CN108872138A - 在线快速检测鸡肉肠杆菌科含量的方法 - Google Patents
在线快速检测鸡肉肠杆菌科含量的方法 Download PDFInfo
- Publication number
- CN108872138A CN108872138A CN201810226564.5A CN201810226564A CN108872138A CN 108872138 A CN108872138 A CN 108872138A CN 201810226564 A CN201810226564 A CN 201810226564A CN 108872138 A CN108872138 A CN 108872138A
- Authority
- CN
- China
- Prior art keywords
- chicken
- enterobacteriaceae
- spectrogram
- content
- enterobacteria
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 22
- 241000588921 Enterobacteriaceae Species 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 235000013330 chicken meat Nutrition 0.000 claims abstract description 24
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 4
- 241000305071 Enterobacterales Species 0.000 claims description 19
- 210000000481 breast Anatomy 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract description 5
- 235000013372 meat Nutrition 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 2
- 239000012467 final product Substances 0.000 abstract 1
- 235000013305 food Nutrition 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000002906 microbiologic effect Effects 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010000234 Abortion spontaneous Diseases 0.000 description 1
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 208000012895 Gastric disease Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 239000002398 materia medica Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 208000015994 miscarriage Diseases 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000000995 spontaneous abortion Diseases 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
- G01N21/359—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
本发明公开了在线快速检测鸡肉肠杆菌科含量的方法，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484个全波段内提取17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，能实现鸡肉肠杆菌科含量的大规模在线检测。
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肠杆菌科含量的方法。
背景技术
当今在众多肉品中，鸡肉因适合多种烹调方法，其产品肉质细嫩，滋味鲜美，并富含多种营养物质而具有滋补养身的作用，如《食疗本草》中所记载的"黑雌鸡，治反胃、腹痛、骨痛、乳痈、安胎"等功效，而深受消费者欢迎。而鸡肉是一种极易受内源性和外源微生物污染的食品，并随着微生物含量的急剧增加，其鸡肉的新鲜度也会随之下降。目前，我国以肠杆菌作为食品卫生指标菌之一，且肠杆菌也是国际食品微生物学实验室质量控制的必测项目之一，其肠杆菌科属于革兰氏阴性菌，且是一类对人致病性较强的细菌。当鸡肉中肠杆菌的含量达到一定值时，被消费者一旦误食此种鸡肉，则会给消费者的健康问题带来隐患。目前国家标准对食品中肠杆菌的检测方法均依据GB4789.3—2016《食品微生物学检验大肠菌群计数》，但此方法存在步骤繁琐、培养周期长、费用高且破坏样品等缺点，很难实现现代肉品行业对快速无损的检测要求。
融合了传统的光谱技术和图像技术于一身的高光谱成像技术，可同时捕捉到被测样品的光谱和图像信息，且具有无需预处理、非破坏性、快速、易于操作且费用低等特点，在肉品的无损检测方面已获得了大量研究，而在鸡肉肠杆菌方面的研究报道较少。
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肠杆菌科含量的方法。
本发明的技术方案是：在线快速检测鸡肉肠杆菌科含量的方法，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肠杆菌＝-3.982+64.14X905.492nm-198.353X913.728nm+198.003X921.963nm-84.302X930.198nm+82.101X945.017nm+92.93X953.25nm-52.826X976.297nm-54.672X991.11nm+27.317X1032.25nm+42.568X1122.732nm+27.549X1247.761nm+33.845X1302.073nm-50.162X1333.355nm+30.85X1363.001nm-24.586X1509.767nm+24.391X1531.237nm+35.82X1680.171nm,其中Y肠杆菌为鸡胸肉中肠杆菌的对数值，X905.492nm、X913.728nm、X921.963nm、X930.198nm、X945.017nm、X953.25nm、X976.297nm、X991.11nm、X1032.25nm、X1122.732nm、X1247.761nm、X1302.073nm、X1333.355nm、X1363.001nm、X1509.767nm、X1531.237nm、X1680.171nm，分别为波长在905.492nm、913.728nm、921.963nm、930.198nm、945.017nm、953.25nm、976.297nm 991.11nm、1032.25nm、1122.732nm、1247.761nm、1302.073nm、1333.355nm、1363.001nm、1509.767nm、1531.237nm、1680.171nm处的光谱反射率值,上式相关系数为R＝0.950，均方根误差RMSE＝0.457。
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R为校正后的图像，Rr为原始光谱图像；Ib为黑板图像，其反射率为0％，Ip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，培养周期长、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484个全波段内提取17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肠杆菌科含量；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肠杆菌科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102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是鸡胸肉肠杆菌科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肠杆菌科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102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)对采集过光谱图像的样品立即按照GB4789.3—2016《食品微生物学检验大肠菌群计数》方法检测其肠杆菌群的数量记为CFU/g，最后把所有的数据转化成lg(CFU/g)的格式，其校正集肠杆菌群的数据统计如表1：
表1校正集样品的肠杆菌含量的统计
(4)对获得光谱图像按照以下公式进行黑白板校正；
其中R为校正后的图像，Rr为原始光谱图像；Ib为黑板图像，其反射率为0％，Ip为白板图像，其反射率为99.9％。
(5)对原始光谱图进行校正后，首先识别图像中的感兴趣区域并对光谱数据进行提取，提取的光谱数据为光谱反射率值，即获得的102个校正集样品的光谱特征如图1：
(6)使用偏最小二乘法(PLSR)来关联步骤(4)的光谱数据与步骤(3)的肠杆菌科含量值之间的定量关系，以获取全波段(484个波长)内的PLSR模型；使用相关系数R、均方根误差RMSE以及交叉验证集的相关系数和均方根误差来对所建模型的精度和稳定性进行评价，当R越接近于1且RMSE越小时，则模型的精度和稳定性越好。结果如表2：
表2全波段内校正集的PLSR预测模型
从表2中可以得出校正集的PLSR模型的相关系数Rc＝0.968，RMSEC＝0.363，且交叉验证集的则分别为0.939和0.507与校正集的即接近R值有接近于1，故所建校正集模型精度即高又稳定。
(7)对步骤(5)中所建模型的全波段(900-1700nm)下的光谱数据共有484个波长，息量如此之大不能很好地满足在线生产的需要，其中必然存在大量的冗余信息，通过回归系数法去除无关信息，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。结果如图2。
(8)从图2中可以得出使用回归系数法从全波段内提取了15个最优波长，分别为905.492nm、913.728nm、921.963nm、930.198nm、945.017nm、953.25nm、976.297nm、991.11nm、1032.25nm、1122.732nm、1247.761nm、1302.073nm、1333.355nm、1363.001nm、1509.767nm、1531.237nm、1680.171nm。基于步骤(3)所获得的校正集鸡肉样品的肠杆菌数与17个最优波长再次利用偏最小二乘(PLSR)法来建立鸡肉肠杆菌的预测模型，其结果如表3：
表3最优波长所建立的预测鸡胸肉肠杆菌数的PLSR模型
从表中可得出使用最优波长数所建立的鸡胸肉肠杆菌数的PLSR模型相关系数R＝0.950，均方根误差RMSEC＝0.457，且交叉验证集Rcv＝0.930，RMSEC＝0.541与校正集很接近，故所建立的最优波长的稳定性和精度较佳。
(9)获得的最优波长的PLSR模型公式如下：Y肠杆菌＝‐3.982+64.14X905.492nm‐198.353X913.728nm+198.003X921.963nm‐84.302X930.198nm+82.101X945.017nm+92.93X953.25nm‐52.826X976.297nm‐54.672X991.11nm+27.317X1032.25nm+42.568X1122.732nm+27.549X1247.761nm+33.845X1302.073nm‐50.162X1333.355nm+30.85X1363.001nm‐24.586X1509.767nm+24.391X1531.237nm+35.82X1680.171nm,其中Y肠杆菌为鸡胸肉中肠杆菌的对数值，X905.492nm、X913.728nm、X921.963nm、X930.198nm、X945.017nm、X953.25nm、X976.297nm、X991.11nm、X1032.25nm、X1122.732nm、X1247.761nm、X1302.073nm、X1333.355nm、X1363.001nm、X1509.767nm、X1531.237nm、X1680.171nm，分别为波长在905.492nm、913.728nm、921.963nm、930.198nm、945.017nm、953.25nm、976.297nm991.11nm、1032.25nm、1122.732nm、1247.761nm、1302.073nm、1333.355nm、1363.001nm、1509.767nm、1531.237nm、1680.171nm处的光谱反射率值。此优化的校正集模型的相关系数为R＝0.950，均方根误差为RMSE＝0.457。
(10)测试
采集34块待测鸡胸肉样品的近红外高光谱图像，对光谱图像进行光谱强度校正，并感兴趣区域的识别以及光谱反射率值的提取，便可获得待测鸡胸肉的光谱反射率值的数据。
把所得到的待测样品的反射率值数据带入到步骤(9)所获得的最优波长的校正模型中，可得到被测鸡胸肉的预测肠杆菌的对数值，并使之与传统方法所测得肠杆菌数的对数值进行关联，其相关系数高达0.952，均方根误差为0.448，其真实值与预测值之间的相关性很好。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.在线快速检测鸡肉肠杆菌科含量的方法，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肠杆菌＝-3.982+64.14X905.492nm-198.353X913.728nm+198.003X921.963nm-84.302X930.198nm+82.101X945.017nm+92.93X953.25nm-52.826X976.297nm-54.672X991.11nm+27.317X1032.25nm+42.568X1122.732nm+27.549X1247.761nm+33.845X1302.073nm-50.162X1333.355nm+30.85X1363.001nm-24.586X1509.767nm+24.391X1531.237nm+35.82X1680.171nm,其中Y肠杆菌为鸡胸肉中肠杆菌的对数值，X905.492nm、X913.728nm、X921.963nm、X930.198nm、X945.017nm、X953.25nm、X976.297nm、X991.11nm、X1032.25nm、X1122.732nm、X1247.761nm、X1302.073nm、X1333.355nm、X1363.001nm、X1509.767nm、X1531.237nm、X1680.171nm，分别为波长在905.492nm、913.728nm、921.963nm、930.198nm、945.017nm、953.25nm、976.297nm991.11nm、1032.25nm、1122.732nm、1247.761nm、1302.073nm、1333.355nm、1363.001nm、1509.767nm、1531.237nm、1680.171nm处的光谱反射率值,上式相关系数为R＝0.950，均方根误差RMSE＝0.457。
2.根据权利要求1所述的在线快速检测鸡肉肠杆菌科含量的方法，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R为校正后的图像，Rr为原始光谱图像；Ib为黑板图像，其反射率为0％，Ip为白板图像，其反射率为99.9％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810226564.5A CN108872138A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉肠杆菌科含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810226564.5A CN108872138A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉肠杆菌科含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108872138A true CN108872138A (zh) | 2018-11-23 |
Family
ID=64326136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810226564.5A Pending CN108872138A (zh) | 2018-03-19 | 2018-03-19 | 在线快速检测鸡肉肠杆菌科含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872138A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666120A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
| CN112666121A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
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 CN201810226564.5A patent/CN108872138A/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 |
|---|
| 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》 * |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666120A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
| CN112666121A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
| CN112666121B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
| CN112666120B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103439285B (zh) | 一种基于高光谱成像的鱼片新鲜度检测方法 | |
| Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
| Feng et al. | Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets | |
| Qiao et al. | Pork quality and marbling level assessment using a hyperspectral imaging system | |
| Chen et al. | Classification of Chinese honeys according to their floral origin by near infrared spectroscopy | |
| Xiong et al. | Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat | |
| Lukinac et al. | Computer vision method in beer quality evaluation—A review | |
| Huang et al. | Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique | |
| Kalinowska et al. | Smartphones as tools for equitable food quality assessment | |
| CN104049068B (zh) | 生鲜畜肉新鲜度的无损测定装置及测定方法 | |
| Yang et al. | Rapid determination of biogenic amines in cooked beef using hyperspectral imaging with sparse representation algorithm | |
| CN105181912A (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
| Jinorose et al. | Development of a computer vision system and novel evaluation criteria to characterize color and appearance of rice | |
| CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| CN114663821A (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 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| Yang et al. | Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm | |
| CN108872138A (zh) | 在线快速检测鸡肉肠杆菌科含量的方法 | |
| CN104949927A (zh) | 一种干贝水分含量的高光谱检测方法 | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Chen et al. | Combining computer vision score and conventional meat quality traits to estimate the intramuscular fat content using machine learning in pigs | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| Zhang et al. | Intelligent detection of quality deterioration and adulteration of fresh meat products in the supply chain: Research progress and application | |
| Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
| CN108645798A (zh) | 在线快速检测鸡肉乳酸菌含量的方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
| WD01 | Invention patent application deemed withdrawn after publication |