CN108613941A - 在线快速检测鸡肉灰分的方法 - Google Patents
在线快速检测鸡肉灰分的方法 Download PDFInfo
- Publication number
- CN108613941A CN108613941A CN201810224436.7A CN201810224436A CN108613941A CN 108613941 A CN108613941 A CN 108613941A CN 201810224436 A CN201810224436 A CN 201810224436A CN 108613941 A CN108613941 A CN 108613941A
- Authority
- CN
- China
- Prior art keywords
- ash content
- chicken
- spectrogram
- present
- acquisition
- 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
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 235000013330 chicken meat Nutrition 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 4
- 210000000481 breast Anatomy 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 6
- 235000013372 meat Nutrition 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000012467 final product Substances 0.000 abstract 1
- 239000002956 ash Substances 0.000 description 32
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 11
- 235000013305 food Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 235000021393 food security Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 125000001931 aliphatic group Chemical group 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 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
- 235000013613 poultry product Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
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
本发明公开了在线快速检测鸡肉灰分的方法，采集校正集鸡肉样品的高光谱图像，对获取的光谱图进行预处理再进行目标区域的识别以及光谱图平均光谱数据的提取；将提取的光谱数据代入公式即得。本发明从486个全波段内提取13个最优波长时为了剔除大量的冗余信息，提取有用的信息，以降低数据分析的计算量，从而提高偏最小二乘模型的精度，以实现肉品企业大规模的在线生产的需求。与现有技术相比，本发明具有以下有益效果：本发明不需对被测样品进行预处理，仅对样品进行非接触的光谱扫描且没有破坏性；本发明不使用任何化学试剂，即绿色又节约成本；本发明易于操作又节约时间，能实现鸡肉灰分的大规模在线检测。
Description
技术领域
本发明涉及及食品质量与安全检测领域，具体涉及在线快速检测鸡肉灰分的方法。
背景技术
鸡肉作为主要的禽肉产品，因富含蛋白质、氨基酸、脂肪酸、维生素、矿物质且营养丰富比例均衡等特点，其消费量逐年增加，同时鸡肉的食用安全性也越来越受到消费者的重视，其中作为鸡肉重要组成部分的灰分，其即能反映鸡肉的营养价值，也能判断鸡在屠宰过程中受污染的程度。鸡肉经过高温灼烧后的残留物称为总灰分，其总灰分中即包含11种含量大于0.01％的人体常量元素，也包含含量低于0.01％的人体必需的微量元素。正常肉的灰分含量都低于2％，当灰分含量超过2％时说明肉在屠宰过程中受到了污染。一般鸡肉中灰分的检测常使用GB 5009.4—2016《食品安全国家标准食品中灰分的测定》方法进行检测，但此方法需用化学试剂对样品进行预处理且步骤繁琐、检测时间长、成本高，满足不了当今肉品行业大规模的在线检测要求。
近年来，高光谱成像系统因能同时检测被测样品的内部品质和外部品质，且还具有高分辨率、快速、无损、对样品无需进行预处理等优点，此技术已成为农畜产品无损检测领域的研究热点，也取得了诸多成果，然而在鸡肉灰分方面的检测鲜有报道。
发明内容
为了解决现有技术的不足，本发明提供了在线快速检测鸡肉灰分的方法。
本发明的技术方案是：在线快速检测鸡肉灰分的方法，采集校正集鸡肉样品的高光谱图像，对获取的光谱图进行预处理再进行目标区域的识别以及光谱图平均光谱数据的提取；将提取的光谱数据代入下式即得Y灰分＝0.0331+0.125X900.55nm-0.079X903.845nm+0.0307X908.787nm-0.0566X920.316nm+0.0868X931.844nm+0.0425X943.371nm-0.0226X1042.123nm-0.0218X1162.211nm-0.0247X1213.208nm+0.0245X1257.634nm+0.0124X1506.465nm+0.0798X1695.097nm-0.0767X1700.074nm，其中Y灰分为鸡胸肉中灰分的含量，X900.55nm、X903.845nm、X908.787nm、X920.316nm、X931.844nm、X943.371nm、X1042.123nm、X1162.211nm、X1213.208nm、X1257.634nm、X1506.465nm、X1695.097nm、X1700.074nm分别为波长在900.55nm、903.845nm、908.787nm、920.316nm、931.844nm、943.371nm、1042.123nm、1162.211nm、1213.208nm、1257.634nm、1506.465nm、1695.097nm、1700.074nm处的光谱反射率值；上式相关系数为R＝0.943，均方根误差RMSE＝0.001。
本发明的进一步改进包括：
对获取的光谱图进行预处理即黑白板校正按照以下公式进行：
其中Rc为校正后的图像，Rr为原始光谱图像；Rd为黑板图像，其反射率为0％，Rw为白板图像，其反射率为99.9％。
本发明提供了一种高分辨率、快速、无损、无需对样品进行预处理等优点的高光谱成像技术来检测鸡肉中的灰分，以弥补现有技术在的不足，从而实现鸡肉灰分大规模的在线检测。
本发明从486个全波段内提取13个最优波长时为了剔除大量的冗余信息，提取有用的信息，以降低数据分析的计算量，从而提高偏最小二乘模型的精度，以实现肉品企业大规模的在线生产的需求。与现有技术相比，本发明具有以下有益效果：本发明不需对被测样品进行预处理，仅对样品进行非接触的光谱扫描且没有破坏性；本发明不使用任何化学试剂，即绿色又节约成本；本发明易于操作又节约时间，能实现鸡肉灰分的大规模在线检测。
附图说明
图1是84个校正集样品的平均光谱特征图。
图2是鸡胸肉最优波长的提取图。
图3是鸡胸肉灰分预测值与实测值之间的相关性。
具体实施方式
下面结合实施例对本发明做详细说明。
实施例
本实施例的一种基于近红外高光谱成像技术在线检测鸡肉灰分的方法步骤如下：
1.建立鸡肉灰分含量的全波段的校正模型；
(1.1)将购买的鸡胸肉切割成3*3*1(长*宽*高)的小样品，作为校正集样品，共获取84个样品，将其平均分成7份分别放在一次性带盖的塑料盒里，再放置在4℃的冰箱内进行贮藏0、1、2、3、4、5、6天；
(1.2)在试验之前，提前30min打开高光谱成像系统预热，同时鸡肉样本也提前30min从冰箱内取出待其恢复至室温，首先采集黑白板的图像，再采集校正集样品的高光谱图像，此系统扫描时的速度为6.54mm/s，曝光时间为4.65ms，其成像模式为反射且波长范围为900-1700nm；
(1.3)对采集过光谱图像的校正集样品立即使用GB 5009.4—2016《食品安全国家标准食品中灰分的测定》方法检测其灰分含量，其结果如表1；
表1 84个校正集样品的灰分含量
(1.4)对获取的光谱图首先按照以下公式进行校正：
其中Rc为校正后的图像，Rr为原始光谱图像；Rd为黑板图像，其反射率为0％，Rw为白板图像，其反射率为99.9％。
再对校正过的光谱图进行感兴趣区域的识别以及光谱图平均光谱数据的提取，其84个样品的平均光谱图特征如图1。
(1.5)采用偏最小二乘法(PLSR)建立步骤(1.3)灰分含量与步骤(1.4)中的光谱数据之间的全波段(486个波长)定量模型，即全波段的偏最小二乘模型，当所建模型的相关系数R越接近于1，均方根误差RMSE越小且交叉验证集的相关系数和均方根误差越接近于建模集时说明建模集模型的精度和稳定性就越好，结果如下表2；
表2校正集样品灰分含量的全波段PLSR预测模型
从表2中可以得出所建立的建模集PLSR模型的相关系数R高达0.943，均方根误差低至0.001，其中交叉验证集的模型相关系和均方根误差数也接近于建模集，表明建模集的模型精度高且较稳定。
2.全波段校正模型的优化
(2.1)上述步骤(1.5)所建的在900-1700nm全波段内偏最小二乘模型中，共有486个波长，而并不是所有的波长都对所建模型具有贡献，其中存在大量的冗余信息，为了剔除冗余信息保留有用信息，通过回归系数法(RC)来提取最优波长，以降低数据的计算量，从而提高计算机的运行速度。结果如图2：
(2.2)使用回归系数法从步骤(1.5)所建的全波段偏最小二乘模型中提取了13个最优波长，分别为900.55、903.845、908.787、920.316、931.844、943.371、1042.123、1162.211、1213.208、1257.634、1506.465、1695.097、1700.074，以提取的13个最优波长作为输入变量来建立优化后的偏最小二乘模型即鸡胸肉灰分含量的校正模型，结果如表3：
表3校正集样品灰分含量的最优波长PLSR预测模型
从表3中可得出使用13个最优波长所建立的建模集和交叉验证集的PLSR模型相关分别为0.943和0.923，均方根误差均为0.001即两者的差距极小，且与全波段建模集的相关系数和均方根误差的差距也不大，故使用最优波长所建立的PLSR模型精度即高又稳定。
(2.3)步骤(2.2)所获得的最优波长的偏最小二乘模型即校正模型公式为：Y灰分＝0.0331+0.125X900.55nm-0.079X903.845nm+0.0307X908.787nm-0.0566X920.316nm+0.0868X931.844nm+0.0425X943.371nm-0.0226X1042.123nm-0.0218X1162.211nm-0.0247X1213.208nm+0.0245X1257.634nm+0.0124X1506.465nm+0.0798X1695.097nm-0.0767X1700.074nm，其中Y灰分为鸡胸肉中灰分的含量，其中X900.55nm、X903.845nm、X908.787nm、X920.316nm、X931.844nm、X943.371nm、X1042.123nm、X1162.211nm、X1213.208nm、X1257.634nm、X1506.465nm、X1695.097nm、X1700.074nm分别为波长在900.55nm、903.845nm、908.787nm、920.316nm、931.844nm、943.371nm、1042.123nm、1162.211nm、1213.208nm、1257.634nm、1506.465nm、1695.097nm、1700.074nm处的光谱反射率值。利用此模型来检测待测鸡胸肉灰分的含量。
3.测试
(3.1)采集28个待测鸡肉样品的高光谱图像，对获取的光谱图像进行预处理及感兴趣区域的识别和光谱数据的提取；
(3.2)将获取的每个待测样品的900.55nm、903.845nm、908.787nm、920.316nm、931.844nm、943.371nm、1042.123nm、1162.211nm、1213.208nm、1257.634nm、1506.465nm、1695.097nm、1700.074nm处下的光谱反射率值输入到步骤(2.3)的校正模型内，便可获得28和待测鸡胸肉灰分的含量。将得到的鸡胸肉的灰分含量与使用GB 5009.4—2016《食品安全国家标准食品中灰分的测定》方法所测得的灰分含量值进行关联，其相关系数高达0.921，均方根误差为0.0012，其真实值与预测值之间的相关很好。结果如图3。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.在线快速检测鸡肉灰分的方法，其特征在于，采集校正集鸡肉样品的高光谱图像，对获取的光谱图进行预处理再进行目标区域的识别以及光谱图平均光谱数据的提取；将提取的光谱数据代入下式即得Y灰分＝0.0331+0.125X900.55nm-0.079X903.845nm+0.0307X908.787nm-0.0566X920.316nm+0.0868X931.844nm+0.0425X943.371nm-0.0226X1042.123nm-0.0218X1162.211nm-0.0247X1213.208nm+0.0245X1257.634nm+0.0124X1506.465nm+0.0798X1695.097nm-0.0767X1700.074nm，其中Y灰分为鸡胸肉中灰分的含量，X900.55nm、X903.845nm、X908.787nm、X920.316nm、X931.844nm、X943.371nm、X1042.123nm、X1162.211nm、X1213.208nm、X1257.634nm、X1506.465nm、X1695.097nm、X1700.074nm分别为波长在900.55nm、903.845nm、908.787nm、920.316nm、931.844nm、943.371nm、1042.123nm、1162.211nm、1213.208nm、1257.634nm、1506.465nm、1695.097nm、1700.074nm处的光谱反射率值；上式相关系数为R＝0.943，均方根误差RMSE＝0.001。
2.根据权利要求1所述的在线快速检测鸡肉灰分的方法，其特征在于，对获取的光谱图进行预处理即黑白板校正按照以下公式进行：
其中Rc为校正后的图像，Rr为原始光谱图像；Rd为黑板图像，其反射率为0％，Rw为白板图像，其反射率为99.9％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224436.7A CN108613941A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉灰分的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224436.7A CN108613941A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉灰分的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108613941A true CN108613941A (zh) | 2018-10-02 |
Family
ID=63659145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810224436.7A Pending CN108613941A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉灰分的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108613941A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111307745A (zh) * | 2020-04-13 | 2020-06-19 | 中国科学院上海技术物理研究所杭州大江东空间信息技术研究院 | 一种煤粉灰分含量测量方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| CN106525875A (zh) * | 2016-12-07 | 2017-03-22 | 江苏大学 | 一种腊肉腌制过程中色泽和质构变化的高光谱检测方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| WO2017160382A1 (en) * | 2016-03-17 | 2017-09-21 | Raytheon Company | Ultraviolet led and phosphor based hyperspectral calibrator |
| CN107543801A (zh) * | 2017-08-25 | 2018-01-05 | 天津商业大学 | 基于高光谱的芒果冲击损伤后硬度预测方法 |
-
2018
- 2018-03-19 CN CN201810224436.7A patent/CN108613941A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2017160382A1 (en) * | 2016-03-17 | 2017-09-21 | Raytheon Company | Ultraviolet led and phosphor based hyperspectral calibrator |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| CN106525875A (zh) * | 2016-12-07 | 2017-03-22 | 江苏大学 | 一种腊肉腌制过程中色泽和质构变化的高光谱检测方法 |
| CN107543801A (zh) * | 2017-08-25 | 2018-01-05 | 天津商业大学 | 基于高光谱的芒果冲击损伤后硬度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| MARENA MANLEY: "Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials", 《CHEM. SOC. REV.》 * |
| 熊振杰: "基于高光谱成像技术的鸡肉品质快速无损检测", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111307745A (zh) * | 2020-04-13 | 2020-06-19 | 中国科学院上海技术物理研究所杭州大江东空间信息技术研究院 | 一种煤粉灰分含量测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
| CN105092579B (zh) | 一种芒果品质无损检测设备 | |
| Wang et al. | Smartphone imaging spectrometer for egg/meat freshness monitoring | |
| CN114663821B (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| Naganathan et al. | Hyperspectral imaging of ribeye muscle on hanging beef carcasses for tenderness assessment | |
| Daniel et al. | Non-invasive automatic beef carcass classification based on sensor network and image analysis | |
| CN105911268A (zh) | 一种胶体金试纸条检测结果自动读取仪器及其应用 | |
| CN111398198A (zh) | 一种小麦籽粒微量元素快速无损检测方法 | |
| Zhou et al. | Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry | |
| CN102181514A (zh) | 快速无损伤检测冷却肉菌落总数的方法 | |
| Tang et al. | A nondestructive method for determination of green tea quality by hyperspectral imaging | |
| Feng et al. | Detection of blood spots in eggs by hyperspectral transmittance imaging | |
| CN106018292A (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 | |
| WO2019102400A1 (en) | System and process for the recognition, characterization and classification of foods and nutrients in foods | |
| CN108613941A (zh) | 在线快速检测鸡肉灰分的方法 | |
| CN108872137A (zh) | 基于多光谱在线检测鸡肉硫代巴比妥酸的方法 | |
| Feifei et al. | Feature extraction method of hyperspectral scattering images for prediction of total viable count in pork meat | |
| Wu et al. | The use of hyperspectral techniques in evaluating quality and safety of meat and meat products | |
| CN108872138A (zh) | 在线快速检测鸡肉肠杆菌科含量的方法 | |
| Kamruzzaman et al. | Hyperspectral imaging technique for offal quantification in minced meat | |
| CN113866119A (zh) | 一种注水鸡快速鉴别方法及应用 | |
| Dantes | NIR hyperspectral imaging for animal feed ingredient applications | |
| Bu et al. | Detection of hidden bruises on kiwifruit using hyperspectral imaging combined with deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181002 |
|
| WD01 | Invention patent application deemed withdrawn after publication |