CN109852677A - 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 - Google Patents
一种冷链肉与肉制品物流过程中品质智能检测方法及系统 Download PDFInfo
- Publication number
- CN109852677A CN109852677A CN201910294238.2A CN201910294238A CN109852677A CN 109852677 A CN109852677 A CN 109852677A CN 201910294238 A CN201910294238 A CN 201910294238A CN 109852677 A CN109852677 A CN 109852677A
- Authority
- CN
- China
- Prior art keywords
- meat
- temperature
- sample
- cold chain
- microorganism
- 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
Abstract
本发明提出了一种冷链肉与肉制品物流过程中品质智能检测方法及系统，检测方法步骤为：通过微生物多样性分析确定样品的优势致腐微生物；确定样品中优势致腐微生物的动态波动温度；设置培养温度和时间参数将样品放入波动温度培养箱中进行培养，进行细菌总数和优势腐败菌总数平板计数，构建动态条件下的生长和存活曲线；构建冷链肉制品微生物三级动态模型，优化动力学参数，得到温度波动条件下不同优势致腐微生物的间歇性动态预测模型。本发明可精确、实时地描述波动温度条件下微生物的生长和存活特性，构建互联网+技术实时可视化不同冷链肉与肉制品新鲜度平台，实现冷链肉与肉制品智慧物流，提升消费信心，减少产业损失，提高了经济效益。
Description
技术领域
本发明涉及肉制品品质检测的技术领域，尤其涉及一种冷链肉与肉制品物流过程中品质智能检测方法及系统。
背景技术
冷链肉以其独特的口感、色泽和营养价值成为当前我国肉类消费的趋势。肉类加工、储存和分配过程中的腐败微生物和食源性病原体污染是目前最严重的肉类安全风险之一。虽然冷链肉在前期屠宰、分割及后续加工过程中始终处在较低的温度下，能够有效抑制绝大部分微生物的生长繁殖，但在冷链物流过程中，因温度的动态波动，使得腐败细菌或致病菌，如肠杆菌科细菌、假单胞菌属细菌、葡萄球菌属细菌和芽孢杆菌等快速繁殖，可导致肉类腐败变色、产生异味和胺的形成，因此，如何快速预测波动温度条件下优势致腐微生物是冷链肉品质安全亟待解决的关键问题之一。
温度是冷鲜肉腐败关键的因素之一，利用冷链系统的低温抑制微生物生长繁殖，可以有效延缓其腐败，保障消费者食用安全。然而，由于我国冷链物流系统不健全，再加上运输环境复杂，涉及面广，突发状况多且难以控制，缺乏系统有效的监管，运输冷链中的交叉污染和温度失控经常发生。温度的频波动会促使微生物生长繁殖，加快肉质腐败进程，严重威胁消费者健康。现阶段，肉品企业仅对冷链过程中的温度进行实时监控，但无法将温度与食品品质及时有效的结合，缺少冷链肉品质的实时智能化管理，无法快速、实时地依据温度变化反映冷链肉品质变化。因此，利用冷链肉波动温度条件下微生物间歇性动态生长模型，解析温度与肉品新鲜度之间的相关性，通过微生物生长情况直接反映肉品品质是目前亟待解决的关键问题。
发明内容
针对无法将温度与食品品质及时有效的结合，缺少冷链肉品质的实时智能化管理，无法快速、实时地依据温度变化反映冷链肉品质变化的技术问题，本发明提出一种冷链肉与肉制品物流过程中品质智能检测方法及系统，在温度波动条件下构建冷鲜肉优势致腐微生物间歇性动态生长模型，构建微生物与新鲜度可视化的量效关系，形成新鲜度量效可视化技术，结合模型数据库和大数据分析，应用互联网+技术构建新鲜度在线实时可视化平台，破解肉品新鲜度难以无缝衔接和展示的难题，实现冷鲜肉智慧物流，提升消费信心，从而实现冷链肉与肉制品物流过程中品质的智能化监控和预警。
为了达到上述目的，本发明的技术方案是这样实现的：一种冷链肉与肉制品物流过程中品质智能检测方法，其步骤如下：
步骤一：通过微生物多样性分析确定不同肉与肉制品、不同包装方式条件下样品的优势致腐微生物；针对不同肉与肉制品，真空包装、托盘包装等不同包装方式，通过PCR-DGGE进行微生物多样性分析，确定优势致腐微生物。
步骤二：通过实地调研不同肉与肉制品生产厂家、冷链运输环境以及门店销售各个环节环境因素变化，确定冷链肉制品微生物动态波动温度范围。
步骤三：根据步骤二的动态波动温度，使用可编程的精确生化培养箱，模拟步骤二中获得的冷链过程中温度波动，将样品放入波动温度培养箱中进行培养，每当温度依据设置的波动温度点发生波动变化时从培养箱中随机取出三份样品，进行细菌总数和优势腐败菌总数平板计数，构建动态条件下的生长和存活曲线。
步骤四：利用微生物生长与存活的关系、微生物生长与环境因子的关系构建冷链肉制品中微生物三级动态模型。根据细菌总数和优势腐败菌数，通过R语言编程以研究微生物生长预测模型为基础，通过一步建模法，根据温度及微生物生长情况选择和构建适宜的一级模型及二级模型，利用Rung-Kutta法进行数学分析，获得微生物生长动力学参数，并应用Python中的偏最小平方法优化动力学参数构建微生物间歇性动态生长模型。
步骤五：利用四阶Runge-Kutta方法求解微生物生长动力学参数，通过步骤三动态条件下的生长和存活曲线及最小二乘优化算法优化的动力学参数；
步骤六：将优化的动力学参数带入微生物三级动态模型得到温度波动条件下不同优势致腐微生物的间歇性动态预测模型。
所述样品是直接从生产线上直接取样的生鲜猪肉或生鲜牛肉，样品选自同一车间当日分割，真空包装后进行冷链运输送至实验室，立即进行微生物数量的检测；所述生鲜猪肉24h排酸后分割包装后，置于4℃的条件下保存；
所述步骤三中细菌总数和优势腐败菌总数平板计数的方法为：在动态波动温度条件下，每当温度发生波动变化时从培养箱中随机取出3份真空包装样品；无菌条件下25.0g肉样品，与225mL 0.85％无菌生理盐水在无菌均质袋中充分混合，用均质器拍打100s，制成1:10的样品均液；用1mL无菌微量移液器吸取1:10样品均液1mL，沿管壁缓慢注于盛有9mL稀释液的无菌试管中，震荡试管使其混合均匀，制成1:100的样品均液；重复上述步骤制备10倍系列稀释样品均液；每个稀释度根据需要倾注平板，取3个稀释度每个稀释度做3个重复；
(1)菌落总数测定：用1mL无菌微量移液器吸取1mL菌液，垂直滴加于菌落总数测试片中央，压板放置中央处，轻压静置1min，在36℃±1℃下培养48h±2h后，按照菌落总数测定和菌落总数计数方法进行计数；
(2)乳酸菌测定：用1mL无菌微量移液器吸取1mL稀释后的菌液，垂直滴加于乳酸菌测试片中央，压板放置中央处，轻压静置1min，在37℃下培养48h±3h后，按照乳酸菌检验方法进行计数；
(3)假单胞菌测定：用200μL无菌微量移液枪吸取100μL稀释后的菌液，垂直滴加于无菌平板上，用CFC培养基及添加剂在25℃±1℃下培养44h±4h后，按照假单胞菌属的计数方法进行计数；
(4)样品的挥发性盐基氮的测定方法为：取10g绞碎的肉样品，加入100mL蒸馏水，180r/min震摇30min，过滤后，自动定氮仪利用半微量定氮法测定肉浸液的TVB-N值，每个样品做3个重复；结合TVB-N值与微生物指标相关性分析，利用获得的临界点微生物数量，划定不同等级肉品新鲜度。
所述微生物生长与存活的关系满足利用样品中假单胞菌、乳酸菌、菌落总数的logistic方程：
m＝0 if T<Tmin，
m＝1 if T≥Tmin；
式中，N是实时细菌计数，单位为CFU/g，Ymax是最大菌浓度的指数对数，单位为CFU/g，K是速率系数。
T≥Tmin时，温度对细菌生长的影响可以通过黄平方根模型。在不利的温度条件下T＜Tmin，假定细胞死亡遵循线性模式，微生物生长与环境因子的关系满足黄平方根模型：
当T≥Tmin，K＝μmax；
当T＜Tmin时，K＝k(T-Tmin)；
式中，μmax是比生长速率，单位为log CFU/g/h；a是动力学参数，T为贮藏温度；Tmin为最低生长温度；。
所述步骤四中微生物三级动态模型是采用一步动态分析法直接构建logistic方程和黄平方根模型；利用动态条件下的生长和存活曲线，通过最小二乘逆分析确定动力学参数a、k、Tmin和Ymax；logistic方程通过使用四阶Runge-Kutta方法结合最小二乘优化算法来搜索优化的动力学参数a、K、Tmin和Ymax，使残差平方和RSS最小化：
式中，n是三个实验观察数据点的总数，yi是第i个数据点细菌计数的对数，单位为log CFU/g；是对数yi对应的模型值，单位为log CFU/g。
微生物三级模型是利用动态和等温条件下的生长和存活曲线，Runge-Kutta方法和最小二乘优化算法动力学参数a、k、Tmin和Ymax，构建微生物间歇性动态模型。
在数据优化期间，启动电脑程序，赋予每个参数一个初始猜测值，程序迭代使用初始赋予值求解微生物不同阶段的常微分方程，每次迭代和迭代继续，数值优化出动态变化时微生物的动力学参数，减少试验误差的积累，从而构建温度波动条件下不同优势致腐微生物的间歇性动态预测模型，实现冷链过程中波动温度条件下优势致腐微生物的快速预测。
所述微生物三级动态模型采用两组动态生长曲线与一组恒温曲线对模型进行验证的方法，计算了均方误差MSE和均方根误差RMSE为：
式中，RSS是残差平方和，n是试验样本数，df是自由度。
通过均方误差MSE、均方根误差RMSE以及RSS进行判断预测模型的优劣，确定预测值是实测值yi残差分布结果，判断模型准确度。
一种冷链肉与肉制品物流过程中品质智能检测方法的检测系统，以微信平台为依托，主要包括服务器平台、后台运算模块、数据库和前端显示模块，服务器平台与后台运算模块相连接，后台运算模块分别与RFID温度监控集成标签、数据库和前端显示模块相连接；前端显示模块上设有新鲜度量效可视模块，后台运算模块上设有新鲜度量效模块、样品数据运算分析模块和大数据分析模块，新鲜度量效模块与新鲜度量效可视模块相连接。
所述数据库为mySQL数据库，根据需求分析建立相应数据表。检测系统的构建方法获得的微生物间歇性生长动态模型运用Dbeaver进行数据库管理，形成mySQL数据库平台，并进行模型解析，同时利用实际不同肉与肉制品冷链物流过程中温度的大数据分析；构建微生物与新鲜度可视化的量效关系，形成新鲜度量效可视技术模块；冷链肉与肉制品智能化监控和预警系统综合展示：冷链肉与肉制品智能化监控系统综合展示模块是基于互联网+技术和RFID温度监控集成标签，构建冷链肉与肉制品在线实时可视化平台。
模型解析是基于基于PHP语言环境，应用微分计算对不同肉与肉制品的微生物间歇性动态生长模型进行解析，分别将数学模型转化为计算机语言，构建样品数据运算分析模块。样品数据运算分析模块的构建是应用了mySQL(关系型数据库管理系统)，通过SQR语言对mySQL数据库进行环境配置，利用SQLYON工具将不同样品的微生物间歇性动态生长模型通过计算机语言解析，构建样品数据库根据需求分析建立相应数据表，基于PHP语言环境在逻辑层调用解析后的微生物三级动态模型，将传输的数据代入计算，得到微生物生长数量。大数据分析模块根据不同样品企业实地冷链物流过程中温度波动的情况，获得不同肉与肉制品冷链物流过程中温度波动的变化规律，用于对不同产品优势致腐微生物间歇性动态预测模型进行训练，增加模型稳定性和鲁棒性，开发出复杂环境下的肉品动态预测模型体系的认知新模式。
新鲜度量效模块根据依据国标中肉与肉制品新鲜度指标TVB-N含量进行划分肉品等级，以国标中TVBN值对新鲜度分类为依据：一级鲜肉<15mg/100g，15mg/100g≤二级鲜肉≤20mg/100g为，腐败肉>20mg/100g。通过检测冷链过程中肉与肉制品的TVB-N含量，然后与细菌总数、优势腐败菌数进行相关性分析，获得不同等级变化的临界点微生物数量，通过伪彩色处理将不同新鲜度等级赋予相应的代表色。一级新鲜是绿色，二级新鲜是黄色，腐败是红色)，将颜色和微生物预测结果集成，形成新鲜度量效可视技术模块。
如图8所示，所述服务器平台基于互联网+技术为微信公众平台，微生物动力学生长模型为基础，结合RFID温度监控集成标签将肉与肉制品冷链物流的时间、温度变量传送至后台数据接收端，然后调用API接口，经由HTTPS协议传输获取JSon数据(时间、温度)实现数据的对接。微信公众平台的核心是一个响应的数据绑定系统。微信公众平台包括视图层和逻辑层，微信公众平台利用微信程序开发工具提供了视图层描述语言WXML和WXSS以及基于JavaScript的逻辑层框架，并在视图层与逻辑层间设置数据传输和事件系统，所有.js脚本文件的集合构成逻辑层。逻辑层与视图层相互配合，完成数据处理及接收事件反馈。框架的视图层由WXML与WXSS编写。
RFID温度监控集成标签将肉与肉制品冷链物流的时间、温度变量传送至后台运算模块，调用API接口经由HTTPS协议传输获取JSon数据实现数据的对接；RFID温度监控集成标签通过温度传感器实时获取冷链物流过程中产品的温度数据，然后传送给与之连接的RFID标签通过在线RFID读卡技术获得温度数据，同时借助GPS设备和无线传输技术实时通过HTTPS协议传输至后台运算模块。
利用Google Zxing，基于web管理端通过调用JavaScript提供的qrcode.js插件通过调用QRCode构造函数生成二维码，并通过makeCode函数接口将产品信息加入到所创建的二维码，并将相应的数据信息的访问端口密钥录入二维码。然后将其贴在预出厂的不同肉与肉制品外包装。
本发明的检测系统构成的冷鲜肉新鲜度监控系统通过微信公众平台的“扫一扫”功能扫描二维码，识别产品包装的二维码，通过连接接口地址，设置接口参数(接口方式名、接口公钥等)，中的访问密钥，访问企业温度实时采集数据平台，经由企业数据的返回值传输，将动态温度输入上述的监控系统的后台运算模块进行计算，通过调用获得的温度数据输入模型数据表进行模型选择，并利用模型方程解析模块进行运算处理，最后通过新鲜度量效可视模块并依据构建的微信程序将冷链肉与肉制品新鲜度进行直观展示和预警，实现不同肉与肉制品的信息获取和质量监管。
冷鲜肉新鲜度监控系统微信程序使用说明：
1.通过微信“扫一扫”功能，扫描微信小程序二维码，识别微信内程序插件，进入微信程序插件中；
2.经用户同意授权微信登陆后，进入“冷鲜肉新鲜度监控系统”操作界面；
3.点击产品品类，进入二维码扫描模块，扫描相应的产品二维码；
4.经扫描后得到生物生长曲线及冷鲜肉新鲜度级别，结果展示如图9。
与现有技术相比，本发明的有益效果：
(1)构建的冷链肉与肉制品优势致腐微生物间歇性动态预测模型可精确、实时地描述波动温度条件下微生物的生长和存活特性。与现有的恒温微生物预测模型相比，预测模型的生长动力学参数是经过实际温度波动过程中应用最小平方法不断优化获得的，使用R语言编程并利用四阶Rung-Kutta法解析微生物间歇性动态变化方程，获得模型预测精度达95％以上，开发出复杂环境下的肉品动态预测模型体系的认知新模式，攻克传统静态模型悬而未决的失真难题，为肉品微生物安全控制技术创新提供依据。
(2)创新性融合了肉品新鲜度与微生物模型，开发出肉品新鲜度直观的实时评价方法。冷链肉与肉制品预测微生物一直处于模型研究阶段，而与实际应用结合是困扰企业与科研工作者的主要难题之一，本发明构建的微生物与新鲜度可视化的量效关系形成新鲜度量效可视技术，攻破实际复杂环境下肉品可视新鲜度无法准确预测和衔接的难题。
(3)本发明中的微信程序监控系统可实时预测不同冷链肉与肉制品新鲜度，通过与企业实际冷链过程中的温度监控数据对接，构建了适合各类冷链肉品微生物预警模型，结合模型数据库和大数据分析，应用互联网+技术构建新鲜度在线平台实时可视化平台，破解肉品新鲜度难以无缝衔接和展示的难题，实现冷鲜肉智慧物流，提升消费信心，减少产业损失，提高了经济效益，同时也为消费者提供新鲜、安全的肉与肉制品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实施例一中PCR扩增结果电泳图。
图2是实施例一中不同贮藏时间细菌16S rDNA V6～V8区的DGGE图谱。
图3是实施例一中4℃托盘包装冷鲜猪肉在贮藏过程中细菌的DGGE图谱。
图4是实施例一中五组动态温度条件下真空包装冷鲜猪肉贮藏过程中假单胞菌生长曲线，其中，(a)为动态温度(一)，(b)为动态温度(二)，(c)为动态温度(三)，(d)为动态温度(四)，(e)为动态温度(五)。
图5是实施例一中真空包装冷鲜猪肉新鲜度等级伪彩色示意图。
图6是实施例二中真空包装冷鲜牛肉中优势致腐微生物间歇性动态生长曲线。
图7是实施例二中真空包装冷鲜牛肉新鲜度临界点处微生物数量与伪彩色图。
图8是微信公众平台的界面示意图。
图9是结果显示界面示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
以真空包装冷鲜猪肉为对象，构建冷链过程中冷鲜猪肉优势腐败菌间歇性动态生长模型。
1材料与仪器设备
1.1实验材料
样品来源：冷鲜猪肉(猪里脊)取样于河南省某猪肉生产企业A；
采样方法：从生产线上直接取样，样品选自同一车间当日分割的里脊肉，将里脊肉包装后，进行冷链运输送至实验室，立即进行微生物数量的检测。
1.2实验仪器
HVE-50型蒸汽压力灭菌锅---日本HIRAYAMA公司，SPX-1505H-Ⅱ型生化培养箱---上海新苗医疗器械公司，SW-CJ-2F型洁净工作台---苏州安泰空气技术有限公司，VORTEX-2GENIE型涡旋振荡器----美国Scientific Industries公司，Easy Mix型均质机---法国AES公司，KB-240型低温培养箱---德国Binder公司，ST/35型真空包装机---温州市大江真空包装机械有限公司。
2实验方法
2.1微生物多样性分析
2.1.1样品处理
将从生产企业A购买的真空包装的生鲜猪肉(24h排酸后，分割包装后抽真空，真空度为100Kpa，包装材料为PE/EVA/PVCD/EVA/PE)置于7℃条件下，用温度芯片记录冰箱中的温度变化情况，每3天进行取样提取细菌总DNA。
2.1.2细菌总DNA的提取
提取的细菌DNA经1.2％的琼脂糖凝胶电泳检测后于-20℃条件下保存。
2.1.3 PCR扩增
以所提取的细菌总DNA为模板，对其16S rDNA的V6～V8区进行扩增。
PCR反应体系(50μl)为：2×Taq PCR MasterMix 25μl，上游引物和下游引物各0.5μl，DNA模板1μl，其余用ddH2O补足50μl。PCR试剂均由上海生工生物工程有限公司提供。
2.1.4变性梯度凝胶电泳分析
采用Biorad Dcode TM电泳仪对PCR扩增的PCR产物进行DGGE分析，将胶片至于紫外凝胶成像系统中观察电泳条带。
2.2动态波动温度的设置
通过调研冷链运输企业监控的温度数据，跟踪冷鲜肉物流车温度变化，监控冷鲜肉销售终端的温度情况，以实际调研得到的冷鲜肉在流通、销售等环节环境因素变化范围为依据设置动态波动温度。
动态波动温度研究使用温度快速变化且精确的生化培养箱，该培养箱温度的精确度为±0.1～0.2℃。共设置了五组不同的动态波动温度，五组动态波动温度点设计为：4℃、6℃、8℃、10℃、12℃、15℃、20℃、25℃、30℃、35℃这十个温度，每组波动温度的设置与温度点的组合以及不同温度培养的时间均不同，且具有较大的差异。动态波动温度与贮藏时间的变化严格遵照设计的温度与时间变化表，如表1。
表1设置五组不同动态波动温度
2.3样品的制备
冷鲜猪肉经由冷链物流车运至实验室，在超净工作台中分割猪里脊，无菌条件下在超净工作台中用电子天平称取25±0.1g样品/份，分装入紫外无菌真空包装中进行真空包装，切成120g左右的小块至于高压高温灭菌的托盘中，用紫外PE塑料保鲜膜封口进行托盘包装，分装好后平均放置于生化培养箱中储藏，研究冷鲜肉猪肉中微生物的因素。
2.4指标的测定
2.4.1微生物指标的测定
(1)菌落总数测定：用1mL无菌微量移液器吸取1mL菌液，垂直滴加于3M菌落总数测试片中央，压板放置中央处，轻压静置1min，在36℃±1℃下培养48h±2h后，按照《SN/T1897-2007食品中菌落总数的测定-Petrifilm TM测试片法》及《SN/T 0168-2015进出口食品中菌落总数计数方法》进行计数。
(2)乳酸菌测定：用1mL无菌微量移液器吸取1mL稀释后的菌液，垂直滴加于3M公司的乳酸菌测试片中央，压板放置中央处，轻压静置1min，在37℃下培养48h±3h后，按照《SN/T 1941.2-2007进出口食品中乳酸菌检验方法第2部分：Petrifilm TM测试片法》进行计数。
(3)假单胞菌测定：用200μL无菌微量移液枪吸取100μL稀释后的菌液，垂直滴加于无菌平板上，用CFC培养基及添加剂在25℃±1℃下培养44h±4h后，按照《SN/T 4044-2014出口肉及肉制品中假单胞菌属的计数方法》进行计数。
2.4.2挥发性盐基氮的测定
取10g绞碎的肉样，加入100mL蒸馏水，180r/min震摇30min，过滤后，用自动定氮仪测定肉浸液的TVB-N值，参照GB/T 5009.44—2003半微量定氮法进行测定，每个样品做3个重复。
2.5数据分析
运用Excel 2010，R-3.5.1、Python软件进行数据处理，Origin 8.0统计软件(Origin Lab公司，Northampton,Massachusetts,USA)进行分析作图。
3预测模型的建立方法
3.1微生物生长与存活的模型
在适宜生长的温度T下，冷鲜猪肉中的微生物立即开始生长，没有出现滞后期。然而，细菌细胞在低于最低生长温度(T＜Tmin)的温度下逐渐死亡。因此，在有利条件下的动态生长和在不利条件下的生存可以用冷鲜猪肉中假单胞菌、乳酸菌、菌落总数的logistic方程(等式(1))来描述。
m＝0 if T<Tmin，
m＝1 if T≥Tmin；
式中，N是实时细菌计数，单位为CFU/g，Ymax是最大菌浓度的指数对数(log)，单位为CFU/g，m是系数，K是速率系数。
温度对细菌生长的影响公式：
当T≥Tmin，K＝μmax；
当T＜Tmin时，K＝k(T-Tmin)；
式中，μmax是比生长速率，单位为log CFU/g/h，a是动力学参数，T为贮藏温度；Tmin为最低生长温度。
3.2数学方法与动力学参数的确定
采用一步动态分析法直接构建三级模型，该三级模型由初级模型(等式(1))和次级模型(等式(2))组成，用于描述冷鲜猪肉中微生物的瞬时生长和生存。利用动态条件下的生长和存活曲线，通过最小二乘逆分析确定动力学参数a、k、Tmin和Ymax。
logistic方程(等式(1))通过使用四阶Runge-Kutta方法结合等式(2)的黄平方根模型来求解，通过应用最小二乘优化算法来搜索优化的动力学参数a、K、Tmin和Ymax，使残差平方和RSS最小化：
式中，n是从三个实验观察数据点的总数，yi是第i个数据点细菌计数的对数，单位为log CFU/g，是对数yi对应的模型值(log CFU/g)。
数值分析和优化寻找优化的动力学参数a、k、Tmin和Ymax。在估计参数总数自由度df的情况下，计算了均方误差MSE和均方根误差RMSE为：
式中，RSS是残差平方和，n是试验样本数，df为自由度。
3.3模型验证
为了验证预测模型，冷鲜猪肉的微生物暴露于两组动态温度曲线，其编程在4-35℃之间变化。此外，使用先前研究的等温生长曲线来检查在该研究中获得的预测模型的准确性。分析残余误差ε，判断模型准确度。
4结果与分析
4.1冷鲜肉加工和流通过程中微生物多样性分析
4.1.1冷鲜猪肉加工和流通过程中微生物多样性分析
选取4℃条件下的贮藏0d、4d、8d、12d、16d、20d猪肉样品，分别提取细菌总DNA。将提取的DNA作为模板，所得的PCR扩增片段为500bp左右，见图1所示，图中标号1-8依次为：Marker、0d、4d、8d、12d、16d、20d、maker。从图1可看出随着贮藏时间的延长，PCR条带的亮度也有所增加，总的来看所样品都有较亮的扩增条带，适合用于DGGE分析。
将16S rDNA的PCR扩增片段进行变性梯度凝胶电泳，电泳图谱如图2所示，图2中A-F分别为0d、4d、8d、12d、16d、20d的样品，图2中M1～M3为纯菌株，M1为假单胞菌，M2～M3为乳酸菌。从DGGE图谱可看出，在贮藏初期DGGE条带较少，且条带不亮，随着贮藏时间的延长，条带的数目及位置有所变化，其中条带的亮度也有所增加，A～F泳道中的条带分别有两条较亮的条带与marker条带的位置一样，说明在样品中存在与marker同种的菌且为优势菌。因此，从DGGE图谱上可定性出假单胞菌和乳酸菌是真空包装生鲜猪肉的优势腐败菌。
4.1.2冷却猪肉加工和流通过程中微生物多样性分析
图3是4℃托盘包装冷鲜猪肉在贮藏过程中细菌的DGGE图谱，图3中泳道A1-A3是贮藏2d的样品，泳道A4-A6是贮藏4d的样品，泳道A7-A9是贮藏6d的样品。对4℃贮藏过程中的DGGE胶片上的主要条带进行割胶回收DNA(条带1-6和n)，经PCR扩增后，1.2％琼脂糖凝胶电泳检测，回收DNA的PCR扩增结果，由于条带n在割胶回收后没有得到纯的DNA，经PCR扩增后不足以进行测序用，所以没有得到这些条带的序列。对条带1-6的PCR产物进行测序，测序结果与Genbank上的已知的序列进行比对。所测序列在450-500bp之间。
DGGE图谱上不同的条带代表不同的微生物种类。表2可知，在冷却猪肉好氧贮藏过程中的优势微生物主要有：热杀索丝菌(Brochothrix thermosphacta)，莫拉氏菌(Moraxella.sp)，气单胞菌(Aeromonas.sp)，假单胞菌(Pseudomonas.sp)，葡萄球菌(Staphylococcus.sp)和Arthrobacter.sp。其中有病原微生物和腐败微生物，主要是腐败微生物。
表2冷却猪肉贮藏过程中细菌DGGE指纹图谱上条带的序列分析
以上对冷鲜猪肉微生物多样性分析可知，真空包装产品中主要腐败菌以假单胞菌和乳酸菌为主，托盘包装中假单胞菌是其主要的优势腐败菌。
4.2冷鲜猪肉真空包装中假单胞菌的动态模型构建
4.2.1假单胞菌的动态模型构建
依据微生物多样性分析可知，真空包装冷鲜猪肉中的优势腐败菌是假单胞菌，在4-20℃温度波动范围内，允许温度以任意方式波动，用于观察培养期间冷鲜猪肉中假单胞菌的生长和存活的动态温度曲线。在整个培养过程中，模拟储存和分配期间的随机温度变化。为了观察低温下的存活率，将样品暴露在4、6和8℃不同时间。按照表1动态波动温度测量动态温度下的假单胞菌的生长情况，如图4所示。假单胞菌的变化趋势与细菌总数非常相似，说明假单胞菌与细菌总数非常相关。在初步分析中，数值分析和优化用于估计所有四个动力学参数a、k、Tmin和Ymax。它们的估计值分别是0.073、0.0027、6.78和15.67，概率p值分别为0.020、0.065、0.0061和8.37e-15。而且动力学参数a、Tmin和Ymax的值具有统计学意义。动力学参数k的概率p值表明从动态轮廓获得的现有存活数据不能在低于最低生长温度Tmin的温度下可靠地估计动力学参数k的值。由于在动态曲线中观察到假单胞菌死亡，因此动力学参数k的值固定为2.72*10-3log CFU/g/h/℃。固定的k值用于重新分析数据以估计动力学参数a、Tmin和Ymax。优化分析的结果如表3。
构建的假单胞菌间歇性动态模型的RMSE为0.45log CFU/g。根据这些温度曲线估算的最小生长温度Tmin为6.78℃，与该微生物的典型生长行为相匹配。总体而言，76.6％的残留误差在±0.5log CFU/g之内。
表3真空包装冷鲜猪肉中假单胞菌生长与存活的动力学参数值
4.3真空包装冷鲜猪肉各腐败品质指标之间的相关性分析
从表4可看出，乳酸菌与细菌总数的相关性最高，为0.971(P＜0.01)，与TVB-N相关性最高的是假单胞菌菌，相关系数为0.846(P＜0.01)，结果表明，真空包装冷鲜猪肉中假单胞菌与腐败品质之间也有显著的相关性。因此，利用假单胞菌数可有效反映冷鲜猪肉的品质变化。
表4各种腐败菌与腐败品质指标的相关性分析
注:**＊表示相关性的显著水平为0.01；*表示相关性的显著水平为0.05。
4.4腐败零界点确定
TVB-N是肉品在发生腐败过程中，肉中的蛋白质被分解产生的胺类等挥发性物质，常被用来指示肉品的新鲜度。国标中规定一级鲜肉的TVB-N值小于15mg/100g，二级鲜肉的TVB-N值为15-20mg/100g，腐败肉的TVB-N值大于20mg/100g。因此，当TVB-N值达到20mg/100g作为腐败点。
结合实验测定的乳酸菌数量，当TVB-N值<15mg/100g时，假单胞菌数量为3.42logcfu/g，当TVB-N值>20mg/100g时，假单胞菌数量为5.68log cfu/g。基于国标冷鲜肉中TVB-N含量的划分标准，结合TVB-N与微生物指标相关性分析，利用获得的临界点微生物数量，划定不同等级肉品新鲜度，通过伪彩色处理将不同新鲜度等级赋予相应的代表色，以直观、形象地实现冷鲜肉新鲜度等级的快速可视化。图5为真空包装冷鲜猪肉新鲜度等级伪彩色示意图的灰度图，分别用不同的颜色表示一级鲜肉、二级鲜肉和腐败肉。如图9所示，以微信平台为依托，开发的微信程序中的扫一扫功能，通过扫描冷链肉与肉制品包装上的二维码可以实现新鲜度的快速预测。
实施例二
以真空包装冷鲜牛肉为对象，构建冷链过程中冷鲜牛肉优势腐败菌间歇性动态生长模型。
1材料与仪器设置
1.1实验材料
样品来源：冷鲜牛肉(大黄瓜条)取样自河南省某牛肉生产企业；
采样方法：从生产线上直接取样，样品选自同一车间当日分割的大黄瓜条，将里大黄瓜条包装后，进行冷链运输，送至实验室，立即进行微生物数量的检测。
1.2实验仪器
HVE-50型蒸汽压力灭菌锅---日本HIRAYAMA公司，SPX-1505H-Ⅱ型生化培养箱---上海新苗医疗器械公司，SW-CJ-2F型洁净工作台---苏州安泰空气技术有限公司，VORTEX-2GENIE型涡旋振荡器---美国Scientific Industries公司，Easy Mix型均质机---法国AES公司，KB-240型低温培养箱---德国Binder公司，ST/35型真空包装机---温州市大江真空包装机械有限公司。
2试验方法
2.1动态波动温度的设置原则
使用温度可编程生化培养箱设置波动温度(精确度±0.1～0.2℃)，共设置了五组不同的动态波动温度，五组动态波动温度点设计为：4℃、6℃、8℃、10℃、12℃、15℃、20℃、25℃、30℃、35℃这十个温度，每组波动温度的设置与温度点的组合以及不同温度培养的时间均不同，且具有较大的差异。动态波动温度与贮藏时间的变化严格遵照设计的温度与时间变化表，如表5。
表5五组不同动态波动温度
2.2肉样的处理
冷鲜牛肉(大黄瓜条)经由冷链物流车运至实验室，在超净工作台中分割大黄瓜条，无菌条件下在超净工作台中用电子天平称取25±0.1g样品/份，分装入紫外无菌真空包装中进行真空包装，分装好后平均放置于生化培养箱中储藏，研究冷鲜肉牛肉中微生物的因素。
2.3指标的测定
2.3.1微生物指标的测定
在动态波动温度条件下，每当温度发生波动变化时从培养箱中随机取出3份真空包装样品，计数时间主要是温度变化的时间点。无菌条件下25.0g肉样，与225mL 0.85％无菌生理盐水在无菌均质袋中充分混合，用拍击式均质器拍打100s，制成1:10的样品均液。用1mL无菌微量移液器吸取1:10样品均液1mL，沿管壁缓慢注于盛有9mL稀释液的无菌试管中，震荡试管使其混合均匀，制成1:100的样品均液。重复上述步骤制备10倍系列稀释样品均液。每个稀释度根据需要倾注平板，共取3个稀释度每个稀释度做2个重复，进行假单胞菌的测定，计数时将菌落数转化为log CFU/g。
(1)菌落总数测定：用1mL无菌微量移液器吸取1mL菌液，垂直滴加于3M菌落总数测试片中央，压板放置中央处，轻压静置1min，在36℃±1℃下培养48h±2h后，按照《SN/T1897-2007食品中菌落总数的测定－Petrifilm TM测试片法》及《SN/T 0168-2015进出口食品中菌落总数计数方法》进行计数。
(2)乳酸菌测定：用1mL无菌微量移液器吸取1mL稀释后的菌液，垂直滴加于3M公司的乳酸菌测试片中央，压板放置中央处，轻压静置1min，在37℃下培养48h±3h后，按照《SN/T 1941.2-2007进出口食品中乳酸菌检验方法第2部分：Petrifilm TM测试片法》进行计数。
(3)假单胞菌测定：用200μL无菌微量移液枪吸取100μL稀释后的菌液，垂直滴加于无菌平板上，用CFC培养基及添加剂在25℃±1℃下培养44h±4h后，按照《SN/T 4044-2014出口肉及肉制品中假单胞菌属的计数方法》进行计数。
2.3.2挥发性盐基氮的测定
取10g绞碎的肉样，加入100mL蒸馏水，180r/min震摇30min，过滤后，用自动定氮仪测定肉浸液的TVB-N值，参照GB/T 5009.44—2003半微量定氮法进行测定，每个样品做3个重复。
2.4数据分析
运用EXCEL2010、R-3.5.1、Python软件进行数据处理，Origin8.0统计软件(OriginLab公司，Northampton，Massachusetts，USA)进行分析作图。
3预测模型的建立方法
3.1微生物生长与存活的模型
在适宜生长的温度T下，冷鲜牛肉中的微生物立即开始生长，没有出现滞后期。然而，细菌细胞在低于最低生长温度(T＜Tmin)的温度下逐渐死亡。因此，在有利条件下的动态生长和在不利条件下的生存可以用冷鲜牛肉中假单胞菌、乳酸菌、菌落总数的logistic方程用等式(6)来描述。
m＝0 if T<Tmin，m＝1if T≥Tmin；
式中，N是实时细菌计数，单位为log CFU/g，Ymax是最大菌浓度，单位为log CFU/g，m是判定系数。
温度对细菌生长的影响可以通过黄平方根模型即等式(7)表示。
当T≥Tmin，K＝μmax；
当T＜Tmin时，K＝k(T-Tmin)；
式中，μmax是比生长速率，单位为log CFU/g/h)，a是两个动力学参数。
3.2数学方法与动力学参数的确定
采用一步动态分析法直接构建三级模型，该三级模型由初级模型(等式(6))和次级模型(等式(7))组成，用于描述冷鲜牛肉中微生物的瞬时生长和生存。利用动态条件下的生长和存活曲线，通过最小二乘法分析确定动力学参数a、k、Tmin和Ymax。
logistic方程(等式(6))通过使用Runge-Kutta方法结合等式(7)来求解，通过应用最小二乘优化算法来搜索优化的动力学参数a、k、Tmin和Ymax，使残差平方和RSS最小化即等式(8)。在等式(8)中，n是从三个实验观察数据点的总数，yi是第i个数据点细菌计数的对数(基数10)，单位为log CFU/g，是对数yi对应的模型值，单位为log CFU/g。
数值分析和优化使用，寻找优化的动力学参数a、k、Tmin和Ymax。在估计参数总数df(自由度)的情况下，计算了均方误差MSE和均方根误差RMSE。
3.3模型验证
为了验证预测模型，冷鲜牛肉的微生物暴露于两组动态温度曲线，其编程在4-35℃之间变化。此外，使用先前研究的等温生长曲线来检查在该研究中获得的预测模型的准确性。分析残余误差ε判断模型准确度。
4结果分析
4.1冷鲜牛肉真空包装中假单胞菌的动态模型构建
4.1.1假单胞菌的动态模型构建
图6是用于观察培养期间冷鲜牛肉中假单胞菌的生长和存活的动态温度曲线。动态温度曲线的温度范围为4-35℃。在整个培养过程中，允许温度以任意方式波动，模拟储存和分配期间的随机温度变化。为了观察低温下的存活率，将样品暴露在4、6和8℃不同时间，动态温度下的假单胞菌的生长情况如图6所示。
在初步分析中，数值分析和优化用于估计所有四个动力学参数，其中a、k、Tmin和Ymax估计值分别为0.03556、0.0014、3.42和16.45，概率p值分别为0.018、0.066、0.0023和7.37e-15。显然，除了k之外的所有参数都具有非常低的概率p值，这表明a、Tmin和Ymax的值具有统计学意义。动力学参数k的概率p值表明从动态轮廓获得的现有存活数据不能在低于Tmin的温度下可靠地估计动力学参数k的值。由于在动态曲线中观察到假单胞菌死亡，因此k值固定为1.72*10-3log CFU/g/h/℃，用于重新分析数据以估计a，Tmin和Ymax。优化分析的结果如表2。该模型的RMSE为0.78log CFU/g。根据这些温度曲线估算的最小生长温度为3.42℃，与该微生物的典型生长行为相匹配。总体而言，79.09％的残留误差在±0.5log CFU/g之内。
表6真空包装冷鲜牛肉中假单胞菌生长与存活的动力学参数值
4.1.2模型验证
另两组动态温度曲线用于验证本发明中开发的预测模型。在图6中，温度设计为连续变化并在4至35℃之间任意波动，模拟储存和分配期间的随机温度变化。由于该温度曲线的一些部分低于Tmin，因此细菌死亡可以与Tmin的温度偏差成比例的速率发生。在温度T>Tmin时，发生了增长。通过数学模型精确捕获细菌生长和存活，其中模型预测与实验观察密切相关。动态曲线的预测的RMSE为0.45log CFU/g，总体而言，76.8％的预测误差在±0.5logCFU/g范围内。
4.2真空包装冷鲜牛肉各腐败品质指标之间的相关性
从表7可看出，乳酸菌与细菌总数的相关性最高，为0.984(P＜0.01)，与TVB－N相关性最高的是假单胞菌，相关系数为0.908(P＜0.01)，略高于乳酸菌。假单胞菌与细菌总数的相关系数稍低于乳酸菌。结果表明，真空包装冷鲜牛肉中假单胞菌与腐败品质之间也有显著的相关性。利用假单胞菌数可表征真空包装冷鲜牛肉新鲜度变化。
表7各种腐败菌与腐败品质指标的相关系数
注:**表示相关性的显著水平为0.01；*表示相关性的显著水平为0.05。
4.3腐败零界点确定
图7为真空包装冷鲜牛肉新鲜度等级伪彩色示意图的灰度图，分别用不同的颜色表示一级鲜肉、二级鲜肉和腐败肉。TVB-N是肉品在发生腐败过程中，肉中的蛋白质被分解产生的胺类等挥发性物质，常被用来指示肉品的新鲜度。国标中规定一级鲜肉的TVB-N值小于15mg/100g，二级鲜肉的TVB-N值为15-20mg/100g，腐败肉的TVB-N值大于20mg/100g。
因此，当TVB-N值达到20mg/100g作为腐败临界点。结合实验测定的假单胞菌数量，当TVB-N值<15mg/100g时，假单胞菌数量为4.8log cfu/g为临界点，当TVB-N值>20mg/100g时，假单胞菌数量为7.12log cfu/g。基于国标冷鲜肉中TVB-N含量的划分标准，结合TVB-N与微生物指标相关性分析，利用获得的临界点微生物数量，划定不同等级肉品新鲜度，通过伪彩色处理将不同新鲜度等级赋予相应的代表色，以直观、形象地实现冷鲜肉新鲜度等级的快速可视化。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，其步骤如下：
步骤一：通过微生物多样性分析确定不同肉与肉制品、不同包装方式条件下样品的优势致腐微生物；
步骤二：通过实地调研流通和销售环节的环境变化因素，确定样品中优势致腐微生物的动态波动温度；
步骤三：根据步骤二的动态波动温度设置培养温度和时间参数将样品放入波动温度培养箱中进行培养，每当温度依据设置的波动温度点发生波动变化时从培养箱中随机取出至少两份样品，进行细菌总数和优势腐败菌总数平板计数，构建动态条件下的生长和存活曲线；
步骤四：利用微生物生长与存活的关系、微生物生长与环境因子的关系构建冷链肉制品中微生物三级动态模型；
步骤五：利用Runge-Kutta方法求解微生物生长动力学参数，通过步骤三动态条件下的生长和存活曲线及最小二乘优化算法优化动力学参数；
步骤六：将优化的动力学参数带入微生物三级动态模型得到温度波动条件下不同优势致腐微生物的间歇性动态预测模型。
2.根据权利要求1所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述样品是直接从生产线上直接取样的生鲜猪肉或生鲜牛肉，样品选自同一车间当日分割，真空包装或托盘包装的不同包装方式后进行冷链运输送至实验室，立即进行微生物数量的检测；所述生鲜猪肉24h排酸后分割包装后，置于4℃的条件下保存。
3.根据权利要求1或2所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述步骤一中微生物多样性分析的方法为：
(1)取样提取细菌总DNA；
(2)PCR扩增；
(3)变性梯度凝胶电泳分析：采用电泳仪对扩增的PCR产物进行DGGE分析，将胶片置于紫外凝胶成像系统中观察电泳条带；
微生物多样性分析表明：假单胞菌和乳酸菌是真空包装生鲜猪肉的优势腐败菌，假单胞菌是生鲜牛肉和托盘包装生鲜猪肉中主要的优势腐败菌。
4.根据权利要求1所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述步骤三中动态波动温度点为：4℃-35℃随机选取温度点。
5.根据权利要求4所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述步骤三中细菌总数和优势腐败菌总数平板计数方法为：在动态波动温度条件下，每当温度发生波动变化时从培养箱中随机取出3份真空包装样品；无菌条件下25.0g肉样品，与225mL0.85％无菌生理盐水在无菌均质袋中充分混合，用均质器拍打100s，制成1:10的样品均液；用1mL无菌微量移液器吸取1:10样品均液1mL，沿管壁缓慢注于盛有9mL稀释液的无菌试管中，震荡试管使其混合均匀，制成1:100的样品均液；重复上述步骤制备10倍系列稀释样品均液；每个稀释度根据需要倾注平板，共取3个稀释度每个稀释度做2个重复；
(1)菌落总数测定：用1mL无菌微量移液器吸取1mL菌液，垂直滴加于菌落总数测试片中央，压板放置中央处，轻压静置1min，在36℃±1℃下培养48h±2h后，按照菌落总数测定和菌落总数计数方法进行计数；
(2)乳酸菌测定：用1mL无菌微量移液器吸取1mL稀释后的菌液，垂直滴加于乳酸菌测试片中央，压板放置中央处，轻压静置1min，在37℃下培养48h±3h后，按照乳酸菌检验方法进行计数；
(3)假单胞菌测定：用200μL无菌微量移液枪吸取100μL稀释后的菌液，垂直滴加于无菌平板上，用CFC培养基及添加剂在25℃±1℃下培养44h±4h后，按照假单胞菌属的计数方法进行计数；
(4)样品的挥发性盐基氮的测定方法为：取10g绞碎的肉样品，加入100mL蒸馏水，180r/min震摇30min，过滤后，自动定氮仪利用半微量定氮法测定肉浸液的TVB-N值，每个样品做3个重复；结合TVB-N值与微生物指标相关性分析，利用获得的临界点微生物数量，划定不同等级肉品新鲜度。
6.根据权利要求1所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述微生物生长与存活的关系满足利用样品中假单胞菌、乳酸菌、菌落总数的logistic方程：
m＝0 if T<Tmin，
m＝1 if T≥Tmin；
式中，N是实时细菌计数，单位为CFU/g，Ymax是最大菌浓度的指数对数，单位为CFU/g，m是系数，K是速率系数；
微生物生长与环境因子的关系满足黄平方根模型：
当T≥Tmin，K＝μmax；
当T＜Tmin时，K＝k(T-Tmin)；
式中，μmax是比生长速率，单位为logCFU/g/h；a是动力学参数；T为贮藏温度；Tmin为最低生长温度；
所述步骤四中微生物三级动态模型是采用一步动态分析法直接构建logistic方程和黄平方根模型；利用动态条件下的生长和存活曲线，通过最小二乘逆分析确定动力学参数a、k、Tmin和Ymax；logistic方程通过使用四阶Runge-Kutta方法结合最小二乘优化算法来搜索优化的动力学参数a、K、Tmin和Ymax，使残差平方和RSS最小化：
式中，n是试验样本数，yi是第i个数据点细菌计数的对数，单位为logCFU/g；是对数yi对应的模型值，单位为logCFU/g。
7.根据权利要求6所述的冷链肉与肉制品物流过程中品质智能检测方法，其特征在于，所述间歇性动态预测模型采用两组动态生长曲线与一组恒温曲线对模型进行验证的方法为：计算了均方误差MSE和均方根误差RMSE为：
式中，RSS是残差平方和，n是试验样本数，df是自由度；确定预测值是实测值yi残差分布结果，判断模型准确度。
8.根据权利要求1所述的冷链肉与肉制品物流过程中品质智能检测方法的检测系统，其特征在于，包括服务器平台、后台运算模块、数据库和前端显示模块，服务器平台与后台运算模块相连接，后台运算模块分别与RFID温度监控集成标签、数据库和前端显示模块相连接；前端显示模块上设有新鲜度量效可视模块，后台运算模块上设有新鲜度量效模块、样品数据运算分析模块和大数据分析模块，新鲜度量效模块与新鲜度量效可视模块相连接。
9.根据权利要求1所述的冷链肉与肉制品物流过程中品质智能检测系统，其特征在于，数据库为mySQL数据库，根据需求分析建立相应数据表；样品数据运算分析模块通过SQR语言对mySQL数据库进行环境配置，利用SQLYON工具将不同样品的微生物间歇性动态生长模型通过计算机语言解析，构建样品数据库根据需求分析建立相应数据表，基于PHP语言环境在逻辑层调用解析后的微生物三级动态模型，将传输的数据代入计算，得到微生物生长数量；大数据分析模块根据不同样品企业实地冷链物流过程中温度波动的情况，利用Python进行波动温度大数据分析，获得不同肉与肉制品冷链物流过程中温度波动的变化规律，用于对不同产品优势致腐微生物间歇性动态预测模型进行训练；新鲜度量效模块根据肉与肉制品新鲜度指标TVB-N含量进行划分肉品等级：与细菌总数、优势腐败菌数进行相关性分析，获得不同等级变化的临界点微生物数量，通过伪彩色处理将不同新鲜度等级赋予相应的代表色。
10.根据权利要求8或9所述的冷链肉与肉制品物流过程中品质智能检测系统，其特征在于，所述服务器平台为微信公众平台，微信公众平台包括视图层和逻辑层，微信公众平台利用微信程序开发工具提供了视图层描述语言WXML和WXSS以及基于JavaScript的逻辑层框架，并在视图层与逻辑层间设置数据传输和事件系统；RFID温度监控集成标签将肉与肉制品冷链物流的时间、温度变量传送至后台运算模块，调用API接口经由HTTPS协议传输获取JSon数据实现数据的对接；RFID温度监控集成标签通过温度传感器实时获取冷链物流过程中产品的温度数据，然后传送给与之连接的RFID标签通过在线RFID读卡技术获得温度数据，同时借助GPS设备和无线传输技术实时通过HTTPS协议传输至后台运算模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294238.2A CN109852677B (zh) | 2019-04-12 | 2019-04-12 | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294238.2A CN109852677B (zh) | 2019-04-12 | 2019-04-12 | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109852677A true CN109852677A (zh) | 2019-06-07 |
| CN109852677B CN109852677B (zh) | 2020-09-29 |
Family
ID=66903887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910294238.2A Active CN109852677B (zh) | 2019-04-12 | 2019-04-12 | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109852677B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027749A (zh) * | 2019-11-14 | 2020-04-17 | 青岛蔚蓝生物股份有限公司 | 一种冷鲜肉货架期预测模型的建立及应用方法 |
| CN114574568A (zh) * | 2022-03-18 | 2022-06-03 | 广东省农业科学院蚕业与农产品加工研究所 | 暗纹东方鲀保鲜过程中腐败微生物的动态变化检测方法 |
| CN115273420A (zh) * | 2022-08-04 | 2022-11-01 | 郴州恒维电子有限公司 | 一种基于双稳态液晶片的冷链物流周转箱管理系统 |
| CN116972913A (zh) * | 2023-09-22 | 2023-10-31 | 南通百源制冷设备有限公司 | 一种冷链设备运行状态在线监测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104293878A (zh) * | 2014-09-30 | 2015-01-21 | 北京农业信息技术研究中心 | 一种冷却肉中假单胞菌数量预测方法及系统 |
-
2019
- 2019-04-12 CN CN201910294238.2A patent/CN109852677B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104293878A (zh) * | 2014-09-30 | 2015-01-21 | 北京农业信息技术研究中心 | 一种冷却肉中假单胞菌数量预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李苗云: "冷却猪肉中微生物生态分析及货架期预测模型的研究", 《中国优秀博硕士学位论文全文数据库》 * |
| 李苗云: "肉品微生物生长预测模型研究进展", 《肉类研究》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027749A (zh) * | 2019-11-14 | 2020-04-17 | 青岛蔚蓝生物股份有限公司 | 一种冷鲜肉货架期预测模型的建立及应用方法 |
| CN114574568A (zh) * | 2022-03-18 | 2022-06-03 | 广东省农业科学院蚕业与农产品加工研究所 | 暗纹东方鲀保鲜过程中腐败微生物的动态变化检测方法 |
| CN115273420A (zh) * | 2022-08-04 | 2022-11-01 | 郴州恒维电子有限公司 | 一种基于双稳态液晶片的冷链物流周转箱管理系统 |
| CN116972913A (zh) * | 2023-09-22 | 2023-10-31 | 南通百源制冷设备有限公司 | 一种冷链设备运行状态在线监测方法及系统 |
| CN116972913B (zh) * | 2023-09-22 | 2023-12-01 | 南通百源制冷设备有限公司 | 一种冷链设备运行状态在线监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109852677B (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109852677A (zh) | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 | |
| Gonçalves-Tenório et al. | Prevalence of pathogens in poultry meat: a meta-analysis of European published surveys | |
| Fletcher et al. | Advances in meat spoilage detection: A short focus on rapid methods and technologies | |
| Tamplin | Integrating predictive models and sensors to manage food stability in supply chains | |
| CN102650632B (zh) | 一种应用于波动温度下评价冷却猪肉货架期的方法 | |
| CN109738600A (zh) | 一种冷链肉制品微生物间歇性动态预测模型的构建方法 | |
| Russell | Comparison of the traditional three-tube most probable number method with the Petrifilm, SimPlate, BioSys optical, and Bactometer conductance methods for enumerating Escherichia coli from chicken carcasses and ground beef | |
| Balasubramanian et al. | Identification of salmonella‐inoculated beef using a portable electronic nose system | |
| Sogin et al. | Implementation of ATP and microbial indicator testing for hygiene monitoring in a Tofu production facility improves product quality and hygienic conditions of food contact surfaces: A case study | |
| Augustin et al. | Design of control charts to monitor the microbiological contamination of pork meat cuts | |
| CN108344841A (zh) | 一种预测冷藏巴氏杀菌鲜奶货架期的方法 | |
| Mcmeekin et al. | Modeling applications | |
| Deak et al. | Use of indirect conductimetry to predict the growth of spoilage yeasts, with special consideration of Zygosaccharomyces bailii | |
| Habib et al. | Performance characteristics and estimation of measurement uncertainty of three plating procedures for Campylobacter enumeration in chicken meat | |
| Damdam et al. | IoT-Enabled Electronic Nose System for Beef Quality Monitoring and Spoilage Detection | |
| Ross | A philosophy for the development of kinetic models in predictive microbiology | |
| GB2601915A (en) | Methods and kits for detecting pathogens | |
| CN116205688A (zh) | 生鲜产品信息处理方法、装置、计算机设备及存储介质 | |
| Fernandes et al. | GreenLight™ model 960 | |
| Albrecht et al. | A Multi-Model Approach to Implement a Dynamic Shelf Life Criterion in Meat Supply Chains | |
| Łobacz et al. | Predictive microbiology and risk analysis | |
| Arroyo‐López et al. | Predictive microbiology: a valuable tool in food safety and microbiological risk assessments | |
| Amézquita et al. | Modelling microbiological shelf life of foods and beverages | |
| CN104360031A (zh) | 一种无损实时评定食物有效期的方法和装置 | |
| Vargas et al. | Shelf-Life Evaluation of Pork Loins as Influenced by the Application of Different Antimicrobial Interventions |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |