CN113791055B - 一种鱼肉新鲜度检测方法及系统 - Google Patents
一种鱼肉新鲜度检测方法及系统 Download PDFInfo
- Publication number
- CN113791055B CN113791055B CN202110943390.6A CN202110943390A CN113791055B CN 113791055 B CN113791055 B CN 113791055B CN 202110943390 A CN202110943390 A CN 202110943390A CN 113791055 B CN113791055 B CN 113791055B
- Authority
- CN
- China
- Prior art keywords
- fish
- freshness
- component data
- characteristic component
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 241000251468 Actinopterygii Species 0.000 claims abstract description 377
- 238000003860 storage Methods 0.000 claims abstract description 187
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 98
- 239000007788 liquid Substances 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 62
- 229910052757 nitrogen Inorganic materials 0.000 claims description 31
- 230000005284 excitation Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001580 bacterial effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 26
- 230000008859 change Effects 0.000 abstract description 10
- 239000000126 substance Substances 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 25
- 235000013372 meat Nutrition 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 235000013305 food Nutrition 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000013505 freshwater Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- ROSDSFDQCJNGOL-UHFFFAOYSA-N Dimethylamine Chemical compound CNC ROSDSFDQCJNGOL-UHFFFAOYSA-N 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Natural products OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 108010028690 Fish Proteins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 229940093740 amino acid and derivative Drugs 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- OIRDTQYFTABQOQ-UHFFFAOYSA-N ara-adenosine Natural products Nc1ncnc2n(cnc12)C1OC(CO)C(O)C1O OIRDTQYFTABQOQ-UHFFFAOYSA-N 0.000 description 1
- 229960005070 ascorbic acid Drugs 0.000 description 1
- 235000010323 ascorbic acid Nutrition 0.000 description 1
- 239000011668 ascorbic acid Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 229920006248 expandable polystyrene Polymers 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- TYQCGQRIZGCHNB-JLAZNSOCSA-N l-ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(O)=C(O)C1=O TYQCGQRIZGCHNB-JLAZNSOCSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- QGVNJRROSLYGKF-UHFFFAOYSA-N thiobarbital Chemical compound CCC1(CC)C(=O)NC(=S)NC1=O QGVNJRROSLYGKF-UHFFFAOYSA-N 0.000 description 1
- 235000011178 triphosphate Nutrition 0.000 description 1
- 239000001226 triphosphate Substances 0.000 description 1
- UNXRWKVEANCORM-UHFFFAOYSA-N triphosphoric acid Chemical compound OP(O)(=O)OP(O)(=O)OP(O)(O)=O UNXRWKVEANCORM-UHFFFAOYSA-N 0.000 description 1
- 235000021081 unsaturated fats Nutrition 0.000 description 1
- 150000007971 urates Chemical class 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种鱼肉新鲜度检测方法及系统,包括:获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;获取鱼眼液荧光光谱信息的特征组分数据组;将特征组分数据组、贮藏时长和贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。本发明提供的鱼肉新鲜度检测方法及系统,使用三维荧光光谱技术来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而结合神经网络模型对鱼肉不同温度条件下新鲜度的进行检测,检测过程快速无损、操作简便,且适用于多种场合,能够满足现代产业冷链物流快速检测的需求。
Description
技术领域
本发明涉及食品安全技术领域,尤其涉及一种鱼肉新鲜度检测方法及系统。
背景技术
鱼肉味道鲜美,不饱和脂肪和蛋白质含量高,是一类非常受消费者欢迎的食材。但是鱼肉具有水分和蛋白质含量高的特性,导致在加工、冷链物流、零售过程,温度的变化极易导致鱼肉品质劣变,由于微生物生长繁殖,且在酶的作用下,鱼体的脂肪逐渐降解为醛类和酮类,腺嘌呤核苷三磷酸(简称:ATP)降解,对鱼肉的风味、质构、色泽和营养价值造成不良影响。而鱼肉的品质是消费者和生产者最关心的问题,因此,对鱼肉新鲜度的检测尤为必要。
目前,常用的鱼肉新鲜度检测方法,通常直接检测鱼肉的物理化学特性、生物化学特性和微生物活性,进而对鱼肉的新鲜度进行评估,但物理化学参数主要有挥发性盐基氮、硫代巴比妥酸值、传热系数(简称:K值)等,微生物参数主要检测鱼肉中的菌落总数,这种方法需要专业的操作人员,操作耗时繁琐。
上述检测方法操作复杂、费时费力且对样品具有破坏性,不能对鱼肉在物流配送、零售过程进行快速无损的新鲜度检测,无法满足现代产业冷链物流快速检测的需求。
发明内容
针对现有技术存在的问题,本发明实施例提供一种鱼肉新鲜度检测方法及系统。
本发明提供一种鱼肉新鲜度检测方法,包括:获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;获取鱼眼液荧光光谱信息的特征组分数据组;将特征组分数据组、贮藏时长和贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
根据本发明提供的一种鱼肉新鲜度检测方法,所述获取所述鱼眼液荧光光谱信息的特征组分数据组,包括:
对所述鱼眼液荧光光谱信息进行校正处理,获取校正后的荧光光谱信息;
在所述校正后的荧光光谱信息中确定所述特征组分数据组;
其中,所述鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值;
所述特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值。
根据本发明提供的一种鱼肉新鲜度检测方法,所述新鲜度参数包括:菌落总数的单位含量和总挥发性盐基氮的单位含量;
所述鱼肉新鲜度检测模型是基于反向传播神经网络模型构建的;
所述反向传播神经网络包括输入层、隐含层和输出层;
所述输入层包括第一输入节点、第二输入节点、第三输入节点和第四输入节点,所述输出层有第一输出节点和第二输出节点;
所述第一输入节点用于输入所述贮藏时长;
所述第二输入节点用于输入所述贮藏温度;
所述第三输入节点用于输入所述第一特征组分数据;
所述第四输入节点用于输入所述第二特征组分数据;
所述第一输出节点用于输出所述菌落总数的检测值;
所述第二输出节点用于输出所述总挥发性盐基氮的检测值;
所述隐含层中神经元的数量由所述输入层的输入节点数量、输出层的输出节点数量和调节常数确定。
根据本发明提供的一种鱼肉新鲜度检测方法,所述将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数,具体包括:
利用所述训练好的鱼肉新鲜度检测模型,对所述特征组分数据组、所述贮藏时长和所述贮藏温度进行归一化处理,获取归一化后的输入数据;
所述鱼肉新鲜度检测模型,还用于根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数。
根据本发明提供的一种鱼肉新鲜度检测方法,在将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,还包括:
获取多个样品鱼的鱼眼液荧光光谱信息,以及每个样品鱼的贮藏时长和贮藏温度;
根据每个样品鱼的鱼眼液荧光光谱信息,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签;
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
根据本发明提供的一种鱼肉新鲜度检测方法,所述利用多个训练样本对鱼肉新鲜度检测模型进行训练,具体包括:
针对任一训练样本,将所述训练样本,和与所述训练样本对应的贮藏温度、贮藏时长,输入至所述鱼肉新鲜度检测模型,输出与所述训练样本对应的新鲜度参数;
根据所述训练样本对应的新鲜度参数标签和与所述训练样本对应的新鲜度参数,确定所述鱼肉新鲜度检测模型的相对误差;
在所述相对误差处于预设范围的情况下,获取所述训练好的鱼肉新鲜度检测模型。
根据本发明提供的一种鱼肉新鲜度检测方法,在获取目标鱼的新鲜度参数之后,还包括:根据所述新鲜度参数,获取新鲜度评估结果;
在所述菌落总数的单位含量小于菌落总数指标,且所述总挥发性盐基氮的单位含量小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为合格;
在所述菌落总数的单位含量不小于菌落总数指标,和/或所述总挥发性盐基氮的单位含量不小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为不合格。
本发明还提供一种鱼肉新鲜度检测系统,包括:第一获取单元,用于获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;
第二获取单元,用于获取所述鱼眼液荧光光谱信息的特征组分数据组;
新鲜度检测单元,将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述鱼肉新鲜度检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述鱼肉新鲜度检测方法的步骤。
本发明提供的鱼肉新鲜度检测方法及系统,使用三维荧光光谱技术来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而结合神经网络模型对鱼肉不同温度条件下新鲜度的进行检测,检测过程快速无损、操作简便,且适用于多种场合,能够满足现代产业冷链物流快速检测的需求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的鱼肉新鲜度检测方法的流程示意图之一;
图2是本发明提供的鱼肉新鲜度检测模型的结构示意图;
图3是本发明提供的鳙鱼头在不同贮藏温度下的TVB-N单位含量的变化示意图;
图4是本发明提供的鳙鱼头在不同贮藏温度下的TAC单位含量的变化示意图;
图5为鳙鱼眼液经PARAFAC分析校正提取后的EEM荧光光谱的两个特征组分的激发载荷的示意图;
图6为鳙鱼眼液经PARAFAC分析校正提取后的EEM荧光光谱的两个特征组分的发射载荷的示意图;
图7是本发明提供的TVB-N实测值与模型检测值的关系示意图;
图8是本发明提供的TAC实测值与模型检测值的关系示意图;
图9是本发明提供的鱼肉新鲜度检测方法的流程示意图之二;
图10是本发明提供的鱼肉新鲜度检测系统的结构示意图;
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
三维荧光光谱技术(Excitation-Emission Matrix,EEM)是一种基于荧光光谱原理的荧光指纹技术,能以非破坏性和无污染的方式快速检测样本中的各种化学成分。
在传统的鱼肉新鲜度检测方法中,使用感官对鱼肉新鲜度进行评定,易受测评人员生理及心理的影响,重复性差,且评定结果缺乏客观性。而EEM技术通过测量不同激发波长下的多个发射光谱,构建激发波长和发射波长与荧光强度的三维图谱,可以较全面地实现样品中所有荧光团的可视化。
由于鱼眼液中含有许多荧光团,包括蛋白质、氨基酸及其衍生物、尿酸盐和抗坏血酸,并且鱼眼液中荧光物质的特性与鱼的新鲜度相关,致使EEM被广泛应用于鱼类的品质评估和安全检测。
在水产品加工及运输领域,本发明针对鱼肉不同温度条件下新鲜度,提供一种基于鱼眼液三维荧光光谱信息的鱼肉新鲜度检测模型,通过使用EEM来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而实现鱼肉在冷链物流、零售过程中新鲜度无损检测快速检测方法,减少运输和储存过程中的损失,并为鱼肉品质和安全的监测和控制提供支持。
其中,用于评估冷藏过程鱼类的新鲜度参数包括菌落总数(Total AerobicCount,TAC)、总挥发性盐基氮(Total Volatile Basic Nitrogen,TVB-N)等。
下面结合图1至图11描述本发明实施例所提供的鱼肉新鲜度检测方法和系统。
图1是本发明提供的鱼肉新鲜度检测方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
首先,在步骤S1中,获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度。
目标鱼可以为在冷藏环境下贮藏的任一带有鱼头的待检测鱼,且鱼头中具有鱼眼液。贮藏温度为目标鱼的贮藏环境中的保存温度,贮藏时长为目标鱼在贮藏环境中的保存温度。
具体地,可以通过温度传感器获取贮藏温度,或者可以直接在冷库的温度控制器直接读取。贮藏时长可以在目标鱼所属的货物批次的供应链记录中获取。
另外,可以利用荧光分光光度计或电视荧光计,对目标鱼的鱼眼液进行三维荧光光谱测量,可以获取到未处理的鱼眼液荧光光谱信息。
在未处理的鱼眼液荧光光谱信息中确定处于预设波段范围的鱼眼液荧光光谱信息。预设波段范围可以经过预实验在杂峰较少的波段中选取。
进一步地,在步骤S2中,获取所述鱼眼液荧光光谱信息的特征组分数据组。
平行因子(Parallel Factor,PARAFAC)分析是基于三线性分解理论,采用交替最小二乘算法实现的一种数学模型,广泛应用于三维和高维数据的分析和应用。平行因子分析法可以将荧光信号分解为相对独立的荧光现象而加以鉴别,从而提高了准确性。
具体地,可以对鱼眼液荧光光谱信息进行PARAFAC分析,获取特征组分数据组。
其中,特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值。
进一步地,在步骤S3中,将所述特征组分数据组、贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
具体地,将特征组分数据组、贮藏时长和贮藏温度,输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数。其中,新鲜度参数为TVB-N和TAC的单位含量。
通过目标鱼的新鲜度参数,可以判断目标鱼是否符合食用标准。
在步骤S3之前,需录入新鲜鱼肉的TVB-N和TAC单位含量作为最低的参考值,可以在训练好的鱼肉新鲜度检测模型识别的过程中剔除初始值,进而保证训练好的鱼肉新鲜度检测模型输出新鲜度参数的准确性。
本发明提供的鱼肉新鲜度检测方法,使用三维荧光光谱技术来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而结合神经网络模型对鱼肉不同温度条件下新鲜度的进行检测,检测过程快速无损、操作简便,且适用于多种场合,能够满足现代产业冷链物流快速检测的需求。
可选地,所述获取所述鱼眼液荧光光谱信息的特征组分数据组,包括:
对所述鱼眼液荧光光谱信息进行校正处理,获取校正后的荧光光谱信息;
在所述校正后的荧光光谱信息中确定所述特征组分数据组;
其中,所述鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值;
所述特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值。
其中,对鱼眼液荧光光谱信息的校正处理,可以使用瑞利散射校正方法或拉曼光谱校正方法,获取校正后的荧光光谱信息。由于鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值,对校正后的荧光光谱信息进行PARAFAC分析,发射波长的特征峰对应的最高荧光强度值为第一特征组分数据,激发波长的特征峰对应的最高荧光强度值为第二特征组分数据。
其中,PARAFAC分析法可自动生成各特征组分的最大荧光响应值组成数据列表,数据列表中的两列数据共同描述一个样本的最大荧光响应值。
根据本发明提供的鱼肉新鲜度检测方法,通过对荧光光谱信息进行矫正和分析,缩短了获取特征组分数据组的时长,降低了光谱中基线漂移带来的干扰。
可选地,所述新鲜度参数包括:菌落总数的单位含量和总挥发性盐基氮的单位含量;
所述鱼肉新鲜度检测模型是基于反向传播神经网络模型构建的;
所述反向传播神经网络包括输入层、隐含层和输出层;
所述输入层包括第一输入节点、第二输入节点、第三输入节点和第四输入节点,所述输出层有第一输出节点和第二输出节点;
所述第一输入节点用于输入所述贮藏时长;
所述第二输入节点用于输入所述贮藏温度;
所述第三输入节点用于输入所述第一特征组分数据;
所述第四输入节点用于输入所述第二特征组分数据;
所述第一输出节点用于输出所述菌落总数的检测值;
所述第二输出节点用于输出所述总挥发性盐基氮的检测值;
所述隐含层中神经元的数量由所述输入层的输入节点数量、输出层的输出节点数量和调节常数确定。
图2是本发明提供的鱼肉新鲜度检测模型的结构示意图,如图2所示,鱼肉新鲜度检测模型是基于误差反向传播人工神经网络(Back-propagation Neural Networks,BPNNs)模型构建的,可以采用具有单个隐藏层的三层BPNNs模型结构。
其中,反向传播神经网络包括输入层、隐含层和输出层;输入层包括第一输入节点、第二输入节点、第三输入节点和第四输入节点,所述输出层有第一输出节点和第二输出节点;第一输入节点用于输入目标鱼的贮藏时长;第二输入节点用于输入目标鱼的贮藏温度;第三输入节点用于输入目标鱼的第一特征组分数据;第四输入节点用于输入目标鱼的第二特征组分数据;第一输出节点用于输出目标鱼的TAC单位含量的检测值;第二输出节点用于输出目标鱼的TVB-N单位含量的检测值。
隐藏层神经元的个数会影响结果的准确性,可以使用试错法对神经元的个数进行逐个试验,隐藏层神经元的数量h的计算公式如下:
其中,m为输入层中输入节点的数量,在图2中,m=3;n为输出层中节点的数量,在图2中,n=2;a为调节常数,取值范围为1到10;因此,隐藏层中神经元数量h的取值范围可以为3至12。
在BPNNs模型中,隐藏层的神经元数量h,可以在BPNNs模型的均方误差最小的情况下确定。隐藏层传递函数可以为“tansig”函数,输出层传递函数可以为“purelin”函数,权重学习函数可以为“learngdm”函数,训练函数可以为“Levenberg-Marquardt”算法的“trainlm”函数。
根据本发明提供的鱼肉新鲜度检测方法,基于反向传播神经网络模型构建鱼肉新鲜度检测模型,能够有效地对不同贮藏温度和贮藏时长下的鱼肉的新鲜度参数进行准确检测,确保了对鱼肉新鲜度结果检测结果的准确性。
可选地,所述将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数,具体包括:
利用所述训练好的鱼肉新鲜度检测模型,对所述特征组分数据组、所述贮藏时长和所述贮藏温度进行归一化处理,获取归一化后的输入数据;
所述鱼肉新鲜度检测模型,还用于根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数。
具体地,在将目标鱼的特征组分数据组、所述贮藏时长和所述贮藏温度作为输入数据,通过输入层的输入节点,输入至训练好的鱼肉新鲜度检测模型之后,鱼肉新鲜度检测模型对输入数据进行归一化,并根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数。
其中,归一化后的输入数据的范围为-1到1。
根据本发明提供的鱼肉新鲜度检测方法,通过对输入数据进行归一化处理,能够有效提高鱼肉新鲜度检测模型的检测速度和训练速度。
可选地,在将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,还包括:
获取多个样品鱼的鱼眼液荧光光谱信息,以及每个样品鱼的贮藏时长和贮藏温度;
根据每个样品鱼的鱼眼液荧光光谱信息,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签;
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
首先制作样品鱼,将鲜活鳙鱼击昏后,以背鳍为切割点将鳙鱼垂直切开,去除鳙鱼头部的鱼鳞、鱼鳃和内脏后,流水清洗并沥干,用运输袋和可发性聚苯乙烯泡沫塑料箱加冰运迅速运送至实验室,经二次清洗并沥干后放入尺寸为350mm×450mm聚乙烯自封袋中。将置于聚乙烯自封袋中的鳙鱼头分别放入0℃、4℃、8℃、12℃、16℃贮藏温度下的高精度低温恒温培养箱中贮藏,作为样品鱼。
其次,在多个贮藏时长(Storage time)内,将不同贮藏温度下的鳙鱼头放置于荧光信息采集装置进行采集,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签。
在荧光信息采集系统中,将鱼置于暗仓的固定位置,以确保荧光信息采集系统的光源与鱼眼位置对应,扫描获取三维荧光光谱数据的完整信息。
利用软件系统对三维荧光光谱数据的预处理和平行因子分析,并对三维荧光光谱数据及特征组分数据组进行存储。
其中,预处理可以包括对鱼眼液的三维荧光光谱数据进行拉曼散射校正。
特征组分数据是对预处理后的三维荧光光谱数据进行PARAFAC分析后提取的。
其中试验参数设置为:预设激发光狭缝和发射光狭缝的宽度均为3纳米(简称:nm)。激发光的波长范围设置为250-400nm,发射光的波长范围设置为260-600nm,步长均设置为5nm,样品的检测时间为6min。由于步长越短,所测得的鱼肉新鲜度参数越精准,但样品的检测时间也会越长,故步长设置为5nm,在保证检测精度的前提下,确保了检测速度。
经过预试验可以发现,选用波长范围为260-600nm的发射光,在提取特征组分数据组的过程中杂峰相对较少,具有良好的表现。
一方面,对每个样品鱼的鳙鱼头背部肉进行TVB-N检测,检测过程中使用的是GB5009.228-2016《食品中挥发性盐基氮的测定》中的微量扩散法。
另一方面,还需对每个样品鱼的鳙鱼头背部肉进行TAC检测,检测过程中使用的是GB/T 4789.2-2003《食品卫生微生物学检验菌落总数测定》规定的方法。
通过在不同贮藏温度下每个测量点鳙鱼眼液的完整激发-发射波段的原始EEM,鳙鱼眼液原始EEM在不同贮藏温度下显示出一个明显的特征峰,无弱峰、杂峰和其他干扰,且随着贮藏时长的延长,不同贮藏温度下的荧光峰A从贮藏初期至贮藏最后阶段均呈现出增加的趋势。对每个样品鱼的TVB-N单位含量和TAC单位含量进行统计分析,绘制不同温度与贮藏时间下鱼肉新鲜度线状图、更直观的了解鱼肉的新鲜度变化。
图3是本发明提供的鳙鱼头在不同贮藏温度下的TVB-N单位含量的变化示意图,如图3所示,横坐标是贮藏时长(Storage time),单位是天(day);纵坐标是TVB-N单位含量,单位是mg/100g;贮藏温度包括:0℃、4℃、8℃、12℃、16℃。
在贮藏前4天,各贮藏温度下的鳙鱼头TVB-N值的增长趋势较缓慢,在贮藏后期,鳙鱼头TVB-N单位含量急剧上升,并分别在4、8、12、16℃贮藏的第12、6、5、3天超过了20mg/100g,达到腐败状态。但在0℃贮藏过程中鳙鱼头的TVB-N值上升趋势放缓,在贮藏后期也没有达到20mg/100g,这主要是由于低温环境抑制了微生物对鱼类蛋白质的降解作用和腐败作用,从而降低了二甲胺、三甲胺和氨类物质的产生。
图4是本发明提供的鳙鱼头在不同贮藏温度下的TAC单位含量的变化示意图,如图4所示,横坐标是贮藏时长(Storage time),单位是天(day);纵坐标是TAC值,单位是log10CFU/g;贮藏温度包括:0℃、4℃、8℃、12℃、16℃。
在不同贮藏温度下鳙鱼头的TAC值均呈现明显的上升趋势,16℃贮藏的鳙鱼头TAC值增长速率最快。初始TCA值为4.79log10CFU/g,根据国际食品微生物规范委员会(International Commission of Microbiological Specializations on Food,ICMSF)的报导,鲜鱼中TAC单位含量的限值为7.00log10CFU/g。从图4中可以看出,在0,4,8,12和16℃贮藏至第15、8、3、2天已经超过限值达到腐败状态。
对荧光信息采集系统获取的鳙鱼眼液EEM数据进行PARAFAC分析,并自动生成各特征组分的最大荧光响应值组成数据集。负载量与相应波长下测试的鱼眼液样品中特征组分的荧光强度呈正相关。
图5为鳙鱼眼液经PARAFAC分析校正提取后的EEM荧光光谱的两个特征组分的激发载荷的示意图,如图5所示,横坐标是激发波长(Ex),单位是纳米(nm);纵坐标为激发载荷(Emission loading),其中,第一特征组分数据表示为曲线1;第一特征组分数据表示为曲线2。
图6为鳙鱼眼液经PARAFAC分析校正提取后的EEM荧光光谱的两个特征组分的发射载荷的示意图,如图6所示,横坐标是发射波长(Ex),单位是纳米(nm);纵坐标为发射载荷(Excitation loading),其中,第一特征组分数据表示为曲线1,第一特征组分数据表示为曲线2。
通过PARAFAC分析将鳙鱼眼液的EEM光谱数据提取为两个特征组分数据,两个特征组分数据作为一个特征组分数据组。
第一特征组分数据的激发和发射波长范围分别为λEx=260-300nm和λEm=290至400nm;激发峰为280nm,发射峰为330nm。
第二特征组分数据的激发和发射波长范围分别为λEx=280-320nm和λEm=290至400nm;激发峰为290nm,发射峰为330nm。
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
根据本发明提供的鱼肉新鲜度检测方法,有利于利用训练好的预设神经网络对目标鱼的新鲜度参数进行检测。
可选地,所述利用多个训练样本对鱼肉新鲜度检测模型进行训练,具体包括:
针对任一训练样本,将所述训练样本,和与所述训练样本对应的贮藏温度、贮藏时长,输入至所述鱼肉新鲜度检测模型,输出与所述训练样本对应的新鲜度参数;
根据所述训练样本对应的新鲜度参数标签,和与所述训练样本对应的新鲜度参数,确定所述鱼肉新鲜度检测模型的相对误差;
在所述相对误差处于预设范围的情况下,获取所述训练好的鱼肉新鲜度检测模型。
可以使用误差反向传播算法(Back-propagation algorithm,BP算法)对鱼肉新鲜度检测模型进行训练。BP算法的学习过程包括信号的前向传播和误差的后向传播。BPNNs的误差激励函数通常是sigmoid函数,具体公式如下所示:
其中,Yk是输出层的第k个输出变量;Yj是隐藏层的第j个输出变量;Xi是第i个输入变量;N是输出神经元的数量;h是隐藏层的数量神经元;wkj是输出层和隐藏层之间的权重;wji是输入层和隐藏层之间的权重。当i,j=0时,鱼肉新鲜度检测模型已经达到阈值,训练完成,可以得到训练好的鱼肉新鲜度检测模型。
激励函数是神经元根据输入计算输出的。
训练函数和学习函数是基于误差来修改权值和阈值的,在完成了一次训练之后继续迭代,直至达到迭代次数或满足新鲜度参数的检测精度,则停止训练,获取训练好的鱼肉新鲜度检测模型。
根据本发明提供的鱼肉新鲜度检测方法,通过对鱼肉新鲜度检测模型进行训练,有利于将鱼肉新鲜度检测模型的损失值控制在预设的范围内,从而有利于提高鱼肉新鲜度检测模型进行新鲜度参数检测的精度。
可选地,在获取目标鱼的新鲜度参数之后,还包括:根据所述新鲜度参数,获取新鲜度评估结果;
在所述菌落总数的单位含量小于菌落总数指标,且所述总挥发性盐基氮的单位含量小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为合格;
在所述菌落总数的单位含量不小于菌落总数指标,和/或所述总挥发性盐基氮的单位含量不小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为不合格。
具体地,可以采用相对误差来评价鱼肉新鲜度检测模型的可靠性,相对误差的计算公式如下:
相对误差=(C检测值-C实测值)×100%/C实测值;
图7是本发明提供的TVB-N实测值与模型检测值的关系示意图,横坐标是贮藏时长(Storage time),单位是天(day);纵坐标是TVB-N单位含量,单位是mg/100g。图8是本发明提供的TAC实测值与模型检测值的关系示意图,横坐标是贮藏时长(Storage time),单位是天(day);纵坐标是TAC值,单位是log10CFU/g。
在图7和图8中,实验值和预测值上方的曲线为相对误差+15%,验值和预测值下方的曲线为相对误差-15%;以4℃为例,TVB-N和TAC检测值与实验室的相对误差均在15%以内,表明所建立的基于鱼眼液三维荧光光谱信息构建的0~16℃的TVB-N和TAC模型可以较好地检测0~16℃范围内任意温度的鳙鱼头TVB-N和TAC单位含量。
中国水产品国家卫生标准规定淡水鱼的TVB-N单位含量超过20mg/100g则为腐败(GB 5009.228-2016),该总挥发性盐基氮参数指标可用于确定鱼类的新鲜度评估。而根据GB2733-2015《鲜、冻动物性水产品安全标准》的规定,淡水鱼的TVB-N值不得大于20mg/100g;国际标准(ICMSF,1986)规定要求淡水鱼中的菌落总数(TAC)不得超过7.0log10CFU/g。
总挥发性盐基氮参数指标可以设为20mg/100g,故菌落总数指标可以设为7.0log10CFU/g。
若任一TVB-N和TAC单位含量的检测值超过指标(最大限值),则不合格,鱼肉腐败,不建议食用;否则合格,则可以食用。
根据本发明提供的鱼肉新鲜度检测方法,通过设置总挥发性盐基氮参数指标和菌落总数指标,能够有效判断鱼肉是否符合食标准。
图9是本发明提供的鱼肉新鲜度检测方法的流程示意图之二,如图9所示,BPNNa模型通过鱼眼液EEM评估鱼肉的新鲜度,具体为检测不同贮藏温度下的TVB-N和TAC值。首先获取待检测鱼的鱼眼液荧光光谱信息、贮藏温度和贮藏时长;其次,获取鱼眼液荧光光谱信息的特征组分数据组;再者,将特征组分数据组贮藏温度和贮藏时长输入至新鲜度检测模型,可以得到新鲜度参数;在新鲜度参数中的TVB-N单位含量超过TVB-N指标,和/或TAC单位含量超过TAC指标的情况下,待检测鱼不合格,不建议食用;否则合格,则可以食用。
本发明提供的鱼肉新鲜度检测方法,使用三维荧光光谱技术来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而结合神经网络模型对鱼肉不同温度条件下新鲜度的进行检测,检测过程快速无损、操作简便,在保障企业、质检员等对鱼肉新鲜度进行无损快速分析的同时,提升了鱼肉品质控制技术,且适用于多种场合,能够满足现代产业冷链物流快速检测的需求。
例如,可用于食品检验人员对冷链鱼肉进行抽检。
鲜活鱼宰杀后取鱼肉置于冷链车贮藏,食品检验人员可利用荧光信息采集装置采集当前鱼眼液的三维荧光光谱信息、贮藏时长和贮藏温度;并在将荧光光谱信息、贮藏时长和贮藏温度发送至服务器中的鱼肉新鲜度检测模型后,服务器判定此时鱼肉新鲜度检测模型输出的新鲜度参数是否超出最大允许限值,以获取新鲜度评估结果,为食品检验人员提供本批鱼肉在贮藏过程中的新鲜度变化情况。
再例如,可用于市场监管人员对销售市场鱼肉进行抽检。
经过冷链运输的鱼肉送至超市等销售市场进行售卖,市场监管人员可利用荧光信号采集装置系统对鱼眼液进行即时的三维荧光光谱信息采集。并采集鱼肉的贮藏时长和贮藏温度。
在将荧光光谱信息、贮藏时长和贮藏温度发送至服务器中的鱼肉新鲜度检测模型后,服务器判定此时鱼肉新鲜度检测模型输出的新鲜度参数是否超出最大允许限值,以获取新鲜度评估结果,为市场监管人员快速获取本批鱼肉当下的新鲜度情况提供参考。
若新鲜度评估结果为不合格,则需将本批鱼肉销毁处理。
本方法有效提升了对鱼肉新鲜度检测的速度,节省鱼肉新鲜度检验的时间,为鱼肉品质提供保障。
图10是本发明提供的鱼肉新鲜度检测系统的结构示意图,如图10所示,至少包括以下单元:
第一获取单元1001,用于获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;
第二获取单元1002,用于获取所述鱼眼液荧光光谱信息的特征组分数据组;
新鲜度检测单元1003,用于将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
在系统运行的过程中,第一获取单元1001获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;第二获取单元1002获取所述鱼眼液荧光光谱信息的特征组分数据组;新鲜度检测单元1003将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
首先,第一获取单元1001获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度。
目标鱼可以为任一带有鱼头的在冷藏环境下贮藏的待检测鱼,且鱼头中具有鱼眼液。贮藏温度为目标鱼的贮藏环境中的保存温度,贮藏时长为目标鱼在贮藏环境中的保存温度。
具体地,可以通过温度传感器获取贮藏温度,或者可以直接在冷库的温度控制器直接读取。贮藏时长可以在目标鱼所属的货物批次的供应链记录中获取。
另外,可以利用荧光分光光度计或电视荧光计,对目标鱼的鱼眼液进行三维荧光光谱测量,可以获取到初始鱼眼液荧光光谱信息。
在初始鱼眼液荧光光谱信息中确定处于预设波段范围的鱼眼液荧光光谱信息。预设波段范围可以经过预实验在杂峰较少的波段中选取。
进一步地,第二获取单元1002获取所述鱼眼液荧光光谱信息的特征组分数据组。
PARAFAC分析是基于三线性分解理论,采用交替最小二乘算法实现的一种数学模型,广泛应用于三维和高维数据的分析和应用。平行因子分析法可以将荧光信号分解为相对独立的荧光现象而加以鉴别,从而提高了准确性。
具体地,可以对鱼眼液荧光光谱信息进行PARAFAC分析,获取特征组分数据组。
其中,特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值。
进一步地,新鲜度检测单元1003将所述特征组分数据组、贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
具体地,将特征组分数据组、贮藏时长和贮藏温度,输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数。其中,新鲜度参数为TVB-N和TAC的单位含量。
通过目标鱼的新鲜度参数,可以判断目标鱼是否符合食用标准。
在新鲜度检测单元1003将特征组分数据组、贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,需录入新鲜鱼肉的TVB-N和TAC单位含量作为最低的参考值,可以在训练好的鱼肉新鲜度检测模型识别的过程中剔除初始值,进而保证训练好的鱼肉新鲜度检测模型输出新鲜度参数的准确性。
本发明提供的鱼肉新鲜度检测系统,使用三维荧光光谱技术来分析鱼眼液在鱼贮藏过程中荧光物质的变化,进而结合神经网络模型对鱼肉不同温度条件下新鲜度的进行检测,检测过程快速无损、操作简便,且适用于多种场合,能够满足现代产业冷链物流快速检测的需求。
需要说明的是,本发明实施例提供的鱼肉新鲜度检测系统,在具体执行时,可以基于上述任一实施例所述的鱼肉新鲜度检测方法来实现,对此本实施例不作赘述。
图11是本发明提供的电子设备的结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行鱼肉新鲜度检测方法,该方法包括:获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;获取鱼眼液荧光光谱信息的特征组分数据组;将特征组分数据组、贮藏时长和贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
此外,上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的鱼肉新鲜度检测方法,该方法包括:获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;获取鱼眼液荧光光谱信息的特征组分数据组;将特征组分数据组、贮藏时长和贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的鱼肉新鲜度检测方法,该方法包括:获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;获取鱼眼液荧光光谱信息的特征组分数据组;将特征组分数据组、贮藏时长和贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种鱼肉新鲜度检测方法,其特征在于,包括:
获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;
获取所述鱼眼液荧光光谱信息的特征组分数据组;
将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;
所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的;
所述获取所述鱼眼液荧光光谱信息的特征组分数据组,包括:
对所述鱼眼液荧光光谱信息进行校正处理,获取校正后的荧光光谱信息;
在所述校正后的荧光光谱信息中确定所述特征组分数据组;
其中,所述鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值;
所述特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值;
所述将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数,具体包括:
利用所述训练好的鱼肉新鲜度检测模型,对所述特征组分数据组、所述贮藏时长和所述贮藏温度进行归一化处理,获取归一化后的输入数据;
所述鱼肉新鲜度检测模型,还用于根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数;
在将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,还包括:
获取多个样品鱼的鱼眼液荧光光谱信息,以及每个样品鱼的贮藏时长和贮藏温度;
根据每个样品鱼的鱼眼液荧光光谱信息,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签;
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
2.根据权利要求1所述的鱼肉新鲜度检测方法,其特征在于,所述新鲜度参数包括:菌落总数的单位含量和总挥发性盐基氮的单位含量;
所述鱼肉新鲜度检测模型是基于反向传播神经网络模型构建的;
所述反向传播神经网络包括输入层、隐含层和输出层;
所述输入层包括第一输入节点、第二输入节点、第三输入节点和第四输入节点,所述输出层有第一输出节点和第二输出节点;
所述第一输入节点用于输入所述贮藏时长;
所述第二输入节点用于输入所述贮藏温度;
所述第三输入节点用于输入所述第一特征组分数据;
所述第四输入节点用于输入所述第二特征组分数据;
所述第一输出节点用于输出所述菌落总数的检测值;
所述第二输出节点用于输出所述总挥发性盐基氮的检测值;
所述隐含层中神经元的数量由所述输入层的输入节点数量、输出层的输出节点数量和调节常数确定。
3.根据权利要求1所述的鱼肉新鲜度检测方法,其特征在于,所述利用多个训练样本对所述鱼肉新鲜度检测模型进行训练,具体包括:
针对任一训练样本,将所述训练样本,和与所述训练样本对应的贮藏温度、贮藏时长,输入至所述鱼肉新鲜度检测模型,输出与所述训练样本对应的新鲜度参数;
根据所述训练样本对应的新鲜度参数标签和与所述训练样本对应的新鲜度参数,确定所述鱼肉新鲜度检测模型的相对误差;
在所述相对误差处于预设范围的情况下,获取所述训练好的鱼肉新鲜度检测模型。
4.根据权利要求2所述的鱼肉新鲜度检测方法,其特征在于,在获取目标鱼的新鲜度参数之后,还包括:根据所述新鲜度参数,获取新鲜度评估结果;
在所述菌落总数的单位含量小于菌落总数指标,且所述总挥发性盐基氮的单位含量小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为合格;
在所述菌落总数的单位含量不小于菌落总数指标,和/或所述总挥发性盐基氮的单位含量不小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为不合格。
5.一种鱼肉新鲜度检测系统,其特征在于,包括:
第一获取单元,用于获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;
第二获取单元,用于获取所述鱼眼液荧光光谱信息的特征组分数据组;
新鲜度检测单元,用于将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的;
所述获取所述鱼眼液荧光光谱信息的特征组分数据组,包括:
对所述鱼眼液荧光光谱信息进行校正处理,获取校正后的荧光光谱信息;
在所述校正后的荧光光谱信息中确定所述特征组分数据组;
其中,所述鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值;
所述特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值;
所述将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数,具体包括:
利用所述训练好的鱼肉新鲜度检测模型,对所述特征组分数据组、所述贮藏时长和所述贮藏温度进行归一化处理,获取归一化后的输入数据;
所述鱼肉新鲜度检测模型,还用于根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数;
在将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,还包括:
获取多个样品鱼的鱼眼液荧光光谱信息,以及每个样品鱼的贮藏时长和贮藏温度;
根据每个样品鱼的鱼眼液荧光光谱信息,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签;
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行如下方法步骤:
获取目标鱼的鱼眼液荧光光谱信息、贮藏时长和贮藏温度;
获取所述鱼眼液荧光光谱信息的特征组分数据组;
将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数;
所述鱼肉新鲜度检测模型,是根据带有新鲜度参数标签的特征组分数据组样本进行训练后获得的;
所述获取所述鱼眼液荧光光谱信息的特征组分数据组,包括:
对所述鱼眼液荧光光谱信息进行校正处理,获取校正后的荧光光谱信息;
在所述校正后的荧光光谱信息中确定所述特征组分数据组;
其中,所述鱼眼液荧光光谱信息包括发射波长、激发波长和荧光强度值;
所述特征组分数据组包括第一特征组分数据和第二特征组分数据,所述第一特征组分数据为发射波长的特征峰对应的最高荧光强度值,所述第二特征组分数据为激发波长的特征峰对应的最高荧光强度值;
所述将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型,获取目标鱼的新鲜度参数,具体包括:
利用所述训练好的鱼肉新鲜度检测模型,对所述特征组分数据组、所述贮藏时长和所述贮藏温度进行归一化处理,获取归一化后的输入数据;
所述鱼肉新鲜度检测模型,还用于根据所述归一化后的输入数据,对目标鱼的鱼肉新鲜度进行检测,获取归一化的新鲜度参数,并对所述归一化的新鲜度参数进行反归一化处理,获取所述目标鱼的新鲜度参数;
在将所述特征组分数据组、所述贮藏时长和所述贮藏温度输入至训练好的鱼肉新鲜度检测模型之前,还包括:
获取多个样品鱼的鱼眼液荧光光谱信息,以及每个样品鱼的贮藏时长和贮藏温度;
根据每个样品鱼的鱼眼液荧光光谱信息,获取特征组分数据组和每个特征组分数据组对应的新鲜度参数标签;
将每个特征组分数据组和每个特征组分数据组对应的新鲜度参数标签的组合作为一个训练样本,获得多个训练样本,以利用多个训练样本对所述鱼肉新鲜度检测模型进行训练。
7.根据权利要求6所述的电子设备,其特征在于,所述新鲜度参数包括:菌落总数的单位含量和总挥发性盐基氮的单位含量;
所述鱼肉新鲜度检测模型是基于反向传播神经网络模型构建的;
所述反向传播神经网络包括输入层、隐含层和输出层;
所述输入层包括第一输入节点、第二输入节点、第三输入节点和第四输入节点,所述输出层有第一输出节点和第二输出节点;
所述第一输入节点用于输入所述贮藏时长;
所述第二输入节点用于输入所述贮藏温度;
所述第三输入节点用于输入所述第一特征组分数据;
所述第四输入节点用于输入所述第二特征组分数据;
所述第一输出节点用于输出所述菌落总数的检测值;
所述第二输出节点用于输出所述总挥发性盐基氮的检测值;
所述隐含层中神经元的数量由所述输入层的输入节点数量、输出层的输出节点数量和调节常数确定。
8.根据权利要求6所述的电子设备,其特征在于,所述利用多个训练样本对所述鱼肉新鲜度检测模型进行训练,具体包括:
针对任一训练样本,将所述训练样本,和与所述训练样本对应的贮藏温度、贮藏时长,输入至所述鱼肉新鲜度检测模型,输出与所述训练样本对应的新鲜度参数;
根据所述训练样本对应的新鲜度参数标签和与所述训练样本对应的新鲜度参数,确定所述鱼肉新鲜度检测模型的相对误差;
在所述相对误差处于预设范围的情况下,获取所述训练好的鱼肉新鲜度检测模型。
9.根据权利要求7所述的电子设备,其特征在于,所述处理器还执行如下方法步骤:
根据所述新鲜度参数,获取新鲜度评估结果;
在所述菌落总数的单位含量小于菌落总数指标,且所述总挥发性盐基氮的单位含量小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为合格;
在所述菌落总数的单位含量不小于菌落总数指标,和/或所述总挥发性盐基氮的单位含量不小于总挥发性盐基氮指标的情况下,确定所述新鲜度评估结果为不合格。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述鱼肉新鲜度检测方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943390.6A CN113791055B (zh) | 2021-08-17 | 2021-08-17 | 一种鱼肉新鲜度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943390.6A CN113791055B (zh) | 2021-08-17 | 2021-08-17 | 一种鱼肉新鲜度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791055A CN113791055A (zh) | 2021-12-14 |
CN113791055B true CN113791055B (zh) | 2024-05-14 |
Family
ID=78876021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943390.6A Active CN113791055B (zh) | 2021-08-17 | 2021-08-17 | 一种鱼肉新鲜度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791055B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354564B (zh) * | 2022-01-20 | 2023-06-23 | 陕西师范大学 | 一种基于荧光猝灭技术的羊肉新鲜度检测方法 |
CN114354563B (zh) * | 2022-01-20 | 2023-06-20 | 陕西师范大学 | 一种基于荧光猝灭技术的鸭肉新鲜度检测方法 |
CN114705783B (zh) * | 2022-04-12 | 2024-03-15 | 武汉轻工大学 | 一种基于醛类和酮类挥发性物质评价鲟鱼新鲜度的方法 |
CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2499190A1 (en) * | 2004-03-03 | 2005-09-03 | Taikong Corp. | New fluorescent genetic fragments and fish |
JP2008255233A (ja) * | 2007-04-05 | 2008-10-23 | Du Pont Mitsui Polychem Co Ltd | 粘着フィルム又はシート |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
CN109100188A (zh) * | 2018-06-19 | 2018-12-28 | 中国水产科学研究院黑龙江水产研究所 | 一种对鲑鳟鱼胚胎进行倍性鉴定的方法 |
CN109840883A (zh) * | 2019-01-10 | 2019-06-04 | 深圳前海达闼云端智能科技有限公司 | 一种训练物体识别神经网络的方法、装置及计算设备 |
CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
JP2019164168A (ja) * | 2014-05-15 | 2019-09-26 | パナソニック株式会社 | 魚の鮮度推定方法及び鮮度推定装置 |
CN110987885A (zh) * | 2019-11-23 | 2020-04-10 | 四川省农业科学院分析测试中心 | 基于鱼体自身荧光强度检测鱼体新鲜度检测方法及装置 |
CN111160435A (zh) * | 2019-12-20 | 2020-05-15 | 浙江大学 | 基于重构残差编码器的荧光光谱有机污染预警方法 |
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 |
CN211426274U (zh) * | 2019-11-23 | 2020-09-04 | 四川省农业科学院分析测试中心 | 基于鱼体自身荧光强度检测鱼体新鲜度检测装置 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN111754394A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 鱼眼图像中的对象检测方法、装置及存储介质 |
CN212693736U (zh) * | 2020-05-20 | 2021-03-12 | 北京农业信息技术研究中心 | 鱼类新鲜度实时检测设备 |
-
2021
- 2021-08-17 CN CN202110943390.6A patent/CN113791055B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2499190A1 (en) * | 2004-03-03 | 2005-09-03 | Taikong Corp. | New fluorescent genetic fragments and fish |
JP2008255233A (ja) * | 2007-04-05 | 2008-10-23 | Du Pont Mitsui Polychem Co Ltd | 粘着フィルム又はシート |
JP2019164168A (ja) * | 2014-05-15 | 2019-09-26 | パナソニック株式会社 | 魚の鮮度推定方法及び鮮度推定装置 |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
CN108254513A (zh) * | 2017-12-22 | 2018-07-06 | 北京农业信息技术研究中心 | 一种鱼类货架期的判断方法及装置 |
CN109100188A (zh) * | 2018-06-19 | 2018-12-28 | 中国水产科学研究院黑龙江水产研究所 | 一种对鲑鳟鱼胚胎进行倍性鉴定的方法 |
CN109840883A (zh) * | 2019-01-10 | 2019-06-04 | 深圳前海达闼云端智能科技有限公司 | 一种训练物体识别神经网络的方法、装置及计算设备 |
CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
CN110987885A (zh) * | 2019-11-23 | 2020-04-10 | 四川省农业科学院分析测试中心 | 基于鱼体自身荧光强度检测鱼体新鲜度检测方法及装置 |
CN211426274U (zh) * | 2019-11-23 | 2020-09-04 | 四川省农业科学院分析测试中心 | 基于鱼体自身荧光强度检测鱼体新鲜度检测装置 |
CN111160435A (zh) * | 2019-12-20 | 2020-05-15 | 浙江大学 | 基于重构残差编码器的荧光光谱有机污染预警方法 |
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 |
CN212693736U (zh) * | 2020-05-20 | 2021-03-12 | 北京农业信息技术研究中心 | 鱼类新鲜度实时检测设备 |
CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
CN111754394A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 鱼眼图像中的对象检测方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
4 ℃冷藏牛肉的新鲜度检测及指标分析;封晴霞 等,;《包装与食品机械》;20201231;第38卷(第6期);第1-5页 * |
Unequivocal identification and quantification of PAHs content in ternary synthetic mixtures and in smoked tuna by means of excitation-emission fluorescence spectroscopy coupled with PARAFAC;S. Catena et,;《Microchemical Journal》;20201231;第154卷;第1-8页 * |
三磷酸腺苷降解产物评价冷鲜罗非鱼片新鲜度;刘寿春 等,;《食品科学》;20131231;第34卷(第3期);第230-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113791055A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113791055B (zh) | 一种鱼肉新鲜度检测方法及系统 | |
Liu et al. | Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications | |
Hassoun et al. | Quality evaluation of fish and other seafood by traditional and nondestructive instrumental methods: Advantages and limitations | |
Cheng et al. | Combining the genetic algorithm and successive projection algorithm for the selection of feature wavelengths to evaluate exudative characteristics in frozen–thawed fish muscle | |
Oto et al. | Non-destructive evaluation of ATP content and plate count on pork meat surface by fluorescence spectroscopy | |
Cheng et al. | Recent advances in methods and techniques for freshness quality determination and evaluation of fish and fish fillets: A review | |
He et al. | Microbial evaluation of raw and processed food products by Visible/Infrared, Raman and Fluorescence spectroscopy | |
Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
Li et al. | Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion | |
He et al. | Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products | |
Sveinsdottir et al. | Quality Index Method (QIM) scheme developed for farmed Atlantic salmon (Salmo salar) | |
Siche et al. | Evaluation of food quality and safety with hyperspectral imaging (HSI) | |
Huang et al. | Rapid detection of total viable count (TVC) in pork meat by hyperspectral imaging | |
Cheng et al. | Applications of non-destructive spectroscopic techniques for fish quality and safety evaluation and inspection | |
Shi et al. | Nondestructive determination of freshness indicators for tilapia fillets stored at various temperatures by hyperspectral imaging coupled with RBF neural networks | |
Liu et al. | NIR spectroscopy and imaging techniques for evaluation of fish quality—a review | |
Wu et al. | Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review—Part II: Applications | |
Tito et al. | Use of near infrared spectroscopy to predict microbial numbers on Atlantic salmon | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Ye et al. | Monitoring of bacterial contamination on chicken meat surface using a novel narrowband spectral index derived from hyperspectral imagery data | |
Washburn et al. | Non-invasive assessment of packaged cod freeze-thaw history by hyperspectral imaging | |
Fengou et al. | Evaluation of Fourier transform infrared spectroscopy and multispectral imaging as means of estimating the microbiological spoilage of farmed sea bream | |
Peng et al. | Optical methods and techniques for meat quality inspection | |
Pavli et al. | Use of Fourier transform infrared spectroscopy for monitoring the shelf life of ham slices packed with probiotic supplemented edible films after treatment with high pressure processing | |
Zhou et al. | Growth simulation of Pseudomonas fluorescens in pork using hyperspectral imaging |
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 |