CN108645798A - 在线快速检测鸡肉乳酸菌含量的方法 - Google Patents

在线快速检测鸡肉乳酸菌含量的方法 Download PDF

Info

Publication number
CN108645798A
CN108645798A CN201810225194.3A CN201810225194A CN108645798A CN 108645798 A CN108645798 A CN 108645798A CN 201810225194 A CN201810225194 A CN 201810225194A CN 108645798 A CN108645798 A CN 108645798A
Authority
CN
China
Prior art keywords
lactic acid
acid bacteria
content
chicken
sample
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
Application number
CN201810225194.3A
Other languages
English (en)
Inventor
何鸿举
马汉军
王慧
朱明明
赵圣明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Institute of Science and Technology
Original Assignee
Henan Institute of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Institute of Science and Technology filed Critical Henan Institute of Science and Technology
Priority to CN201810225194.3A priority Critical patent/CN108645798A/zh
Publication of CN108645798A publication Critical patent/CN108645798A/zh
Pending legal-status Critical Current

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

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乳酸菌含量的方法，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21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，能实现鸡肉乳酸菌含量的大规模在线检测。

Description

在线快速检测鸡肉乳酸菌含量的方法
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乳酸菌含量的方法。
背景技术
随着生活水平的不断提高，消费者的肉品消费理念也在逐渐改变，而鸡肉作为一种高蛋白(20-25％)的肉类食品，其蛋白质含量不仅容易被人体吸收利用，而且具有强身健体的作用，因此，在我国大中城市冷鲜鸡肉已成为消费的主流。而鸡肉在冷藏期间，容易受外界微生物的污染，从而导致鸡肉品质的下降使其失去食用价值。一般导致鸡肉腐败的微生物主要有假单胞菌、肠杆菌、热杀索丝菌和乳酸菌四大类，其中乳酸菌作为一种革兰氏阳性、无芽孢且非运动型的细菌，当鸡肉在有氧的条件下贮藏时，其乳酸菌的含量则会随着时间的延长加倍增长，最终导致鸡肉的酸性增强而腐败。因此鸡肉中乳酸菌的检测是非常重要的，目前鸡肉中乳酸菌的检测仍然使用传统的平板计数法GB 4789.35-2016《食品微生物学检验乳酸菌检验》，但此方法需使用大量的化学试剂，且试验流程操作繁琐，乳酸菌的培养时间长且对样品具有破损性，不适合肉品行业的在线检测流程，故快速、无损及自动化的大规模在线检测技术已成为当今肉品行业发展的方向。因此，发明一种快速测定鸡肉中乳酸菌含量的方法对当今肉品行业的发展具有重要的意思。
高光谱成像技术融合了传统的光谱技术和图像技术，可同时获取待测物的空间信息和光谱信息，而且具有快速、无损、易于操作的特点，根据文献报道，目前此技术在农畜产品品质无损检测以及安全控制方面的研究较多，并产生了诸多成果。但在鸡肉乳酸菌方面的文献报道较少。
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乳酸菌含量的方法。
本发明的技术方案是：在线快速检测鸡肉乳酸菌含量的方法，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乳酸菌＝-3.014-174.033X900.55nm+59.392X910.434nm-87.724X912.081nm+123.901X921.963nm-92.251X930.198nm+36.411X953.25nm-26.102X976.297nm+18.329X1032.25nm-25.205X1078.317nm+50.801X1122.732nm-41.176X1157.276nm+22.239X1228.015nm+30.774X1262.571nm-43.553X1318.536nm+19.195X1381.123nm+11.445X1435.516nm-22.577X1524.63nm+49.368X1678.513nm-40.563X1688.463nm-59.958X1695.097nm+97.946X1698.415nm，其中Y乳酸菌为鸡胸肉样品的乳酸菌含量的对数值(lg(CFU/g))，X900.55nm、X910.434nm、X912.081nm、X921.963nm、X930.198nm、X953.25nm、X976.297nm、X1032.25nm、X1078.317nm、X1122.732nm、X1157.276nm、X1228.015nm、X1262.571nm、X1318.536nm、X1381.123nm、X1435.516nm、X1524.63nm、X1678.513nm、X1688.463nm、X1695.097nm、X1698.415nm，分别为波长在900.55nm、910.434nm、912.081nm、921.963nm、930.198nm、953.25nm、976.297nm、1032.25nm、1078.317nm、1122.732nm、1157.276nm、1228.015nm、1262.571nm、1318.536nm、1381.123nm、1435.516nm、1524.63nm、1678.513nm、1688.463nm、1695.097nm、1695.097nm、1698.415nm处的光谱反射率值，相关系数R＝0.955，均方根误差RMSE＝0.365。
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C为校正后的图像，R为原始光谱图像；D为黑板图像，其反射率为0％，P为白板图像，其反射率为99.9％。
本发明为弥补现有技术操作繁琐，周期长、费用高且破坏样品等缺陷，而提供一种无需预处理、非破坏性、快速、易于操作且费用低等特点的高光谱成像技术以此来检测鸡肉中的肠杆菌数。
本发明从486个全波段内提取21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：本发明在对不破坏样品的情况下，只需对样品进行非接触的光谱扫描即可获得样品的乳酸菌含量；试验过程中降低了由于人为操作而导致的偶然误差；本发明可以实现鸡胸肉乳酸菌含量的大规模在线检测。
本发明具有以下有益效果：本发明只需要获取被测样品的光谱数据，把获得的最优波长下的光谱反射率值直接带入所建的最优预测模型内即可得到被测样品中肠杆菌的含量，大大提高了工作效率；试验过程中不使用任何化学试剂，即省钱又环保；被测样品无需进行预处理，只需进行非接触的光谱扫描对样品没有破坏性，可实现鸡肉肠杆菌的大批量在线检测
附图说明
图1是79个校正集样品的光谱特征图。
图2是回归系数法对校正集样品最优波长的提取。
图3是鸡胸肉乳酸菌含量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
本实施例的一种快速无损在线检测鸡肉乳酸菌含量的方法步骤如下：
(1)将购买的整块新鲜鸡胸肉在实验室分割成3cm*3cm*1cm的小样品，共获得79个小样品称为校正集，再将其平均分成7份，分别放进带有盖子的一次性塑料盒里，最后放在4℃的冰箱内进行冷藏，在0、1、2、3、4、5、6天各取出一份进行试验；
(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后用吸水纸将其表面的水分擦干，将成像系统的状态调至最佳即光谱图像采集速度为6.54mm/s，曝光时间为4.65ms时，接着进行黑板和白板图像的保存，最后进行样品图像的采集；
(3)将调试好的高光谱成像系统来采集校正集样品的高光谱图像；
(4)对采集过高光谱图像的样品立即按照GB 4789.35-2016《食品微生物学检验乳酸菌检验》方法来检测其乳酸菌含量，结果记录为lg(FCU/g)；即79个样品的乳酸菌含量数据统计如表1：
表1 79个样品的乳酸菌含量的数据统计
(5)对获得光谱图像按照以下公式进行黑白板校正；
其中C为校正后的图像，R为原始光谱图像；D为黑板图像，其反射率为0％，P为白板图像，其反射率为99.9％。
(6)提取校正过的光谱图像中感兴趣区域(ROI)的光谱数据，集79个样品的全波段光谱数据如图1：
(7)采用偏最小二乘(PLSR)法来关联步骤(4)和步骤(6)中校正集样品的乳酸菌含量与光谱反射率值之间的内在联系，即建立全波段的校正集PLSR预测模型。使用相关系数R和均方根误差RMSE对所建模型的精度和稳定性进行评价且交叉验证集也是对所建校正集模型的一种检验，当R越接近于1，RMSE越小时当、且两者的相关系数和均方根误差越接近时，表明校正集模型的精度和稳定性越好。结果如表2：
表2鸡胸肉乳酸菌含量的全波段PLSR模型
从表2中可以得出校正集所建立的PLSR模型的相关系数R为0.982，均方根误差为0.230，且交叉验证集的相关系数为0.952，均方根误差为0.383，可得所建校正集模型的不仅精度高且稳定性也好。
(8)为了优化第(7)步所获得的校正集PLSR预测模型，采用回归系数法从全波段内486个波长中提取出对所建模型贡献量最大的波长，即结果如图2。从图2可得使用回归系数法从486个波段内共提取了21个最优波长，分别为900.55nm、910.434nm、912.081nm、921.963nm、930.198nm、953.25nm、976.297nm、1032.25nm、1078.317nm、1122.732nm、1157.276nm、1228.015nm、1262.571nm、1318.536nm、1381.123nm、1435.516nm、1524.63nm、1678.513nm、1688.463nm、1695.097nm、1695.097nm、1698.415nm。
(9)再次采用偏最小二乘(PLSR)法来建立步骤(4)所获得的校正集样品的乳酸菌含量和步骤(8)所提取的21个最优波长之间的预测模型，其结果如表3：
表3鸡胸肉乳酸菌含量的最优波长PLSR模型
从表3中可得出使用最优波长数所建立的校正集PLSR模型相关系数和均方根误差与交叉验证集的很接近，且结果相关系数均高于0.92，均方根误差均低于0.5，故校正集模型的精度和稳定性都很理想。
(10)获得的最优波长的PLSR模型公式如下：Y乳酸菌＝-3.014-174.033X900.55nm+59.392X910.434nm-87.724X912.081nm+123.901X921.963nm-92.251X930.198nm+36.411X953.25nm-26.102X976.297nm+18.329X1032.25nm-25.205X1078.317nm+50.801X1122.732nm-41.176X1157.276nm+22.239X1228.015nm+30.774X1262.571nm-43.553X1318.536nm+19.195X1381.123nm+11.445X1435.516nm-22.577X1524.63nm+49.368X1678.513nm-40.563X1688.463nm-59.958X1695.097nm+97.946X1698.415nm，其中Y乳酸菌为鸡胸肉样品的乳酸菌含量的对数值(lg(CFU/g))，X900.55nm、X910.434nm、X912.081nm、X921.963nm、X930.198nm、X953.25nm、X976.297nm、X1032.25nm、X1078.317nm、X1122.732nm、X1157.276nm、X1228.015nm、X1262.571nm、X1318.536nm、X1381.123nm、X1435.516nm、X1524.63nm、X1678.513nm、X1688.463nm、X1695.097nm、X1698.415nm，分别为波长在900.55nm、910.434nm、912.081nm、921.963nm、930.198nm、953.25nm、976.297nm、1032.25nm、1078.317nm、1122.732nm、1157.276nm、1228.015nm、1262.571nm、1318.536nm、1381.123nm、1435.516nm、1524.63nm、1678.513nm、1688.463nm、1695.097nm、1695.097nm、1698.415nm处的光谱反射率值。
(11)测试
采集40块待测鸡胸肉样品的高光谱图像，分别对获得的光谱图像进行光谱强度的校正，接着进行感兴趣区域的识别以及光谱数据的提取，便可获得每个待测样品最优波长下的反射率值；
把所得的每个待测样品最优波长下的反射率值带入到步骤(10)所获得的最优波长的PLSR校正模型中，可得到40个待测鸡胸肉乳酸菌的预测值，结果如表4：
表4 40个待测样品乳酸菌含量的预测值
将上述40个待测样品的乳酸菌含量的预测值与使用传统平板计数法所测得的值进行线性相关，结果如图3。
从图3可得，其两者的线性相关性达到了0.92，表明本发明的方法所预测的鸡胸肉乳酸菌含量与实际测得的之间的差异很小，则此发明具有很大的潜力。
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.在线快速检测鸡肉乳酸菌含量的方法，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乳酸菌＝-3.014-174.033X900.55nm+59.392X910.434nm-87.724X912.081nm+123.901X921.963nm-92.251X930.198nm+36.411X953.25nm-26.102X976.297nm+18.329X1032.25nm-25.205X1078.317nm+50.801X1122.732nm-41.176X1157.276nm+22.239X1228.015nm+30.774X1262.571nm-43.553X1318.536nm+19.195X1381.123nm+11.445X1435.516nm-22.577X1524.63nm+49.368X1678.513nm-40.563X1688.463nm-59.958X1695.097nm+97.946X1698.415nm，其中Y乳酸菌为鸡胸肉样品的乳酸菌含量的对数值(lg(CFU/g))，X900.55nm、X910.434nm、X912.081nm、X921.963nm、X930.198nm、X953.25nm、X976.297nm、X1032.25nm、X1078.317nm、X1122.732nm、X1157.276nm、X1228.015nm、X1262.571nm、X1318.536nm、X1381.123nm、X1435.516nm、X1524.63nm、X1678.513nm、X1688.463nm、X1695.097nm、X1698.415nm，分别为波长在900.55nm、910.434nm、912.081nm、921.963nm、930.198nm、953.25nm、976.297nm、1032.25nm、1078.317nm、1122.732nm、1157.276nm、1228.015nm、1262.571nm、1318.536nm、1381.123nm、1435.516nm、1524.63nm、1678.513nm、1688.463nm、1695.097nm、1695.097nm、1698.415nm处的光谱反射率值，相关系数R＝0.955，均方根误差RMSE＝0.365。
2.根据权利要求1所述的在线快速检测鸡肉乳酸菌含量的方法，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C为校正后的图像，R为原始光谱图像；D为黑板图像，其反射率为0％，P为白板图像，其反射率为99.9％。
CN201810225194.3A 2018-03-19 2018-03-19 在线快速检测鸡肉乳酸菌含量的方法 Pending CN108645798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810225194.3A CN108645798A (zh) 2018-03-19 2018-03-19 在线快速检测鸡肉乳酸菌含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810225194.3A CN108645798A (zh) 2018-03-19 2018-03-19 在线快速检测鸡肉乳酸菌含量的方法

Publications (1)

Publication Number Publication Date
CN108645798A true CN108645798A (zh) 2018-10-12

Family

ID=63744345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810225194.3A Pending CN108645798A (zh) 2018-03-19 2018-03-19 在线快速检测鸡肉乳酸菌含量的方法

Country Status (1)

Country Link
CN (1) CN108645798A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252318A (zh) * 2021-12-27 2022-03-29 浙江大学 一种鸡肉中金黄色葡萄球菌的检测方法及系统
ES2933045A1 (es) * 2021-07-23 2023-01-31 Diseno Y Construccion De Maqu Automatizada S L Sistema de clasificacion automatizada de lomos de pescado y procedimiento asociado

Citations (6)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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 (3)

* Cited by examiner, † Cited by third party
Title
HONG-JU HE AND DA-WEN SUN: "Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging", 《LWT - FOOD SCIENCE AND TECHNOLOGY》 *
HONG-JU HE ET AL.: "Rapid and real-time prediction of lactic acid bacteria (LAB) in farmed salmon flesh using near-infrared (NIR) hyperspectral imaging combined with chemometric analysis", 《FOOD RESEARCH INTERNATIONAL》 *
YAO-ZE FENG ET AL.: "Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets", 《FOOD CHEMISTRY》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2933045A1 (es) * 2021-07-23 2023-01-31 Diseno Y Construccion De Maqu Automatizada S L Sistema de clasificacion automatizada de lomos de pescado y procedimiento asociado
CN114252318A (zh) * 2021-12-27 2022-03-29 浙江大学 一种鸡肉中金黄色葡萄球菌的检测方法及系统
CN114252318B (zh) * 2021-12-27 2023-11-17 浙江大学 一种鸡肉中金黄色葡萄球菌的检测方法及系统

Similar Documents

Publication Publication Date Title
Khulal et al. Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model
Li et al. Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion
Feng et al. Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets
Kamruzzaman et al. Introduction to hyperspectral imaging technology
CN103439285B (zh) 一种基于高光谱成像的鱼片新鲜度检测方法
Xu et al. Rapid Pseudomonas species identification from chicken by integrating colorimetric sensors with near-infrared spectroscopy
CN101806703B (zh) 一种畜肉细菌总数无损检测方法
Urmila et al. Quantifying of total volatile basic nitrogen (TVB-N) content in chicken using a colorimetric sensor array and nonlinear regression tool
Falkovskaya et al. Literature review: Spectral imaging applied to poultry products
Zhuang et al. UV-fluorescence imaging for real-time non-destructive monitoring of pork freshness
CN104237235A (zh) 基于近红外成像技术的食源性致病菌的快速检测方法
Yang et al. Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm
CN108645798A (zh) 在线快速检测鸡肉乳酸菌含量的方法
Chen et al. Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas)
Lin et al. A pH-Responsive colourimetric sensor array based on machine learning for real-time monitoring of beef freshness
Zhang et al. Intelligent detection of quality deterioration and adulteration of fresh meat products in the supply chain: Research progress and application
Guo et al. Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology
CN104297136A (zh) 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法
Zhang et al. Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium
CN108872138A (zh) 在线快速检测鸡肉肠杆菌科含量的方法
Gong et al. Comparative assessments between conventional and promising technologies for wheat aging or mold detection
Sun et al. Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network
CN108627475A (zh) 高光谱成像技术在线检测鸡肉微生物含量中的应用
Dey et al. Detection of septicemia in chicken livers by spectroscopy
CN109765197A (zh) 一种冰鲜大西洋鲑鱼与冻融大西洋鲑鱼的快速鉴别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181012

RJ01 Rejection of invention patent application after publication