CN110892246A - 用于评估肉制品的质量的方法和系统 - Google Patents
用于评估肉制品的质量的方法和系统 Download PDFInfo
- Publication number
- CN110892246A CN110892246A CN201880047240.3A CN201880047240A CN110892246A CN 110892246 A CN110892246 A CN 110892246A CN 201880047240 A CN201880047240 A CN 201880047240A CN 110892246 A CN110892246 A CN 110892246A
- Authority
- CN
- China
- Prior art keywords
- meat product
- data
- meat
- quality
- parameters
- 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
Images
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N21/8507—Probe photometers, i.e. with optical measuring part dipped into fluid sample
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; fish
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N2021/6484—Optical fibres
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N21/8507—Probe photometers, i.e. with optical measuring part dipped into fluid sample
- G01N2021/8528—Immerged light conductor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
- G01N2201/06113—Coherent sources; lasers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/08—Optical fibres; light guides
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开涉及评估肉制品的质量的方法和系统。在特定实施例中,本公开提供一种评估肉制品的质量的方法,该方法包括在将入射光施加到所述肉制品时,接收代表从所述肉制品发射的光的数据,分析所述数据以确定指示所述肉制品的质量的一个或多个参数,以及基于所述一个或多个参数评估所述肉制品的所述质量。
Description
优先权
本申请要求于2017年5月16日提交的澳大利亚临时专利申请2017901826的优先权,其内容通过引用合并于此。
技术领域
本公开涉及评估肉制品的质量的方法和系统。
背景技术
肉类工业的一个重要部分是评估肉的质量。
肉质量的评估可能涉及评估各种特征,以确保提供给消费者的肉具有所需的品质。此外,评估肉的质量可以告知生产者动物的特性、动物的管理和/或对动物的处理如何影响肉制品的最终质量。
确定肉的质量通常涉及直接评估肉的特性的方法,诸如颜色评估、纹理分析以及肌肉pH值的确定。在某些情况下,这需要测试肉的样本,这对肉制品的处理施加了额外的负担和/或约束。
此外,肉的处理通常是大规模进行的,以通过批量处理提供相关的经济优势。但是,涉及对肉的样本进行质量检测的方法给批量处理带来了进一步的负担,诸如在生产过程中引入延迟、与生产过程集成的需求以及成本的增加。
因此,不需要取样的评估肉制品质量的方法,特别是不需要物理干预产品的方法,将是有利的。
发明内容
本公开涉及评估肉制品的质量的方法和系统。
本公开某些实施例提供一种评估肉制品的质量的方法。
本公开某些实施例提供一种评估肉制品的质量的方法,该方法包括:
在将入射光施加到所述肉制品时,接收代表从所述肉制品发射的光的数据;
分析所述数据以确定指示所述肉制品的质量的一个或多个参数;以及
基于所述一个或多个参数,评估所述肉制品的所述质量。
在某些实施例中,所述肉制品是屠体、屠体的部分、所述屠体的肉块,或者从所述屠体或所述肉块得到的加工产品。
在某些实施例中,所述肉制品是红肉制品。
在某些实施例中,肉制品是从绵羊,羔羊,牛,小牛,猪,山羊,鹿或马得到的产品。其他类型的肉制品也是被考虑的。
在某些实施例中,肉制品是绵羊肉制品,牛肉制品,猪肉制品,山羊肉制品,鹿肉制品或马肉制品。
在某些实施例中,肉制品是牛肉制品,小牛肉制品,羔羊肉制品,成年羊肉制品,猪肉制品,山羊肉制品,鹿肉制品,或马肉制品。
本文所用的“肉制品的质量”是指肉制品的选定特性。肉制品的质量示例可以包括食用品质,价格,等级,pH,脂肪含量,嫩度以及对于特定用途的适合性中的一种或多种。
在某些实施例中,肉制品的质量包括食用品质。
在某些实施例中,肉制品的质量包括pH。
在某些实施例中,肉制品的质量包括等级或评分系统。例如,该方法可用于对肉制品的食用品质进行评级或评分。
在某些实施例中,肉制品的质量包括阈值,最小值,最大值,分配值,或者肉制品的质量的值的范围。肉制品的质量可以包括数个不同等级中的一个,例如,低、中或高等级。
在某些实施例中,入射光包括一种或多种特定波长的光。在某些实施例中,入射光包括在特定波长范围的一个或多个波长。
在某些实施例中,入射光包括非相干光。在某些实施例中,入射光包括相干光。在某些实施例中,入射光包括激光。
产生一种或多种波长的入射光(相干和/或非相干的)的方法和光源在本领域中是已知的,并且可商购获得。
在某些实施例中,入射光包括400nm至415nm范围的波长。其他波长范围也是被考虑的。
在某些实施例中,入射光包括400nm至410nm,400nm至405nm,405nm至415nm,405nm至410nm,或410nm至415nm中的一个范围中的波长,或者约等于上述范围中的一个范围的波长。
在某些实施例中,入射光包括402nm至408nm,403nm至408nm,404nm至408nm,405nm至408nm,406nm至408nm,407nm至408nm,402nm至407nm,403nm至407nm,404nm至407nm,405nm至407nm,406nm至407nm,402nm至406nm,403nm至406nm,404nm至406nm,405nm至406nm,402至405nm,403nm至405nm,404nm至405nm,402nm至404nm,403至404nm以及402nm至403nm中的一个范围中的波长,或者约等于上述范围中的一个范围中的波长。
在某些实施例中,入射光包括405+3nm的波长。
在某些实施例中,入射光包括约404nm或约405nm的波长。
术语“约”或“大约”是指特定值的可接受误差,其部分取决于该值的测量或确定方式。在某些实施例中,“约”可以表示1个或多个标准偏差。当将前项术语“约”应用于所列举的范围或值时,它表示根据测量方法在本领域已知或预期的范围或值的偏差内的近似值。
在某些实施例中,入射光通过光纤传输到肉制品。在某些实施例中,入射光通过光纤传输到探头。
在某些实施例中,入射光通过探头施加到肉制品。在某些实施例中,所述入射光通过位于所述肉制品的表面下方的探头施加到所述肉制品。
在某些实施例中,入射光通过光纤施加到肉制品。在某些实施例中,入射光通过光纤探头施加到肉制品上。在某些实施例中,入射光通过针内的光纤施加到肉制品上。
在某些实施例中,入射光施加到肉制品的表面。在某些实施例中,入射光施加到肉制品的表面的下方。
在某些实施例中,肉制品发出的光包括440至800nm范围内的波长的光。其他波长范围可以被考虑。
在某些实施例中,该方法包括检测从肉制品发出的光。检测光的方法是本领域已知的。在某些实施例中,从肉制品发出的光包括从400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm或400nm至450nm中的一个选定的范围中的波长,或者约等于上述范围中的一个范围内的波长的光。
在某些实施例中,从肉制品发出的光包括反射光。
在某些实施例中,从肉制品发出的光包括激发的自发荧光。
在某些实施例中,入射光在肉制品中引起自发荧光。在某些实施例中,发出的光包括通过将入射光施加到肉制品上而在肉制品中激发的自发荧光。
在某些实施例中,自发荧光是通过将激光施加到肉制品而激发的。
在某些实施例中,该方法包括在将入射光施加到肉制品时检测从肉制品发出的光。检测光并将其转换为数据的方法是本领域已知的。
在某些实施例中,接收的来自肉制品的数据包括与光的一个或多个波长相关联的数据。
在某些实施例中,接收的来自肉制品的数据包括与在440至800nm范围中的一个或多个的光波长相关联的数据。
在某些实施例中,接收的来自肉制品的数据包括与从400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm或400nm至450nm中的一个选定的范围中一个或多个光波长,或者约等于上述范围中的一个范围中的一个或多个光波长相关联的数据。
在某些实施例中,接收的来自肉制品的数据包括与光的频谱相关联的数据。在某些实施例中,接收的来自肉制品的数据包括与激发的自发荧光相关联的数据。在某些实施例中,接收的来自肉制品的数据包括与频谱自发荧光相关联的数据。
在某些实施例中,接收的来自肉制品的数据包括与440至800nm的范围内的波长的光相关联的数据。
在某些实施例中,接收的数据包括从肉制品发出的光谱数据。在某些实施例中,接收的数据包括代表肉制品中激发的自发荧光的光谱数据。
在某些实施例中,光谱数据包括与440nm至800nm范围中的光相关联的数据。
在某些实施例中,光谱数据包括与从400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm或400nm至450nm中的一个选定的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光相关联的数据。
在某些实施例中,表示肉的质量的一个或多个参数包括单个参数。在某些实施例中,表示肉的质量的一个或多个参数包括两个参数。在某些实施例中,表示肉的质量的一个或多个参数包括多个参数。
参数的示例包括指示屠体重量(或者屠体的部分)的参数,指示肉制品中脂肪含量的参数,指示肉制品中脂肪质量的参数,指示屠体中特定肌肉或区域的测量(大小,面积和/或深度)的参数,指示肉制品中的酸度和/或碱度(诸如pH)的参数,肉制品的一种或多种颜色,剪切力(shear force,SF),肌内脂肪(intramuscular fat,IMF),动物种类,年龄或任何一个或多个上述参数的组合。
在某些实施例中,所述一个或多个参数包括以下一个或多个:
指示屠体重量的参数;
指示屠体温度的参数;
组织深度的测量;
指示肌内脂肪的参数(IMF参数);
指示剪切力的参数(SF参数);
动物种类;以及
年龄。
在某些实施例中,所述一个或多个参数包括以下一个或多个:
指示热屠体重量的参数(HCWT参数);
(至少对于绵羊或羔羊)第12根肋骨的组织深度的测量(GRfat参数);
指示眼部肌肉的脂肪量的参数(FatC参数);
指示肌内脂肪的参数(IMF参数);以及
指示剪切力的参数(SF参数)。
在某些实施例中,一个或多个参数包括指示肉制品温度的参数。
在某些实施例中,一个或多个参数包括指示肌内脂肪的参数(IMF参数)和指示剪切力的参数(SF参数)。
在某些实施例中,所述数据使用一个或多个模型进行分析以预测所述一个或多个参数。
在某些实施例中,所述一个或多个模型包括线性统计模型。在某些实施例中,一个或多个模型包括非线性模型。
在某些实施例中,一个或多个模型使用数据最小化方法创建。在某些实施例中,数据最小化方法包括采用赤池信息准则。其他数据最小化的方法也被考虑。
在某些实施例中,一个或多个模型包括非线性模型。
在某些实施例中,一个或多个模型包括逻辑回归。
在某些实施例中,一个或多个模型使用训练数据创建,所述训练数据包括在将入射光施加到多个样本肉制品时,代表从所述样本肉制品发射的光的数据,每个样本肉制品具有所述一个或多个参数的预定值。
在某些实施例中,一个或多个模型使用机器学习创建。
在某些实施例中,一个或多个模型使用神经网络创建。
在某些实施例中,一个或多个模型使用深度学习创建。
在某些实施例中,数据包括在分析之前进行了处理的光谱数据,以减少所述光谱范围内的数据点的数量。
在某些实施例中,肉制品的质量包括食用品质。
在某些实施例中,肉制品的质量包括pH。
在某些实施例中,该方法用于对肉制品进行质量分级、评分或分类。
本公开某些实施例提供一种根据本文所述方法分级、评分或分类的肉制品。
本公开某些实施例提供一种软件,包括可由处理器执行以实现本文所述的方法的一系列指令。
本公开某些实施例提供一种软件,与计算机一起使用,所述计算机包括处理器和用于存储所述软件的存储器,所述软件包括由所述处理器执行以实现本文所述的方法的一系列指令。
本公开某些实施例提供一种用于评估肉制品的质量的系统。
本公开某些实施例提供一种用于评估肉制品的质量的系统,所述系统包括:
光源,用于向所述肉制品施加入射光;
测量装置,用于在向所述肉制品施加入射光时,产生代表从所述肉制品发出的光的数据;
处理器;
存储器;以及
软件,驻留在所述处理器可访问的所述存储器中,所述软件包括由所述处理器执行以实现本文所述的方法的一系列指令。
本公开某些实施例提供一种用于评估肉制品的质量的系统,包括:
光源,用于向所述肉制品施加入射光;
测量装置,用于在向所述肉制品施加入射光时,产生代表从所述肉制品发出的光的数据;
处理器;
存储器;以及
软件,驻留在所述处理器可访问的所述存储器中,所述软件包括一系列指令,该一系列指令由所述处理器执行以分析所述数据以确定指示所述肉制品的质量的一个或多个参数,并且基于所述一个或多个参数提供所述肉制品的所述质量的测量。
肉制品和肉制品的质量如本文所述。
用于产生入射光的光源是本领域中已知的。入射光的细节如本文所述。
在某些实施例中,入射光的光源产生包括400nm至415nm中的一个的范围中的波长的光。其他波长范围也被考虑。
在某些实施例中,入射光的光源产生包括400nm至410nm,400nm至405nm,405nm至415nm,405nm至410nm或410nm至415nm中的一个的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
在某些实施例中,入射光的光源产生包括402nm至408nm,403nm至408nm,404nm至408nm,405nm至408nm,406nm至408nm,407nm至408nm,402nm至407nm,403nm至407nm,404nm至407nm,405nm至407nm,406nm至407nm,402nm至406nm,403nm至406nm,404nm至406nm,405nm至406nm,402至405nm,403nm至405nm,404nm至405nm,402nm至404nm,403至404nm以及402nm至403nm范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
在某些实施例中,入射光的光源产生包括405+3nm的波长的光。
在某些实施例中,入射光的光源产生包括约404nm或约405nm的波长的光。
在某些实施例中,测量装置检测并测量发射的光。
从肉制品发出的光的细节如本文所述。
在某些实施例中,测量装置测量包括从400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm,or 400nm至450nm中的一个选定的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
在某些实施例中,测量装置测量包括440至800nm范围中的波长的光。
在某些实施例中,光源和/或测量装置包括探头的部分。其他设置也被考虑。
在某些实施例中,从肉制品发出的光包括440至800nm范围中的波长的光。
在某些实施例中,从肉制品发出的光包括400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm或400nm至450nm的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
测量光并将所测量的光转换成数据的方法和设备在本领域中是已知的。
在某些实施例中,测量装置包括光谱仪。
处理器,内存以及软件如本文所述。
在某些实施例中,处理器,存储器以及软件被定位以与探头具有数据连接。
数据处理如本文所述。
在某些实施例中,光源和测量设备包括探头的部分,并且处理器,存储器以及软件的位置远离所述探头并且通过因特网接收所述数据。
指示质量的一个或多个参数及其确定方法如本文所述。使用一个或多个参数来提供肉制品质量的测量如本文所述。
在某些实施例中,肉制品的质量包括食用品质。
在某些实施例中,肉制品的质量包括pH。
在某些实施例中,肉制品的质量包括脂肪含量(诸如肌内脂肪含量)和/或嫩度(诸如剪切力)。
在某些实施例中,该系统用于对肉制品进行质量分级,评分或分类。
本公开某些实施例提供一种使用本文所述系统分级,评分或分类的肉制品。
本公开某些实施例提供一种创建用于评估肉制品质量的一个或多个模型的方法。
本公开某些实施例提供一种创建用于评估肉制品质量的一个或多个模型的方法,所述方法包括:
针对多个样本肉制品,在向所述样本肉制品施加入射光时,接收代表从所述样本肉制品发射的光的数据;
针对所述样本肉制品,接收一个或多个预定值;
使用所述数据和所述一个或多个预定值创建一个或多个模型,以预测指示所述肉制品的质量的一个或多个参数。
肉制品和肉制品的质量如本文所述。
入射光的细节如本文所述。
在某些实施例中,入射光包括400nm至415nm中的一个的范围中的波长的光。其他波长范围也被考虑。
在某些实施例中,入射光包括400nm to 410nm,400nm to 405nm,405nm to415nm,405nm to 410nm或410nm to 415nm中的一个的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
在某些实施例中,入射光包括402nm至408nm,403nm至408nm,404nm至408nm,405nm至408nm,406nm至408nm,407nm至408nm,402nm至407nm,403nm至407nm,404nm至407nm,405nm至407nm,406nm至407nm,402nm至406nm,403nm至406nm,404nm至406nm,405nm至406nm,402至405nm,403nm至405nm,404nm至405nm,402nm至404nm,403至404nm以及402nm至403nm的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
在某些实施例中,入射光包括405+3nm的波长的光。
在某些实施例中,入射光包括约404nm或约405nm的波长的光。
在某些实施例中,从样本发出的光包括440至800nm范围中的波长的光。
在某些实施例中,从样本发出的光包括从400nm至800nm,450至800nm,500至800nm,550nm至800nm,600nm至800nm,650nm至800nm,700至800nm,750至800nm,400nm至750nm,450至750nm,500至750nm,550nm至750nm,600nm至750nm,650nm至750nm,700至750nm,400nm至700nm,450至700nm,500至700nm,550nm至700nm,600nm至700nm,650nm至700nm,400nm至650nm,450至650nm,500至650nm,550nm至650nm,600nm至650nm,400nm至600nm,450至600nm,500至600nm,550nm至600nm,400nm至550nm,450至550nm,500至550nm,400nm至500nm,450至500nm或400nm至450nm选定的范围中的波长的光,或者约等于上述范围中的一个范围中的波长的光。
从肉制品发出的光的细节如本文所述。
用于测量光并将所测量的光转换为数据的方法和装置如本文所述。
在某些实施例中,预定值包括指示屠体重量(或者屠体的部分)的参数,指示肉制品中脂肪含量的参数,指示肉制品中脂肪质量的参数,指示屠体中特定肌肉或区域的测量(大小,面积和/或深度)的参数,指示肉制品中的酸度和/或碱度(诸如pH)的参数,肉制品的一种或多种颜色,剪切力(SF),肌内脂肪(IMF),或任何一个或多个上述参数的组合。
在某些实施例中,预定值包括以下一个或多个参数:
指示屠体重量的参数;
指示屠体温度的参数;
组织深度的测量;
指示肌内脂肪的参数(IMF参数);以及
指示剪切力的参数(SF参数)。
在某些实施例中,预定值包括以下一个或多个参数:
指示热屠体重量的参数(HCWT参数);
(至少对于绵羊或羔羊)第12根肋骨的组织深度的测量(GRfat参数);
指示眼部肌肉的脂肪量的参数(FatC参数);
指示肌内脂肪的参数(IMF参数);以及
指示剪切力的参数(SF参数)。
在某些实施例中,数据包括在使用该频谱数据创建一个或多个模型之前进行了处理的光谱数据。
在某些实施例中,一个或多个模型包括线性统计模型。在某些实施例中,一个或多个模型包括非线性统计模型。
在某些实施例中,一个或多个模型包括逻辑回归。
在某些实施例中,一个或多个模型使用机器学习创建。
在某些实施例中,一个或多个模型使用神经网络创建。
在某些实施例中,一个或多个模型使用深度学习创建。
在某些实施例中,所述一个或多个模型使用数据最小化方法创建。在某些实施例中,所述数据最小化方法包括采用赤池信息准则。
在某些实施例中,使用训练数据创建一个或多个模型,该训练数据包括代表在向多个样本肉制品施加入射光时从样本肉制品发射的光的数据,每种样本肉制品都具有一个或多个参数的预定值。
在某些实施例中,通过本文描述的方法创建的模型在系统中使用以对肉制品进行质量分级、评分或分类。
附图说明
现在将仅以示例方式,参考附图描述本公开的实施例,其中:
图1是根据一个实施例用于评估肉制品的质量的系统的代表。
图2包括根据一个实施例的用于探头的壳体的侧视图,俯视图,截面图和正视图。
图3是表示根据一个实施例的评估肉制品的质量的方法的流程图。
图4是表示根据一个实施例的创建用于评估肉制品的质量的一个或多个模型的方法的流程图。
图5示出了显示光谱数据的曲线图,该光谱数据表示根据一个实施例的通过将激光施加肉制品而在肉制品中激发的自发荧光。
图6示出了所有数据集的平均R平方值,取三种方法的平均值:线性模型,赤池信息准则和5折交叉验证。
图7示出了线性模型和赤池信息准则下所有数据集的调整后R平方值。
图8示出了在线性模型和AIC上取平均的所有数据集的平均相对残差标准误差;以及线性模型中所有数据集的F统计值。
图9示出了线性模型和赤池信息准则的所有数据集的log10(p值)。
图10示出了所有数据集的R平方和调整后的R平方值。lm-线性模型,aic-赤池信息准则,5折-采用5折的k折交叉验证方法。
图11示出了所有数据集的相对残差标准误差(Residual Standard Error,RSE)和F统计值。lm-线性模型,aic-赤池信息准则。
图12示出了所有数据集的log10(p值)。lm-线性模型,aic-赤池信息准则。
图13示出了根据另一个实施例的热屠体的平均光谱特征。
图14示出了根据另一实施例的冷屠体的平均光谱特征。
图15示出了热屠体中测量的肌内脂肪百分比与预测的肌内脂肪百分比的关系。
图16示出了热屠体的测量剪切力与预测剪切力的关系。
图17示出了热屠体的测量pH与预测pH的关系。
图18示出了冷屠体的测量的肌内脂肪百分比与预测的肌内脂肪百分比的关系。
图19示出了冷屠体的测量剪力与预测剪力的关系。
图20示出了冷屠体的测量pH与预测pH的关系。
具体实施方式
图1示出了用于评估肉制品12的质量的系统10的实施例。
系统10包括光源,在该实施例中,该光源是具有约404nm的波长的蓝色激光器14。激光器14通过分叉光纤18和光纤连接器20连接到光纤探头16。示出了光纤探头16插入肉制品12中,以便将来自激光器14的入射光施加到肉制品12。通常,将探头插入2至6cm的深度,但其他深度也适用,本公开考虑在肉制品的外部使用探头。
肉制品12可以是整个屠体,肉的一侧或任何肉的切块,例如适于批发或零售的肉。本公开可用于评估红色肉制品的质量,例如羔羊肉、牛肉、猪肉、鹿肉、山羊肉或马肉的质量。
在一个实施例中,光纤探头16被插入到屠体的肋眼周围(肋外侧)。对羔羊肉约为20-40mm的穿透深度以及牛肉的40-60mm的穿透深度已经成功试验。也可以对屠体进行多次探测以评估多个肌肉群。
将来自激光器14的入射光施加到肉制品12,使肉制品12自发荧光并发光。光纤探头16具有感测尖端22,其接收从肉制品12发出的光。该发出的光穿过分叉光纤18到达测量装置,该测量装置在该实施例中是光谱仪24。长通滤波器26用于抑制激光背景。
光谱仪24将发出的光转换成代表肉制品12中激发的自发荧光的光谱数据。光谱数据可以包括在例如440nm至800nm的波长范围内的所发出的光的强度的测量。这种测量可以在波长范围内的不同间隔进行,并且可以对每个间隔进行多次测量。
系统10还包括处理器28、存储器30和驻留在存储器30中并可由处理器28访问的软件32。在本实施例中,处理器28和存储器30是计算机34的部分,计算机34与光谱仪24进行数据通信36。
计算机34可以与系统10的其他组件(下文称为光学装置38)位于同一位置,或者可以远离光谱仪24并且通过诸如LAN或因特网的数据网络与光谱仪24进行数据通信。计算机34可以通过电缆或无线通信与光谱仪进行物理连接。可选的,例如,可以将来自光谱仪24的数据保存在存储卡上,然后传送到计算机34以进行分析和/或存储在云中。应当理解,本公开涵盖从光谱仪24向计算机34传输数据的所有方式以及计算机34可以采用的所有不同形式,包括台式计算机、膝上型计算机或移动设备。
光学装置38可以是便携式的,计算机34可以是也可以不是便携的。这可以使用户沿着一条承载肉制品的连续运动的屠宰场生产链走动并探测肉制品,或者在不将肉制品从制冷机中取出的情况下,在制冷机中探测该肉制品。例如,光学装置38和控制硬件34的组件可以被安装在派立肯(pelican)式箱体中并附接到背带上。这样就可以在进行测量时佩戴完整的装置,例如背包。不需要与主电源持续连接。
如图2所示,光纤探头16可以安装在枪形外壳39中。本实施例中的壳体41和顶盖43由数控(CNC)加工的ABS塑料制成。前板45和探头16由不锈钢制成。探头16为3mm外径x 1mm内径x 75mm长的管,具有锥形并具有M3螺纹。透明聚碳酸酯窗47包含在顶盖43中,用食品级硅胶密封。壳体39可有助于方便地插入和操作探头16。例如,探头16延伸出外壳39的长度可以被设置为期望插入所分析的肉制品的深度。应当理解,可以替代地使用外壳39的其他形状和材料。
其他硬件或设备可与系统10一起使用,例如,用于读取条形码从而识别肉制品12的条形码扫描器,以便可以将特定产品12及其测量的光谱数据相关联。
已经试验了光学装置38的不同实施例。在第一个版本中,光学装置38包括传输15mw功率的405nm连续波(continuous-wave,CW)激光器14、收集350nm-1100nm的所有波长的紫外/可见(UV/Vis)火焰光谱仪24(积分时间100ms-200ms)、407nm长通滤波器26、用以组合激光器12和光谱仪24的200uM多模分叉光纤18、用于组合传送和收集信号的200uM多模光纤以及用于将光纤传送到肉制品12中的不锈钢针16。
在第二个版本中,光学装置38被设计用于一次进行多个测量。光学装置38包括第一版本的组件,除了使用用于组合传送和收集信号的四根200uM多模光纤外,还包括用于多个样本的PS Jena 1x6光学分离器。这些部件都安装在派立肯式箱体中,便于携带。
在第三个版本中,也设计用于一次进行多个测量,光学装置38包括每根针16的405nm的CW激光器14,这些激光器14传送10-40mw的功率,还包括收集350nm-1100nm的所有波长的UV/Vis火焰光谱仪24、将光传送到光谱仪24的200um分叉光纤18(4根光纤)以及420nm滤波器组26,全部安装在派立肯式箱体中,便于携带。
还试验了不同版本的控制硬件34,以控制激光器14的开/关,从光谱仪24收集数据以及控制条形码扫描仪。代码是定制的,并使用beaglebone进行控制。控制硬件34的一个版本包括4S LiPo电池14.7V、用于组件软件控制的beaglebone、用于控制激光器的额外定制板(由beaglebone控制输入),电压调节到约5-6V并与无线条形码扫描器集成。在操作中,使用图1的光学装置38进行光谱数据测量。当肉类沿着肉类加工线移动时,探头16可以插入肉类中20-60mm的深度,激光14被激活,由此产生的肉类中的自发荧光由光谱仪24测量。可以扫描与肉类相关联的条形码以获得识别号,并且可以使用该识别号标记由光谱仪24生成的光谱数据。
对探测热屠体(杀死后不到30分钟)和冷屠体(在4℃制冷机中12-24小时)进行了试验。热扫描和冷扫描大约需要3小时,当探头从热转换到冷时使用大约15-30分钟的转换时间,反之亦然。预计最终使用时间可能为6-10小时,探头可能在冷热环境中至少停留3小时。预计扫描运行不太可能经历频繁的热循环(在少于30分钟内进入/离开制冷机)。
肉是在一个以每分钟约8-12个屠体的速度连续移动的屠宰场生产链上行进时被探测的。热扫描过程中的环境温度约为15-35℃,冷扫描时的环境温度约为1-15℃。当屠体离开屠宰场生产链上的制冷机或者屠体固定在制冷机中时,对冷肉制品进行扫描。在热屠体上做四次扫描,死后24小时在冷屠体上做了四次扫描。取200g肉样本,贴上标签并在4℃下老化。评估肉样本的定义变量,包括IMF、剪切力、pH值以及颜色。下表给出了一些变量的详细信息。
然后可以将光谱数据和标识号发送到安装了软件32的计算机(例如,在远程位置)。
然后可以使用以下一个或多个步骤处理光谱数据:
●可以进行数据清洗以去除饱和光谱。低于440/450nm或高于800nm的光谱数据可能会被去除。
●超出范围的光谱可能被去除。
●可以对多个光谱求平均,以获得每个样本一个光谱。
●可以将光谱归一化到局部最大值。
●可以对数据点进行平均以减少一组中的响应变量的数量(例如,光谱数据的分辨率可能会降低10倍)。
软件32包括由处理器28执行以实现分析数据以确定指示肉制品12的质量的一个或多个参数的方法的一系列指令。参照图3,方法40包括在向肉制品12施加入射光时接收表示从肉制品12发出的光的数据的步骤42;分析数据以确定指示肉制品12的质量的一个或多个参数的步骤44;以及基于一个或多个参数评估肉制品12的质量的步骤46。
数据分析44可涉及使用一个或多个模型根据从光谱仪24输出的数据预测一个或多个参数。基于这些预测,肉制品12的质量可以被评估46。
一个或多个参数可以是肉制品特性的预测值,或者是这些特性的可能值的范围(例如,值+/-误差)。可选的,一个或多个参数可以是与肉制品的特性相关的多个类别中的一个或者是高于或低于阈值的肉制品的特性分类。
图4描述了创建用于评估肉制品的质量的一个或多个模型的方法48。方法48可以在软件中实现,并且包括,针对多个样本肉制品,在向样本肉制品施加入射光时接收数据50,该数据表示从样本肉制品发出的光;针对样本肉制品,接收一个或多个预定值52;以及使用该数据和一个或多个预定值创建一个或多个模型54,以预测指示肉制品的质量的一个或多个参数。该模型可以使用线性统计方法或受监督的机器学习算法创建。其他模型也在考虑之中。因此,可以通过光谱信号/特征/指纹为每个变量创建预测模型。神经网络和深度学习方法可应用于数据50,以增加超出线性模型所能实现的可预测性。
使用所描述的系统和软件,发现可以在生产线速度下预测羔羊肉和牛肉的参数(在热、冷以及冷却样本中),其中羔羊肉和牛肉用作表示其他红肉的肉制品,准确度足以评估肉制品的质量。
本领域技术人员将理解,软件32可以以多中方式提供,例如,在诸如计算机34的磁盘或存储器的计算机可读介质上,或者作为诸如从服务器传送的数据信号。
还应理解,上述系统和方法的变形是可能的。例如,探头16可以在多个位置插入肉制品中,在每个位置进行测量和/或在探头16处于相同位置时进行多个测量。在另一实施例中,可使用多个探头同时进行数个自发荧光测量。
系统和方法的开发的示例如下。应当理解,以下描述仅用于描述特定实施例,并且不意味着对上述描述进行限制。
示例1-屠体测量和取样以进行肉类食用品质分析
得到200个羔羊屠体的以下测量:
●HCWT–热屠体重量;
●GRfat-第12根肋骨(主要是脂肪)的组织深度的测量;
●EMW-眼部肌肉的宽度;
●EMD-眼部肌肉的深度;
●FatC-眼部肌肉的脂肪量;
●EMA-眼部肌肉的面积;
●pHu_loin-眼部肌肉的pH值;
●pHu_temp-测量pHu时的眼部肌肉温度;
●L-颜色测量=亮度;
●a-颜色测量=红色;
●b-颜色测量=黄色;
●SF–剪切力;以及
●IMF-肌内脂肪。
这些测量在下面的附录A(表3)中给出。
方法
获得的测量结果如下:
(i)屠体测量:
测量热屠体重量(Hot carcase weight,HCWT)、GR部位处的组织深度(GR深度)、cfat厚度以及第12根肋骨处眼部肌肉的面积(eye muscle area,EMA)。HCWT由加工厂提供。死后4-6小时用GR刀在屠体右手侧距离脊柱110mm,第12根肋骨处测量GR深度(mm)。
过夜冷却后,死后约21小时,从第12根肋骨上方去除腰部左侧部分的13-15厘米(胸肌和腰肌,M.longissimus thoracic et lumborum;LL)。从LL的这部分开始,在允许LL的暴露部分“开放(bloom)”30-60分钟后,测量新鲜的眼部肌肉的颜色。用Minolta色度计测量腰肉的亮度(L*)、红色(a*)以及黄色(b*)。使用与温度传感器和离子电极pH探头相连的TPS WP-80pH计记录pH值,作为最终pH值(pHu loin)的估计。用数字卡尺在LL暴露的表面上测量眼部肌肉的宽度(EMW;mm)、眼部肌肉的深度(EMD;mm)以及cFat(mm)。根据以下公式由EMW和EMD计算EMA:EMA=EMW*EMD*0.008。
(ii)样本收集与处理
在死后约24小时,脂肪和肌外膜从先前从屠体去除的LL部分去除。收集剪切力(SF5;65g)和肌内脂肪(IMF;40g)的样本。收集后立即冷冻IMF样本。
SF5样本真空包装,并且在-20℃下冷冻之前在4-5℃下老化5天。
(iii)剪切力测量
将冷冻的65g LL样本放入71℃的水浴中煮35分钟,然后将其浸入冷却水中,之后进行加工。根据Hopkins DL和Thompson JM(2001)“嫩度,蛋白水解,肌肉收缩和肌动球蛋白解离之间的关系。”肉类科学57,1-12,对样本进行处理,并使用Lloyd LRX机从每个65g LL样本中测量5-6个1cm3的子样本。
(iv)肌内脂肪测量
将IMF样本冷冻干燥,并使用近红外法(如Perry D.、Shorthose W.R.、FergusonD.M.以及Thompson J.M.(2001年)“CRC程序中用于确定屠体产量和牛肉质量的方法。”第953-7页中所述的)测定IMF含量。
结果
测量次数和简单统计如表1所示。供应商被用来采购各种各样的屠体,这代表了澳大利亚羔羊产业的典型情况。屠体重量范围在14-32kg之间,GR部位脂肪3.5至33.0mm,平均屠体重量为21kg,平均脂肪为12.2mm。同样,IMF、SF5、新鲜颜色以及pHu反映了正常的行业范围。
屠体和食用品质参数的范围为肉类食用品质解决方案分析的概念提供了证据来源。
表1、在PVP处测量的羔羊肉的统计数据
示例2–数据采集,以及对使用探头进行的测量进行处理
(a)概述
本示例描述了对使用光纤探头进行的测量进行数据处理的结果。
分析中采用了线性和分类统计方法。
数据分析用于确定指示肉制品的质量的一个或多个参数,从而基于这些一个或多个参数评估肉制品的质量。
在所研究的参数中,发现可以用两种建模方法对IMF(肌内脂肪)和SF(剪切力)的肉类质量测量进行统计学上的显著预测。
还发现,由于光谱随肉类状况变化,因此在测量时了解肉类状态可以改善建模。
基于该数据,显然可以以生产线速度获得肉类质量的替代测量。
(b)数据获取
使用图1的光学装置38进行光谱数据测量。
将光纤探头16插入200个羔羊屠体中的每一个中,激活激光器14以经由探头16将入射光施加到屠体并且光谱仪24产生代表在羔羊屠体中激发的自发荧光的光谱数据。每个屠体取十二到二十个样本,并在不同的温度下重复进行,以获得一个热数据组,一个冷却数据组和一个冷数据组。
然后对光谱数据进行如下处理,以减少数据的复杂性并提高预测准确度:
1、将数据以.txt文件的形式从光谱仪24导入。
2、进行数据清洗以除去饱和光谱。从分析中清除具有尖锐边缘和平坦峰的光谱。通过一系列去除排除来检测饱和数据。
3、低于440nm的光谱数据被切除以去除激光背景。
4、对每个样本的多个光谱求平均,以获得每个样本一个光谱。
5、对所有光谱进行归一化以消除激光器强度波动。将平均光谱归一化到局部最大值。
6、对每十个数据点求平均,以减少一组响应变量的数量(即合并波长)。
图5A-5C示出了在以上第1至5点所述的处理后获得的在热、冷却以及冷温度下的已处理光谱数据的示例。
(c)建模
预测变量:以下外部参数被视为分析中的预测变量:
1、HCWT–热屠体重量;
2、GRfat-第12根肋骨(主要是脂肪)的组织深度的测量;
3、EMW-眼部肌肉的宽度;
4、EMD-眼部肌肉的深度;
5、FatC-眼部肌肉的脂肪量
6、EMA-眼部肌肉的面积;
7、pHu_loin-眼部肌肉的pH值;
8、pHu_temp-测量pHu时的眼部肌肉温度;
9、L-颜色测量=亮度;
10、a-颜色测量=红色;
11、b-颜色测量=黄色;
12、SF–剪切力;
13、IMF-肌内脂肪。
这些研究识别出SF和IMF是对肉类质重要的两个测量。
方法
最初,有两种方法用于查找所有外部参数与响应变量(光谱数据)之间的相关性:1)利用赤池信息准则的线性模型,和2)k折交叉验证。每种方法都提供了数个输出参数,这些输出参数用于估计模型对数据的描述程度。这些输出参数包括:
●残差标准误差(Residual Standard Error,RSE)-线性回归拟合的质量度量。任何预测仍将减去该数量。
●R平方(R-squared)-模型与实际数据的拟合度的测量。值介于0和1之间,其中较高的值表示更好的拟合。
●调整后的R平方-根据变量数进行调整。
●F统计(F-Statistic)-表示我们的预测(外部参数)和响应变量(光谱数据)之间是否存在关系。应远大于1。
●p值(p-value)-测试零假设(预测变量对响应无影响)。必须小于0.005才能拒绝零假设(也就是说关系存在)。在附图中,绘制了log10(p值)以更好地直观表示这些值。
分析的结果创建了一个模型,该模型可以为预测得分对连续变量进行估计。最优模型返回的是值+/-错误率。
还使用机器学习应用了另一个分类方法,该方法将数据集分为每个变量的各个分类等级。例如,IMF得分,2-3被分类为B、3-4被分类为C,等等。因此,提供了一个测量,允许对测量进行分类而不是量化。
线性模型结果概述
图6至9,表示统计模型的输出参数。分析中排除了pHu_temp预测,因为该变量随步骤变化,并发现可产生人工统计输出。此外,该参数在物理上与分析中考虑的光谱响应变量无关。
图6示出了所有数据集对线性模型、赤池信息准则以及5折交叉验证的三种方法求平均的平均R平方值。
考虑到R平方值和调整后的R平方值,以下预测变量相对于其他参数表现出更好的结果:HCWT、GRfat、FatC、SF以及IMF。这在所有三个数据集上都相对一致,然而,亮度参数L显现对冷数据集具有更好的R平方值。pHu_loin参数示出对于热数据集具有更高的调整后的R平方值。
对于相同的参数HCWT、GR fat、Fat C、SF以及IMF,F统计值几乎是原来的两倍,而较小的p值归因于相同的参数。在此,亮度参数L对冷数据集也示出出更好的统计信息,同时pHu_loin参数对热数据集示出出更好的值。
图7示出了线性模型和赤池信息准则下的所有数据集的调整后R平方值。
图8显示了对线性模型和AIC求平均的所有数据集的平均相对残差标准误差;以及线性模型的所有数据集的F统计值。值远大于1(黑色线所示)表示预测变量和响应变量之间存在关系。
图9显示了线性模型和赤池信息准则的所有数据集的log10(p值)。低于log10(0.05)=-1.3阈值的值表示我们可以拒绝零假设,预测变量和响应变量之间存在关系。
分类模型结果概述
结合分类统计方法进行的分析允许更好地收集数据,从而可以同时分析所有热、冷却以及冷测量值,并对其测量温度进行分类。数据集随机分为80:20/建立:测试集合,以允许对模型进行独立验证。对5种不同类型的机器学习方法进行了并行评估,并在一对一测试中选择了最佳方法。对于SF,K最近邻方法创建了最佳预测模型,在测试数据集中准确度为96.6%。也就是说,在SF的33个C等级中,该模型错误地将其中的1个分配为D。
混淆矩阵与统计
整体统计
分类统计:
对于IMF,使用随机森林法进行的一对一测试得出94.7%的准确度。
混淆矩阵与统计
整体统计
分类统计:
观察与结论
R平方:总体而言,即使对于与脂肪相关的参数,R平方值也相对较低,约为0.6,而调整后的R平方预计会更低。一旦模型中保留了最佳拟合响应变量,赤池信息准则便得到改进的模型。应用AIC后,平均剩下30-50%的初始响应变量。k折交叉验证方法示出了与线性模型或AIC相似的R平方值。
响应变量的数量:减少响应变量的数量时,总体统计结果变差,而响应变量数的增加导致统计模型的整体改进。这是可以预料的,因为它表明尚未达到可用于计算最大模型的数据总量。这证实了采用80/20和k折方法是合理的。在统计分析中考虑相对结果时,相同的参数显示出比其他参数更好的相关性,而与所考虑的响应变量的数量无关。
光谱数据的变化:当选择光谱数据中变化较小的间隔而不是最大变化范围时,即使考虑相同数量的响应变量,统计模型的结果也会改善。
相对残差标准误差:脂肪相关参数的RSE如下:对于HCWT,约等于10%,对于GRfat,约等于30%,对于FatC,约等于45%,并且对于IMF,约等于15%。
预测变量之间的关系:对预测变量自身之间的相关性进行分析后发现,几个参数之间存在内部相关性。例如,表2示出了基于某些外部参数之间的关系创建的线性模型的统计输出。
表2:外部参数之间的统计关系
模型 | R2 | 调整后的R<sup>2</sup> | F统计 | P值 |
HCWT~GRfat | 0.467 | 0.464 | 173.50 | 2.20E-16 |
HCWT~FatC | 0.274 | 0.270 | 74.56 | 1.94E-15 |
HCWT~pHu_loin | 0.117 | 0.112 | 26.12 | 7.54E-07 |
HCWT~IMF | 0.019 | 0.014 | 3.77 | 5.36E-02 |
GRfat~FatC | 0.491 | 0.488 | 190.80 | 2.20E-16 |
HCWT~(GRfat+FatC+pHu_loin+IMF) | 0.694 | 0.674 | 35.31 | 2.20E-16 |
线性模型结论:当与其他分析参数相比,针对以下参数创建的模型具有更高的统计显著性:HCWT、GRfat、FatC、SF以及IMF。还可以假设这些参数之间存在一些内部关系。因此,存在一个可以统计学地并且显著地预测HCWT、GRfat、FatC、SF以及IMF的模型。尽管每个模型都不相同。
分类模型结论:提高的分类方法准确度与线性模型中获得的信息的损失成比例。
总体结论:使用基于光纤的方法以生产线速度采集以预测肉类质量替代测量的具有统计学意义的模型看来是可能的。
附录A和附录B中提供了更多数据,如下所示。
附录A-肉类质量的外部参数(表3)
表3:肉品质量的外部参数
附录B–每个数据集的统计比较
图10示出了所有数据集的R平方和调整后的R平方值。lm-线性模型,aic-赤池信息准则,5折-5折的k折交叉验证方法。
图11示出了所有数据集的相对残差标准误差(RSE)和F统计量值。lm-线性模型,aic-赤池信息准则。如果F统计值远大于1(显示为黑线),则认为该值良好。
图12显示了所有数据集的log10(p值)。lm-线性模型,aic-赤池信息准则。黑线显示阈值的位置=log10(0.05)≈-1.3,其中低于该值的值允许拒绝零假设。
示例3–牛屠体(冷和热)的IMF、剪切力以及pH值的测量和分析
在两天的时间内进行测量。在第一天,使用如上所述的第一版本的光学装置38扫描159个热的牛屠体,探头16直接连接到分叉光纤18上。由于扫描不良或缺少变量,进行了139次身体分析,排除了20个屠体。积分时间约为80ms,光谱特征未归一化。图13示出了热牛肉的平均光谱特征和方差。任何在500nm处强度小于5000的光谱特征都被排除在外,因为这可能是由于肉类外部的意外扫描造成的。
在第二天,使用相同的设备扫描了相同的159个现已冷了的屠体,而探头16通过插线电缆(patch cable)连接到分叉光纤18上。由于扫描不良或缺少变量,得到了124次屠体分析,排除了35个屠体。积分时间约为100ms。图14示出了冷牛肉的平均光谱特征和方差。任何在500nm处强度小于1000的光谱特征都被排除在外,因为这可能是由于肉类外部的意外扫描造成的。尽管扫描时间约100-150ms,来自肉的信号极低。这使背景减除成为问题。此外,与第一天的测量相比,使用插线电缆会降低收集效率。
在对数据进行处理并使用赤池信息准则生成线性模型后,发现IMF,SF和pH在热的屠体中的R2值约为0.4–0.5(图14-16),而IMF,SF和pH在冷的屠体中的R2值约为0.5–0.6(图17-20)。
图15示出了热屠体的测量的肌内脂肪百分比与预测的肌内脂肪百分比的关系。使用应用AIC的线性模型,预测肌内脂肪百分比的的R2为0.44。
图16示出了热屠体的测量剪切力与预测剪切力的关系。使用应用AIC的线性模型,预测剪切力的R2为0.51。
图17示出了热屠体的测量pH与预测pH的关系。使用应用AIC的线性模型,预测pH的R2为0.45。
图18示出了冷屠体的测量的肌内脂肪百分比与预测的肌内脂肪百分比的关系。使用应用AIC的线性模型,预测肌肉内脂肪百分比的R2为0.63。
图19示出了冷屠体的测量剪切力与预测剪切力的关系。使用应用AIC的线性模型,预测剪切力的R2为0.66。
图20示出了冷屠体的测量pH与预测pH的关系。使用应用AIC的线性模型,预测pH的R2为0.48。
尽管已经参考特定示例描述了本公开,但是本领域技术人员将理解,本公开可以以许多其他形式体现。
应当理解,在不脱离本公开的范围的情况下,可以对前述部分进行各种变更,增加和/或修改,并且根据上述教导,本公开可以以本领域技术人员将理解的各种方式在软件,固件和/或硬件中实现。
如本文所用,单数形式的“一个”,“一种”和“所述”可以指复数冠词,除非另有明确说明。
在整个说明书中,除非上下文另有要求,否则词语“包括”或诸如“包括”之类的变体应理解为意味着包含所陈述的元素或整数或元素组或整数组,但不排除任何其他元素或整数或元素组或整数组。
除非本文另外指出或与上下文明显矛盾,本文描述的所有方法可以以任何合适的顺序执行。除非另外要求,本文提供的任何和所有示例或示例性语言(例如,“诸如”)的使用仅旨在更好地阐明示例实施例,而并不对所要求保护的发明的范围构成限制。说明书中的任何语言都不应解释为将任何未要求保护的要素指示为必要的。
本文提供的说明书是关于可以共享共同特征和特征的几个实施例。应当理解,一个实施例的一个或多个特征可以与其他实施例的一个或多个特征组合。此外,实施例的单个特征或特征的组合可以构成另外的实施例。
本文所包含的主题标题仅用于方便读者参考,而不应用于限制贯穿本公开或权利要求书所发现的主题。不应将主题标题用于解释权利要求或权利要求的范围。
可以基于本申请提交将来的专利申请,例如,通过要求本申请的优先权,通过要求分案状态和/或通过要求延续状态。应当理解,所附权利要求仅是通过示例的方式提供的,并不旨在限制在任何这样的未来申请中所要求保护的范围。权利要求也不应被视为限制对本公开的理解(或排除对本公开的其他理解)。在以后的示例权利要求中可以添加或省略特征。
Claims (23)
1.一种评估肉制品的质量的方法,包括:
在将入射光施加到所述肉制品时,接收代表从所述肉制品发射的光的数据;
分析所述数据以确定指示所述肉制品的质量的一个或多个参数;以及
基于所述一个或多个参数,评估所述肉制品的所述质量。
2.根据权利要求1所述的方法,其中,所述入射光包括激光。
3.根据权利要求1或2所述的方法,其中,所述入射光通过位于所述肉制品的表面下方的探头施加到所述肉制品。
4.根据权利要求1至3中任一项所述的方法,其中,所述入射光包括402nm至408nm范围的波长。
5.根据权利要求1至4中任一项所述的方法,其中,所述接收的数据包括代表所述肉制品中激发的自发荧光的光谱数据。
6.根据权利要求5所述的方法,其中,所述自发荧光是通过向所述肉制品施加激光而激发的。
7.根据权利要求5或6所述的方法,其中,所述光谱数据包括440nm至800nm范围的数据。
8.根据权利要求1至7中任一项所述的方法,其中,所述一个或多个参数包括以下一个或多个:
指示热屠体重量的参数,HCWT参数;
测量第12根肋骨的组织深度,GRfat参数;
指示眼部肌肉的脂肪量的参数,FatC参数;
指示肌内脂肪的参数,IMF参数;以及
指示剪切力的参数,SF参数。
9.根据权利要求1至8中任一项所述的方法,其中,所述一个或多个参数包括指示肌内脂肪的参数,IMF参数,和指示剪切力的参数,SF参数。
10.根据权利要求8或9所述的方法,其中,所述数据使用一个或多个模型进行分析以预测所述一个或多个参数。
11.根据权利要求10所述的方法,其中,所述一个或多个模型包括线性统计模型。
12.根据权利要求11所述的方法,其中,所述一个或多个模型使用数据最小化方法创建。
13.根据权利要求12所述的方法,其中,所述数据最小化方法包括采用赤池信息准则。
14.根据权利要求10至13中任一项所述的方法,其中,所述一个或多个模型使用训练数据创建,所述训练数据包括在将入射光施加到多个样本肉制品时,代表从所述样本肉制品发射的光的数据,每个样本肉制品具有所述一个或多个参数的预定值。
15.根据权利要求10所述的方法,其中,所述一个或多个模型使用机器学习创建。
16.根据权利要求10至15中任一项所述的方法,其中,所述数据包括在分析之前进行了处理的光谱数据,以减少在所述光谱范围内数据点的数量。
17.根据权利要求1至16中任一项所述的方法,其中,所述肉制品是屠体、屠体的部分、所述屠体的肉块,或者从所述屠体或所述肉块得到的加工产品。
18.一种根据权利要求1至17中任一项所述的方法进行分级的肉制品。
19.一种软件,与计算机一起使用,所述计算机包括处理器和用于存储所述软件的存储器,所述软件包括由所述处理器执行以实现根据权利要求1至17中任一项所述的方法的一系列指令。
20.一种用于评估肉制品的质量的系统,包括:
光源,用于向所述肉制品施加入射光;
测量装置,用于在向所述肉制品施加入射光时,产生代表从所述肉制品发出的光的数据;
处理器;
存储器;以及
软件,驻留在所述处理器可访问的所述存储器中,所述软件包括由所述处理器执行以实现根据权利要求1至17中任一项所述的方法的一系列指令。
21.一种用于评估肉制品的质量的系统,所述系统包括:
光源,用于向所述肉制品施加入射光;
测量装置,用于在向所述肉制品施加入射光时,产生代表从所述肉制品发出的光的数据;
处理器;
存储器;以及
软件,驻留在可访问所述处理器的所述存储器中,所述软件包括一系列指令,所述一系列指令由所述处理器执行,以分析所述数据以确定指示所述肉制品的质量的一个或多个参数,并且基于所述一个或多个参数提供所述肉制品的所述质量的测量。
22.根据权利要求21所述的系统,其中,所述光源和所述测量装置包括探头的部分,并且所述处理器、所述存储器以及所述软件的位置远离所述探头并且通过因特网接收所述数据。
23.一种创建用于评估肉制品的质量的一个或多个的模型的方法,所述方法包括:
针对多个样本肉制品,在向所述样本肉制品施加入射光时,接收代表从所述样本肉制品发射的光的数据;
针对所述样本肉制品,接收一个或多个预定值;
使用所述数据和所述一个或多个预定值创建一个或多个模型,以预测指示所述肉制品的质量的一个或多个参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2017901826 | 2017-05-16 | ||
AU2017901826A AU2017901826A0 (en) | 2017-05-16 | Methods and systems for assessing quality of a meat product | |
PCT/AU2018/050455 WO2018209383A1 (en) | 2017-05-16 | 2018-05-15 | Methods and systems for assessing quality of a meat product |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110892246A true CN110892246A (zh) | 2020-03-17 |
Family
ID=64272979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880047240.3A Pending CN110892246A (zh) | 2017-05-16 | 2018-05-15 | 用于评估肉制品的质量的方法和系统 |
Country Status (8)
Country | Link |
---|---|
US (2) | US11519862B2 (zh) |
EP (1) | EP3625546A4 (zh) |
JP (1) | JP2020520464A (zh) |
CN (1) | CN110892246A (zh) |
AU (1) | AU2018271137B2 (zh) |
BR (1) | BR112019024115B1 (zh) |
NZ (1) | NZ760010A (zh) |
WO (1) | WO2018209383A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866121A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种病死鸡快速鉴别方法及应用 |
RU2787191C1 (ru) * | 2022-03-30 | 2022-12-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный университет инженерных технологий" (ФГБОУ ВО "ВГУИТ") | Способ быстрой оценки качества замороженных субпродуктов |
CN116804669A (zh) * | 2023-06-16 | 2023-09-26 | 枣庄华宝牧业开发有限公司 | 一种肉制品加工用油炸监视系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201600445D0 (en) * | 2016-01-11 | 2016-02-24 | Cairns Intellectual Property Ltd | Methods and apparatuses for temperature measurement |
CN112595694A (zh) * | 2020-12-16 | 2021-04-02 | 内蒙古农业大学 | 一种基于近红外快速检测羊肉品质数据库及其建立方法 |
CN114965910A (zh) * | 2022-04-14 | 2022-08-30 | 北京市农林科学院信息技术研究中心 | 肉类品质感知方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992021025A1 (en) * | 1991-05-15 | 1992-11-26 | Meat And Livestock Commission | Meat quality sensing apparatus |
US6088114A (en) * | 1996-11-07 | 2000-07-11 | Ontario Cattlemen's Association | Apparatus for use in determining meat tenderness |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN104458594A (zh) * | 2014-12-16 | 2015-03-25 | 中国农业大学 | 一种生鲜肉品质参数多点同时检测的系统及方法 |
CN105209890A (zh) * | 2013-05-08 | 2015-12-30 | 鲜活检测有限责任公司 | 用于测量被测对象上、尤其食品上的表面层的测量仪 |
CN106501211A (zh) * | 2016-11-01 | 2017-03-15 | 中国农业科学院农业质量标准与检测技术研究所 | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK163453C (da) * | 1989-06-12 | 1992-07-20 | Slagteriernes Forskningsinst | Fremgangsmaade og apparat til fotometrisk bestemmelse af individuelle koedemners egenskaber |
DK163382C (da) | 1990-02-28 | 1992-08-03 | Slagteriernes Forskningsinst | Fremgangsmaade til bestemmelse af individuelle koedemners kvalitetsegenskaber |
US5918190A (en) * | 1996-12-31 | 1999-06-29 | Ontario Cattlemen's Association | Software controlled meat probe for use in determining meat tenderness |
US6995675B2 (en) * | 1998-03-09 | 2006-02-07 | Curkendall Leland D | Method and system for agricultural data collection and management |
FR2780790B1 (fr) | 1998-07-03 | 2000-08-18 | Vitreenne Abattage | Procede et dispositif de prediction de la tendrete d'une viande sur le site de transformation a l'aide d'informations biologiques et/ou physico-chimiques et de mesures optiques dans le domaine du visible et du proche infrarouge |
JP2003121351A (ja) | 2001-10-09 | 2003-04-23 | National Agricultural Research Organization | 食肉の鮮度判定方法 |
JP2006030047A (ja) * | 2004-07-20 | 2006-02-02 | Kazumasa Sasaki | 食品品質評価方法、食品品質評価表示方法、食品品質評価装置及び食品品質評価表示装置 |
WO2006057990A2 (en) * | 2004-11-29 | 2006-06-01 | Cargill, Incorporated | A method for predicting shear force of aged meat |
CN201392319Y (zh) | 2009-04-09 | 2010-01-27 | 浙江大学 | 一种基于图像与光谱信息融合的肉品在线无损检测装置 |
US20110128373A1 (en) * | 2009-11-28 | 2011-06-02 | Tenera Technology, Llc | Determining Meat Tenderness |
WO2012149654A1 (en) * | 2011-05-02 | 2012-11-08 | Agridigit Inc | Evaluation of animal products based on customized models |
CN104914069B (zh) | 2015-05-28 | 2017-12-19 | 中国农业大学 | 可迁移计算的肉类品质近红外检测方法及装置 |
-
2018
- 2018-05-15 WO PCT/AU2018/050455 patent/WO2018209383A1/en unknown
- 2018-05-15 AU AU2018271137A patent/AU2018271137B2/en active Active
- 2018-05-15 BR BR112019024115-9A patent/BR112019024115B1/pt active IP Right Grant
- 2018-05-15 CN CN201880047240.3A patent/CN110892246A/zh active Pending
- 2018-05-15 NZ NZ760010A patent/NZ760010A/en active IP Right Revival
- 2018-05-15 US US16/614,082 patent/US11519862B2/en active Active
- 2018-05-15 EP EP18802403.8A patent/EP3625546A4/en active Pending
- 2018-05-15 JP JP2020514305A patent/JP2020520464A/ja active Pending
-
2022
- 2022-10-26 US US17/974,207 patent/US20230066038A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992021025A1 (en) * | 1991-05-15 | 1992-11-26 | Meat And Livestock Commission | Meat quality sensing apparatus |
US6088114A (en) * | 1996-11-07 | 2000-07-11 | Ontario Cattlemen's Association | Apparatus for use in determining meat tenderness |
CN102323267A (zh) * | 2011-08-10 | 2012-01-18 | 中国农业大学 | 一种快速评价生鲜肉品新鲜度的系统及方法 |
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN105209890A (zh) * | 2013-05-08 | 2015-12-30 | 鲜活检测有限责任公司 | 用于测量被测对象上、尤其食品上的表面层的测量仪 |
CN104458594A (zh) * | 2014-12-16 | 2015-03-25 | 中国农业大学 | 一种生鲜肉品质参数多点同时检测的系统及方法 |
CN106501211A (zh) * | 2016-11-01 | 2017-03-15 | 中国农业科学院农业质量标准与检测技术研究所 | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866121A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种病死鸡快速鉴别方法及应用 |
RU2787191C1 (ru) * | 2022-03-30 | 2022-12-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный университет инженерных технологий" (ФГБОУ ВО "ВГУИТ") | Способ быстрой оценки качества замороженных субпродуктов |
CN116804669A (zh) * | 2023-06-16 | 2023-09-26 | 枣庄华宝牧业开发有限公司 | 一种肉制品加工用油炸监视系统 |
CN116804669B (zh) * | 2023-06-16 | 2024-04-02 | 枣庄华宝牧业开发有限公司 | 一种肉制品加工用油炸监视系统 |
Also Published As
Publication number | Publication date |
---|---|
US20230066038A1 (en) | 2023-03-02 |
WO2018209383A1 (en) | 2018-11-22 |
BR112019024115A2 (pt) | 2020-06-02 |
BR112019024115B1 (pt) | 2024-01-09 |
AU2018271137B2 (en) | 2023-11-30 |
NZ760010A (en) | 2023-06-30 |
EP3625546A1 (en) | 2020-03-25 |
US20200173926A1 (en) | 2020-06-04 |
US11519862B2 (en) | 2022-12-06 |
EP3625546A4 (en) | 2021-03-17 |
JP2020520464A (ja) | 2020-07-09 |
AU2018271137A1 (en) | 2020-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110892246A (zh) | 用于评估肉制品的质量的方法和系统 | |
Dixit et al. | Developments and challenges in online NIR spectroscopy for meat processing | |
Gredell et al. | Comparison of machine learning algorithms for predictive modeling of beef attributes using rapid evaporative ionization mass spectrometry (REIMS) data | |
Naganathan et al. | Visible/near-infrared hyperspectral imaging for beef tenderness prediction | |
Wang et al. | Rapid determination of pork sensory quality using Raman spectroscopy | |
Swatland | On-line evaluation of meat | |
AU2010203357B2 (en) | System and method for analyzing properties of meat using multispectral imaging | |
Cai et al. | Determination of total volatile basic nitrogen (TVB-N) content and Warner–Bratzler shear force (WBSF) in pork using Fourier transform near infrared (FT-NIR) spectroscopy | |
Schmidt et al. | Preliminary investigation on the relationship of Raman spectra of sheep meat with shear force and cooking loss | |
Reis et al. | Early on-line classification of beef carcasses based on ultimate pH by near infrared spectroscopy | |
Naganathan et al. | Three dimensional chemometric analyses of hyperspectral images for beef tenderness forecasting | |
Jia et al. | Hyperspectral Imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends | |
CN201392319Y (zh) | 一种基于图像与光谱信息融合的肉品在线无损检测装置 | |
Del Moral et al. | Duroc and Iberian pork neural network classification by visible and near infrared reflectance spectroscopy | |
Yang et al. | Prediction of quality traits and grades of intact chicken breast fillets by hyperspectral imaging | |
Atanassova et al. | Differentiation of fresh and frozen-thawed poultry breast meat by near infrared spectroscopy. | |
US6363328B1 (en) | Software controlled meat probe for use in determining meat tenderness | |
Valous et al. | Quality evaluation of meat cuts | |
DK163382B (da) | Fremgangsmaade til bestemmelse af individuelle koedemners kvalitetsegenskaber | |
Shibang et al. | Jestr r | |
Alzaga et al. | Machine learning-based pork meat quality prediction and shelf-life estimation | |
Atanassova et al. | Near-Infrared Spectral Informative Indicators for Meat and Dairy Products, Bacterial Contamination, and Freshness Evaluation | |
Liu et al. | Detection techniques of meat tenderness: state of the art | |
Jeyamkondan et al. | Predicting beef tenderness using near-infrared spectroscopy | |
Hamill et al. | Toward Meat Industry 4.0: opportunities and challenges for digitalized red meat processing |
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 |