CN113204898B - 一种基于货架期模型预测鲜切马铃薯货架期的方法 - Google Patents
一种基于货架期模型预测鲜切马铃薯货架期的方法 Download PDFInfo
- Publication number
- CN113204898B CN113204898B CN202110630914.6A CN202110630914A CN113204898B CN 113204898 B CN113204898 B CN 113204898B CN 202110630914 A CN202110630914 A CN 202110630914A CN 113204898 B CN113204898 B CN 113204898B
- Authority
- CN
- China
- Prior art keywords
- fresh
- color difference
- shelf life
- cut
- model
- 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.)
- Active
Links
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 180
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 180
- 241000366676 Justicia pectoralis Species 0.000 title claims abstract description 140
- 235000012015 potatoes Nutrition 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000001953 sensory effect Effects 0.000 claims description 31
- 238000005520 cutting process Methods 0.000 claims description 25
- 239000002994 raw material Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 235000013372 meat Nutrition 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 235000013573 potato product Nutrition 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 235000013305 food Nutrition 0.000 abstract description 2
- 235000013606 potato chips Nutrition 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 244000205754 Colocasia esculenta Species 0.000 description 4
- 235000006481 Colocasia esculenta Nutrition 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 241001135893 Themira Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 241000592335 Agathis australis Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000002881 soil fertilizer Substances 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于食品加工技术领域,尤其涉及一种基于货架期模型预测鲜切马铃薯货架期的方法,包括准备待测样品、检测待测马铃薯切分后果实切口表面的色差值L*和鲜切后时间带入预测色差值模型中,预测鲜切马铃薯常温货架期间的色差L*值,认为△L*达到一定值即鲜切马铃薯达到商品性的界限值,再将相应品种的色差差值带入货架期预测模型中,即得货架期。本发明的检测方法简单、快速、稳定和重复性好,能准确预测出货架期间鲜切马铃薯色差值,并预测鲜切马铃薯货架期,降低生产浪费;并助于马铃薯褐变品种的筛选和鲜切马铃薯产品的快速分级。
Description
技术领域
本发明属于食品加工技术领域,尤其涉及一种基于货架期模型预测鲜切马铃薯货架期的方法。
背景技术
鲜切马铃薯是指鲜薯经过原料分选去皮、切分、清洗杀菌、包装等加工处理后进行销售的加工产品,是鲜切蔬菜中单品加工量较大,市场需求面广的产品。在加工过程中鲜切马铃薯表面易发生褐变,降低产品的感官质量,直接影响鲜切马铃薯的商品性,制约鲜切马铃薯产业发展的重要因素之一。
目前,鲜切马铃薯褐变程度的判断方法多采用人为感官评定或化学指标测定方法。感官评定容易受到鉴定者主观因素影响,评分结果的准确性不高;化学指标测定方法测试过程复杂,对专用仪器设备依赖性强,且会破坏产品的完整性,耗费的人力和物力较多。
此外,上述测定方法均只能对鲜切马铃薯产品的褐变等外观商品特性进行实时检测,并不能根据产品特定时期外观特性预测后续货架期间的商品性,不利于预判产品销售期。
发明内容
为了解决以上技术问题,本发明提供一种基于货架期模型预测鲜切马铃薯货架期的方法,通过建立不同品种的马铃薯鲜切后色差值大小与货架期的回归预测模型,使色泽变化数量化,用于预测鲜切马铃薯的货架期;货架期预测操作简单、快速、准确、稳定和重复性好。
解决以上技术问题的本发明中的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:包括以下步骤:
(1)准备待检样品:健康马铃薯去皮、切片、待检;
(2)测定待检马铃薯片样品切口表面初始色差L*值:L*值为CIE L*a*b*色空间系统中的明暗度坐标,为鲜切马铃薯片原料初始色差值;
(3)鲜切马铃薯货架期间样品色差值的预测:将马铃薯鲜切后货架时间t和步骤(2)中切口表面初始色差值L*带入预测色差值模型中,得马铃薯鲜切后货架期的色差值,所述预测色差值模型为Y=-0.06t+0.927L*+4.711,R2=0.947;t为鲜切后货架时间,L*为切口表面初始色差值;
(4)建立感官评分和临界点色差差值x的模型;
(5)当x=L*-Y,即初始色差值L*值减去预测色差值Y等于临界点色差差值x时,视为到达鲜切马铃薯的商品临界点,将临界点色差差值x带入货架期预测模型T=78.517+16.667x-1.217L*,得货架期临界点时间从而预测货架期。
所述预测色差值模型中鲜切原料初始色差值L*范围为61.45-76.00,鲜切后货架时间t范围为0-72h,货架期临界点时间T的范围也为0-72h。
所述待检样品为白黄肉的马铃薯块茎,其b*值范围在16.23-27.00。
所述健康马铃薯品种为黄肉型主栽品种,可为Mira、Favourite或川芋10号,属于菜用和加工型商品薯;
优化方案中所述步骤(4)中,川芋10号马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.482M+4.602,Favourite马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.579M+5.361,Mira马铃薯的临界点色差差值模型的回归方程是x(△L*)=-0.757M+7.038,其中M为总体感官评分值,x为各个品种的临界点色差差值;感官评分为1-9分制,9分商品性最好,5分为商品性临界点,低于5分为失去商品价值。
进一步优化方案中,当感官评分值M为5时,所述川芋10号鲜切马铃薯的回临界点色差差值x为2.19,Favourite鲜切马铃薯的临界点色差差值x为2.47,Mira鲜切马铃薯的临界点色差差值x为3.25。
所述马铃薯鲜切货架温度为19-21℃,优化方案中所述马铃薯鲜切货架温度为20℃。
本发明中所述货架期预测模型,建立方法包括以下步骤:
(Ⅰ)健康马铃薯块茎去皮切片;
(Ⅱ)测定待测鲜切马铃薯切口表面的初始色差值L*;
其中L*值为CIE L*a*b*色空间系统中的明暗度坐标。
(Ⅲ)预测色差值模型建立:试验数据采用IBM SPSS Statistics 22软件进行处理,以鲜切马铃薯的初始色差L*值与鲜切后货架时间建立回归方程,即预测色差值模型,所述预测色差值模型为Y=-0.06t+0.927L*+4.711,R2=0.947;其中Y为鲜切后马铃薯的预测色差值,t为鲜切后货架时间,L*为鲜切原料初始色差值;
(Ⅳ)马铃薯鲜切后货架期间样品L*的预测:将马铃薯的鲜切后货架时间t和步骤(2)中色差值L*带入预测色差值模型中,即得到不同品种的马铃薯鲜切后货架期间的预测色差值Y;
(Ⅴ)建立感官评分和不同品种马铃薯临界点色差差值x的模型;
(Ⅵ)货架期预测模型建立:基于实际测量的色差L*和不同品种鲜切马铃薯的色差差值x,得到回归模型T=78.517+16.667x-1.217L*,T为货架期临界点时间,L*为鲜切原料初始色差值;
(Ⅵ)货架期预测模型的验证步骤:按一定时间间隔测定鲜切马铃薯的色差值,确定其实际货架期,与模型所预测的货架期进行对比,计算其相对误差。
当初始色差值L*值减去预测色差值Y等于x时,为到达鲜切马铃薯的商品临界点,将临界点色差值x值代入上述货架期预测模型中,即得预测货架期。
所述川芋10号鲜切马铃薯的色差差值x为2.19,Favourite鲜切马铃薯的色差差值x为2.47,Mira鲜切马铃薯的色差差值x为3.25。
所述鲜切马铃薯厚度为5mm。
所述色差值测定装置为色彩色差计。
所述测定装置测定每个马铃薯片在其切口表面中心部位测定色差值。
所述测量环境温度0-40℃,环境湿度≤85%,保障色彩色差计测量的稳定性和准确性。
本发明的预测鲜切马铃薯货架期的方法,利用预设的马铃薯的鲜切货架时间与鲜切马铃薯货架期色差值之间的对应关系,预测不同原料的鲜切货架期间的色差值,再预测鲜切马铃薯剩余的货架期,减少生产浪费;货架期预测操作简单、快速、准确、稳定和重复性好。根据货架期的长短有助于马铃薯褐变品种的筛选,并能实现鲜切马铃薯的快速分级,保障鲜切马铃薯产品质量和生产稳定性。
具体实施方式
下面结合具体实施方式对本发明进行进一步说明:
所述回归方程建立方法,逐步回归方法,如无特别说明为常规方法,原材料如无特别说明能从公开商业途径获得;所用色差检测器为CR-400型色差仪(日本KONICA),试验原料(鲜马铃薯块茎,品种分别为Mira、Favourite、川芋10号)采收于四川省农业科学院土壤肥料研究所在金堂县竹篙镇马铃薯示范基地,大小均匀,成熟度一致,无残、病、次果。
实施例1
一种预测鲜切马铃薯的货架期的方法,步骤如下:
(1)准备待检样品:选取无病害虫害的马铃薯块茎,去皮切分后的马铃薯片作为待检样品;
其中马铃薯原料鲜切前贮藏于(4±0.5)℃;马铃薯切分样品的厚度为5mm。
(2)检测待测鲜切马铃薯切口表面的初始色差值L*;
测量类型:反射测量,测量口径:8mm,照明口径:11mm,观察光源:D65光源。标准观察者:2°标准观察者。
其中L*值为CIE L*a*b*色空间系统中的明暗度坐标;
测量环境温度0-40℃,环境湿度≤85%。
(3)马铃薯鲜切后货架期间样品色差值明暗度Y的预测:将马铃薯鲜切后货架时间t和步骤(2)中切口表面的初始色差值L*带入预测色差值模型中,即得到不同贮藏期的马铃薯鲜切后货架期间的色差值Y,所述预测色差值模型为Y(马铃薯鲜切后货架期间的预色差值)=-0.06t(鲜切后货架时间)+0.927L*(原料初始色差值L*,即为步骤(2)中检测的表面切口色差值)+4.711,R2=0.947;其中货架温度为(20±1)℃。
预测模型应用于测定色差值L*范围为61.45-82.64,鲜切后货架时间t范围为0-72h。
(4)建立感官评分和临界点色差差值x的模型:川芋10号马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.482M+4.602,Favourite马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.579M+5.361,Mira马铃薯的临界点色差差值模型的回归方程是x(△L*)=-0.757M+7.038,其中M为总体感官评分值,x为各个品种的临界点色差值;感官评分为1-9分制,9分商品性最好,5分为商品性临界点,低于5分为失去商品价值。
(5)当初始色差值L*值减去预测色差值Y等于x时,认为到达鲜切马铃薯的商品临界点,将临界点时的色差差值x带入货架期预测模型,即T=78.517+16.667x-1.217L*(原料初始色差值),此时T即为货架期临界点时间,从而预测货架期,L*为鲜切马铃薯表面切口的初始色差值。
当总体感官评分值M为5时,川芋10号鲜切马铃薯的色差差值x为2.19,Favourite鲜切马铃薯的色差差值x为2.47,Mira鲜切马铃薯的色差差值x为3.25。将各个品种的值可直接带入预测货架期模型中快速算出预测货架期,准确、快速和重复性高。
实施例2
测量环境温度25℃,环境湿度≤85%。每隔30天选取45个Mira品种块茎作为鲜切原材料,经过去皮切分后贮藏于(20±1)℃,用色彩色差计测定测定每片马铃薯片其切口表面中间部位测定的色差值L*,每次测定20片鲜切马铃薯的色差值,取其平均值。这儿的色差平均值相当于为上述方法中步骤(2)中的切口表面的初始色差值L*。
将色差值平均值带入预测模型中得预测色差值,其它步骤如实施例1,得预测货架期。
实施例3
其它步骤如实施例1,测量环境温度25℃,环境湿度≤85%。每隔30天选取45个Favourite品种块茎作为鲜切原材料,经过去皮切分后贮藏于(20±1)℃,用色彩色差计测定测定每片马铃薯片其切口表面中间部位测定的色差值L*,每次测定20片鲜切马铃薯的色差值,取其平均值。将色差值平均值带入预测模型中得预测色差值,其它步骤如实施例1,得预测货架期。
实施例4
其它步骤如实施例1,测量环境温度25℃,环境湿度≤85%。每隔30天选取45个川芋10号品种块茎作为鲜切原材料,经过去皮切分后贮藏于(20±1)℃,用色彩色差计测定测定每片马铃薯片其切口表面中间部位测定的色差值L*,每次测定20片鲜切马铃薯的色差值,取其平均值。将色差值平均值带入预测模型中得预测色差值,其它步骤如实施例1,得预测货架期。
实施例5
一种预测鲜切马铃薯货架期模型的建立方法,步骤如下:
(1)健康马铃薯块茎去皮切片;
(2)测定待测鲜切马铃薯切口表面的色差值L*;
其中L*值为CIE L*a*b*色空间系统中的明暗度坐标;
(3)预测色差值模型建立:试验数据采用IBM SPSS Statistics 22软件进行处理,以鲜切马铃薯的L*值与鲜切后货架时间建立回归方程,即预测色差值模型,所述预测色差值模型为Y=-0.06t+0.927L*+4.711,R2=0.947;其中Y为鲜切后马铃薯的预测色差值,t为鲜切后货架时间,L*为鲜切马铃薯切口的初始色差值;
(4)马铃薯鲜切后货架期间样品L*的预测:将马铃薯的鲜切后货架时间t和步骤(2)中色差值L*带入预测色差值模型中,即得到不同品种的马铃薯鲜切后货架期间的预测色差值;
(5)建立感官评分和不同品种马铃薯临界点色差差值x的模型;
(6)货架期预测模型建立:基于实际测量的色差L*和不同品种鲜切马铃薯的色差差值x,得到回归模型T=78.517+16.667x-1.217L*,T为货架期临界点时间,L*为鲜切原料初始色差值;
(7)货架期预测模型的验证步骤:按一定时间间隔测定鲜切马铃薯的色差值,确定其实际货架期,与模型所预测的货架期进行对比,计算其相对误差。
当初始色差值L*值减去预测色差值Y等于x时,为到达鲜切马铃薯的商品临界点,将临界点色差值x值代入上述货架期预测模型中,即得预测货架期。
试验一
本发明中,Y=-0.06t+0.927L*+4.711预测不同马铃薯品种在鲜切后0-72小时内色差值的模型,具体操作步骤如下:
鲜切马铃薯色差值的测定
定标集选用贮藏180天内的3个品种的马铃薯块茎作为鲜切原材料,检测样品集采用随机选择的3个月贮藏的马铃薯块茎。
每个鲜切材料取其切口表面中间部位用色彩色差计测定其色差值L*,分在鲜切后0h、24h、48h、72h测定一次色差,每次测定20片鲜切马铃薯的色差值,取其平均值;检测样品集测定鲜切后1h、2h、24h、48h的马铃薯片色差值。
数据分析
试验数据采用IBM SPSS Statistics 22软件进行处理。
本次试验首先对贮藏180天内的3个品种的马铃薯块茎作为鲜切原材料,去皮切分后鲜切货架期的马铃薯片色差值L*值进行了测定,结果见下表1:
表1 3个品种不同贮藏期马铃薯鲜切货架期的马铃薯片色差值L*值表
以马铃薯片的色差值L*值与贮藏时间、鲜切后货架时间建立回归方程:
以马铃薯的鲜切货架期间的色差值L*值作为因变量,贮藏时间、鲜切货架时间及鲜切马铃薯切分后的初始色差L*值作为自变量,得到模型1;以马铃薯的鲜切货架期间的色差值L*值作为因变量,鲜切货架时间及鲜切马铃薯切分后的初始色差L*值作为自变量,得到模型2,回归分析结果见表2、表3。
表2回归分析结果
表3模型回归系数表
回归结果分析:
从表2可看出,马铃薯鲜切货架期间的色差L*值有94.7%受到贮藏时间、鲜切货架时间及鲜切马铃薯切分后的初始色差L*值的共同影响。模型1和模型2验证回归式显著性的F值分别是402.628和612.300,Sig.均为0.000<0.01,为“极显著”,表明组成回归式统计上均是极显著的。
从表3得出,模型1回归方程中贮藏时间回归系数P值(Sig.)大于0.05,无显著差异;模型2回归方程是Y(鲜切货架期的L*)=-0.06t(鲜切货架时间)+0.927L(鲜切马铃薯初始L*)+4.711,鲜切后货架时间t和初始L*值的回归系数P值(Sig.)均为小于0.01,呈极显著,常数的回归系数P值(Sig.)均为小于0.05,呈显著。
试验二
通过实际感官来确定临界点色差差值x,确定实际感官和鲜切马铃薯色差值变化的对应关系,将感官数据用确定试验测量数据进一步量化,具有科学性和准确性。
建立感官评分和临界点色差差值x的模型,通过拟合后发现感官的评分和临界点色差差值模型的R2很高,可以用临界点色差差值来代替感官的评判,感官评分是1-9分制,9分商品性最好,5分为商品性临界点,低于5分则失去商品价值。
以不同品种的马铃薯为鲜切材料,去皮切分后鲜切货架期的马铃薯片色差值L*值和感官评定进行了测定,得出货架24、48、72h的色差差值(ΔL*),结果见下表4
表4 3个品种鲜切马铃薯货架期的马铃薯片ΔL*值和总体感官表
以马铃薯片的色差差值ΔL*值与总体感官建立回归方程:
以3个品种马铃薯的鲜切货架期间的色差值ΔL*值作为自变量,总体感官作为因变量,得到模型3;分别以川芋10号、Favourite、Mira品种为鲜切马铃薯的鲜切货架期间的色差值△L*值作为自变量,总体感官作为因变量,分别得到模型4、5、6,回归分析结果见表5、表6。
表5回归分析结果
表6模型回归系数表
回归结果分析:
从表5可看出,马铃薯鲜切货架期间的色差差值ΔL*值与总体感官相关性均为极显著,Sig.均为0.000<0.01。不同马铃薯品种汇总一起建立模型(模型3)的R2小于单独品种与其总体感官建立的模型(模型4、5、6)的R2,因此选择分别用单独品种建立的模型。模型中设x为色差差值,M为感官评分。
从表6得出,模型4回归方程是x(△L*)=-0.482M(总体感官)+4.602,回归系数P值(Sig.)均为小于0.01,呈极显著;模型5回归方程是x(△L*)=-0.579M(总体感官)+5.361,回归系数P值(Sig.)均为小于0.01,呈极显著;模型6回归方程是x(△L*)=-0.757M(总体感官)+7.038,回归系数P值(Sig.)均为小于0.01,呈极显著。
总体感官评定为9分制评分法,5分即为商品性的临界点,将5分带入上述模型,得出川芋10号的x(ΔL*)为2.19,Favourite的x(△L*)为2.466,Mira的x(△L*)为3.253。
试验三
为体现本发明的货架预测的准确性和稳定性,随机不同贮藏期的3个马铃薯品种作为鲜切原料进行验证,其中预测色差值是根据本发明中预测模型测定,实际测量值是色彩色差计测定,结果见下表7:
表7鲜切马铃薯货架期间色差L*预测集样品及检测结果一览表
利用本发明的预测值与实际测量的色差L*,建立回归模型,选择逐步回归方法,设定本发明鲜切马铃薯色差L*预测值为X变量,利用色彩色差计检测鲜切马铃薯表面色差L*值为Y变量,建立回归方程为Y=6.773+0.901X(Y表示色彩色差计检测鲜切马铃薯表面色差L*值,X表示本发明的预测值),其决定系数(r2)为0.987(p<0.0001),二者差值的绝对值最大为0.948,最小为0.012。可见,本发明预测值检测结果与标准值接近,检测结果准确度高,可以用于预测鲜切马铃薯货架期间的色差值,且鲜切货架时间越长,L*预测值越接近实际检测L*。
结合以上试验二中感官方法验证预测色差值模型,根据拟合的感官与色差差值ΔL*的模型,确定总体感官为5时,鲜切马铃薯的商品性达到临界值,此时为货架期的临界点。由此可以看出本发明中货架期预测的准确性和稳定性,可适用于实际操作中批量商品的货架贮藏期的确定,预测鲜切马铃薯剩余的货架期,减少生产浪费。根据货架期的长短有助于马铃薯褐变品种的筛选,并能实现鲜切马铃薯的快速分级,保障鲜切马铃薯产品质量和生产稳定性。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点,上述实施例和说明书所描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都将落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:包括以下步骤:
(1)准备待检样品:健康马铃薯去皮、切片、待检;所述健康马铃薯品种为黄肉型主栽品种,具体为Mira、Favourite或川芋10号;
(2)测定待检马铃薯片样品切口表面初始色差L*值:L*值为CIE L*a*b*色空间系统中的明暗度坐标,为鲜切马铃薯片原料初始色差值;
(3)鲜切马铃薯货架期间样品色差值的预测:将马铃薯鲜切后货架时间t和步骤(2)中切口表面初始色差值L*带入预测色差值模型中,得马铃薯鲜切后货架期的色差值,所述预测色差值模型为Y=-0.06t+0.927L*+4.711,R2=0.947;t为鲜切后货架时间,L*为鲜切马铃薯切口表面的初始色差值;
(4)建立感官评分和临界点色差差值x的模型;所述川芋10号马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.482M+4.602,Favourite马铃薯临界点色差差值模型的回归方程是x(△L*)=-0.579M+5.361,Mira马铃薯的临界点色差差值模型的回归方程是x(△L*)=-0.757M+7.038,其中M为总体感官评分值,x为各个品种的临界点色差差值;感官评分为1-9分制,9分商品性最好,5分为商品性临界点,低于5分为失去商品价值;
(5)当x=L*-Y,即初始色差值L*值减去预测色差值Y等于临界点色差差值x时,视为到达鲜切马铃薯的商品临界点,将临界点色差差值x带入货架期预测模型T=78.517+16.667x-1.217L*,得货架期临界点时间从而预测货架期。
2.根据权利要求1所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述预测色差值模型中初始色差值L*范围为61.45-76.00,鲜切后货架时间t范围为0-72h。
3.根据权利要求1所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述待检样品为白黄肉的马铃薯块茎,其b*值范围在16.23-27.00,所述b*值为CIEL*a*b*色空间系统中的黄蓝坐标。
4.根据权利要求1所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述步骤(4)中,当M=5时,所述川芋10号鲜切马铃薯的色差差值x为2.19,Favourite鲜切马铃薯的色差差值x为2.47,Mira鲜切马铃薯的色差差值x为3.25。
5.根据权利要求1-4中任一项所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述鲜切马铃薯货架温度为19-21℃,优化方案中所述马铃薯鲜切货架温度为20℃。
6.根据权利要求1所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述货架期预测模型的建立方法包括以下步骤:
(Ⅰ)健康马铃薯块茎去皮切片;
(Ⅱ)测定待测鲜切马铃薯切口表面的初始色差值L*;
其中L*值为CIE L*a*b*色空间系统中的明暗度坐标;
(Ⅲ)预测色差值模型建立 :试验数据采用IBM SPSS Statistics 22软件进行处理,以鲜切马铃薯的L*值与鲜切后货架时间建立回归方程,即预测色差值模型,所述预测色差值模型为Y=-0.06t+0.927L*+4.711,R2=0.947;其中Y为鲜切后马铃薯的预测色差值,t为鲜切后货架时间;
(Ⅳ)马铃薯鲜切后货架期间样品L*的预测:将马铃薯的鲜切后货架时间t和步骤(2)中色差值L*带入预测色差值模型中,即得到不同品种的马铃薯鲜切后货架期间的预测色差值;
(Ⅴ)建立感官评分和不同品种马铃薯临界点色差差值x的模型;
(Ⅵ)货架期预测模型建立 :当x=L*-Y,基于实际测量的色差L*和不同品种鲜切马铃薯的色差差值x,得到回归模型T=78.517+16.667x-1.217L*,T为货架期临界点时间,L*为鲜切原料初始色差值;
(Ⅶ)货架期预测模型的验证步骤:按一定时间间隔测定鲜切马铃薯的色差值 ,确定其实际货架期,与模型所预测的货架期进行对比,计算其相对误差。
7.根据权利要求6所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述鲜切马铃薯厚度为4-6mm。
8.根据权利要求1所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述测定所用的色差值测定装置为色彩色差计。
9.根据权利要求8所述的一种基于货架期模型预测鲜切马铃薯货架期的方法,其特征在于:所述测定装置测定每个马铃薯片在其切口表面中心部位测定色差值,测量时环境温度0-40℃,环境湿度≤85%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630914.6A CN113204898B (zh) | 2021-06-07 | 2021-06-07 | 一种基于货架期模型预测鲜切马铃薯货架期的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630914.6A CN113204898B (zh) | 2021-06-07 | 2021-06-07 | 一种基于货架期模型预测鲜切马铃薯货架期的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204898A CN113204898A (zh) | 2021-08-03 |
CN113204898B true CN113204898B (zh) | 2022-12-27 |
Family
ID=77024745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630914.6A Active CN113204898B (zh) | 2021-06-07 | 2021-06-07 | 一种基于货架期模型预测鲜切马铃薯货架期的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204898B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707022A (zh) * | 2012-05-25 | 2012-10-03 | 中国农业大学 | 一种浆果制品货架期的预测方法 |
WO2019162475A1 (en) * | 2018-02-23 | 2019-08-29 | Firmenich Sa | Shelf stable powdered composition |
CN112697715A (zh) * | 2020-12-10 | 2021-04-23 | 四川省农业科学院农产品加工研究所 | 用鲜辣椒果实表面颜色快速检测辣椒素类物质含量的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108982883A (zh) * | 2018-07-16 | 2018-12-11 | 上海海洋大学 | 一种预测鲜切生菜货架期模型 |
-
2021
- 2021-06-07 CN CN202110630914.6A patent/CN113204898B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707022A (zh) * | 2012-05-25 | 2012-10-03 | 中国农业大学 | 一种浆果制品货架期的预测方法 |
WO2019162475A1 (en) * | 2018-02-23 | 2019-08-29 | Firmenich Sa | Shelf stable powdered composition |
CN112697715A (zh) * | 2020-12-10 | 2021-04-23 | 四川省农业科学院农产品加工研究所 | 用鲜辣椒果实表面颜色快速检测辣椒素类物质含量的方法 |
Non-Patent Citations (4)
Title |
---|
Storage time assessment and shelf-life prediction models for postharvest Agaricus bisporus;YuanSong 等;《LWT》;20190331;第101卷;第360-365页 * |
基于品质衰变理论的食品货架期预测模型及其应用研究进展;史波林 等;《食品科学》;20121115;第33卷(第21期);第345-350页 * |
真空包装板栗蓉在不同温度条件下的贮藏特性及其货架期预测;杨芳 等;《食品科学》;20130925;第34卷(第18期);第321-326页 * |
鲜切马铃薯丁贮藏期间颜色动力学变化;张小燕 等;《食品科技》;20160520;第41卷(第5期);第185-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113204898A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Walsh et al. | The uses of near infra-red spectroscopy in postharvest decision support: A review | |
Padda et al. | Methods to analyze physico-chemical changes during mango ripening: A multivariate approach | |
Opara et al. | Bruise damage measurement and analysis of fresh horticultural produce—A review | |
Schotte et al. | Acoustic impulse-response technique for evaluation and modelling of firmness of tomato fruit | |
Wood | Evaluation of cooking time in pulses: A review | |
Nagle et al. | Determination of surface color of ‘all yellow’mango cultivars using computer vision | |
Wanitchang et al. | Maturity sorting index of dragon fruit: Hylocereus polyrhizus | |
Lien et al. | Non-destructive impact test for assessment of tomato maturity | |
Bejo et al. | Determination of Chokanan mango sweetness ('Mangifera indica') using non-destructive image processing technique | |
Wedding et al. | The Application of Near Infrared Spectroscopy for the Assessment of Avocado Quality Attributes, Infrared Spectroscopy. Chapter 13 | |
CN110987865A (zh) | 一种基于近红外光谱检测无花果品质的方法 | |
Melado-Herreros et al. | Postharvest ripeness assessment of ‘Hass’ avocado based on development of a new ripening index and Vis-NIR spectroscopy | |
Hung et al. | Nondestructive firmness sensing using a laser air-puff detector | |
Sanchez et al. | Effects of different storage temperatures on the quality and shelf life of Malaysian sweet potato (Ipomoea Batatas L.) varieties | |
Contador et al. | The relationship between instrumental tests and sensory determinations of peach and nectarine texture | |
Ali et al. | Innovative non-destructive technologies for quality monitoring of pineapples: Recent advances and applications | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN113204898B (zh) | 一种基于货架期模型预测鲜切马铃薯货架期的方法 | |
Nambi et al. | Comprehensive ripeness-index for prediction of ripening level in mangoes by multivariate modelling of ripening behaviour | |
Khairunniza-Bejo et al. | Chokanan mango sweetness determination using hsb color space | |
CN112268864A (zh) | 一种建立快速检测柠檬烘干过程中色差模型的方法及应用 | |
Slaughter et al. | Comparison of instrumental and manual inspection of clingstone peaches | |
Molina-Delgado et al. | Relationship between acoustic firmness and Magness Taylor firmness in Royal Gala and Golden Smoothee apples | |
Xue et al. | Study of Malus Asiatica Nakai’s firmness during different shelf lives based on visible/near-infrared spectroscopy | |
Zulkifli et al. | Evaluation of physicochemical properties of Musa acuminate cv. Berangan at different ripening stages. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |