CN105548062A - 生鲜牛肉多指标的快速无损同步检测方法 - Google Patents
生鲜牛肉多指标的快速无损同步检测方法 Download PDFInfo
- Publication number
- CN105548062A CN105548062A CN201510965311.6A CN201510965311A CN105548062A CN 105548062 A CN105548062 A CN 105548062A CN 201510965311 A CN201510965311 A CN 201510965311A CN 105548062 A CN105548062 A CN 105548062A
- Authority
- CN
- China
- Prior art keywords
- sample
- fresh beef
- cholesterol
- moisture
- shearing force
- 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.)
- Granted
Links
- 235000015278 beef Nutrition 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000001360 synchronised effect Effects 0.000 title abstract description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 77
- 235000012000 cholesterol Nutrition 0.000 claims abstract description 42
- 230000014759 maintenance of location Effects 0.000 claims abstract description 35
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 10
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 10
- 238000010008 shearing Methods 0.000 claims description 41
- 235000013372 meat Nutrition 0.000 claims description 35
- 238000002329 infrared spectrum Methods 0.000 claims description 28
- 241000286209 Phasianidae Species 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 150000002632 lipids Chemical class 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 238000003705 background correction Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010561 standard procedure Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 67
- 238000010586 diagram Methods 0.000 description 14
- -1 moisture Substances 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013622 meat product Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及生鲜牛肉的品质指标进行同步快速无损检测的方法，本发明的方法是基于便携式近红外光谱仪对生鲜牛肉中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力的多指标检测，与当前国家标准方法及其他台式近红外光谱仪的应用方法相比，具有简单、快速、高效、准确且可同时进行多指标检测的特点；对样品尺寸和形状没有限制，检测样品无需进行任何破坏性前处理，实现无损检测，节约成本；其包含系统程序的微处理器智能化程度高，检测和分析均自动完成，并实时显示检测结果，无需对操作者进行特殊培训，操作简便，可应用于在线检测。
Description
技术领域
本发明涉及食品检测技术领域，具体涉及应用近红外光谱多指标预测模型对生鲜牛肉中多项品质指标的同步快速无损检测方法。
背景技术
牛肉是国人消费金额最大的一种营养价值较高的保健型肉类食品，随着国民经济的快速发展和人民生活水平的大幅提高，牛肉的人均消费水平持续快速增长，同时人们对牛肉品质的要求也不断提升。
但目前我国在肉牛养殖、屠宰、运输、销售及可追溯体系等方面尚不健全，导致市售牛肉的品质和质量参差不齐，目前优质高档的牛肉制品主要依靠进口，其原因主要有以下几方面：一、我国生鲜牛肉质量安全检测手段单一，导致市场上牛肉优劣混杂，良莠难分；二，目前我国对牛肉质量安全的评价采用多项指标，其检测方法主要采用理化检验方法，对牛肉品质和质量进行评价时，造成了检测指标多、检测效率低、过程耗时长、操作步骤繁琐、产品破坏大等一系列问题，无法满足同时对大批量样品进行多指标在线快速检测的需求；三，虽然已经引进国外各种先进的质量安全检测技术，但是目前在国内尚在论证和技术应用的试验阶段，没有实际应用到我国牛肉产业的检测工作中去。建立一种能够对生鲜牛肉的品质质量进行大批量、多指标、同步、快速、实时、准确且无损的检测方法已经提到日程上来。
我国对于生鲜牛肉品质进行评价的重要指标有胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力等，同时也是营养和感官评价的重要指标。现行国家标准中测定肉类制品中胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的方法分别是GB/T9695.24-2008、GB/T9695.15-2008、GB/T9695.7-2008、GB/T5009.5-2010、NY/T1180-2006、NY/T2793-2015，上述国标方法对待测样品需进行样品破碎、溶出物浸提、待测物质收集、上机等处理，操作过程繁琐、费时、检测周期长，受人为因素干扰大且具有破坏性，被检测的样品不能继续用于生产或销售，造成实际生产的大量浪费，已不能满足批量、多指标、快速、实时和无损的检测要求。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是生鲜牛肉检测过程繁琐、费时、周期长等技术问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种生鲜牛肉多指标的快速无损同步检测方法，其包括以下步骤：
1)批量采集样品的近红外光谱数据信息；
2)胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的检测；即对步骤1)中的样品按照国家和行业标准规定的化学检测方法分别检测样品的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的参比值；
3)校正集和验证集的划分；
将步骤1)和2)中所采集的样品近红外光谱数据信息与胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力的理化和品质指标的参比值分别进行一一对应的关联并建立各单一指标的样品集，将样品集按比例分为校正集和验证集；
4)光谱的预处理与单一指标预测模型的建立；
采用不同的近红外光谱预处理方法对采集的样品光谱数据信息进行背景校正后，使用校正集的光谱数据信息和相对应的理化与品质指标的参比值，建立生鲜牛肉单一指标的预测模型；
5)依次建立各单一指标的最佳预测模型；
利用验证集的光谱数据信息和待测样品的参比值对各单一指标的预测模型进行外部预测检验，通过模型参数评价模型的预测效果，分别确定针对生鲜牛肉中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项理化和品质指标的近红外光谱数据信息最佳预处理方法和最佳预测模型；
6)建立多指标预测模型；
将步骤5)中生鲜牛肉的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等各单一指标最佳预测模型的校正集和验证集导入便携式近红外光谱仪自带的统计软件RIMP中，然后把各模型的最佳预处理方法也依次添加到统计软件RIMP中，将6项单一指标的最佳预测模型构建成一个多指标预测模型集；
7)利用步骤6)中已构建完毕的生鲜牛肉多指标预测模型对待测生鲜牛肉样品中的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行同步检测。
进一步，步骤1)中待检牛肉样品的温度为0-4℃，每份待检样品进行3次光谱采集，每次间隔5秒钟，每次采集，光谱扫描次数为10次。
进一步，步骤1)中近红外光谱波长范围为1000nm-1800nm，分辨率不小于10nm。
进一步，在步骤1)批量采集样品的近红外光谱数据信息之前，剔除样品表面脂肪和筋膜，无需破碎或均质处理。
进一步，在步骤2)按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》和NY/T2793-2015《肉的食用品质客观评价方法》规定的化学检测方法对样品的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行检测。
进一步，所述步骤3)中校正集和验证集的比例为2:1～4:1。
进一步，所述步骤3)中校正集和验证集的比例为3:1。
进一步，所述步骤4)中针对生鲜牛肉样品中胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的近红外光谱预处理方法包括均值中心化、标准化、Savitzky-Golay一阶导数、差分一阶导数、Savitzky-Golay平滑、多元散射校正MSC、标准正态变量变换SNV、净分析信号NAS、正交信号校正OSC、去趋势校正DT法和基线校正法中的至少一种。
进一步，建造模型的方法为偏最小二乘法(PLS)。
进一步，步骤5)中针对样品中胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的最佳预测模型的预测效果评价参数包括但不仅包括校正集标准偏差(SEC)、交互验证标准偏差(SECV)、验证集标准偏差(SEP)、校正集相关系数(Rc)、验证集相关系数(Rp)。
本发明通过便携式近红外光谱仪获取检测样品的光谱数据信息，并将相应单一指标的参比值与之一一对应进行关联后分为校正集和验证集，再将其导入分析软件RIMP中，通过一种或几种预处理方法对样品光谱背景校正后，建立单一指标的预测模型，对评价参数进行评估，获取最佳光谱预处理方法和最佳预测模型。将整合后的校正集和验证集分别导入分析软件RIMP中，将6项指标依次添加到模型集中，并根据不同指标将其最佳光谱预处理方法导入模型集中，依次建立最佳预测模型，将6个单一指标的模型构建成一个多指标预测模型，即可对未知样本进行预测。在对待测样本的检测中，根据载入的生鲜牛肉中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等各单一指标的最佳预处理方法和最佳预测模型自动对采集的待测样品近红外光谱数据信息进行预处理后，同时输入到各指标最佳预测模型中，对样品的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标进行同步检测。
(三)有益效果
本发明的上述技术方案具有以下有益效果：本发明只需对生鲜牛肉样品扫描一次即可同时获得其胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的检测值；同时检测生鲜牛肉6项指标所需时间在4～7秒之间。本发明适用于市售产品抽检、生产工序中半成品抽检及任何室外样品的检验，检测过程中速度快，而且不会破损样品。
与当前国家标准方法及其他台式近红外光谱仪的应用方法相比，具有简单、快速、高效、准确且可同时进行多指标检测的特点；对样品尺寸和形状没有限制，检测样品无需进行任何破坏性前处理，实现无损检测，节约成本；其包含系统程序的微处理器智能化程度高，检测和分析均自动完成，并实时显示检测结果，无需对操作者进行特殊培训，操作简便，可应用于在线检测。
附图说明
图1为本发明实施例的便携式近红外光谱仪的工作示意图；
图2为本发明实施例的快速无损同步检测方法的流程图；
图3为本发明实施例的1中所有生鲜牛肉样品的近红外光谱信息图；
图4为本发明实施例2中生鲜牛肉中胆固醇含量的最佳预测模型的校正集样品的预测值与参比值之间的散点图；
图5为本发明实施例2中生鲜牛肉中胆固醇含量的最佳预测模型的验证集样品的预测值与参比值之间的散点图；
图6为本发明实施例3中生鲜牛肉中水分含量的最佳预测模型的校正集样品的预测值与参比值之间的散点图；
图7为本发明实施例3中生鲜牛肉中水分含量的最佳预测模型的验证集样品的预测值与参比值之间的散点图；
图8为本发明实施例4中生鲜牛肉中脂肪含量的最佳预测模型的校正集样品的预测值与参比值之间的散点图；
图9为本发明实施例4中生鲜牛肉中脂肪含量的最佳预测模型的验证集样品的预测值与参比值之间的散点图；
图10为本发明实施例5中生鲜牛肉中蛋白质含量的最佳预测模型的校正集样品的预测值与参比值之间的散点图；
图11为本发明实施例5中生鲜牛肉中蛋白质含量的最佳预测模型的验证集样品的预测值与参比值之间的散点图；
其中，1：光源和光栅；2：输出光纤；3：检测探头；4：输入光纤；5：检测器；6：微处理器；7：生鲜牛肉待检样品。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。
实施例1
如图1-3所示，本实施例提供的一种生鲜牛肉多指标的快速无损同步检测方法，其包括以下步骤：
1)从市场上采集400份生鲜牛肉样品，剔除样品表面脂肪和筋膜，无需破碎或均质处理，然后批量采集样品的近红外光谱数据信息；
图3为400份生鲜牛肉样品的近红外光谱信息。如图1所示，近红外光谱信息采集过程中，将待检生鲜牛肉待检样品7表面紧贴于便携式近红外光谱仪的检测探头3上，避免因漏光导致采集的光谱信息不准确。其中，1为光源和光栅，2为输出光纤，4为输入光纤，5为检测器，6为微处理器。
检测中，样品温度对近红外光谱的采集有明显影响，在近红外光谱信息采集过程中，所有待检牛肉样品的温度必须始终保持在0-4℃。采集的近红外光谱波长范围为1000nm-1800nm，分辨率为10nm，每份待检样品进行3次光谱采集，每次间隔5秒钟，每次采集，光谱扫描次数为10次。
2)胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的检测；采用国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》、NY/T2793-2015《肉的食用品质客观评价方法》对步骤(1)中的400份生鲜牛肉样品进行胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的参比值检测。
3)校正集和验证集的划分；
将步骤1)和2)中所采集的样品近红外光谱数据信息与胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力的理化和品质指标的参比值分别进行一一对应的关联并建立各单一指标的样品集，将样品集按照3:1的比例分为校正集和验证集，即将其中300份样品的近红外光谱数据信息及相对应的各项指标的参比值作为校正集，另外的100个样品的近红外光谱数据信息及相对应的各项指标的参比值作为验证集。
4)光谱的预处理与单一指标预测模型的建立；
对步骤3)中校正集和验证集的近红外光谱数据信息进行预处理，去除光谱中的无关干扰信息、降低随机噪声和强化谱带特征。后应用偏最小二乘法(PLS)建立多个生鲜牛肉中挥发性盐基氮含量预测模型。
各项单一指标模型的最佳光谱预处理方法如下：1、胆固醇指标的最佳光谱预处理方法为均值中心化、Savitzky-Golay一阶导数、正交信号校正(OSC)；2、水分指标的最佳光谱预处理方法为多元散射校正(MSC)；3、脂肪指标的最佳光谱预处理方法为均值中心化、Savitzky-Golay一阶导数、净分析信号(NAS)；4、蛋白质指标的最佳光谱预处理方法为均值中心化、差分求导、Savitzky-Golay平滑、正交信号校正(OSC)；5、剪切力指标的最佳光谱预处理方法为均值中心化；Savitzky-Golay一阶导数；基线校正；6、持水力指标的最佳光谱预处理方法为均值中心化；Savitzky-Golay一阶导数；Savitzky-Golay平滑；净分析信号(NAS)。
5)依次建立各单一指标的最佳预测模型；
利用验证集的光谱数据信息和待测样品的参比值对各单一指标的预测模型进行外部预测检验，通过模型参数评价模型的预测效果，分别确定针对生鲜牛肉中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项理化和品质指标的近红外光谱数据信息最佳预处理方法和最佳预测模型；
根据模型校正集标准偏差(SEC)、交互验证标准偏差(SECV)、验证集标准偏差(SEP)等数值趋近于0且同时相互之间越接近越好；校正集相关系数(Rc)、验证集相关系数(Rp)趋近于1越好；主因子数较少的原则对步骤4)中所建模型的预测准确性、重复性、稳健性等性能进行评价，从预测准确率最高的组合中选出生鲜牛肉中各单一指标的最佳预测模型和近红外光谱数据信息最佳预处理方法，同时应用学生残差对模型中的异常值进行剔除，优化模型。
各单一指标最佳预测模型的相关参数如下：胆固醇最佳预测模型的主因子数为4，Rc＝0.95，SEC＝1.73，Rp＝0.78，SEP＝3.41；水分最佳预测模型的主因子数为8，Rc＝0.92，SEC＝0.91，Rp＝0.66，SEP＝1.75；脂肪最佳预测模型的主因子数为4，Rc＝0.99，SEC＝0.22，Rp＝0.53，SEP＝1.16；蛋白质最佳预测模型的主因子数为4，Rc＝0.91，SEC＝0.99，Rp＝0.56，SEP＝2.46；剪切力最佳预测模型的主因子数为4，Rc＝0.88，SEC＝1.95，Rp＝0.64，SEP＝2.92；持水力最佳预测模型的主因子数为4，Rc＝0.95，SEC＝0.02，Rp＝0.74，SEP＝0.04。
6)建立多指标预测模型；
将步骤5)中生鲜牛肉的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等各单一指标最佳预测模型的校正集和验证集导入便携式近红外光谱仪自带的统计软件RIMP中，然后把各模型的最佳预处理方法也依次添加到统计软件RIMP中，将6项单一指标的最佳预测模型构建成一个多指标预测模型集；
7)利用步骤6)中已构建完毕的生鲜牛肉多指标预测模型对待测生鲜牛肉样品中的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行同步检测。
实施例2
本实施例1基本相同，不同之处在于，本实施例中的牛肉样品取自两个不同地域。
应用实施例1中的已拟合各单一指标最佳预测模型的生鲜牛肉多指标预测模型对从市场上采集的生鲜牛肉样品的胆固醇含量进行检测，同时按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》、NY/T2793-2015《肉的食用品质客观评价方法》的检测方法对样品的6项指标进行检测。结果如表1所示。
表1不同地域牛肉样品中6项指标预测值与参比值的比较
其中图4和5分别为本实施例中生鲜牛肉中胆固醇含量的最佳预测模型的校正集和验证集样品的预测值与参比值之间的散点图。
实施例3
本实施例1基本相同，不同之处在于，本实施例为生鲜牛肉多指标预测模型在不同喂养方式下牛肉样品中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的同步快速无损检测中的应用。
应用实施例1中的已拟合各单一指标最佳预测模型的生鲜牛肉多指标预测模型对从市场上采集的生鲜牛肉样品的胆固醇含量进行检测，同时按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》、NY/T2793-2015《肉的食用品质客观评价方法》的检测方法对样品的6项指标进行检测。结果如表2所示。
表2不同喂养方式下牛肉样品中6项指标预测值与参比值的比较
其中图6和7分别为本实施例中生鲜牛肉中胆固醇含量的最佳预测模型的校正集和验证集样品的预测值与参比值之间的散点图。
实施例4
本实施例1基本相同，不同之处在于，本实施例为生鲜牛肉多指标预测模型在不同牛种牛肉样品中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的同步快速无损检测中的应用。
应用实施例1中的已拟合各单一指标最佳预测模型的生鲜牛肉多指标预测模型对从市场上采集的生鲜牛肉样品的胆固醇含量进行检测，同时按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》、NY/T2793-2015《肉的食用品质客观评价方法》的检测方法对样品的6项指标进行检测。结果如表3所示。
表3不同牛种牛肉样品中6项指标预测值与参比值的比较
其中图8和9分别为本实施例中生鲜牛肉中胆固醇含量的最佳预测模型的校正集和验证集样品的预测值与参比值之间的散点图。
实施例5
本实施例1基本相同，不同之处在于，本实施例为生鲜牛肉多指标预测模型在不同育龄生鲜牛肉样品中中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等6项指标的同步快速无损检测中的应用。
应用实施例1中的已拟合各单一指标最佳预测模型的生鲜牛肉多指标预测模型对从市场上采集的生鲜牛肉样品的胆固醇含量进行检测，同时按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》、NY/T2793-2015《肉的食用品质客观评价方法》的检测方法对样品的6项指标进行检测。结果如表4所示。
表4不同育龄牛肉样品中6项指标预测值与参比值的比较
其中，图10和11分别为本实施例中生鲜牛肉中胆固醇含量的最佳预测模型的校正集和验证集样品的预测值与参比值之间的散点图。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.生鲜牛肉多指标的快速无损同步检测方法，其特征在于，其包括以下步骤：
1)批量采集样品的近红外光谱数据信息；
2)胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的检测；即对步骤1)中的样品按照国家标准规定的化学检测方法分别检测样品的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标的参比值；
3)校正集和验证集的划分；
将步骤1)和2)中所采集的样品近红外光谱数据信息与胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力的理化和品质指标的参比值分别进行一一对应的关联并建立各单一指标的样品集，将样品集按比例分为校正集和验证集；
4)光谱的预处理与单一指标预测模型的建立；
采用不同的近红外光谱预处理方法对采集的样品光谱数据信息进行背景校正后，使用校正集的光谱数据信息和相对应的理化与品质指标的参比值，建立生鲜牛肉单一指标的预测模型；
5)依次建立各单一指标的最佳预测模型；
利用验证集的光谱数据信息和待测样品的参比值对各单一指标的预测模型进行外部预测检验，通过模型参数评价模型的预测效果，分别确定针对生鲜牛肉中胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项理化和品质指标的近红外光谱数据信息最佳预处理方法和最佳预测模型；
6)建立多指标预测模型；
将步骤5)中生鲜牛肉的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力等各单一指标最佳预测模型的校正集和验证集导入便携式近红外光谱仪自带的统计软件RIMP中，然后把各模型的最佳预处理方法也依次添加到统计软件RIMP中，将6项单一指标的最佳预测模型构建成一个多指标预测模型集；
7)利用步骤6)中已构建完毕的生鲜牛肉多指标预测模型对待测生鲜牛肉样品中的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行同步检测。
2.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，步骤1)中待检牛肉样品的温度为0-4℃，每份待检样品进行3次光谱采集，每次间隔5秒钟，每次采集，光谱扫描次数为8-20次。
3.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，步骤1)中近红外光谱波长范围为1000nm-1800nm，分辨率不小于10nm。
4.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，在步骤1)批量采集样品的近红外光谱数据信息之前，剔除样品表面脂肪和筋膜，无需破碎或均质处理。
5.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，在步骤2)按照国家和行业标准GB/T9695.24-2008《肉与肉制品胆固醇含量测定》、GB/T9695.15-2008《肉与肉制品水分含量测定》、GB/T9695.7-2008《肉与肉制品总脂肪含量测定》、GB/T5009.5-2010《食品安全国家标准食品中蛋白质的测定》、NY/T1180-2006《肉嫩度的测定剪切力测定法》和NY/T2793-2015《肉的食用品质客观评价方法》规定的化学检测方法对样品的胆固醇、水分、脂肪和蛋白质含量及剪切力、持水力6项指标进行检测。
6.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，所述步骤3)中校正集和验证集的比例为2:1～4:1。
7.根据权利要求6所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，所述步骤3)中校正集和验证集的比例为3:1。
8.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，所述步骤4)中针对生鲜牛肉样品中胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的近红外光谱预处理方法包括均值中心化、标准化、Savitzky-Golay一阶导数、差分一阶导数、Savitzky-Golay平滑、多元散射校正MSC、标准正态变量变换SNV、净分析信号NAS、正交信号校正OSC、去趋势校正DT法和基线校正法中的至少一种。
9.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，建造模型的方法为偏最小二乘法。
10.根据权利要求1所述的生鲜牛肉多指标的快速无损同步检测方法，其特征在于，步骤5)中针对样品中胆固醇、水分、脂肪、蛋白质含量及剪切力、持水力的最佳预测模型的预测效果评价参数包括但不仅包括校正集标准偏差、交互验证标准偏差、验证集标准偏差、校正集相关系数、验证集相关系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510965311.6A CN105548062B (zh) | 2015-12-21 | 2015-12-21 | 生鲜牛肉多指标的快速无损同步检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510965311.6A CN105548062B (zh) | 2015-12-21 | 2015-12-21 | 生鲜牛肉多指标的快速无损同步检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105548062A true CN105548062A (zh) | 2016-05-04 |
| CN105548062B CN105548062B (zh) | 2018-02-27 |
Family
ID=55827403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510965311.6A Active CN105548062B (zh) | 2015-12-21 | 2015-12-21 | 生鲜牛肉多指标的快速无损同步检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105548062B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556680A (zh) * | 2016-11-28 | 2017-04-05 | 长沙理工大学 | 一种基于电子鼻技术快速预测肉及其制品脂肪氧化程度的方法 |
| CN107917911A (zh) * | 2017-11-15 | 2018-04-17 | 中华人民共和国龙口出入境检验检疫局 | 一种检测肉类食品中抗生素残留的方法 |
| CN109655514A (zh) * | 2018-12-29 | 2019-04-19 | 合肥工业大学 | 一种快速检测牛肉冻融程度的方法 |
| CN110702663A (zh) * | 2019-10-29 | 2020-01-17 | 中国肉类食品综合研究中心 | 一种冷冻肉品贮藏时间的无损快速检测方法 |
| CN113866122A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种鸡品种快速鉴别方法及其应用 |
| CN114002182A (zh) * | 2021-12-31 | 2022-02-01 | 中国农业科学院农产品加工研究所 | 一体化肉品多指标快速无损检测系统 |
| US11555811B1 (en) | 2022-05-01 | 2023-01-17 | Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences | Integrated rapid non-destructive detection system for multi-index of meat quality |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003121351A (ja) * | 2001-10-09 | 2003-04-23 | National Agricultural Research Organization | 食肉の鮮度判定方法 |
| KR20050009927A (ko) * | 2003-07-18 | 2005-01-26 | 학교법인 정의학원 | 쇠고기 신선도 측정방법 및 장치 |
| JP2008089529A (ja) * | 2006-10-05 | 2008-04-17 | Fisheries Research Agency | 近赤外分析による冷凍すり身成分の非破壊測定法 |
| 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 |
| CN103645155A (zh) * | 2013-12-05 | 2014-03-19 | 中国肉类食品综合研究中心 | 生鲜羊肉嫩度的快速无损检测方法 |
| 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 |
| CN104568815A (zh) * | 2014-12-31 | 2015-04-29 | 中国肉类食品综合研究中心 | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 |
-
2015
- 2015-12-21 CN CN201510965311.6A patent/CN105548062B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003121351A (ja) * | 2001-10-09 | 2003-04-23 | National Agricultural Research Organization | 食肉の鮮度判定方法 |
| KR20050009927A (ko) * | 2003-07-18 | 2005-01-26 | 학교법인 정의학원 | 쇠고기 신선도 측정방법 및 장치 |
| JP2008089529A (ja) * | 2006-10-05 | 2008-04-17 | Fisheries Research Agency | 近赤外分析による冷凍すり身成分の非破壊測定法 |
| 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 |
| CN103645155A (zh) * | 2013-12-05 | 2014-03-19 | 中国肉类食品综合研究中心 | 生鲜羊肉嫩度的快速无损检测方法 |
| 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 |
| CN104568815A (zh) * | 2014-12-31 | 2015-04-29 | 中国肉类食品综合研究中心 | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邹昊 等: "应用便携式近红外仪检测生鲜羊通脊肉的嫩度", 《肉类研究》 * |
| 马世榜 等: "利用可见近红外光谱多指标综合预测生鲜牛肉储存期", 《光谱学与光谱分析》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556680A (zh) * | 2016-11-28 | 2017-04-05 | 长沙理工大学 | 一种基于电子鼻技术快速预测肉及其制品脂肪氧化程度的方法 |
| CN107917911A (zh) * | 2017-11-15 | 2018-04-17 | 中华人民共和国龙口出入境检验检疫局 | 一种检测肉类食品中抗生素残留的方法 |
| CN109655514A (zh) * | 2018-12-29 | 2019-04-19 | 合肥工业大学 | 一种快速检测牛肉冻融程度的方法 |
| CN110702663A (zh) * | 2019-10-29 | 2020-01-17 | 中国肉类食品综合研究中心 | 一种冷冻肉品贮藏时间的无损快速检测方法 |
| CN113866122A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种鸡品种快速鉴别方法及其应用 |
| CN114002182A (zh) * | 2021-12-31 | 2022-02-01 | 中国农业科学院农产品加工研究所 | 一体化肉品多指标快速无损检测系统 |
| CN114002182B (zh) * | 2021-12-31 | 2022-05-06 | 中国农业科学院农产品加工研究所 | 一体化肉品多指标快速无损检测系统 |
| US11555811B1 (en) | 2022-05-01 | 2023-01-17 | Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences | Integrated rapid non-destructive detection system for multi-index of meat quality |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105548062B (zh) | 2018-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105548062B (zh) | 生鲜牛肉多指标的快速无损同步检测方法 | |
| CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
| CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
| CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
| CN104048939A (zh) | 生猪血液中血糖含量近红外快速检测方法 | |
| CN101769866B (zh) | 一种牛奶成分的检测装置和方法 | |
| CN102323267A (zh) | 一种快速评价生鲜肉品新鲜度的系统及方法 | |
| CN101504363A (zh) | 一种基于近红外光谱分析的食用油脂酸价检测方法 | |
| CN103712948A (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
| CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
| CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN104807777A (zh) | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 | |
| CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
| CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
| CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
| CN105738311A (zh) | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 | |
| CN104914068B (zh) | 一种油脂中反式脂肪酸含量的光谱快速检测方法 | |
| Qin et al. | Prediction of Peking duck intramuscle fat content by near-infrared spectroscopy | |
| CN104502307A (zh) | 一种快速检测长牡蛎糖原和蛋白质含量的方法 | |
| CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
| 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 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |