CN112213281A - 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 - Google Patents
一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 Download PDFInfo
- Publication number
- CN112213281A CN112213281A CN202011276238.9A CN202011276238A CN112213281A CN 112213281 A CN112213281 A CN 112213281A CN 202011276238 A CN202011276238 A CN 202011276238A CN 112213281 A CN112213281 A CN 112213281A
- Authority
- CN
- China
- Prior art keywords
- freshness
- near infrared
- value
- fish
- infrared spectrum
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 94
- 239000013505 freshwater Substances 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000002329 infrared spectrum Methods 0.000 title claims description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000611 regression analysis Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 235000013372 meat Nutrition 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 241001233037 catfish Species 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 235000013305 food Nutrition 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 235000013622 meat product Nutrition 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 238000009614 chemical analysis method Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000746780 Leiocassis longirostris Species 0.000 description 1
- 241000252496 Siluriformes Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- -1 agriculture Substances 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G01N2021/3572—Preparation of samples, e.g. salt matrices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Algebra (AREA)
Abstract
本发明涉及农产品检测技术领域。一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,采用近红外光谱仪采集不同新鲜度的淡水鱼光谱数据,对光谱数据进行预处理,同时通过化学分析方法测定淡水鱼新鲜度指标的含量,采用回归分析方法结合二者建立近红外预测模型,然后用建立的预测模型直接测定淡水鱼新鲜度指标含量,最后采用主成分分析及建立数学模型对淡水鱼新鲜度进行综合评价,快速判断出淡水鱼新鲜度状况。本发明具有操作简便、快速检测、绿色高效等优点。
Description
技术领域
本发明涉及农产品检测技术领域,具体地涉及基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法。
背景技术
淡水鱼营养物质,含有丰富的蛋白质、多种人体必需的氨基酸和不饱和脂肪酸等优点,但易发生脂肪氧化,蛋白质变性、ATP降解等一系列劣变反应,使得淡水鱼的新鲜度发生急剧的下降且不利于消费者的饮食健康,传统的新鲜度指标(pH、TVB-N、K值、TBA、TMA)测定存在着耗时长、操作繁琐、试剂消耗量及不利于环境保护等缺点,一种方便快捷、绿色、高效的检测方法成为农产品检测技术领域的亟待解决的问题。
随着近红外光谱技术的发展,其逐渐应用于食品、药品、农业和化工等领域,其具有操作简单、快速、绿色、高效等特点,为了解决传统方法测定淡水鱼新鲜度存在的缺点,因此有必要设计一种基于透射式近红外光谱建立淡水鱼新鲜度综合评价的方法。
发明内容
本发明的目的在于提供一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,该方法具有简便、快速、绿色、高效的特点。
为了实现上述目的,本发明所采用的技术方案是:一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于包括如下步骤:
1)不同新鲜度的样品:将淡水鱼样品贮藏在4℃,分别在第1、2、3、4、5天进行取样,共5份样品(每天1份),每份48袋,得到240个不同贮藏期鱼肉样品;
2)光谱采集和理化检测分析:将样品用食品料理机绞碎,得到待测鱼肉样品;对待测鱼肉样品采集近红外光谱数据且进行新鲜度指标(pH、TVB-N、K值、TBA、TMA)理化分析检测;仪器工作参数:测量采用透射式近红外,光谱范围为850-1050nm,扫描间隔2nm;将分装后的鱼肉分成5份(对应第1、2、3、4、5天的取样,每份48袋),5份鱼肉在4℃下分别贮藏1、2、3、4、5天取样,得到240个不同贮藏期鱼肉样品(鮰鱼肉样品)的近红外光谱及新鲜度理化指标。
3)对收集的近红外光谱进行预处理;
4)预测模型的建立:将步骤3)预处理后的近红外光谱与步骤2)理化分析检测的指标通过回归分析方法结合,建立对淡水鱼新鲜度的预测模型;
5)输出预测结果:将淡水鱼样品进行近红外光谱采集,输出新鲜度指标数值;
6)透射近红外快速预测淡水鱼新鲜度模型验证;
7)新鲜度综合评价:1)对上述预测的新鲜度指标(pH、TVB-N、K值、TBA、TMA)的数值进行标准差标准化处理,获得其标准化后的数值:pH标准化后数值记为Zx1,TVB-N标准化后数值记为Zx2,K值标准化后数值记为Zx3,TBA标准化数值记为Zx4,TMA标准化后数值记为Zx5;将测定指标标准化处理,采用主成分分析法建立淡水鱼新鲜度综合评价数学模型;
2)将各标准化后的数值代入公式y=-0.217*Zx1+0.234*Zx2+0.236*Zx3+0.232*Zx4+0.223*Zx5中,其中y为淡水鱼肉的新鲜度综合评价结果;得到的y值判断淡水鱼肉的新鲜度:y≥1,鱼肉新鲜度极低,-1<y<1,鱼肉新鲜度一般,y≤-1,鱼肉新鲜度高。
按照上述技术方案,所述步骤1)中,淡水鱼为鮰鱼等中的一种。
按照上述技术方案,所述步骤3)对收集的近红外光谱进行预处理为:选取其中200个近红外光谱数据及对应的理化检测分析结果作为校正集,通过winISI(FoodScan肉制品分析仪配备)软件对近红外光谱数据进行原始光谱(Raw spectra,RS)、一阶导数(fistderivatives preprocessing,1st)、标准正态变换预处理(standard normalized variatepreprocessing,SNV)、去散射预处理(Detrend preprocessing)、标准正态变换+去散射预处理(standard normalized variate plus Detrend preprocessing,SNV+Detrend)和多元离散校正预处理(multiplicative signal correction preprocessing,MSC)等多种预处理。
按照上述技术方案,所述步骤4)预测模型的建立为:将步骤3)预处理后的近红外光谱与步骤2)理化分析检测的指标通过winISI软件用不同回归分析方法(M-PLS、PLS和PCR),建立对淡水鱼新鲜度的预测模型,其中预测模型准确度评价参数SEC(定标标准偏差)、SECV(交互验证标准偏差)越小准确度越高,而1-VR(交互验证相关系数)、RSQ(定标相关系数)越接近1其准确度越高,另外40个数据组作为验证集对预测模型的准确度进行验证。
按照上述技术方案,所述步骤6)透射近红外快速预测淡水鱼新鲜度模型验证为:在4℃贮藏一批淡水鱼样品,分别在第1、2、3、4、5天取样,采集透射式近红外光谱仪数据且同时进行理化检测分析,透射式近红外光谱仪数据为预测值,理化检测分析为实测值;将预测值、实测值和贮藏天数的相关数据用SPSS 20.0进行数据分析及作图,在不同贮藏天数各指标预测值与实测值,各指标预测值与真实值间的相关系数R2在0.667~0.887之间,表明预测值与实测值随着贮藏时间呈现一定的相关性,用透射式近红外进行淡水鱼新鲜度相关指标快速测定的方法是可行的,其相关系数R2的提高还有待预测模型的数据库不断增大。
按照上述技术方案,所述步骤7)新鲜度数学模型建立及综合评价的对上述预测的新鲜度指标(pH、TVB-N、K值、TBA、TMA)的数值进行标准差标准化处理为:通过原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1;其转化函数为:Zx=(x-μ)/σ,其中μ为所有样本数据的均值,σ为所有样本数据的标准差,Zx为标准化后的数字值,x为样本的原始数据;获得其标准化后的数值:pH标准化后数值记为Zx1,TVB-N标准化后数值记为Zx2,K值标准化后数值记为Zx3,TBA标准化数值记为Zx4,TMA标准化后数值记为Zx5。
本发明所述方法一种基于透射式近红外光谱建立淡水鱼新鲜度综合评价的方法,采用透射式近红外光谱仪采集待测样品鮰鱼近红外光谱数据,将预处理后光谱数据与理化测定数据结合,采用回归分析方法建立预测模型,最后用建立的近红外预测模型直接进行测量,得到淡水鱼新鲜度指标数值(pH、TVB-N、K值、TBA、TMA)数值并验证,最后结合主成分分析且建立数学模型对淡水鱼新鲜度进行综合评价。
本发明的有益效果是:提供的方法具有简便、快速、绿色、高效等特点,可应用于现代化工厂企业生产的快速检测。
附图说明
图1是本发明样品近红外光谱图。
图2是本发明样品新鲜度指标预测模型验证图。
表1是本发明样品各指标理化分析检测结果。
表2是本发明不同预处理与回归分析方法建立预测模型。
表3是本发明各指标原始检测数据及标准化处理结果。
表4是本发明新鲜度综合评价验证数据。
具体实施方式
下面结合具体实例对本发明作进一步阐述,但本发明并不限于以下实例。
一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,包括如下步骤:
1)不同新鲜度样品:将240条淡水鱼鮰鱼敲击致晕,去除内脏,流水清洗干净后,取鱼肉,然后分装(每袋约400g)。将分装后的鱼肉分成5份(每份48袋),5份鱼肉在4℃下分别贮藏1、2、3、4、5天,取样,得到240个不同贮藏期的鮰鱼肉样品;
2)光谱采集和理化检测分析:将鮰鱼肉样品用食品料理机绞碎,得到待测鱼肉样品。首先将FoodScan近红外光谱扫描仪开机30min进行自检及预热,然后将待测鱼肉样品置于样品盘(R×H=68×17mm,内高13mm)中,适当压平排除样品中气泡,总共获取240个近红外光谱数据(光谱采集条件:850~1050nm,扫描间隔2nm,每个样品进行6次扫描),见图1;随后,将待测鱼肉样品再进行新鲜度指标(pH、K值、TVB-N、TBA、TMA)测定,如表1所示;
3)对收集的近红外光谱进行预处理:选取其中200个近红外光谱数据及对应的理化检测分析结果作为校正集,通过winISI(FoodScan肉制品分析仪配备)软件对近红外光谱数据进行原始光谱(Raw spectra,RS)、一阶导数(fist derivatives preprocessing,1st)、标准正态变换预处理(standard normalized variate preprocessing,SNV)、去散射预处理(Detrend preprocessing)、标准正态变换+去散射预处理(standard normalizedvariate plus Detrend preprocessing,SNV+Detrend)和多元离散校正预处理(multiplicative signal correction preprocessing,MSC)等多种预处理;
4)预测模型的建立:将步骤3)预处理后的近红外光谱与步骤2)理化分析检测结果(指标)通过winISI软件用不同回归分析方法(M-PLS、PLS和PCR)建立预测模型,其中预测模型准确度评价参数SEC(定标标准偏差)、SECV(交互验证标准偏差)越小准确度越高,而1-VR(交互验证相关系数)、RSQ(定标相关系数)越接近1其准确度越高,另外40个数据组作为验证集对预测模型的准确度进行验证,结果如表2;
5)输出预测结果:采集淡水鱼红外光谱,输出淡水鱼新鲜度指标数值;
6)透射近红外快速预测淡水鱼新鲜度模型验证:在4℃贮藏贮藏一批淡水鱼鮰鱼样品,分别在1、2、3、4、5天取样,采集透射式近红外光谱仪数据(预测值)且同时进行理化检测分析(实测值),将预测值、实测值和贮藏天数的相关数据用SPSS 20.0进行数据分析及作图,在不同贮藏天数各指标预测值与实测值如图2所示,各指标预测值与真实值间的相关系数R2在0.667~0.887之间,表明预测值与实测值随着贮藏时间呈现一定的相关性,用透射式近红外进行淡水鱼新鲜度相关指标快速测定的方法是可行的,其相关系数R2的提高还有待预测模型的数据库不断增大;
7)新鲜度数学模型建立及综合评价:
①对上述预测的新鲜度指标(pH、TVB-N、K值、TBA、TMA)的数值进行标准差标准化处理,具体为:通过原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1;其转化函数为:Zx=(x-μ)/σ,其中μ为所有样本数据的均值,σ为所有样本数据的标准差,Zx为标准化后的数字值,x为样本的原始数据;获得其标准化后的数值:pH标准化后数值记为Zx1,TVB-N标准化后数值记为Zx2,K值标准化后数值记为Zx3,TBA标准化数值记为Zx4,TMA标准化后数值记为Zx5;
表3各指标原始检测数据及标准化处理结果
②将测定指标标准化处理后,采用主成分分析法建立淡水鱼新鲜度综合评价数学模型,各标准化后的数值代入公式y=-0.217*Zx1+0.234*Zx2+0.236*Zx3+0.232*Zx4+0.223*Zx5中,其中y为淡水鱼肉的品质评价结果;得到的y值判断淡水鱼肉的新鲜度:y≥1,鱼肉新鲜度极低,-1<y<1,鱼肉新鲜度一般,y≤-1,鱼肉新鲜度高。
表1,本发明样品各指标理化分析检测结果
注:min~max:数值最大最小值范围;P25:上四分位数;P50:中位数;P75:下四分位数
表2,本发明不同预处理与回归分析方法建立预测模型
(8)新鲜度综合评价验证
用不同新鲜度鮰鱼样品,采用上述方法进行对鮰鱼样品新鲜度情况进行综合评价,并同时进行实测新鲜度指标进行判断,对新鲜度综合评价数学模型进行验证,验证结果如表4所示;由GB 2733-2015食品安全国家标准鲜、冻动物性水产品可知,TVB-N限值为≤20mg/100g,K值由相关文献可知≥80.0%已经处于腐败状态,另外pH、TBA和TMA还没有明确的限定值,主要进行新鲜度评价的补充评价;由表4新鲜度综合评价验证数据可知,基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法与实际测定指标判定的新鲜度是基本相符的,这表明一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法是可行的。
表4新鲜度综合评价验证数据
感官评分:采用1~9分的分级标准对鱼肉样品新鲜度进行评估:一级新鲜度7~9分;二级新鲜度4~6分;腐败变质度1~3分。
本实施例,以淡水鱼鮰鱼为样品。
本发明同样适用于其它鱼,在此不一一列举实施例。
本文所描述的具体实施案例仅作为对本发明精神和部分实验做举例说明。本发明所述领域的技术人员可以对所描述的具体实施案例做出各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于包括如下步骤:
1)不同新鲜度的样品:将淡水鱼样品贮藏在4℃,分别在第1、2、3、4、5天进行取样,共5份样品,每份48袋,得到240个不同贮藏期鱼肉样品;
2)光谱采集和理化检测分析:将样品分别用食品料理机绞碎,得到待测鱼肉样品;对待测鱼肉样品采集近红外光谱数据且进行新鲜度指标理化分析检测,鲜度指标为pH、TVB-N、K值、TBA、TMA;工作参数:测量采用透射式近红外,光谱范围为850-1050nm,扫描间隔2nm,得到240个不同贮藏期鱼肉样品的近红外光谱及新鲜度理化指标;
3)对收集的近红外光谱进行预处理;
4)预测模型的建立:将步骤3)预处理后的近红外光谱与步骤2)理化分析检测的指标通过回归分析方法结合,建立对淡水鱼新鲜度的预测模型;
5)输出预测结果:将淡水鱼样品进行近红外光谱采集,输出新鲜度指标数值;
6)透射近红外快速预测淡水鱼新鲜度模型验证;
7)新鲜度综合评价:1)对上述预测的新鲜度指标的数值进行标准差标准化处理,获得其标准化后的数值:pH标准化后数值记为Zx1,TVB-N标准化后数值记为Zx2,K值标准化后数值记为Zx3,TBA标准化数值记为Zx4,TMA标准化后数值记为Zx5;将测定指标标准化处理,采用主成分分析法建立淡水鱼新鲜度综合评价数学模型;
2)将各标准化后的数值代入公式y=-0.217*Zx1+0.234*Zx2+0.236*Zx3+0.232*Zx4+0.223*Zx5中,其中y为淡水鱼肉的新鲜度综合评价结果;得到的y值判断淡水鱼肉的新鲜度:y≥1,鱼肉新鲜度极低,-1<y<1,鱼肉新鲜度一般,y≤-1,鱼肉新鲜度高。
2.根据权利要求1所述的一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于,所述步骤1)中,淡水鱼为鮰鱼。
3.根据权利要求1所述的一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于,所述步骤3)对收集的近红外光谱进行预处理为:选取其中200个近红外光谱数据及对应的理化检测分析结果作为校正集,通过winISI(FoodScan肉制品分析仪配备)软件对近红外光谱数据进行原始光谱(Raw spectra,RS)、一阶导数(fist derivativespreprocessing,1st)、标准正态变换预处理(standard normalized variatepreprocessing,SNV)、去散射预处理(Detrend preprocessing)、标准正态变换+去散射预处理(standard normalized variate plus Detrend preprocessing,SNV+Detrend)和多元离散校正预处理(multiplicative signal correction preprocessing,MSC)。
4.根据权利要求1所述的一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于,所述步骤4)预测模型的建立为:将步骤3)预处理后的近红外光谱与步骤2)理化分析检测的指标通过winISI软件用不同回归分析方法(M-PLS、PLS和PCR),建立对淡水鱼新鲜度的预测模型,其中预测模型准确度评价参数SEC(定标标准偏差)、SECV(交互验证标准偏差)越小准确度越高,而1-VR(交互验证相关系数)、RSQ(定标相关系数)越接近1其准确度越高,另外40个数据组作为验证集对预测模型的准确度进行验证。
5.根据权利要求1所述的一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于,所述步骤6)透射近红外快速预测淡水鱼新鲜度模型验证为:在4℃贮藏一批淡水鱼样品,分别在第1、2、3、4、5天取样,采集透射式近红外光谱仪数据且同时进行理化检测分析,透射式近红外光谱仪数据为预测值,理化检测分析为实测值;将预测值、实测值和贮藏天数的相关数据用SPSS 20.0进行数据分析及作图,在不同贮藏天数各指标预测值与实测值,各指标预测值与真实值间的相关系数R2在0.667~0.887之间,表明预测值与实测值随着贮藏时间呈现一定的相关性,用透射式近红外进行淡水鱼新鲜度相关指标快速测定的方法是可行的,其相关系数R2的提高还有待预测模型的数据库不断增大。
6.根据权利要求1所述的一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法,其特征在于,所述步骤7)新鲜度数学模型建立及综合评价的对上述预测的新鲜度指标的数值进行标准差标准化处理为:通过原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1;其转化函数为:Zx=(x-μ)/σ,其中μ为所有样本数据的均值,σ为所有样本数据的标准差,Zx为标准化后的数字值,x为样本的原始数据;获得其标准化后的数值:pH标准化后数值记为Zx1,TVB-N标准化后数值记为Zx2,K值标准化后数值记为Zx3,TBA标准化数值记为Zx4,TMA标准化后数值记为Zx5。将各标准化后的数值代入公式y=-0.217*Zx1+0.234*Zx2+0.236*Zx3+0.232*Zx4+0.223*Zx5中,其中y为淡水鱼肉的新鲜度综合评价结果;得到的y值判断淡水鱼肉的新鲜度:y≥1,鱼肉新鲜度极低,-1<y<1,鱼肉新鲜度一般,y≤-1,鱼肉新鲜度高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011276238.9A CN112213281A (zh) | 2020-11-16 | 2020-11-16 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011276238.9A CN112213281A (zh) | 2020-11-16 | 2020-11-16 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112213281A true CN112213281A (zh) | 2021-01-12 |
Family
ID=74057081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011276238.9A Pending CN112213281A (zh) | 2020-11-16 | 2020-11-16 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
CN114217072A (zh) * | 2021-12-07 | 2022-03-22 | 江南大学 | 检测鱼肉新鲜度的胶体金免疫层析试纸条及其制备和应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163084A (zh) * | 2013-03-14 | 2013-06-19 | 广西工学院 | 一种检测虾类产品新鲜度的表征方法 |
CN103424374A (zh) * | 2013-06-19 | 2013-12-04 | 浙江省海洋开发研究院 | 一种近红外光谱技术快速检测带鱼新鲜度的方法 |
CN104330382A (zh) * | 2014-11-17 | 2015-02-04 | 中国农业科学院北京畜牧兽医研究所 | 一种生鲜牛肉的安全分级方法 |
CN109001152A (zh) * | 2018-10-08 | 2018-12-14 | 中国农业大学 | 基于可见/近红外光谱的禽蛋新鲜度综合指标检测方法 |
CN109406740A (zh) * | 2018-12-20 | 2019-03-01 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种淡水鱼肉品质的评价方法 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
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 |
-
2020
- 2020-11-16 CN CN202011276238.9A patent/CN112213281A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163084A (zh) * | 2013-03-14 | 2013-06-19 | 广西工学院 | 一种检测虾类产品新鲜度的表征方法 |
CN103424374A (zh) * | 2013-06-19 | 2013-12-04 | 浙江省海洋开发研究院 | 一种近红外光谱技术快速检测带鱼新鲜度的方法 |
CN104330382A (zh) * | 2014-11-17 | 2015-02-04 | 中国农业科学院北京畜牧兽医研究所 | 一种生鲜牛肉的安全分级方法 |
CN109001152A (zh) * | 2018-10-08 | 2018-12-14 | 中国农业大学 | 基于可见/近红外光谱的禽蛋新鲜度综合指标检测方法 |
CN109406740A (zh) * | 2018-12-20 | 2019-03-01 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种淡水鱼肉品质的评价方法 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
CN114217072A (zh) * | 2021-12-07 | 2022-03-22 | 江南大学 | 检测鱼肉新鲜度的胶体金免疫层析试纸条及其制备和应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bittante et al. | Genetic analysis of the Fourier-transform infrared spectra of bovine milk with emphasis on individual wavelengths related to specific chemical bonds | |
Moscetti et al. | Detection of mold-damaged chestnuts by near-infrared spectroscopy | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
CN112213281A (zh) | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
de Carvalho et al. | Assessment of macadamia kernel quality defects by means of near infrared spectroscopy (NIRS) and nuclear magnetic resonance (NMR) | |
Yu et al. | Rapid and nondestructive freshness determination of tilapia fillets by a portable near-infrared spectrometer combined with chemometrics methods | |
Duan et al. | Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging | |
Kamruzamman et al. | Online screening of meat and poultry product quality and safety using hyperspectral imaging | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
Zettel et al. | Supervision of food manufacturing processes using optical process analyzers–an overview | |
Peng et al. | Application of near-infrared spectroscopy for assessing meat quality and safety | |
CN114720421B (zh) | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 | |
US20230089466A1 (en) | Establishment of Identification and Screening Method of Cows with A2 Beta-Casein Genotype of Producing A2 Milk and Applications Thereof | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
Rahi et al. | Spectroscopy and spectral imaging techniques for non-destructive food microbial assessment | |
CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
CN113324941A (zh) | 原料牛奶保存时间的快速鉴定方法 | |
CN111122492B (zh) | 一种基于近红外检测的注水肉快速筛查方法 | |
Foroozani et al. | Classification of wheat varieties by PLS-DA and LDA models and investigation of the spatial distribution of protein content using NIR spectroscopy. | |
CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 | |
Norman et al. | Broad NIRS calibrations to predict nutritional value of the southern feedbase. | |
Khandaker et al. | Nutritional evaluation of Jambo forage using near infrared reflectance spectroscopy and comparison with wet chemistry analysis |
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: 20210112 |