CN111693661A - 基于智能感官的干腌火腿风味评价方法 - Google Patents

基于智能感官的干腌火腿风味评价方法 Download PDF

Info

Publication number
CN111693661A
CN111693661A CN202010529264.1A CN202010529264A CN111693661A CN 111693661 A CN111693661 A CN 111693661A CN 202010529264 A CN202010529264 A CN 202010529264A CN 111693661 A CN111693661 A CN 111693661A
Authority
CN
China
Prior art keywords
dry
flavor
cured ham
evaluation
value
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
CN202010529264.1A
Other languages
English (en)
Inventor
刘源
姜水
倪晨蝶
陈高乐
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010529264.1A priority Critical patent/CN111693661A/zh
Publication of CN111693661A publication Critical patent/CN111693661A/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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medicinal Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Meat, Egg Or Seafood Products (AREA)

Abstract

本发明公开了基于智能感官的干腌火腿风味评价方法，属于肉品品质检测领域。该风味评价方法包括步骤：通过电子鼻、电子舌和机器视觉分别检测不同风味特征的干腌火腿样品，构建智能感官数据库并提取特征值，采用人工感官评价结合定量描述对样品的风味特征打分构建风味评价得分数据库；再将提取的特征值作为自变量，风味评价得分作为因变量，多数据融合建模，得到确定系数大而均方根误差小的风味评价模型，未知干腌火腿经智能感官检测和特征提取后，导入上述风味评价模型得到其风味评价得分。本发明实现对干腌火腿风味的快速准确评价，操作简单、效率高、预测准确，具有较高的应用价值，值得广泛推广。

Description

基于智能感官的干腌火腿风味评价方法
技术领域
本发明涉及肉品品质检测领域，尤其涉及一种基于智能感官的干腌火腿风味评价方法。
背景技术
干腌火腿是一种由猪的前、后腿作为原料，经过盐腌、整形、后熟等工序加工而成的广受消费者喜爱的肉制品。由于原料、加工工艺的不同，不同干腌火腿的风味品质也存在较大差异。在利益的驱使下，以次充好、以假乱真的现象时有发生，未达到规定风味品级的火腿制品在没有得到较好的管制情况下流入市场，严重影响了市场秩序。目前，较为传统的风味评价常常依赖“三签法”来评定干腌火腿的风味价值。依靠有经验的火腿技师，通过插入三个不同部位竹签所吸附的香气判定产品的风味。传统观的三签法对火腿品鉴师的要求较高，在现代化工业生产中具有较大的局限性，找到人工感官的替代方法来实现干腌火腿风味特征快速准确的评价成为亟待解决的问题。
不同干腌火腿因其原料和加工工艺等的不同导致其内部营养成分有较大差异性，这些差异宏观表现在香味、滋味和外观等外部指标的变化。智能感官技术是一种模拟生物感官功能的新型检测方法，包括电子鼻、电子舌和电子眼等。智能感官技术能够将干腌火腿的香味、滋味和外观等信息转化为响应信号，再基于数据融合方法从这些响应信号中提取出有用信息，实现对干腌火腿品质的直接表征，不同于人工感官评价方法，智能感官技术能够更加客观地、高效地评价干腌火腿的品质特性，目前尚未见将智能感官技术与干腌火腿品质评价相结合的技术报道。
发明内容
针对现有技术中人工感官评价干腌火腿风味品质存在主观性强不够准确的缺陷，本发明提供了一种基于智能感官的干腌火腿风味评价方法，通过多种智能感官数据替代人工感官评价干腌火腿风味，客观且快速准确。实际应用价值广。
为了达到上述目的，本发明所采用的技术方案如下：
基于智能感官的干腌火腿风味评价方法，包括如下步骤：
(1)不同风味特征的干腌火腿分别制备方块状、粉状和液态的干腌火腿检测样品；
(2)采用电子鼻、电子舌和机器视觉分别对上述干腌火腿检测样品进行检测，构建智能感官数据库，并提取特征值；
(3)采用人工感官评价结合定量描述对步骤(1)所述干腌火腿检测样品的风味特征进行打分，构建风味评价得分数据库；
(4)将步骤(2)中提取的特征值作为自变量，步骤(3)中所述干腌火腿检测样品的风味评价得分作为因变量，多数据融合建模，得到确定系数(R2)大而均方根误差(RMSE)小的风味评价模型；
(5)未知干腌火腿经上述步骤(1)和(2)，得到特征值，再将得到的特征值导入步骤(4)所述风味评价模型，得到其风味评价得分。
在本发明的实施方案中，步骤(1)中，所述干腌火腿检测样品的制备方法包括：
(101)若干具有不同风味特征的干腌火腿去骨去皮，取肌肉部分切成边长为1-2cm的方块状干腌火腿样品；
(102)所述方块状干腌火腿样品采用液氮进行冷却后，研磨3-5s，并重复研磨3-5次，得到粉状干腌火腿样品；
(103)所述粉状干腌火腿样品置于去离子水中静置2-3h，9000-10000r/min离心30-40min，取上清液过水相微孔滤膜，滤液按1：10-20的比例稀释，得到液态干腌火腿样品。
在本发明的实施方案中，步骤(2)中，机器视觉检测所述方块状干腌火腿样品，通过图像传感器得到若干所述干腌火腿样品及其重要区域的图片，且图片分辨率不低于600×600；
电子鼻检测所述粉状干腌火腿样品，得到若干电子鼻传感器响应信号；
电子舌检测所述液态干腌火腿样品，得到若干电子舌传感器响应信号。
在本发明的实施方案中，步骤(2)中，机器视觉图片提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差，及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e)。
优选地，步骤(2)中，平均值(m)、标准差(s)和平均能量(e)的计算公式如下：
Figure BDA0002534774070000021
Figure BDA0002534774070000022
Figure BDA0002534774070000023
其中，m为机器视觉图片的各通道下的平均值；
s为机器视觉图片的各通道下的标准差；
e为机器视觉图片的各通道下的平均能量；
X为机器视觉图片的各个子集图片的横轴像素点数量；
Y为机器视觉图片的各个子集图片的纵轴像素点数量；
p(x,y)为机器视觉图片的各个子集图片中第(x,y)个像素点的数值。
在本发明的实施方案中，步骤(2)中，电子鼻和电子舌提取的特征值包括但不限于其传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值。
在本发明的实施方案中，步骤(3)中，所述干腌火腿检测样品的风味特征包括但不限于光泽感、红度、脂肪色、边缘整齐度、湿润度、发酵味、奶酪味、油脂哈败味、烟熏味、肉香味、酸味、黄油味；
所述打分的方式为若干专业感官员于100mm无标注线段独立评分，分数范围为1-100。
在本发明的实施方案中，步骤(4)中，所述多数据融合建模方法包括但不限于数理统计分析法、神经网络算法和随机森林算法。
优选地，步骤(4)中，确定系数(R2)和均方根误差(RMSE)的计算公式如下：
Figure BDA0002534774070000031
Figure BDA0002534774070000032
其中，R2为确定系数；
RMSE为均方根误差；
N表示评价模型建立过程中使用的风味特征已知的样本个数；
Xi为评价模型建立过程中第i个样本风味评价的实际值；
Figure BDA0002534774070000033
为评价模型建立过程中样本风味评价实际值的平均值；
Yi为评价模型建立过程中第i个样本的风味评价的预测值；
Figure BDA0002534774070000034
为评价模型建立过程中样本风味评价预测值的平均值。
本发明的有益效果是：本发明通过多数据融合以及数理统计和神经网络算法等的智能感官技术评价干腌火腿风味，采用确定系数和均方根误差作为评价指标建立干腌火腿风味评价模型，实现替代人工感官评价对干腌火腿的风味特征进行快速准确评价，操作简单、效率高、预测准确，不需要复杂的样品前处理和昂贵的仪器，具有较高的应用价值。
附图说明
图1是实施例1中不同储藏年份干腌火腿机器视觉的原始图像：(a)1年，(b)2年，(c)3年。
图2是实施例1中基于各智能感官数据和融合数据的PCA分析结果。
图3是实施例1中各智能感官数据之间的皮尔逊相关性分析。
图4是实施例1中不同储藏年份干腌火腿人工感官评价得分雷达图。
图5是实施例1中基于BP神经网络的预测模型。
图6是实施例1中基于智能感官技术的干腌火腿风味评分的预测结果：(a)光泽感，(b)红度，(c)脂肪颜色，(d)边缘粗糙程度，(e)湿润程度，(f)发酵味，(g)奶酪味，(h)油脂哈败味，(i)烟熏味，(j)肉香味，(k)酸味，(l)黄油味。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步的说明。
不同干腌火腿其内部营养成分会有较大差异性，其差异宏观表现在香味、滋味和外观等外部指标的变化。智能感官技术是一种模拟生物感官功能的新型检测方法，包括电子鼻、电子舌和电子眼等。智能感官技术能够将干腌火腿的香味、滋味和外观等信息转化为响应信号，再基于数据融合方法从这些响应信号中提取出有用信息，从而实现对干腌火腿品质的直接表征。
本发明所涉及的基于智能感官的干腌火腿风味评价方法，具体步骤为：
(1)检测样品准备：将具有不同风味特征的干腌火腿作为数据库构建的待检测样品，按照风味特征的不同分为若干批次，每个批次的干腌火腿至少有5组不同检测样品；将干腌火腿样品去骨去皮后取肌肉部分，切成立方体的块状用于机器视觉检测，立方体的边长为1-2cm；将立方体块状干腌火腿采用液氮进行冷却后，采用研磨机进行研磨，研磨次数3-5次，研磨时间3-5s，获得粉状干腌火腿用于电子鼻检测；将粉状干腌火腿样品置于去离子水中并静置2-3h，采用9000-10000r/min离心30-40min，取上清液过水相微孔滤膜，滤液按照1:10-20的比例稀释，获得待检溶液用于电子舌检测；
(2)机器视觉数据库构建：将步骤(1)中所述立方体块状的干腌火腿放置于图像传感器下方，将干腌火腿肌肉纤维截断面正对图像传感器；采用LED自然光源对待检测样品进行照射，采用位于待检测样品顶部的图像传感器对待检测样品进行拍照，图片分辨率不低于600×600；截取图片中干腌火腿的重要区域，分辨率为300×300，将图片单独保存，从而获得机器视觉数据库；
(3)电子鼻数据库构建：将步骤(1)中所述粉状干腌火腿样品按照1g/10mL顶空气体的比例放入无味的密闭容器中，所述密闭容器的体积不小于100mL；放入待检测样品后，密封并在室温中静置30-60min，使得待检测样品的挥发性成分散发到顶空中并达到饱和；每次电子鼻检测开始前，使用干燥洁净空气对系统进行清洗，设置清洗流速为1-3L/min，清洗时间为50-100s；清晰完成后，采用洁净注射器抽取顶空气体，所抽取气体体积不少于20mL，立刻注入电子鼻系统，电子鼻检测流速为0.8-1.2L/min，检测时间为50-80s；检测记录各传感器响应信号，构建电子鼻数据库；
(4)电子舌数据库构建：取步骤(1)中所述待检溶液60-90mL放于电子舌检测专用烧杯中；每次电子舌检测开始前，采用去离子水进行清洗，清洗时间100-180s；清晰完成后，电子舌对待检溶液进行检测，检测时间为90-120s；检测记录各传感器响应信号，构建电子舌数据库；
(5)特征值提取：机器视觉数据提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差，及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e)；电子鼻数据和电子舌数据提取的特征值包括但不限于传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值；
(6)风味评价得分数据库构建：采用人工感官评价小组结合定量描述分析方法对干腌火腿的风味特征进行打分；所述人工感官评价小组由不少于8人的专业感官员组成，所述干腌火腿的风味特征包括但不限于光泽感、红度、脂肪色、边缘整齐度、湿润度、发酵味、奶酪味、油脂哈败味、烟熏味、肉香味、酸味、黄油味等；所述打分方式是，感官员采用100mm无标注线段进行独立评分，分数范围为1-100；
(7)干腌火腿风味评价模型构建：将步骤(5)中提取的特征值作为自变量，干腌火腿检测样品的风味评价得分作为因变量，建立风味评价模型；所述风味评价模型的建模方法包括但不限于数理统计分析方法和神经网络算法、随机森林算法；选择其中确定系数(R2)大而均方根误差(RMSE)小的评价模型作为最终的风味评价；
(8)干腌火腿风味评价：通过步骤(1)到步骤(4)获得未知干腌火腿的机器视觉、电子鼻和电子舌的数据库；通过步骤(5)从未知干腌火腿的数据库中提取特征值；将特征值导入步骤(6)中所建立的风味评价模型，从而获得未知干腌火腿的风味评价结果。
在一些实施方式中，所述步骤(5)中平均值(m)、标准差(s)和平均能量(e)的计算公式如下：
Figure BDA0002534774070000051
Figure BDA0002534774070000052
Figure BDA0002534774070000061
其中，m为机器视觉图片的各通道下的平均值；s为机器视觉图片的各通道下的标准差；e为机器视觉图片的各通道下的平均能量；X为机器视觉图片的各个子集图片的横轴像素点数量；Y为机器视觉图片的各个子集图片的纵轴像素点数量；p(x,y)为机器视觉图片的各个子集图片中第(x,y)个像素点的数值。
在一些实施方式中，所述步骤(6)中确定系数(R2)和均方根误差(RMSE)的计算公式如下：
Figure BDA0002534774070000062
Figure BDA0002534774070000063
其中，R2为确定系数；RMSE为均方根误差；N表示评价模型建立过程中使用的风味特征已知的样本个数；Xi为评价模型建立过程中第i个样本风味评价的实际值；
Figure BDA0002534774070000064
为评价模型建立过程中样本风味评价实际值的平均值；Yi为评价模型建立过程中第i个样本的风味评价的预测值；
Figure BDA0002534774070000065
为评价模型建立过程中样本风味评价预测值的平均值。
以下将采用具体实施例来进一步说明该发明的具体实施过程。
实施例1
将本发明提出的方法应用于不同年份金华火腿风味的快速评价。本实施例中所用干腌火腿为购于浙江省金华市金字股份有限公司的金华火腿，储藏年份1、2、3年各6条，共计18条。根据上述步骤(1)将干腌火腿的肌肉部分进行加工和处理。在实验开始前将储藏在-18℃的干腌火腿样品取出置于4℃冰箱中解冻4h，解冻后的火腿样品切成1.00cm×1.00cm×1.00cm的立方体块状，用于机器视觉检测；将立方体块状干腌火腿在液氮环境中进行冷却，并立即移入研磨机研磨3次，每次研磨时间为3s，研磨后的粉末状干腌火腿用于电子鼻检测；进一步称取5g粉末状干腌火腿样品加入到20mL去离子水中，静置2.00h后对样品进行9500r/min离心30min操作，取上清液过水相微孔滤膜，滤液按照1:15的比例进行稀释，获得待检溶液用于电子舌检测。
本实施例中采用的机器视觉系统来自深圳精拓优诚科技有限公司，视觉信息采集系统由松下COMS图像传感器(CW-126-5MP)，定焦12mm，LED自然光源，图像采集采用的是E-eye图像采集软件。
机器视觉数据库构建：取立方体块状干腌火腿放置于图像传感器下方，打开LED自然光源，逐一对每个年份的样品进行拍照，然后将保存后的图片进行预处理，调整为300×300的分辨率后获得机器视觉的数据库。本实施例中，不同储藏年份的干腌火腿机器视觉结果示意如图1所示，发现随着年份的增加，干腌火腿的颜色和表面纹理都发生相应的变化。
本实施例中采用的电子鼻为美国Isensor公司的SuperNose，该电子鼻由14根气敏传感器组成，具体型号和特征如表1所示。
表1：SuperNose电子鼻传感器型号及其主要特性
传感器编号 检测气体类型
S1 氨气、胺类
S2 硫化氢、硫化物
S3 氢气
S4 酒精、有机溶剂
S5 醇类、酮类、醛类、芳香化合物
S6 甲烷、沼气、天然气
S7 可燃性气体
S8 VOC(用于环境气体污染检测)
S9 液化气、天然气、煤气
S10 液化气、可燃气体
S11 烷烃、酒精、天然气、烟雾
S12 酒精、有机溶剂
S13 烟气、烹调臭味
S14 甲烷、燃气
电子鼻数据库构建步骤：取10.0g粉末状干腌火腿放于100mL的烧杯中，采用封口膜进行封口，在室温下静置30min，使得待检测样品的挥发性成分散发到顶空中并达到饱和。在使用电子鼻进行检测前，使用干燥洁净空气对系统进行清洗，设置空气流速为3.00L/min，清洗时间为100s。用50mL一次性注射器取密闭烧杯中顶空气体20mL，立刻注入电子鼻进样口，设定检测流速为1.00L/min，检测时间为60s，各电子鼻传感器响应信号由系统自带的软件进行记录，记录频率为10次/s。每个年份的干腌火腿重复以上操作，共获得90个数据点(30个×3个年份)。
本实施例中采用的电子舌系统为法国Alpha MOS公司的AstreeII型电子舌。该电子舌系统包括7个传感器，SRS(酸味)、GPS(复合传感器)、STS(咸味)、UMS(鲜味)、SPS(复合传感器)、SWS(甜味)、BRS(苦味)。
电子舌数据库构建：取干腌火腿水溶性成分的待检测溶液80mL放置于100mL电子舌检测专用烧杯中；电子舌检测开始前，采用去离子水进行清洗，清洗时间为120s；清晰完成后，对待检溶液进行检测，检测时间为120s；采用系统自带软件(AlphaSoft version7.2.1)记录传感器响应信号；每个年份的干腌火腿重复以上操作，共获得90个数据点(30个×3个年份)，构建电子舌数据库。
从机器视觉数据库中提取了各个图片中RGB色彩模式下的红值(R)、绿值(G)、蓝值(B)的平均值，以及各个色彩值的标准偏差值作为特征值。具体的计算公式如下所示：
Figure BDA0002534774070000081
Figure BDA0002534774070000082
其中，m为机器视觉图片的RGB色彩模式下红值(R)、绿值(G)、B(蓝值)的平均值；s为机器视觉图片的RGB色彩模式下红值(R)、绿值(G)、B(蓝值)的标准偏差；X为机器视觉图片的横轴像素点数量(本实施例为300)；Y为机器视觉图片的纵轴像素点数量(本实施例为300)；p(x,y)为机器视觉图片中第(x,y)个像素点对应的数值。
提取电子舌的传感器平稳阶段的响应值作为特征值用于后续多数据融合；提取电子鼻的传感器响应信号的峰值作为特征值用于后续多数据融合。
本实施例中，采用皮尔逊相关性分析方法对各智能感官数据的相关性进行评价，通过热图将相关性矩阵进行可视化，结果如图2所示。其中，颜色越深说明相关性越大，颜色越浅说明相关性越小。从图中可知，大部分数据之间的相关性不大，且相关性强弱呈现出明显的区域性，即来自同一种智能感官数据的特征值相关性较高，而来自不同智能感官数据的特征值相关性较低。因此，本实施例中所选取的外观、气味和滋味信息之间的相关性不大，能够提供不同储藏年份干腌火腿相对应的属性特征。以上分析表明，本实施例中所提取的特征值能够为多数据融合提供丰富的有用信息。
进一步采用主成分分析(principle component analysis，PCA)方法对电子鼻、电子舌和机器视觉数据以及融合后的数据进行降维处理，PCA结果如图3所示。由图可知，3个储藏年份的干腌火腿的样本点呈现团簇现象，且各个团簇之间能够较好地区分开来。
本实施例中，人工感官评价得分通过一下方式获得：将火腿样品处理成1.00cm×1.00cm×1.00cm的立方体块状，并置于25mL带盖感官品尝杯中待评价。本实验选择10位有经验的感官员(25-25岁)进行评价，在评价前签定实验相关协议。本实验分为三个部分进行，每次30分钟左右。第一部分：呈送一年陈，三年陈样品给感官小组，在小组长的组织下，大家分别给出可以描述样品外观，气味，质构，滋味和后味的词汇，建立词汇表；第二部分：根据第一部分得出的词汇表，选择合适的参考样给感官小组，进一步讨论并统一每位感官员对描述性词汇的定义及强度的认知。得出较为一致的结论。第三部分：基于词汇表中描述词对样品进行强度打分，每位感官员采用100mm无标注线段进行独立评分。每个样品的打分重复两次，样品采用三位随机数字标注。不同样品之间需要用黄瓜片清口，并充分用清水漱口去除口腔中残余样品，以免影响其它样品的品尝。
表2：不同储藏年份金华火腿感官评价得分表
序号 感官特征 3年 2年 1年 p值
1 光泽感 21±4.31a 52.27±5.34a 62±6.95b <0.01
2 红色 81.14±3.13a 47.18±4.48b 18.18±2.61c <0.01
3 脂肪颜色 73.77±7.66a 36.05±6.14b 12.09±2.36c <0.01
4 边缘粗糙程度 63.41±8.77c 32.32±6.3b 16.18±3.13a <0.01
5 湿润程度 16±2.75a 46.55±3.68b 71.59±6.93c <0.01
6 发酵味 69.82±7.56a 48.32±6.19b 45.32±6.27b <0.01
7 奶酪味 46.64±10.17a 40.82±6.53a 35.68±5.79a 0.37
8 油脂哈败味 60.14±7.14a 39.95±6.23b 31.14±5.78b <0.01
9 烟熏味 49.77±8.49a 26.18±5.66b 27.18±6.48b <0.01
10 肉香味 63.27±7.06a 46.5±5.28b 47.05±5.66ba 0.03
11 酸味 54.41±7.91a 31.41±5.87b 33.09±5.77b <0.01
12 黄油味 30.77±7.04a 32.95±5.52a 39.41±8.03a 0.43
不同储藏年份干腌火腿人工感官评价结果如表2所示，得分雷达图如图4所示。光泽感和湿润程度随储藏年份增加呈现降低的趋势，红度、黄度和边缘粗糙度呈现升高趋势。储藏年份较久的金华火腿发酵时间长，工艺控制合理，火腿失水严重导致肌肉干燥，肌肉纤维明显，在切割时容易产生粗糙边缘；脂肪氧化程度高，引起光泽下降，氧化脂肪颜色逐渐由白变黄。储藏年份越久的金华火腿各气味特征越强烈，其中3年份金华火腿的发酵味、油脂哈败味、烟熏味、肉香味和酸味与其它火腿相比非常突出。以上这些特征都可以通过智能感官技术数据得到表征。
本实施例中，基于多数据融合结合BP神经网络算法构建干腌火腿风味评价模型。在建模过程中不断优化隐含层神经元个数，并基于所提取的特征值进行模型训练。同时，将每个年份的检测样本随机分成两个数据集，即校验集(Calibration set)和验证集(Validation set)，校验集用于建立模型，验证集用于测试模型性能。其中，每个年份的干腌火腿其校验集样本数为20个，验证集样本数为10个，通过确定系数(R2)和均方根误差(RMSE)作为模型评判指标，优选模型，计算公式如下：
Figure BDA0002534774070000091
Figure BDA0002534774070000092
其中，R2为确定系数；RMSE为均方根误差；N表示评价模型建立过程中使用的风味特征已知的样本个数；Xi为评价模型建立过程中第i个样本风味评价的实际值；
Figure BDA0002534774070000093
为评价模型建立过程中样本风味评价实际值的平均值；Yi为评价模型建立过程中第i个样本的风味评价的预测值；
Figure BDA0002534774070000101
为评价模型建立过程中样本风味评价预测值的平均值。
通过优化参数，最终确定所构建的神经网络模型为：输入层的神经元个数为27，隐含层神经元个数为40，输出层神经元个数为12，如图5所示。其中输入层各神经元分别代表从智能感官数据中提取的27个特征值，输出层的神经元代表要预测的干腌火腿各个人工感官评价得分。所建评价模型预测结果和人工感官评价得分结果对比如图6所示，准确性统计如表3所示。
表3：金华火腿BP神经网络预测人工感官评价得分准确性统计表
Figure BDA0002534774070000102
在干腌火腿风味评价模型结果中，纵坐标为BP神经网络预测得分，横坐标为人工感官实际打分结果。首先，从三个年份金华火腿的打分值可以看到，除光泽感较接近3年火腿样品外，1年金华火腿样品的大多外观和气味属性处于2年和3年火腿样品中间。但是在发酵味、油脂哈败味、烟熏味、肉香味、酸味和黄油味等气味特征中，2年份金华火腿样品更接近3年份金华火腿样品。此外，图中显示2年份和3年份金华火腿的预测值大部分与实际打分完全重合，预测准确性高，而对于1年份火腿，在验证集和校验集中预测值与真实值均有偏离，原因可能是1年份火腿样品之间个体差异，但是计算BP神经网络模型对各感官属性预测结果的均方根误差和确定系数后可以看到，验证集和校验集均在可接受范围。
综上所述，本发明提出的基于智能感官技术实现干腌火腿快速风味评价的方法具有较强的可行性，能够实现对不同干腌火腿的风味特征进行准确评价，且预测值与真实值之间的相关性非常高，值得广泛推广。
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中，而不必经过创造性的劳动。因此，本发明不限于上述实施例。本领域技术人员根据本发明的原理，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.基于智能感官的干腌火腿风味评价方法，其特征在于，包括如下步骤：
(1)不同风味特征的干腌火腿分别制备方块状、粉状和液态的干腌火腿检测样品；
(2)采用电子鼻、电子舌和机器视觉分别对上述干腌火腿检测样品进行检测，构建智能感官数据库，并提取特征值；
(3)采用人工感官评价结合定量描述对步骤(1)所述干腌火腿检测样品的风味特征进行打分，构建风味评价得分数据库；
(4)将步骤(2)中提取的特征值作为自变量，步骤(3)中所述干腌火腿检测样品的风味评价得分作为因变量，多数据融合建模，得到确定系数(R2)大而均方根误差(RMSE)小的风味评价模型；
(5)未知干腌火腿经上述步骤(1)和(2)，得到特征值，再将得到的特征值导入步骤(4)所述风味评价模型，得到其风味评价得分。
2.根据权利要求1所述的干腌火腿风味评价方法，其特征在于，
步骤(1)中，所述干腌火腿检测样品的制备方法包括：
(101)若干具有不同风味特征的干腌火腿去骨去皮，取肌肉部分切成边长为1-2cm的方块状干腌火腿样品；
(102)所述方块状干腌火腿样品采用液氮进行冷却后，研磨3-5s，并重复研磨3-5次，得到粉状干腌火腿样品；
(103)所述粉状干腌火腿样品置于去离子水中静置2-3h，9000-10000r/min离心30-40min，取上清液过水相微孔滤膜，滤液按1：10-20的比例稀释，得到液态干腌火腿样品。
3.根据权利要求1或2所述的干腌火腿风味评价方法，其特征在于，
步骤(2)中，机器视觉检测所述方块状干腌火腿样品，通过图像传感器得到若干所述干腌火腿样品及其重要区域的图片，且图片分辨率不低于600×600；
电子鼻检测所述粉状干腌火腿样品，得到若干电子鼻传感器的响应信号；
电子舌检测所述液态干腌火腿样品，得到若干电子舌传感器的响应信号。
4.根据权利要求3所述的干腌火腿风味评价方法，其特征在于，
步骤(2)中，机器视觉提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差，及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e)；
电子鼻和电子舌提取的特征值包括但不限于其传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值。
5.根据权利要求4所述的干腌火腿风味评价方法，其特征在于，
步骤(2)中，平均值(m)、标准差(s)和平均能量(e)的计算公式如下式(2-1)、(2-2)和(2-3)所示：
Figure FDA0002534774060000021
Figure FDA0002534774060000022
Figure FDA0002534774060000023
其中，m为机器视觉图片的各通道下的平均值；
s为机器视觉图片的各通道下的标准差；
e为机器视觉图片的各通道下的平均能量；
X为机器视觉图片的各个子集图片的横轴像素点数量；
Y为机器视觉图片的各个子集图片的纵轴像素点数量；
p(x,y)为机器视觉图片的各个子集图片中第(x,y)个像素点的数值。
6.根据权利要求1所述的干腌火腿风味评价方法，其特征在于，
步骤(3)中，所述干腌火腿检测样品的风味特征包括但不限于光泽感、红度、脂肪色、边缘整齐度、湿润度、发酵味、奶酪味、油脂哈败味、烟熏味、肉香味、酸味、黄油味；
所述打分的方式为若干专业感官员于100mm无标注线段独立评分，分数范围为1-100。
7.根据权利要求1所述的干腌火腿风味评价方法，其特征在于，
步骤(4)中，所述多数据融合建模方法包括但不限于数理统计分析法、神经网络算法和随机森林算法。
8.根据权利要求1或7所述的干腌火腿风味评价方法，其特征在于，
步骤(4)中，确定系数(R2)和均方根误差(RMSE)的计算公式如下(4-1)和(4-2)所示：
Figure FDA0002534774060000024
Figure FDA0002534774060000025
其中，R2为确定系数；
RMSE为均方根误差；
N表示评价模型建立过程中使用的风味特征已知的样本个数；
Xi为评价模型建立过程中第i个样本风味评价的实际值；
Figure FDA0002534774060000031
为评价模型建立过程中样本风味评价实际值的平均值；
Yi为评价模型建立过程中第i个样本的风味评价的预测值；
Figure FDA0002534774060000032
为评价模型建立过程中样本风味评价预测值的平均值。
CN202010529264.1A 2020-06-11 2020-06-11 基于智能感官的干腌火腿风味评价方法 Pending CN111693661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529264.1A CN111693661A (zh) 2020-06-11 2020-06-11 基于智能感官的干腌火腿风味评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529264.1A CN111693661A (zh) 2020-06-11 2020-06-11 基于智能感官的干腌火腿风味评价方法

Publications (1)

Publication Number Publication Date
CN111693661A true CN111693661A (zh) 2020-09-22

Family

ID=72480368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529264.1A Pending CN111693661A (zh) 2020-06-11 2020-06-11 基于智能感官的干腌火腿风味评价方法

Country Status (1)

Country Link
CN (1) CN111693661A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418962A (zh) * 2021-06-16 2021-09-21 上海应用技术大学 基于人工感官与电子舌技术相结合的黄酒滋味评价方法
CN116298147A (zh) * 2023-03-24 2023-06-23 三只松鼠股份有限公司 一种猪肉脯的品质检测方法及热风干燥工艺优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101692053A (zh) * 2009-10-09 2010-04-07 江苏大学 基于多传感信息融合的名优茶品质仪器智能化审评方法
CN102692488A (zh) * 2012-03-22 2012-09-26 浙江大学 基于电子鼻技术的金华火腿分级与鉴别方法
CN105588863A (zh) * 2015-12-17 2016-05-18 吉林大学 基于味觉传感器阵列的牛肉味觉品质检测方法
CN105701590A (zh) * 2014-11-28 2016-06-22 国家电网公司 一种基于极大似然估计的风电功率波动概率分布描述方法
CN105807017A (zh) * 2014-12-29 2016-07-27 上海海洋大学 利用电子鼻鉴别火腿等级的方法
CN108133313A (zh) * 2017-11-12 2018-06-08 华南农业大学 一种人工智能感官评价食品风味系统及其构建方法
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN110687240A (zh) * 2019-10-25 2020-01-14 云南农业大学 一种快速鉴定火腿产地的方法
CN111260199A (zh) * 2020-01-10 2020-06-09 江西理工大学 一种人工智能感官评价食品风味系统及其构建方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101692053A (zh) * 2009-10-09 2010-04-07 江苏大学 基于多传感信息融合的名优茶品质仪器智能化审评方法
CN102692488A (zh) * 2012-03-22 2012-09-26 浙江大学 基于电子鼻技术的金华火腿分级与鉴别方法
CN105701590A (zh) * 2014-11-28 2016-06-22 国家电网公司 一种基于极大似然估计的风电功率波动概率分布描述方法
CN105807017A (zh) * 2014-12-29 2016-07-27 上海海洋大学 利用电子鼻鉴别火腿等级的方法
CN105588863A (zh) * 2015-12-17 2016-05-18 吉林大学 基于味觉传感器阵列的牛肉味觉品质检测方法
CN108133313A (zh) * 2017-11-12 2018-06-08 华南农业大学 一种人工智能感官评价食品风味系统及其构建方法
CN110133049A (zh) * 2019-04-10 2019-08-16 浙江大学 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN110687240A (zh) * 2019-10-25 2020-01-14 云南农业大学 一种快速鉴定火腿产地的方法
CN111260199A (zh) * 2020-01-10 2020-06-09 江西理工大学 一种人工智能感官评价食品风味系统及其构建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
易宇文等: "基于智能仿生仪的发酵小米椒感官品质评价模型", 《食品与机械》 *
王快妮: "《支持向量机鲁棒性模型与算法研究》", 31 August 2019 *
谭椰子 等: "3个品牌干腌火腿皮下脂肪挥发性风味比较分析", 《食品科学》 *
钟成等: "基于主成分分析、神经网络对啤酒感官评价的预测", 《食品与发酵工业》 *
韩鹏飞等: "感官评价在干腌火腿中的应用", 《肉类工业》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418962A (zh) * 2021-06-16 2021-09-21 上海应用技术大学 基于人工感官与电子舌技术相结合的黄酒滋味评价方法
CN113418962B (zh) * 2021-06-16 2024-04-12 上海应用技术大学 基于人工感官与电子舌技术相结合的黄酒滋味评价方法
CN116298147A (zh) * 2023-03-24 2023-06-23 三只松鼠股份有限公司 一种猪肉脯的品质检测方法及热风干燥工艺优化方法
CN116298147B (zh) * 2023-03-24 2024-04-12 三只松鼠股份有限公司 一种猪肉脯的品质检测方法及热风干燥工艺优化方法

Similar Documents

Publication Publication Date Title
CN111693661A (zh) 基于智能感官的干腌火腿风味评价方法
Cayot Sensory quality of traditional foods
CN108960315B (zh) 一种调理肉制品品质智能评价系统及方法
CN100421823C (zh) 一种猪肉颜色质量等级的划分方法
Piggott et al. Descriptive sensory analysis of whisky flavour
CN109959765B (zh) 三文鱼新鲜度检测系统及方法
CN111837824A (zh) 一种基于大数据智慧农业的食用菌种植环境调控管理系统
CN104897581A (zh) 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置
Pozo-Bayón et al. Wine preference and wine aroma perception
CN107348007A (zh) 一种牦牛奶马苏里拉奶酪的制备方法
McCloskey et al. Descriptive analysis for wine quality experts determining appellations by Chardonnay wine aroma
CN113609647B (zh) 一种预测百香果汁香气强度变化的方法
CN114858984A (zh) 厚皮甜瓜种质资源商品性数据采集装置及采集与分析方法
CN111693658A (zh) 基于多种智能感官数据融合的食品品质鉴定方法
CN107581519B (zh) 一种低膻羊肉发酵香肠产品
CN111308027B (zh) 生食品质的确定方法、装置、系统和计算机可读存储介质
Alexander et al. The professional handbook of cider tasting
CN116298107A (zh) 一种雪茄烟叶感官质量与风格评价方法
Grazier et al. Temperature effects on the development of Cheddar cheese flavor and aroma
Wang et al. Establish intelligent detection system to evaluate the sugar smoking of chicken thighs
Motonaga et al. Color chart of European Pear ‘Le Lectier’based on the color image analysis
CN110367468A (zh) 一种低盐盐水鸭的加工方法
CN102622710A (zh) 一种量化感官评价人工窖泥老熟程度的系统
CN105433304B (zh) 一种香梨脆片的制作方法
Louw Sensory analysis of brandy: the application of rapid profiling methodologies

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

Application publication date: 20200922

RJ01 Rejection of invention patent application after publication