CN106198423A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106198423A CN106198423A CN201610817897.6A CN201610817897A CN106198423A CN 106198423 A CN106198423 A CN 106198423A CN 201610817897 A CN201610817897 A CN 201610817897A CN 106198423 A CN106198423 A CN 106198423A
- Authority
- CN
- China
- Prior art keywords
- ham sausage
- grade
- sample
- spectrum
- visible
- 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
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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N21/3151—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using two sources of radiation of different wavelengths
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Meat, Egg Or Seafood Products (AREA)
Abstract
本发明公开了一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法,属于火腿制品检测技术领域。通过将近红外光谱定性分析技术与模式识别结合使用,实现了对普通级、优级、特级和无淀粉级4种等级火腿肠的鉴别,包括步骤:1)制备火腿肠切片样本,采集样本的原始光谱;2)确定样本光谱的有效波段;3)原始光谱的预处理;4)建立火腿肠等级鉴别的偏最小二乘判别分析模型;5)根据模型判定火腿肠样本的等级。本发明可实现对火腿肠等级的快速有效鉴别,为火腿肠质量等级检测提供了一种新思路,具有良好的应用前景。
Description
技术领域
本发明涉及火腿制品的检测技术领域,具体涉及一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法。
背景技术
火腿肠是以鲜或冻畜肉、禽肉、鱼肉为主要原料,经腌制、搅拌、斩拌(或乳化)、灌入塑料肠衣,经高温杀菌制成的肉类灌肠制品,其肉质细腻、营养丰富、食用方便,深受广大消费者青睐。现在国内拥有火腿肠设备生产线的企业有双汇、金锣、雨润、春都等数十家,火腿肠产量约占整个肉制品生产总量的三分之一。按照国家GB/T20712-2006标准,根据蛋白质、淀粉和水分质量分数的不同将火腿肠分为4个等级,即特级、优级、普通级和无淀粉级。目前,火腿市场中存在着以次充好甚至劣质火腿肠现象,严重危害了火腿行业的健康发展,研究快速可靠的火腿肠质量等级鉴别技术具有重要意义。
目前,国际上对火腿肠质量等级鉴定的相关研究较少。传统的火腿肠等级鉴别方法例如:质构指标评价法,该方法是利用火腿肠的质构指标(硬度、脆性、黏着性、咀嚼性等)构建判别模型进行火腿肠等级的鉴定(郝红涛等,2010;赵改名,2013)。质构指标评价法的原理简单、鉴别效果较为理想,但该方法的操作过程繁琐、成本较高、专业性强,不能成为一种便于实际应用的检测快速、操作简单、成本低廉的检测方式,其他的传统检测方法也存在类似的问题。
近红外光谱分析技术在火腿肠检测方面的研究较少。例如,朱迅涛(2002)利用近红外光谱结合化学计量法建立了火腿肠中蛋白质、脂肪和水分指标的定标模型,样品近红外检测值相对常规方法检测结果可以接受。Fernández-Cabanás等(2011)利用近红外光谱建立改进的偏最小二乘回归模型,对西班牙国内来自42个不同品牌的伊比利亚干腌猪肉香肠实现了脂肪酸的快速检测。
近红外光谱的信息较弱,谱峰重叠严重,需要结合预处理和模式识别方法才可以完成定性判别。偏最小二乘判别分析(PLS-DA)是一种应用较为广泛的化学模式识别技术。该方法首先设置样品分类变量,将样本所属的类别信息设为二进制因变量。利用交互验证的方法确定抽象组分数,即最佳主成分数,最大程度地解释样本原始光谱向量,在此基础上,分别对自变量样本的NIR光谱与因变量进行主成分分解,在尽可能保证两类变量间的相关性的前提下,建立PLS回归模型。应用该模型计算待测样本的分类变量值,当所得值大于0.5且偏差小于设定临界值时则判定样本属于该类。
发明内容
针对上述现有技术,本发明目的在于提供一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,解决现有技术检测速度慢、操作繁琐等技术问题。
为达到上述目的,本发明采用的技术方案如下:
(1)原始光谱的采集:在室温环境下,利用便携式光纤光谱仪,分别采集普通级、优级、特级及无淀粉级4种等级火腿肠样本的可见-近红外漫反射光谱,即样本的原始光谱,光谱的采集范围为330纳米(nm)-1100纳米(nm);
(2)在原始光谱的波段范围内,选取有效波段作为建模波段;
(3)光谱的预处理:对有效波段范围的原始光谱,采用移动窗口平均法和多元散射校正进行预处理,降低噪声和消除散射效应,增大信噪比,有效地获取有用的光谱信息;
(4)PLS-DA模型的建立:将预处理后的样本光谱作为建模数据,先采用留一法的全交叉验证确定模型最佳主成分数,然后在模型最佳主成分数下建立PLS-DA模型;
(5)火腿肠样本的等级鉴别:将PLS-DA模型应用于未知火腿肠样本,计算样本分类变量的PLS预测值,根据预测值判定火腿肠的等级。
与现有技术相比,本发明的有益效果:
建立了一种操作简单、检测快速、可靠有效、无污染、无损伤的火腿肠等级鉴别方法,利用便携式光谱检测设备无须专业人员即可进行火腿肠等级的鉴别,易于在火腿肠生产和质检应用中推广,有助于实现市场中火腿肠产品质量的有效监督,防止不法商家以次充好、生产劣质火腿等危害行业健康发展现象的发生。
附图说明
图1为本发明的技术流程示意图;
图2为本发明中光谱采集装置示意图;
图3为本发明中4种等级火腿肠样本预处理后的平均光谱;
图4为本发明中留一法的全交叉验证确定PLS-DA模型最佳主成分数得到的PRESS值与主成分数的关系曲线图;
图5为本发明中PLS-DA模型对测试集中未知火腿肠样本的鉴别结果示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合附图对本发明做进一步说明:
实施例1
如附图1所示的一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法中,包括以下步骤:
步骤一、可见-近红外光谱的采集:使用可见-近红外便携式光谱仪采集不同等级火腿肠样本的可见-近红外漫反射光谱,有以下步骤:
1)样本准备:购买4种不同等级、生产日期基本一致的双汇牌火腿肠:普通级(淀粉含量≤10%)火腿肠、优级(淀粉含量≤8%)火腿肠、特级(淀粉含量≤6%)火腿肠、无淀粉级(淀粉含量≤1%)火腿肠。以10mm为切片厚度,各等级火腿肠分别制备20个样本,共计80个样本。2)光谱采集装置搭建(如附图2):使用Y型石英光纤3将可调钨灯光源1和光纤光谱仪2连接,测量探头对准检测样本4,使用USB数据线5将光纤光谱仪2与计算机6连接。具体的测量过程为:钨灯光源1发出的光通过Y型石英光纤3照射在检测样本4上,检测样本4的漫反射光再通过Y型石英光纤进入光纤光谱仪2,将光信号转换为电信号输入计算机6,利用计算机6上的光谱分析软件处理得到原始光谱。3)光谱采集:实验温度25℃,测量探头置于火腿肠切片样本上方,距样品表面角度90度(垂直)、高度10mm。S3000-VIS型光谱仪的具体参数设置:光谱采集范围330-1100nm,分辨率2nm,曝光时间50ms,采样间隔1ms,平均次数5次,平滑次数1次。H03可调钨灯光源1的光强为50000counts(相对强度值)。每个火腿肠样本扫描1次。
步骤二、选取有效波段:测量光谱范围内首端和末端的波段(330-400nm/940-1100nm)噪声较大,故选择400-940nm作为有效波段。
步骤三、光谱的预处理:依次使用移动窗口平均(窗口长度为9)、多元散射校正法对原始光谱进行预处理。附图3为预处理后4种等级火腿肠的平均光谱。
步骤四、PLS-DA模型的建立,样本使用预处理后的光谱的数据:1)设置样本的类别变量Y,Y是一个以0,1为元素的矩阵,其行对应样本序号、列对应类别序号,当样本属于某一类时则该样本在Y对应列的元素值为1,否则为0。2)采用Kennard-Stone法将80个火腿肠样本划分为训练集和测试集,每种等级的火腿肠15个训练集样本,共计60个样本用于建立模型,其余20个样本作为测试集。3)确定模型的主成分数,采用留一法的全交叉验证,附图4显示了预测残差平方和(PRESS)随主成分数的变化。从图中可以看出,PRESS值在主成分数15时取得最小值,因此将模型的最佳主成分数确定为15。4)在模型最佳主成分数下建立PLS-DA模型,利用训练集60个样本进行训练,计算得到PLS-DA模型的具体参数。
步骤五、火腿肠样本的等级判定:计算测试集火腿肠样本分类变量的PLS预测值Ypls,根据Ypls的每一列与1的接近程度判断样本属于哪类。
鉴别结果与分析:利用建立的模型对测试集20个未知火腿肠样本等级进行判定,结果如附图5所示,未知火腿肠样本等级的鉴别正确率为100%。附图5a为测试集样本中,普通级火腿肠样本的预测结果,所有普通级火腿肠样本的分类变量的预测值都接近1,偏差小于0.5;而其他三种等级火腿肠样本的分类变量的预测值均接近0,偏差均小于0.5。根据PLS-DA模型的判定准则,测试集中所有的普通级火腿肠样本均被正确识别,而其他三种等级火腿肠样本均被拒识,说明PLS-DA模型对普通级火腿肠样本鉴别正确率为100%。对附图5b、5c和5d中的预测结果采用与附图5a相同的分析方法,可以得到PLS-DA模型对优级、特级和无淀粉级三种等级火腿肠样本的鉴别正确率均为100%。
尽管上面对本发明的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,其特征在于,包括以下步骤,
步骤1、室温环境下制作火腿肠的切片样本,采集所有切片样本的可见-近红外漫反射的样本光谱;
步骤2、选择样本光谱的有效波段;
步骤3、在有效波段内,对样本光谱进行加窗与校正的预处理,获得预处理后的光谱;
步骤4、对预处理后的光谱采用偏最小二乘判别分析法建立等级识别模型;
步骤5、计算火腿肠切片样本分类变量的PLS预测值,根据等级识别模型,结合PLS预测值,判定火腿肠切片样本的等级。
2.根据权利要求1所述的基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,其特征在于,步骤1中在采集火腿肠切片样本的可见-近红外漫反射光谱过程中光源的强度设置为40000相对强度值至60000相对强度值。
3.根据权利要求1所述的基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,其特征在于,步骤2中,有效波段选取为400纳米至940纳米。
4.根据权利要求1所述的基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,其特征在于,步骤3中,对样本原始光谱依次进行移动窗口平均和多元散射校正预处理。
5.根据权利要求1所述的基于可见-近红外光谱分析技术鉴别火腿肠等级的方法,其特征在于:步骤4中,采用留一法的全交叉验证,将PRESS值取最小值时对应的主成分数确定为模型最佳主成分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610817897.6A CN106198423B (zh) | 2016-09-12 | 2016-09-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610817897.6A CN106198423B (zh) | 2016-09-12 | 2016-09-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106198423A true CN106198423A (zh) | 2016-12-07 |
CN106198423B CN106198423B (zh) | 2019-09-27 |
Family
ID=58068101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610817897.6A Active CN106198423B (zh) | 2016-09-12 | 2016-09-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106198423B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403181A (zh) * | 2017-06-01 | 2017-11-28 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
WO2021046851A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种厨余垃圾鉴定分类方法 |
WO2021046854A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种基于大数据的厨余垃圾分级方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002328088A (ja) * | 2001-05-01 | 2002-11-15 | Snow Brand Food Co Ltd | 近赤外分光法による異常肉の判別方法 |
US20050188859A1 (en) * | 2004-03-01 | 2005-09-01 | The Enhancers, Inc. | Production meat analysis system and method |
US20090087033A1 (en) * | 2007-09-27 | 2009-04-02 | Kuanglin Chao | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
CN201653915U (zh) * | 2009-12-30 | 2010-11-24 | 中国科学院沈阳自动化研究所 | 火腿肠外观检测箱 |
CN201681053U (zh) * | 2009-12-30 | 2010-12-22 | 中国科学院沈阳自动化研究所 | 一种火腿肠外观质量检测系统 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
-
2016
- 2016-09-12 CN CN201610817897.6A patent/CN106198423B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002328088A (ja) * | 2001-05-01 | 2002-11-15 | Snow Brand Food Co Ltd | 近赤外分光法による異常肉の判別方法 |
US20050188859A1 (en) * | 2004-03-01 | 2005-09-01 | The Enhancers, Inc. | Production meat analysis system and method |
US20090087033A1 (en) * | 2007-09-27 | 2009-04-02 | Kuanglin Chao | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
CN201653915U (zh) * | 2009-12-30 | 2010-11-24 | 中国科学院沈阳自动化研究所 | 火腿肠外观检测箱 |
CN201681053U (zh) * | 2009-12-30 | 2010-12-22 | 中国科学院沈阳自动化研究所 | 一种火腿肠外观质量检测系统 |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
Non-Patent Citations (3)
Title |
---|
R.M.GARCÍA-REY等: "Prediction of texture and colour of dry-cured ham by visible and near infrared spectroscopy using a fiber optic probe", 《MEAT SCIENCE》 * |
樊玉霞: "猪肉肉糜品质与安全可见/近红外光谱快速检测方法的试验研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
马飞: "基于多光谱成像技术的香肠多元品质无损检测研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403181A (zh) * | 2017-06-01 | 2017-11-28 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
CN107403181B (zh) * | 2017-06-01 | 2020-05-12 | 深圳信息职业技术学院 | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 |
WO2021046851A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种厨余垃圾鉴定分类方法 |
WO2021046854A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种基于大数据的厨余垃圾分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106198423B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN101929951B (zh) | 一种牛奶中掺羊奶的近红外光谱判别方法 | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
Sun et al. | Simultaneous measurement of brown core and soluble solids content in pear by on-line visible and near infrared spectroscopy | |
CN101308086A (zh) | 基于近红外光谱技术的水果内部品质在线检测方法及装置 | |
CN102519906A (zh) | 多通道近红外光谱牛肉品质多参数同时检测方法 | |
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 | |
CN108846203A (zh) | 水果无损检测的方法及装置 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN110702637B (zh) | 一种热鲜和冷鲜羊肉的近红外在线融合快速判别方法 | |
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 | |
CN106198423A (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 | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
JP6212454B2 (ja) | チーズの熟成度指標推定方法、チーズの熟成度指標推定装置、コンピュータが実行可能なプログラム、及びプロセスチーズの製造方法 | |
CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
Zhaoyong et al. | Detection of moldy core in apples and its symptom types using transmittance spectroscopy | |
CN104359855A (zh) | 一种基于近红外光谱的注水肉检测方法 | |
CN101968438B (zh) | 一种原料肌肉注水快速判别方法 | |
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 | |
CN106338488A (zh) | 一种转基因豆奶粉的快速无损鉴别方法 | |
JP2002328088A (ja) | 近赤外分光法による異常肉の判別方法 | |
CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
CN110084227A (zh) | 基于近红外光谱技术的模式识别方法 | |
CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
CN104502307A (zh) | 一种快速检测长牡蛎糖原和蛋白质含量的方法 |
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 |