CN110954494A - 一种基于近红外的牛肉品质分级方法 - Google Patents

一种基于近红外的牛肉品质分级方法 Download PDF

Info

Publication number
CN110954494A
CN110954494A CN201911201236.0A CN201911201236A CN110954494A CN 110954494 A CN110954494 A CN 110954494A CN 201911201236 A CN201911201236 A CN 201911201236A CN 110954494 A CN110954494 A CN 110954494A
Authority
CN
China
Prior art keywords
value
beef
quality
sample
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911201236.0A
Other languages
English (en)
Inventor
刘丽华
孙宝忠
张松山
谢鹏
李海鹏
雷元华
王欢
刘璇
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.)
Institute of Animal Science of CAAS
Original Assignee
Institute of Animal Science of CAAS
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 Institute of Animal Science of CAAS filed Critical Institute of Animal Science of CAAS
Priority to CN201911201236.0A priority Critical patent/CN110954494A/zh
Publication of CN110954494A publication Critical patent/CN110954494A/zh
Pending legal-status Critical Current

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
    • G01N21/17—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
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • 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
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1293—Using chemometrical methods resolving multicomponent spectra

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

本发明公开了一种基于近红外技术的牛肉品质分级方法。该方法包括以下步骤：采集样品的近红外光谱数据，同时检测样品的颜色、pH、剪切力和蒸煮损失的品质指标；对光谱数据和品质指标进行统计分析，建立牛肉品质的预测模型；同时依据NY/T2793‑2015《肉的食用品质客观评价方法》鉴别牛肉品质等级。本方法的检测过程简便、快速、无损而且适合在场在线，可以普及推广到市场和商超的肉类检测。

Description

一种基于近红外的牛肉品质分级方法
技术领域
本发明属于食品检测领域，涉及一种基于近红外的牛肉品质分级方法。
背景技术
目前牛肉是备受全世界人们喜爱的食品,中国人肉类消费品之一。随着我国人民生活水平日益提高和国际合作的扩大，牛肉尤其是优质牛肉的需求量不断增加，其品质受到了前所未有的重视。目前，国内对牛肉品质的研究取得了一定的进展，对牛肉的可食用品质进行了相关的研究，但是近红外快速测定品质的检测上研究较少。
发明内容
本发明的目的是提供一种基于近红外的牛肉品质快速分级方法。本检测方法以夏南牛的12个分割部位食用品质指标，对各部位分割肉的品质进行全面分析；利用近红外检测技术，依据NY/T 2793-2015《肉的食用品质客观评价方法》作为品质鉴别方法，快速鉴别牛肉品质，建立了牛肉品质近红外快速检测方法。
本发明提供的对牛肉品质分级的方法，包括：
对待测牛肉样品进行近红外光谱检测，利用所得近红外谱图中的光谱信息得到待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值；
若所述待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值均满足条件a，则所述待测牛肉样品的食用品质为正常；
若所述待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值中任意一项不满足所述条件a，则所述待测牛肉样品的食用品质为较差；
所述条件a包括：
1)L*值为30-45；a*值为10-25；b*值为5-15；且所述L*值、a*值和b*值的范围均包括端点值；
2)pH值为5.5-5.9；且所述pH值的范围包括端点值；
3)剪切力小于等于6.12kgf；
4)蒸煮损失小于等于30％；
所述条件a中，所述1)-4)之间的关系为和；
全部符合以上条件为可食用正常；否则为食用品质较差。
上述方法所述近红外光谱检测步骤中，检测波长为1000-1800nm；光谱分辨率为10nm；波长重复性为0.05nm。
所述光谱信息为吸光度和波长。
利用所得近红外谱图中的光谱信息得到待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值的方法包括：利用所述光谱信息建立牛肉品质预测模型；
所述牛肉品质预测模型中，牛肉品质指标为颜色的L*值、a*值和b*值、pH、剪切力和蒸煮损失。
所述建立牛肉品质预测模型中，所用牛肉标准样品的取样部位可为牛的12个部位，如里脊、小瓜、米龙、辣椒条、外脊、眼肉、大瓜、臀肉、上脑、霖肉、板腱和肩肉，各500g。
所述牛肉品质预测模型可按照各种已知常规方法建立，如可使用聚光科技(杭州)有限公司生产的SupNIR-1520近红外分析仪，光谱范围1000-1800nm，光谱分辨率为10nm，波长重复性为0.05nm，光谱扫描时，对每个样品上三个不同的位置进行光谱扫描，得到三条光谱曲线，然后平均成一条平均光谱曲线。
为了确保模型精度，减少测量误差因素引起图谱的基线漂移和不稳定性，需要对光谱进行预处理。利用化学计量学CM2000软件的建立模型功能，对图谱采取了平滑、多元散射校正和导数处理等预处理方法，减少图谱中噪音和漂移。平滑处理方法包括移动平均法和卷积平滑，降低图谱数据的信噪比；导数处理方法包括一阶导数和二阶导数处理，强化图片的谱带特征。本方法采用偏最小二乘法建立L*、a*、b*、pH、剪切力和蒸煮损失含量预测模型，相关系数R2C分别为0.80、0.80、0.73、0.67、0.77和0.73；RPD值分别为1.63、1.63、1.42、1.31、1.54和1.43。
具体的，可按照如下步骤利用化学计量学CM2000软件建立牛肉品质预测模型也即L*、a*、b*、pH、剪切力和蒸煮损失预测模型：
在化学计量学CM2000软件中，
a)“新建模型分析项目”，导入样品原始图谱，将每个样品的原始图谱取平均光谱，输入样品的可食用指标的检测值；
b)“光谱预处理”中，首先对120个光谱进行96个校正样品和24个验证样品的随机分配；采用移动平均法、卷积平滑、一阶导数和二阶导数方法对图谱进行预处理，生成建模图谱数据；
c)“建立模型”中，选择定量校正方法，采用最小二乘法(PLS)，设置模型主成分因子为8个，建模过程和统计检验方法符合ASTM E1655标准；
d)“模型评价”中，输出模型效果，保存预测模型；
e)“模型验证”中，将验证样品的图谱导入分析项目，利用指标预测模型计算，得到可使用指标预测值。
5)用近红外光谱仪对新待测样品进行扫描，经过可食用指标预测模型计算出预测值和农业行业标准NY/T 2793-2015《肉的食用品质客观评价方法》4.2生鲜牛肉、羊肉的食用品质客观评价中要求——颜色指标L*范围在30-45；a*范围为10-25；b*范围为5-15；pH范围在5.5-5.9；剪切力不大于6.12kgf；蒸煮损失不大于30％；全部符合以上条件为可食用正常；否则为食用品质较差。
本发明提供的检测方法检测过程简便、快速、无损而且适合在场在线，可以普及推广到市场和商超的肉类检测，准确率可达95％。
附图说明
图1为样品红外光谱。
图2为标准偏差谱图。
图3为食用品质指标分布规律图。
图4为L*预测模型效果。
图5为a*预测模型效果。
图6为b预测模型效果。
图7为pH预测模型效果。
图8为剪切力预测模型效果。
图9为蒸煮损失预测模型效果。
具体实施方式
下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法。所述原材料如无特别说明均能从公开商业途径获得。
实施例1、
1)实验样品
选择相同饲养条件下，10头。夏南牛的12个分割部位——里脊、小瓜、米龙、辣椒条、外脊、眼肉、大瓜、臀肉、上脑、霖肉、板腱和肩肉，各500g；选取96个样品作为建立校正模型的校正样品，选取24个样品作为验证样品。
2)实验方法
1、扫描近红外图谱
使用聚光科技(杭州)有限公司生产的SupNIR-1520近红外分析仪，光谱范围1000-1800nm,光谱分辨率为10nm，波长重复性为0.05nm，光谱扫描时，对每个样品上三个不同的位置进行光谱扫描，得到三条光谱曲线，然后平均成一条平均光谱曲线，如图1和图2所示。
2、测定物理特性指标
pH值测定参照GB/T 9695.5-2008《肉与肉制品的pH方法》进行测定。
蒸煮损失测定取3*3*6cm的肉样，剔除肉样表面的脂肪和筋膜。将肉块在70℃水中浸没40min，称量蒸煮前后重量损失百分比。
剪切力测定参照NY/T 1180-2006《肉嫩度的测定剪切力测定法》进行测定。
颜色(L*、a*、b*)测定将样品切开的横断面，氧和约45min后，应用CR-400色差计于横断面三个不同的位置测定3组L*、a*、b*色差值取平均，每次测定前需要对色差计进行白板校正，绿灯闪烁时指示一次测量完成。
表1、品质指标统计表(n＝120)
Figure BDA0002295921750000041
全部样品的剪切力指标符合NY/T 2793-2015《肉的食用品质客观评价方法》规定的小于6.1kg.f，所以食用品质指标分布中才用了颜色、蒸煮损失和pH作为统计项目，统计结果如表1和图3所示。
3、建立物理指标含量预测模型
使用聚光科技(杭州)有限公司生产的SupNIR-1520近红外分析仪，光谱范围1000-1800nm，光谱分辨率为10nm，波长重复性为0.05nm，光谱扫描时，对每个样品上三个不同的位置进行光谱扫描，得到三条光谱曲线，然后平均成一条平均光谱曲线。
为了确保模型精度，减少测量误差因素引起图谱的基线漂移和不稳定性，需要对光谱进行预处理。利用化学计量学CM2000软件的建立模型功能，对图谱采取了平滑、多元散射校正和导数处理等预处理方法，减少图谱中噪音和漂移。平滑处理方法包括移动平均法和卷积平滑，降低图谱数据的信噪比；导数处理方法包括一阶导数和二阶导数处理，强化图片的谱带特征。本方法采用偏最小二乘法建立L*、a*、b*、pH、剪切力和蒸煮损失含量预测模型，相关系数R2C分别为0.80、0.80、0.73、0.67、0.77和0.73；RPD值分别为1.63、1.63、1.42、1.31、1.54和1.43。
具体的，按照如下步骤利用化学计量学CM2000软件建立L*、a*、b*、pH、剪切力和蒸煮损失含量预测模型：
在化学计量学CM2000软件中，
f)“新建模型分析项目”，导入样品原始图谱，将每个样品的原始图谱取平均光谱，输入样品的可食用指标的检测值；
g)“光谱预处理”中，首先对120个光谱进行96个校正样品和24个验证样品的随机分配；采用移动平均法、卷积平滑、一阶导数和二阶导数方法对图谱进行预处理，生成建模图谱数据；
h)“建立模型”中，选择定量校正方法，采用最小二乘法(PLS)，设置模型主成分因子为8个，建模过程和统计检验方法符合ASTM E1655标准；
i)“模型评价”中，输出模型效果，保存预测模型；
j)“模型验证”中，将验证样品的图谱导入分析项目，利用指标预测模型计算，得到可使用指标预测值。
所得L*、a*、b*、pH、剪切力和蒸煮损失预测模型效果分别如图4-图9所示。
4、验证结果
验证样品中有两个为食品指标超出标准规定值，错误识别出一个样品，准确率为95％，统计结果如表2。
表2、统计结果
Figure BDA0002295921750000051

Claims (4)

1.一种对牛肉品质分级的方法，包括：
对待测牛肉样品进行近红外光谱检测，利用所得近红外谱图中的光谱信息得到待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L值、a值和b值；
若所述待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值均满足条件a，则所述待测牛肉样品的食用品质为正常；
若所述待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值中任意一项不满足所述条件a，则所述待测牛肉样品的食用品质为较差；
所述条件a包括：
1)L*值为30-45；a*值为10-25；b*值为5-15；且所述L*值、a*值和b*值的范围均包括端点值；
2)pH值为5.5-5.9；且所述pH值的范围包括端点值；
3)剪切力小于等于6.12kgf；
4)蒸煮损失小于等于30％；
所述条件a中，所述1)-4)之间的关系为和；
全部符合以上条件为可食用正常；否则为食用品质较差。
2.根据权利要求1所述的方法，其特征在于：所述近红外光谱检测步骤中，检测波长为1000-1800nm；光谱分辨率为10nm；波长重复性为0.05nm。
3.根据权利要求1或2所述的方法，其特征在于：所述光谱信息为吸光度和波长。
4.根据权利要求1-3中任一所述的方法，其特征在于：利用所得近红外谱图中的光谱信息得到待测牛肉样品的pH值、剪切力、蒸煮损失和颜色的L*值、a*值和b*值的方法包括：利用所述光谱信息建立牛肉品质预测模型；
所述牛肉品质预测模型中，牛肉品质指标为颜色的L*值、a*值和b*值、pH、剪切力和蒸煮损失。
CN201911201236.0A 2019-11-29 2019-11-29 一种基于近红外的牛肉品质分级方法 Pending CN110954494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201236.0A CN110954494A (zh) 2019-11-29 2019-11-29 一种基于近红外的牛肉品质分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201236.0A CN110954494A (zh) 2019-11-29 2019-11-29 一种基于近红外的牛肉品质分级方法

Publications (1)

Publication Number Publication Date
CN110954494A true CN110954494A (zh) 2020-04-03

Family

ID=69979028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201236.0A Pending CN110954494A (zh) 2019-11-29 2019-11-29 一种基于近红外的牛肉品质分级方法

Country Status (1)

Country Link
CN (1) CN110954494A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20190162658A1 (en) * 2017-11-24 2019-05-30 Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20190162658A1 (en) * 2017-11-24 2019-05-30 Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中华人民共和国农业部: "《中华人民共和国农业行业标准 NY/T 2793-2015 肉的食用品质客观评价方法》", 21 May 2015 *

Similar Documents

Publication Publication Date Title
He et al. Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model
Cozzolino et al. Analysis of grapes and wine by near infrared spectroscopy
CN108875913B (zh) 一种基于卷积神经网络的松茸快速无损检测系统及方法
Ouyang et al. Real-time monitoring of process parameters in rice wine fermentation by a portable spectral analytical system combined with multivariate analysis
Fadock et al. Visible-near infrared reflectance spectroscopy for nondestructive analysis of red wine grapes
CN103645155A (zh) 生鲜羊肉嫩度的快速无损检测方法
Li et al. Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF)
CN107219184A (zh) 一种应用于产地溯源的肉类鉴别方法及装置
CN105548027A (zh) 基于近红外光谱测定调和油中茶油含量的分析模型及方法
CN110441249A (zh) 基于高光谱图像技术的窖泥总酸预测模型建立的方法
CN102841069B (zh) 一种由中红外光谱识别原油种类的方法
CN103411895B (zh) 珍珠粉掺伪的近红外光谱鉴别方法
CN104297201A (zh) 一种快速、准确定量调和油中各种油份比例的检测方法
CN112485216B (zh) 一种多源信息融合的泰国茉莉香米掺伪鉴别方法
Shen et al. Discrimination of blended Chinese rice wine ages based on near-infrared spectroscopy
CN107356536B (zh) 葡萄酒品质检测方法、服务器及光谱测量设备
CN110954494A (zh) 一种基于近红外的牛肉品质分级方法
CN111122492B (zh) 一种基于近红外检测的注水肉快速筛查方法
Korshunova et al. The application of spectroscopy to assess the quality of grape wines
CN113866122A (zh) 一种鸡品种快速鉴别方法及其应用
Liu et al. Feasibility of nondestructive detection of apple crispness based on spectroscopy and machine vision
Lv et al. Identification of less-ripen, ripen, and over-ripen grapes during harvest time based on visible and near-infrared (Vis-NIR) spectroscopy
Sun et al. SRPAIS: Spectral matching algorithm based on Raman peak alignment and intensity selection
Yu et al. Use of visible and short-wavelength near-infrared spectroscopy and least-squares support vector machines for non-destructive rice wine quality determination
CN115184298B (zh) 一种基于近红外光谱在线监测酱油品质的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200403