CN109856080A - 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法 - Google Patents

近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法 Download PDF

Info

Publication number
CN109856080A
CN109856080A CN201811534065.9A CN201811534065A CN109856080A CN 109856080 A CN109856080 A CN 109856080A CN 201811534065 A CN201811534065 A CN 201811534065A CN 109856080 A CN109856080 A CN 109856080A
Authority
CN
China
Prior art keywords
value
fillet
freshness
sample
tvb
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
Application number
CN201811534065.9A
Other languages
English (en)
Other versions
CN109856080B (zh
Inventor
成军虎
吕啸野
孙大文
韩忠
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201811534065.9A priority Critical patent/CN109856080B/zh
Publication of CN109856080A publication Critical patent/CN109856080A/zh
Application granted granted Critical
Publication of CN109856080B publication Critical patent/CN109856080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了多光谱多指标协同的鱼片新鲜程度评价方法，该方法分别测定冷藏不同天数的鱼片样本的新鲜度指标TVB‑N值、TBARS值和K值；利用多光谱成像系统扫描相应的鱼片样本，得到相应的多光谱图像，对近红外多光谱图像进行处理，分别提取5个中心波长1250nm、1452nm、1655nm、1785nm、和1890nm处对应的平均反射光谱值；基于所获取的TVB‑N值、TBARS值和K值和平均光谱值，利用LS‑SVM建立预测模型，并对待测鱼片样品进行新鲜程度预测。本发明采用多光谱多指标协同评价鱼片的新鲜程度，降低了传统方法所需时间，增强了检测效率和准确率，可以有效实现快速、无损、非接触在线检测的目的。

Description

近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法
技术领域
本发明涉及鱼片新鲜度品质检测领域，特别涉及一种近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法。
背景技术
鱼类是水产品重要组成部分。鱼肉味道鲜美，营养物质含量高，是人类所需的蛋白质、氨基酸、脂肪等营养物质的重要来源，是人们膳食的重要组成部分。新鲜度是鱼肉品质评价的一个重要综合指标。影响鱼肉新鲜度的因素很多，主要涉及到储藏温度、微生物污染、加工方法以及自身的物理化学及生物化学变化。
目前，测定和评价鱼肉新鲜度的方法大致分为：感官评价法、物理特性测量、化学分析法等。实验室常用的化学分析法以测量蛋白质降解指标—挥发性盐基氮值(TVB-N)、脂肪氧化指标—硫代巴比妥酸值(TBARS)和ATP降解指标—K值来评价鱼肉的新鲜度。通常而言，当TVB-N值≤15mg N/100g界定为一级鲜度，15mg N/100g＜TVB-N值≤20mg N/100g，界定为二级鲜度，TVB-N值＞20mg N/100g时，界定为失去食用价值；同样的，当K值≤20％，判定鱼肉为一级鲜度；当20％＜K值≤60％时，判定鱼肉为二级鲜度，仍可以食用；当K值＞60％时，鱼肉已经腐败变质，失去食用价值。在实验室通常采用半微量定氮法、分光光度法及高效液相色谱法来测量对应的三个指标。化学分析法测试虽然结果准确，但属于破坏性检测。很显然，在实际检测过程中，这些方法存在步骤繁琐、操作要求高、耗时费力及不能实现无损快速在线检测。
发明内容
为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，在不破坏鱼片样品的前提下，可以有效节省检测时间，节约测量成本，实现鱼片新鲜度的快速无损检测与评价。
本发明的目的通过以下技术方案实现：
近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，包括以下步骤：
(1)从0天开始，间隔天数为1或者2天，制备鱼肉样本并冷藏不同天数，冷藏天数最长不超过7天，获取N个鱼片样本，N个鱼片样本随机分为M组；N大于90，M为4-10的整数；每组样品个数为N/5；
(2)利用近红外多光谱成像系统对不同储藏天数的鱼片样本进行扫描，共得到N个鱼片样本的多光谱图像；
(3)提取鱼片样本的多光谱中心波长处对应的反射光谱值，所述中心波长分别为1250nm、1452nm、1655nm、1785nm、和1890nm；
(4)测定表征鱼片新鲜度的三个指标，利用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值；
(5)结合步骤(3)得到的中心波长处对应的反射光谱值和步骤(4)得到的TVB-N值、TBARS值及K值三个鱼片新鲜度指标值，利用最小二乘支持向量机(LS-SVM)构建鱼片新鲜度多指标预测模型；Yi＝C0+AX1250nm+BX1452nm+CX1655nm+DX1785nm+EX1890nm；
其中，Yi为新鲜度评价指标TVB-N值、TBARS值和K值，i为新鲜度等级，取值分别为1、2、和0，分别表示一级鲜度、二级鲜度和无鲜度；X1250nm、X1452nm、X1655nm、X1785nm、X1890nm分别为波长为1250nm、1452nm、1655nm、1785nm、1890nm对应的平均反射光谱值，并与TVB-N值、TBARS值和K值测量时的光谱值所对应；C0、A、B、C、D、E均为协调系数，通过Matlab编程自动生成；
(6)利用步骤(5)得到的预测模型评价待测鱼片样品的新鲜程度。
为进一步实现本发明目的，优选地，步骤(6)所述新鲜程度的评价为：
当鱼片处于一级鲜度时，模型Yi协调系数分别为C0＝-22.31，A＝25.23，B＝-21.42，C＝46.55，D＝124.12，E＝23.48；同时测到的三个指标的变化范围分别为：TVB-N值≤14.27mg N/100g、TBARS值≤0.58mg/kg、K值≤19.36％；
当鱼片处于二级鲜度时，模型Yi协调系数分别为C0＝-103.77，A＝35.64，B＝41.72，C＝32.11，D＝165.69，E＝221.53；同时测到的三个指标的变化范围分别为：14.27mgN/100g＜TVB-N值≤19.88mg N/100g，0.58mg/kg＜TBARS值≤0.99mg/kg，19.36％＜K值≤59.48％；
当鱼片处于无鲜度时，模型Yi协调系数分别为C0＝-202.8，A＝32.37，B＝46.42，C＝41.7，D＝195.13，e＝213.8；同时测到的三个指标的变化范围分别为：TVB-N值＞19.88mgN/100g，TBARS值＞0.99mg/kg，K值＞59.48％。
优选地，步骤(3)所述提取鱼片样本的多光谱中心波长处对应的反射光谱值是在对得到的鱼片样本的多光谱图像进行大小校正、掩膜、去噪处理后进行。
优选地，步骤(1)所述鱼肉样本的鱼为草鱼、鲤鱼、鲢鱼、大头鱼或青鱼。
优选地，步骤(1)所述鱼肉样本的制作包括去鳞、去内脏、去头、去尾和皮，分割成大小尺寸为3cm×3cm×1cm；用流动水冲洗干净，用吸水纸吸干鱼肉表面的残水，装入聚乙烯保鲜袋密封并于4℃条件下冷藏。
优选地，步骤(1)所述的M组中每组样本数相同或相差一个。
优选地，步骤(1)所述的M为5。
本发明当鱼片处于无鲜度时失去食用价值。
与现有技术相比，本发明具有以下优点和有益效果：
1)本发明在不破坏鱼肉样本的前提下，实现鱼片新鲜程度的快速无损检测与评价，与常规评价方法相比，操作简便、快速、非破坏、非接触、不需要对样品进行前处理，可以实现鱼片新鲜度的快速无损在线监控。
2)本发明建立的预测模型，对新鲜度的三个指标值进行了同时测量与分析，使新鲜度的评价更准确，误差更小，为保障鱼肉品质安全，维护消费者健康有着直接的现实意义。
附图说明
图1为本发明一种近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法的流程图。
具体实施方式
为更好地理解本发明，下面结合附图和实施例对本发明作进一步的说明，但本发明的实施方式不限于此。
实施例
如图1所示，近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，包括以下步骤：
(1)制备草鱼片样本并冷藏，获得不同冷藏天数的鱼片样本：将草鱼10条(质量大约2kg)致死，去鳞、去内脏、去头、去尾和皮，然后分割成大小尺寸(3cm×3cm×1cm)类似的鱼片样本200个，用流动水冲洗干净，用吸水纸吸干鱼片表面的残水，装入聚乙烯保鲜袋密封并于4℃条件下分别冷藏0、2、4、6天，分成四组，每组随机挑选出50个鱼片作为鱼片样本；
(2)利用近红外多光谱成像系统(DL-604M)对不同冷藏时间的鱼片样本进行扫描，获取得到200个鱼片样本的多光谱图像；
(3)对得到的200个鱼片样本的多光谱图像进行大小校正、掩膜、去噪处理，分别提取5个中心波长1250nm、1452nm、1655nm、1785nm、和1890nm处对应的平均反射光谱值；
(4)对200个鱼片样本，分别利用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值，采用线性变换的方法对三个指标值进行归一化处理，测量结果如表1所示；
表1TVB-N值、TBA值和K值测试结果情况表
(5)结合步骤(3)得到的中心波长处对应的平均反射光谱值和步骤(4)得到的三个指标的归一化值，利用最小二乘支持向量机(LS-SVM)构建鱼片新鲜度多指标预测模型：
Yi＝C0+AX1250nm+BX1452nm+CX1655nm+DX1785nm+EX1890nm；
其中，Yi为新鲜度评价指标TVB-N值、TBARS值和K值，i为新鲜度等级，取值分别为1、2、和0，分别表示一级鲜度、二级鲜度和无鲜度；X1250nm、X1452nm、X1655nm、X1785nm、X1890nm分别为波长为1250nm、1452nm、1655nm、1785nm、1890nm对应的平均反射光谱值，并与TVB-N值、TBARS值和K值测量时的光谱值所对应；C0、A、B、C、D、E均为协调系数，通过Matlab编程自动生成；
当鱼片处于一级鲜度时，模型Yi协调系数分别为C0＝-22.31，A＝25.23，B＝-21.42，C＝46.55，D＝124.12，E＝23.48；同时测到的三个指标的变化范围分别为：TVB-N值≤14.27mg N/100g、TBARS值≤0.58mg/kg、K值≤19.36％；
当鱼片处于二级鲜度时，模型Yi协调系数分别为C0＝-103.77，A＝35.64，B＝41.72，C＝32.11，D＝165.69，E＝221.53；同时测到的三个指标的变化范围分别为：14.27mgN/100g＜TVB-N值≤19.88mg N/100g，0.58mg/kg＜TBARS值≤0.99mg/kg，19.36％＜K值≤59.48％；
当鱼片处于无鲜度(失去食用价值)时，模型Yi协调系数分别为C0＝-202.8，A＝32.37，B＝46.42，C＝41.7，D＝195.13，e＝213.8；同时测到的三个指标的变化范围分别为：TVB-N值＞19.88mg N/100g，TBARS值＞0.99mg/kg，K值＞59.48％。
(6)利用步骤(5)得到的预测模型评价待测鱼片样品的新鲜程度。
本实施例中通过构建的模型预测得到的冷藏2天的草鱼片样本的TVB-N值、TBARS值、K值与利用传统方法分别采用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值如表2所示，鱼片处于一级鲜度等级，两种方法得到的实验数据无差异性，可以用发明的新方法代替传统方法来评价鱼片的新鲜度，三个指标测量都无差异性，可以同时用这个三个指标综合评价鱼片的新鲜度，比单一指标评价更准确更可靠。
表2实施例中所发明的新方法与传统测量方法测量值的比较(冷藏2天)
实施例2
近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，包括以下步骤：
(1)制备大头鱼片样本并冷藏，获得不同冷藏天数的鱼片样本：将大头鱼8条(质量大约2kg)致死，去鳞、去内脏、去头、去尾和皮，然后分割成大小尺寸(3cm×3cm×1cm)类似的鱼片样本160个，用流动水冲洗干净，用吸水纸吸干鱼片表面的残水，装入聚乙烯保鲜袋密封并于4℃条件下分别冷藏0、1、3、5天，分成四组，每组随机挑选出40个鱼片作为鱼片样本；
(2)利用近红外多光谱成像系统(DL-604M)对不同冷藏时间的鱼片样本进行扫描，获取得到160个鱼片样本的多光谱图像；
(3)对得到的160个鱼片样本的多光谱图像进行大小校正、掩膜、去噪处理，分别提取5个中心波长1250nm、1452nm、1655nm、1785nm、和1890nm处对应的平均反射光谱值；
(4)分别利用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值，并对三个指标值进行归一化处理，测量结果如表3所示；
表3利用传统方法测量TVB-N值、TBA值和K值结果
(5)结合步骤(3)得到的中心波长处对应的平均反射光谱值和步骤(4)得到的三个指标的归一化值，利用最小二乘支持向量机(LS-SVM)构建鱼片新鲜度多指标预测模型；
步骤(5)所述预测模型，模型方程具体为：
Yi＝C0+AX1250nm+BX1452nm+CX1655nm+DX1785nm+EX1890nm；
其中，Yi为新鲜度评价指标TVB-N值、TBARS值和K值，i为新鲜度等级，取值分别为1、2、和0，分别表示一级鲜度、二级鲜度和无鲜度；X1250nm、X1452nm、X1655nm、X1785nm、X1890nm分别为波长为1250nm、1452nm、1655nm、1785nm、1890nm对应的平均反射光谱值，并与TVB-N值、TBARS值和K值测量时的光谱值所对应；C0、A、B、C、D、E均为协调系数，通过Matlab编程自动生成；
当鱼片处于一级鲜度时，模型Yi协调系数分别为C0＝-22.31，A＝25.23，B＝-21.42，C＝46.55，D＝124.12，E＝23.48；同时测到的三个指标的变化范围分别为：TVB-N值≤14.27mg N/100g、TBARS值≤0.58mg/kg、K值≤19.36％；
当鱼片处于二级鲜度时，模型Yi协调系数分别为C0＝-103.77，A＝35.64，B＝41.72，C＝32.11，D＝165.69，E＝221.53；同时测到的三个指标的变化范围分别为：14.27mgN/100g＜TVB-N值≤19.88mg N/100g，0.58mg/kg＜TBARS值≤0.99mg/kg，19.36％＜K值≤59.48％；
当鱼片处于无鲜度(失去食用价值)时，模型Yi协调系数分别为C0＝-202.8，A＝32.37，B＝46.42，C＝41.7，D＝195.13，e＝213.8；同时测到的三个指标的变化范围分别为：TVB-N值＞19.88mg N/100g，TBARS值＞0.99mg/kg，K值＞59.48％。
(6)利用步骤(5)得到的预测模型评价待测鱼片样品的新鲜程度。
本实施例中通过构建的模型预测得到的冷藏5天的草鱼片样本的TVB-N值、TBARS值、K值与利用传统方法分别采用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值如表4所示，鱼片处于二级鲜度等级，两种方法得到的实验数据无差异性，可以用发明的新方法代替传统方法来评价鱼片的新鲜度，三个指标测量都无差异性，可以同时用这个三个指标综合评价鱼片的新鲜度，比单一指标评价更准确更可靠。
表4实施例中所发明的新方法与传统测量方法测量值的比较(冷藏5天)
本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于包括以下步骤：
(1)从0天开始，间隔天数为1或者2天，制备鱼肉样本并冷藏不同天数，冷藏天数最长不超过7天，获取N个鱼片样本，N个鱼片样本随机分为M组；N大于90，M为4-10的整数；每组样品个数为N/5；
(2)利用近红外多光谱成像系统对不同储藏天数的鱼片样本进行扫描，共得到N个鱼片样本的多光谱图像；
(3)提取鱼片样本的多光谱中心波长处对应的反射光谱值，所述中心波长分别为1250nm、1452nm、1655nm、1785nm、和1890nm；
(4)测定表征鱼片新鲜度的三个指标，利用半微量定氮法测定TVB-N值、分光光度法测定TBARS值及高效液相色谱法测定K值；
(5)结合步骤(3)得到的中心波长处对应的反射光谱值和步骤(4)得到的TVB-N值、TBARS值及K值三个鱼片新鲜度指标值，利用最小二乘支持向量机(LS-SVM)构建鱼片新鲜度多指标预测模型；Yi＝C0+AX1250nm+BX1452nm+CX1655nm+DX1785nm+EX1890nm；
其中，Yi为新鲜度评价指标TVB-N值、TBARS值和K值，i为新鲜度等级，取值分别为1、2、和0，分别表示一级鲜度、二级鲜度和无鲜度；X1250nm、X1452nm、X1655nm、X1785nm、X1890nm分别为波长为1250nm、1452nm、1655nm、1785nm、1890nm对应的平均反射光谱值，并与TVB-N值、TBARS值和K值测量时的光谱值所对应；C0、A、B、C、D、E均为协调系数，通过Matlab编程自动生成；
(6)利用步骤(5)得到的预测模型评价待测鱼片样品的新鲜程度。
2.根据权利要求1所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(6)所述新鲜程度的评价为：
当鱼片处于一级鲜度时，模型Yi协调系数分别为C0＝-22.31，A＝25.23，B＝-21.42，C＝46.55，D＝124.12，E＝23.48；同时测到的三个指标的变化范围分别为：TVB-N值≤14.27mgN/100g、TBARS值≤0.58mg/kg、K值≤19.36％；
当鱼片处于二级鲜度时，模型Yi协调系数分别为C0＝-103.77，A＝35.64，B＝41.72，C＝32.11，D＝165.69，E＝221.53；同时测到的三个指标的变化范围分别为：14.27mg N/100g＜TVB-N值≤19.88mg N/100g，0.58mg/kg＜TBARS值≤0.99mg/kg，19.36％＜K值≤59.48％；
当鱼片处于无鲜度时，模型Yi协调系数分别为C0＝-202.8，A＝32.37，B＝46.42，C＝41.7，D＝195.13，e＝213.8；同时测到的三个指标的变化范围分别为：TVB-N值＞19.88mgN/100g，TBARS值＞0.99mg/kg，K值＞59.48％。
3.根据权利要求1所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(3)所述提取鱼片样本的多光谱中心波长处对应的反射光谱值是在对得到的鱼片样本的多光谱图像进行大小校正、掩膜、去噪处理后进行。
4.根据权利要求1所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(1)所述鱼肉样本的鱼为草鱼、鲤鱼、鲢鱼、大头鱼或青鱼。
5.根据权利要求1所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(1)所述鱼肉样本的制作包括去鳞、去内脏、去头、去尾和皮，分割成大小尺寸为3cm×3cm×1cm；用流动水冲洗干净，用吸水纸吸干鱼肉表面的残水，装入聚乙烯保鲜袋密封并于4℃条件下冷藏。
6.根据权利要求1所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(1)所述的M组中每组样本数相同或相差一个。
7.根据权利要求1或所述的近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法，其特征在于，步骤(1)所述的M为5。
CN201811534065.9A 2018-12-14 2018-12-14 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法 Active CN109856080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811534065.9A CN109856080B (zh) 2018-12-14 2018-12-14 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811534065.9A CN109856080B (zh) 2018-12-14 2018-12-14 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法

Publications (2)

Publication Number Publication Date
CN109856080A true CN109856080A (zh) 2019-06-07
CN109856080B CN109856080B (zh) 2020-08-18

Family

ID=66891360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811534065.9A Active CN109856080B (zh) 2018-12-14 2018-12-14 近红外多光谱成像多指标协同的鱼片新鲜度无损评价方法

Country Status (1)

Country Link
CN (1) CN109856080B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521580A (zh) * 2020-06-16 2020-08-11 海南大学 一种基于便携式近红外光谱仪的鱼片新鲜度检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020012071A1 (en) * 2000-04-21 2002-01-31 Xiuhong Sun Multispectral imaging system with spatial resolution enhancement
WO2004047609A2 (en) * 2002-11-27 2004-06-10 Visiopharm Aps A method and a system for establishing a quantity measure for joint destruction
CN101539561A (zh) * 2009-04-24 2009-09-23 上海海洋大学 一种预测冷藏链中南美白对虾贮藏品质变化的方法
CN104655761A (zh) * 2015-02-28 2015-05-27 华南理工大学 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法
CN105973839A (zh) * 2016-06-28 2016-09-28 江苏大学 一种高光谱批处理式农畜产品品质无损检测方法和系统
CN108362652A (zh) * 2018-03-02 2018-08-03 江南大学 一种基于证据理论的物体新鲜度无损检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020012071A1 (en) * 2000-04-21 2002-01-31 Xiuhong Sun Multispectral imaging system with spatial resolution enhancement
WO2004047609A2 (en) * 2002-11-27 2004-06-10 Visiopharm Aps A method and a system for establishing a quantity measure for joint destruction
CN101539561A (zh) * 2009-04-24 2009-09-23 上海海洋大学 一种预测冷藏链中南美白对虾贮藏品质变化的方法
CN104655761A (zh) * 2015-02-28 2015-05-27 华南理工大学 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法
CN105973839A (zh) * 2016-06-28 2016-09-28 江苏大学 一种高光谱批处理式农畜产品品质无损检测方法和系统
CN108362652A (zh) * 2018-03-02 2018-08-03 江南大学 一种基于证据理论的物体新鲜度无损检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN-HU CHENG 等: "Developing a multispectral imaging for simultaneous prediction of freshness indicators during chemical spoilage of grass carp fish fillet", 《JOURNAL OF FOOD ENGINEERING》 *
成军虎: "基于高光谱成像鱼肉新鲜度无损快速检测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
黄琪评: "基于光谱成像技术的猪肉品质检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521580A (zh) * 2020-06-16 2020-08-11 海南大学 一种基于便携式近红外光谱仪的鱼片新鲜度检测方法

Also Published As

Publication number Publication date
CN109856080B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
Xiong et al. Non-destructive prediction of thiobarbituric acid reactive substances (TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging
Cheng et al. Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat
Cheng et al. Pork biogenic amine index (BAI) determination based on chemometric analysis of hyperspectral imaging data
He et al. Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon (Salmo salar) fillets using visible and near-infrared (Vis–NIR) hyperspectral imaging
Xiong et al. Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat
Kamruzzaman et al. Introduction to hyperspectral imaging technology
Zhang et al. Rapid and non-destructive measurement of spinach pigments content during storage using hyperspectral imaging with chemometrics
Lu et al. Non-destructive defect detection of apples by spectroscopic and imaging technologies: a review
Wu et al. Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn
Yu et al. Nondestructive freshness discriminating of shrimp using visible/near-infrared hyperspectral imaging technique and deep learning algorithm
Fu et al. A review of hyperspectral imaging for chicken meat safety and quality evaluation: application, hardware, and software
Cheng et al. Enhancing visible and near-infrared hyperspectral imaging prediction of TVB-N level for fish fillet freshness evaluation by filtering optimal variables
Kamruzzaman et al. Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: A review
Liu et al. Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat
Wu et al. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet
Liu et al. Prediction of color and pH of salted porcine meats using visible and near-infrared hyperspectral imaging
Xu et al. Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet
Xiong et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat
Meza-Márquez et al. Application of mid-infrared spectroscopy with multivariate analysis and soft independent modeling of class analogies (SIMCA) for the detection of adulterants in minced beef
CN103439285B (zh) 一种基于高光谱成像的鱼片新鲜度检测方法
Dissing et al. Multispectral imaging for determination of astaxanthin concentration in salmonids
Teena et al. Potential of machine vision techniques for detecting fecal and microbial contamination of food products: A review
Zhu et al. Mapping of fat and moisture distribution in Atlantic salmon using near-infrared hyperspectral imaging
Cheng et al. Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp (Ctenopharyngodon idella)
Iqbal et al. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control

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