测中真正负载检测信息的波段光是有限的,大部分光波段对食品样品表征没有作用。因此,本发明采用若干个特定波长的单色激光器组成激光器阵列检测样品,相当于过滤掉无用波段的光,减少了干扰信号,同时增加了若干个选定波长的光强度,提高了检测的准确性。
本发明首先使激光器阵列发出的激光按照不同的角度Aj依次照射在样品上,光纤探头采集样品反射的光进入光谱仪中,光谱仪得到与n个激光器的波长相对应的n个检测信号,然后,本发明调整各个检测信号的权重,得到符合要求的检测信号(x(t))j,计算机计算(x(t))1,(x(t))2,…,(x(t))p的平均值x(t),将x(t)输入预存在计算机中的随机共振系统模型,使随机共振系统模型发生随机共振,计算机画出随机共振系统模型的输出信噪比曲线,并将K代入存储于计算机中的存储时间预测模型中,计算机计算并得到预测的大黄鱼存储时间Time。
因此,本发明具有检测速度快、准确性高和经济性好的特点。
作为优选,所述n为6,各个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm和780nm。
针对大黄鱼肉的理化性质,选择以上6个波长的激光器进行检测,可以更加突出大黄鱼肉的检测特征,提高检测的准确度。
作为优选,所述p为5至8,所述Aj的取值范围为45至70度。
作为优选,所述信噪比计算公式为其中,ω是信号频率,Ω为角频率,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度。
作为优选,所述步骤(1-2)中的检测时长为50至72秒。
作为优选,样品的厚度大于4毫米。样品的厚度的限定确保检测结果的准确性。
作为优选,光谱仪为可见/近红外光谱仪。
因此,发明具有如下有益效果:(1)检测速度快、准确性高、经济性好;(2)消除了无用波段杂光的干扰信息,样品的存储时间得到更好的区分。
附图说明
图1是发明的检测时的一种结构示意图;
图2是发明的实施例的一种流程图;
图3是本发明的实施例的可见/近红外漫反射光谱;
图4是本发明的实施例的主成分分析结果;
图5是本发明的存储时间预测模型拟合曲线。
图中:激光器阵列1、水平托板2、光纤探头3、样品4。
具体实施方式
下面结合附图和具体实施方式对发明做进一步的描述。
如图1所示的实施例是一种大黄鱼存储时间检测方法,用于检测的检测装置包括激光器阵列1、光谱仪、水平托板2和光纤探头3;光纤探头与光谱仪、计算机依次电连接,包括如下步骤:
步骤100,样品制备:
将大黄鱼洗净,去除内脏、鳞片、头和尾,从鱼体上取出30克片状鱼肉作为待检测样品4,设定5个角度Aj,A1为45度、A2为50度、A3为55度、A4为60度、A5为65度;设定参数j的初始值为1;鱼肉为5毫米。
步骤200,进行检测:将计算机与光谱仪电连接,将样品放到水平托板上,使用由6个捆绑在一起且波长不同的单波长激光器构成的激光器阵列发出的激光照射样品,使照射光与水平面之间的夹角为Aj,用光纤探头采集样品反射的光并将采集的光输入光谱仪中,得到如图3所示的光谱图,光谱仪得到与6个激光器的波长相对应的6个检测信号x1(t),x2(t),…,x6(t),并将x1(t),x2(t),…,x6(t)输入计算机中;本实施例中,6个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm和780nm,本实施例中的检测时长为60秒。
步骤300,数据处理:
步骤310,在计算机中设定与各个检测信号一一对应的一组权重w1,w2,…,w6,并且使
步骤320,利用公式计算得到检测信号(x(t))j,并计算总均方差
当 转入步骤(1-3-3);
当 或 则转入步骤310,;
步骤330,将(x(t))j存储在计算机中;当j<5,使j值增加1,转入步骤200;
步骤340,计算机计算(x(t))1,(x(t))2,…,(x(t))5的平均值x(t),将x(t)输入预存在计算机中的随机共振系统模型 中,使随机共振系统模型发生随机共振,其中,V(s)为对称双势阱模型;ξ(t)为自相关函数E[ξ(t)ξ(0)]=2αδ(t)的Gaussian噪声,其强度为α;A为信号sin(2πf0t+ψ)的强度;f0为信号的频率;a、b均为实参数,s为布朗粒子的运动轨迹,t为运动时间,ψ是相位;
步骤350,计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR;其中,ω是信号频率,Ω为角频率,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度。
步骤360,计算机画出随机共振系统模型的输出信噪比曲线,得到信噪比曲线的信噪比最大值,并将信噪比最大值的绝对值作为信噪比特征值K;本实施例中K=18.5dB。
步骤400,存储时间预测:
将K代入存储于计算机中的存储时间预测模型中,计算机计算并得到预测的大黄鱼存储时间Time。
本实施例中,Time=1.71天;通过实验室中的检测试验证明,本发明的预测精度R为0.94078。
存储时间预测模型是通过重复步骤100至300,对新鲜的大黄样品及在277K的冰箱中储存了1天至5天的大黄样品进行检测,得到与各个检测时间对应的K值,并将各个K值及与其对应的存储时间分别组成6个点,将6个点连接起来,构成了如图5所示的存储时间预测模型拟合曲线,存储时间预测模型为拟合曲线的公式。
如图4所示的0至5天的检测信号x(t)归一化后的主成分分析结果,从图4中可以看出,两个主成分的累计方差贡献率之和为84.40%,在二维空间中各个储存时间的大黄鱼样品可以得到较好的区分,而且各组分分布相对较密集。图4从另外一个侧面说明了检测信号x(t)可以反映出存储时间长度的变化,本发明的存储时间的预测方法是可行的。
应理解,本实施例仅用于说明发明而不用于限制发明的范围。此外应理解,在阅读了发明讲授的内容之后,本领域技术人员可以对发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (7)
1.一种大黄鱼存储时间检测方法,用于检测的检测装置包括激光器阵列(1)、光谱仪、水平托板(2)和光纤探头(3);光纤探头与光谱仪、计算机依次电连接,其特征是,包括如下步骤:
(1-1)样品制备:
将大黄鱼洗净,去除内脏、鳞片、头和尾,从鱼体上取出片状鱼肉作为待检测样品(4),设定p个角度Aj,设定参数j的初始值为1;
(1-2)进行检测:将计算机与光谱仪电连接,将样品放到水平托板上,使用由n个捆绑在一起且波长不同的单波长激光器构成的激光器阵列发出的激光照射样品,使照射光与水平面之间的夹角为Aj,用光纤探头采集样品反射的光并将采集的光输入光谱仪中,光谱仪得到与n个激光器的波长相对应的n个检测信号x1(t),x2(t),…,xn(t),并将x1(t),x2(t),…,xn(t)输入计算机中;
(1-3)数据处理:
(1-3-1)在计算机中设定与各个检测信号一一对应的一组权重w1,w2,…,wn,并且使
(1-3-2)利用公式计算得到检测信号(x(t))j,并计算总均方差
当 转入步骤(1-3-3);
当 或 则转入步骤(1-3-1);
(1-3-3)将(x(t))j存储在计算机中;当j<p,使j值增加1,转入步骤(1-2);
(1-3-4)计算机计算(x(t))1,(x(t))2,…,(x(t))p的平均值x(t),将x(t)输入预存在计算机中的随机共振系统模型 中,使随机共振系统模型发生随机共振,其中,V(s)为对称双势阱模型;ξ(t)为自相关函数E[ξ(t)ξ(0)]=2αδ(t)的Gaussian噪声,其强度为α;A为信号sin(2πf0t+ψ)的强度;f0为信号的频率;a、b均为设定的实参数,s为布朗粒子的运动轨迹,t为运动时间,ψ是相位;
(1-3-5)计算机利用信噪比计算公式计算随机共振系统模型的输出信噪比SNR;
(1-3-6)计算机画出随机共振系统模型的输出信噪比曲线,得到信噪比曲线的信噪比最大值,并将信噪比最大值的绝对值作为信噪比特征值K;
(1-4)存储时间预测:
将K代入存储于计算机中的存储时间预测模型中,计算机计算并得到预测的大黄鱼存储时间Time。
2.根据权利要求1所述的大黄鱼存储时间检测方法,其特征是,所述n为6,各个单波长激光器的波长分别为405nm、980nm、532nm、808nm、650nm和780nm。
3.根据权利要求1所述的大黄鱼存储时间检测方法,其特征是,所述p为5至8,所述Aj的取值范围为45至70度。
4.根据权利要求1所述的大黄鱼存储时间检测方法,其特征是,所述信噪比计算公式为其中,ω是信号频率,Ω为角频率,S(ω)是信号频谱密度,SN(Ω)是信号频率范围内的噪声强度。
5.根据权利要求1所述的大黄鱼存储时间检测方法,,其特征是,所述步骤(1-2)中的检测时长为50至72秒。
6.根据权利要求1或2或3或4或5所述的大黄鱼存储时间检测方法,样品的厚度大于4毫米。
7.根据权利要求1或2或3或4或5所述的大黄鱼存储时间检测方法,光谱仪为可见/近红外光谱仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310695736.0A CN104089881A (zh) | 2013-12-17 | 2013-12-17 | 大黄鱼存储时间检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310695736.0A CN104089881A (zh) | 2013-12-17 | 2013-12-17 | 大黄鱼存储时间检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104089881A true CN104089881A (zh) | 2014-10-08 |
Family
ID=51637617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310695736.0A Pending CN104089881A (zh) | 2013-12-17 | 2013-12-17 | 大黄鱼存储时间检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104089881A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568776A (zh) * | 2015-01-01 | 2015-04-29 | 浙江工商大学 | 牛肉保存时间检测方法 |
CN104568793A (zh) * | 2015-01-01 | 2015-04-29 | 浙江工商大学 | 大黄鱼肉储存时间检测方法 |
CN109612950A (zh) * | 2018-12-29 | 2019-04-12 | 中国肉类食品综合研究中心 | 一种冷冻畜肉储藏周期预测装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
CN1656370A (zh) * | 2002-05-28 | 2005-08-17 | 福斯分析有限公司 | 定量测定试样中组分的方法及分光计 |
KR101057730B1 (ko) * | 2009-07-20 | 2011-08-18 | (주)코아로직 | 육질 판별시스템 및 이를 사용한 육질 판별방법 |
CN102272584A (zh) * | 2009-01-22 | 2011-12-07 | 三井造船株式会社 | 荧光检测装置及荧光检测方法 |
JP2012057990A (ja) * | 2010-09-06 | 2012-03-22 | Univ Of Miyazaki | 新規な肉組織の鮮度判定方法 |
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 |
-
2013
- 2013-12-17 CN CN201310695736.0A patent/CN104089881A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
CN1656370A (zh) * | 2002-05-28 | 2005-08-17 | 福斯分析有限公司 | 定量测定试样中组分的方法及分光计 |
CN102272584A (zh) * | 2009-01-22 | 2011-12-07 | 三井造船株式会社 | 荧光检测装置及荧光检测方法 |
KR101057730B1 (ko) * | 2009-07-20 | 2011-08-18 | (주)코아로직 | 육질 판별시스템 및 이를 사용한 육질 판별방법 |
JP2012057990A (ja) * | 2010-09-06 | 2012-03-22 | Univ Of Miyazaki | 新規な肉組織の鮮度判定方法 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568776A (zh) * | 2015-01-01 | 2015-04-29 | 浙江工商大学 | 牛肉保存时间检测方法 |
CN104568793A (zh) * | 2015-01-01 | 2015-04-29 | 浙江工商大学 | 大黄鱼肉储存时间检测方法 |
CN104568776B (zh) * | 2015-01-01 | 2017-06-23 | 浙江工商大学 | 牛肉保存时间检测方法 |
CN104568793B (zh) * | 2015-01-01 | 2017-06-23 | 浙江工商大学 | 大黄鱼肉储存时间检测方法 |
CN109612950A (zh) * | 2018-12-29 | 2019-04-12 | 中国肉类食品综合研究中心 | 一种冷冻畜肉储藏周期预测装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103954567B (zh) | 基于连续统去除法的土壤盐分测定方法 | |
CN107976428B (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
CN104965973B (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 | |
CN110646407A (zh) | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
Rao et al. | Trends and fluctuations of the cyclonic systems over North Indian Ocean | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN104089881A (zh) | 大黄鱼存储时间检测方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN107024445A (zh) | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 | |
CN103389274A (zh) | 一种畜肉便携式检测设备和方法 | |
CN105548070A (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
CN112414957A (zh) | 海洋测试系统、方法和装置 | |
CN106525761A (zh) | 基于太赫兹光谱扫描的亚硝酸盐检测方法 | |
CN103344597A (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
Zhang et al. | Comparison of various approaches for estimating leaf water content and stomatal conductance in different plant species using hyperspectral data | |
CN102313715A (zh) | 基于激光技术的蜂蜜品质检测方法 | |
Mikola et al. | Quantitative determination of macro components and classification of some cultivated mushrooms using near‐infrared spectroscopy | |
CN104076001A (zh) | 基于激光器阵列的检测装置及大黄鱼存储时间检测方法 | |
CN104089883A (zh) | 基于激光器阵列的检测装置及小黄鱼存储时间检测方法 | |
CN104132904B (zh) | 一种测定烟叶燃烧性的方法 | |
JP3868847B2 (ja) | リンゴの内部品質検査方法 | |
CN104089882A (zh) | 小黄鱼存储时间检测方法 | |
CN103543106A (zh) | 基于光谱成像技术的瓜子品质特征快速无损检测方法 | |
CN108507972A (zh) | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20170510 |
|
AD01 | Patent right deemed abandoned |