CN115754184A - 一种鲑鱼土腥味快速检测系统及方法 - Google Patents
一种鲑鱼土腥味快速检测系统及方法 Download PDFInfo
- Publication number
- CN115754184A CN115754184A CN202211141399.6A CN202211141399A CN115754184A CN 115754184 A CN115754184 A CN 115754184A CN 202211141399 A CN202211141399 A CN 202211141399A CN 115754184 A CN115754184 A CN 115754184A
- Authority
- CN
- China
- Prior art keywords
- salmon
- smell
- module
- sample
- data
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种鲑鱼土腥味快速检测系统及方法,涉及食品检测领域,包括气味测量模块、高光谱成像模块、深度学习模型及数据储存显示模块,所述气味测量模块检测鲑鱼气味参数,所述高光谱成像模块检测鲑鱼光谱特征参数和鲑鱼图像特征参数,所述气味测量模块和所述高光谱成像模块得到的数据发送到所述深度学习模型及数据储存显示模块进行训练学习,得到可信模型,通过本方案的实施,解决了现有的鲑鱼土腥味识别耗费时间长、操作过程复杂、人力成本高所带来的土腥味评价困难的问题,克服了人工感官评定主观性强,偶然误差大,一致性差的问题。
Description
技术领域
本发明涉及食品检测领域,尤其涉及一种鲑鱼土腥味快速检测系统及方法。
背景技术
鲑鱼具有极高的营养价值,能够为人体提供丰富的蛋白质,且味道鲜美,风味独特,深受人们的喜爱随着人们生活质量和消费水平的日渐提升,人们对水产品需求量增加的同时,也对水产品的质量提出了更高的要求,水产品的风味逐渐成为水产品质量优劣的重要指标。鲑鱼的风味由气味和滋味组成,气味指能够引起嗅觉反应的物质。而滋味则指能够引起味觉反应的物质。随着鲑鱼需求量的增加和人们生活观念的转变,除了传统指标外,原料的土腥味识别也被纳入品质范畴,因而,科学有效的评价技术方法及体系有待建立和完善。然而,在实际生活中,鲑鱼的土腥味评价比较复杂,多种物质均会影响鲑鱼的土腥味,且随着储存时间的变化,鲑鱼的土腥味也会发生变化,不仅会影响鲑鱼的风味和口感,可能还会引发严重的食品安全问题。鲑鱼的土腥味与其内部的多种物质有着密切的关系,例如土臭素、二甲基异莰醇、二异丙基三甲氧基吡嗪、二异丙基三甲氧基吡嗪等。但目前的鱼类品质评价方法存在操作复杂,操作时间长及检测实验室环境要求高等缺点,人工感官评定存在主观性强,偶然误差大,一致性差的问题,因此亟需一种简便高效的鲑鱼土腥味评价系统。随着气体传感器的快速发展,气味检测已经广泛用于食品品质评价领域,得益于其快速、无损的优点。土腥味相关物质含量的多少与引起土腥味的气体浓度有关,这也为基于气敏元件和模式识别技术的气味参数评价鲑鱼土腥味提供了可能。此外,光谱图像技术与图像处理技术的广泛应用,也极大地推进了食品品质快速检测技术的丰富与发展,尤其是分子光谱技术(如近红外光谱)可以描述光子在样品组织内部的传播、吸收、散射等特性,并建立基于分子光谱技术的物质含量快速无损定量化模型。高光谱成像技术包含高分辨率的空间维和光谱维信息,既能记录鲑鱼样本的分子光谱反射特征也能记录其图像信息,从而提供了庞大体量的数据源。基于大数据和人工智能的计算机视觉研究开启了数字智能化研究的新时代,深度学习算法以擅长处理海量数据著称,图谱信息融合的深度学习技术也为食品品质快速鉴定打下了良好的基础。
因此,本领域的技术人员致力于开发一种鲑鱼土腥味快速检测系统及相关方法,以便应用于鲑鱼等鱼类产品的土腥味快速有效评估,加快推进水产品质量安全评价和水产品市场规范。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是鲑鱼等水产品土腥味评价困难,如何简便、高效的实现鲑鱼土腥味检测。
为实现上述目的,本发明提供了一种鲑鱼土腥味快速检测系统,包括气味测量模块、高光谱成像模块、深度学习模型及数据储存显示模块,气味测量模块检测鲑鱼气味参数;高光谱成像模块检测鲑鱼光谱特征参数和鲑鱼图像特征参数;气味测量模块和高光谱成像模块得到的数据发送到深度学习模型及数据储存显示模块进行训练学习,得到可信模型。
进一步的,气味测量模块包括气味采集模块、气味处理模块,气味处理模块通过模式识别技术处理气味采集模块获取的气味数据得到待检测样品的气味参数。
进一步的,高光谱成像模块包括光谱仪和面阵相机,用于获取鲑鱼样本的光谱特征参数和图像特征参数。
进一步的,深度学习模型及数据储存显示模块对鲑鱼光谱特征参数进行高光谱分析时采用连续投影法、序列向前选择法、竞争自适应重加权采样法和随机蛙跳法的一种或它们的复合方法来选择最佳特征波长。
进一步的,气味采集模块采用多个高敏感特性的气敏传感器构建传感器阵列,用于提高气敏传感器的测量精度。
为实现上述目的,本发明还提供了一种鲑鱼土腥味快速检测方法,包括以下步骤:
S1、准备鲑鱼样本;
S2、采集鲑鱼样本数据;
S3、使用采集的样本数据,进行数据预处理;
S4、使用处理后的数据,建立深度学习模型;
S5、使用训练完成的深度学习模型对鲑鱼土腥味物质含量进行快速检测。
进一步的,准备鲑鱼样本包括以下步骤:
S1-1、对待采集的鲑鱼样本进行初步的静置干燥;
S1-2、将待测的鲑鱼样本密封在快速检测系统的密闭的容器中,并维持温度在室温25℃,湿度相对恒定。
进一步的,采集鲑鱼样本数据包括以下步骤:
S2-1、同时开启多个气体传感器,待气体传感器系统稳定后开始记录气体传感器数据;
S2-2、将待测鲑鱼样本放入高光谱成像模块中,进行高光谱信息和图像的获取;
S2-3、将鲑鱼样本进行生化组分测量,获取影响鲑鱼土腥味的物质的含量数值。
进一步的,在进行采集鲑鱼样本数据步骤时,全程维持在室温25℃,湿度相同且相对恒定的环境条件中,每个鲑鱼样本采集三次数据并进行平均。
进一步的,生化组分测量采用液相色谱法。
与现有技术相比,本发明提出了一种融合气味和高光谱成像技术,并结合深度学习方法的鲑鱼土腥味评价系统,解决了现有的鲑鱼土腥味识别耗费时间长、操作过程复杂、人力成本高所带来的土腥味评价困难的问题,克服了人工感官评定主观性强,偶然误差大,一致性差的问题,相对于传统的土腥味检测方法,本发明可以实现对鲑鱼土腥味的快速便捷评价。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1a是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统结构图;
图1b是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统气味测量模块结构图;
图1c是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统高光谱成像模块结构图;
图1d是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统结构图;
图2a是本发明的一个较佳实施例的鲑鱼土腥味快速检测方法流程图;
图2b是本发明的一个较佳实施例的准备鲑鱼样本步骤;
图2c是本发明的一个较佳实施例的采集鲑鱼样本数据步骤;
图3是本发明的一个较佳实施例的基于随机森林算法的土腥味相关物质含量预测结果;
图4是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统的土腥味鱼肉识别与土腥味相关物质含量预测可视化结果。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如图1a所示,是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统结构图,鲑鱼土腥味快速检测系统100被配置为气味测量模块10、高光谱成像模块20、深度学习模型及数据储存显示模块30,气味测量模块10检测鲑鱼气味参数,高光谱成像模块20检测鲑鱼光谱特征参数和鲑鱼图像特征参数,气味测量模块10和高光谱成像模块20得到的数据发送到深度学习模型及数据储存显示模块30进行训练学习,得到可信模型。最终将数据处理结果储存于电脑终端,并可进行实时的数据传输。
高光谱成像模块20对于土腥味分类检测获得的分类结果:尽管高光谱图像能够提供丰富的光谱和空间信息,用鱼肌肉样本的土腥味特性,但它们也包含冗余信息,这可能会影响分类模型的复杂性和计算时间。因此,在高光谱分析中,选择最佳波长是至关重要的。为了更好的比较多个判别模型,选择多个机器学习算法进行最优波长筛选。本发明总结了多种特征波长选择方法所选择的特征波长。本发明使用的全光谱内的总波长为256个,SPA(通过连续投影算法)、SFS(序列前向选择)、CARS(竞争自适应重加权采样法)、和RF(随机蛙跳法)选择的最佳波长数减少了约91%以上,极大的简化了判别模型并且提高了模型的计算速度,显示了其适用于食品工业场景下的线上快速检测潜力。通过上述算法选择的特征波长如下表:
这显示了SPA和SFS模型选择的最佳波长,可以观察到所选特征主要位于光谱的四个范围,即1000nm、1200nm左右和1600-1700nm之间。选定波长918nm和948nm可能与有机成分的官能团C-H/N-H/O-H伸缩的第三泛音有关。具体而言,1183nm与C-H2拉伸的组合振动以及由此产生的C-H2变形有关,965nm与酯C=O振动的第二泛音有关。1379nm处的波长特征可能是由于羧酸和脂肪含量的O-H拉伸的第一泛音。通常,1600-1700nm(本研究中为1663nm、1666nm、1656nm、1676nm、1693nm和1700nm)区域对C-H的第一泛音及其变形作出响应。据报道,1625nm、1656nm和1676nm波段与乙烯基双键(C=C)或C-H拉伸芳香环的第一泛音有关,这很大可能与土腥味相关物质差异有关,应为水产品风味差异是主要是由咸水和低盐度水的水质以及养鱼场的养殖环境中的藻类造成的。其中一个最重要的原因就是不同盐度水中普遍存在的微生物,如放线菌和蓝藻,它们会释放出可被鲑鱼吸收的次级代谢产物等气味化合物,导致其肌肉的土腥味。
深度学习模型及数据储存显示模块30中,基于Full(全反射光谱)和SPA、SFS、CARS和RF选择的特征波长,比较了PLS-DA(最小二乘鉴别分析)、LS-SVM(最小二乘支持向量机),ELM(极限学习机)模型一维深度神经网络(1DCNN)四种分类器的总体分类准确度。基于全光谱的四种鉴别模型的性能都达到了较高的准确度(超过70%),其中ELM和1DCNN(1维深度卷积神经网络)的准确度较好,达到87.22%和91.11%,而PLS-DA、LS-SVM的准确度较低,如下表:
其中Cal.是校正集,Val.是验证集,Olf是气味传感器数据集。总体来看,SPA,SFS,CARS,RF结合PLS-DA、LS-SVM、ELM、1DCNN与全光谱结合分类器相比获得更低的总体准确度,而综合考虑输入变量个数和准确度,使用SPA选择算法的分类模型获得较好的性能。特征波长结合ELM和1DCNN组合模型的总体性能优于PLS-DA和LS-SVM。其中,SPA-ELM和SPA-1DCNN的精确度为85.56%和86.39%,达到了与全光谱分类模型相当的精确度。在所有组合中,SPA-1DCNN获得最高的整体识别准确度和性能。分类模型的输入变量最小化对于工业在线快速应用的效率和鲁棒性非常重要,基于这一结果,SPA-1DCNN产生了最佳的准确度和鲁棒性。这一结果表明,高光谱成像技术作为一种准确和有效的手段,在区分鲑鱼肌肉土腥味轻重上的巨大优势。对比单一高光谱技术,融合了高光谱特征与气味传感器数据的鲑鱼肉土腥味分类精确率均有不同程度的提高。其中,使用高光谱融合气味传感的数据集建立的深度学习分类器仍然具有最高的精确率提升到了95.86%。
如图1b所示,是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统气味测量模块结构图,气味测量模块10被配置为气味采集模块110、气味处理模块120,气味处理120模块通过模式识别技术处理气味采集模块110获取的气味数据得到鲑鱼样本101的气味参数。
气味采集模块110,其中气体传感器111可选用高灵敏度、价格相对低廉的金属氧化物半导体用于构建传感器阵列。为提高气敏传感器的测量精度,本研究中的气体传感器111采用了多个具有高敏感特性的气敏传感器,气味采集模块110通过气体传感器111将影响鲑鱼土腥味的几种关键物质的气味信号作为主要的检测目标,搭建出一套具有较高针对性的多目标的气味检测系统,用于检测鲑鱼样本101的土腥味物质,传感器转换电路112利用影响鲑鱼土腥味的几种物质,如土臭素、二甲基异莰醇、二异丙基三甲氧基吡嗪、二异丙基三甲氧基吡嗪等物质,分别得出其挥发气体的浓度与电压的对应关系,从而建立物质挥发浓度与电压的数学关系。例如,当土臭素的气体浓度为零时,其电压为V0,当土臭素的浓度为C1时,其电压为V1,即可计算当前电压为V2时的土臭味浓度C2。即当前环境土臭味浓度为C2=C1*[(V2-V0)/(V1-V0)]。其余物质的气体传感器原理类似,在此不再赘述。
气味处理模块120将气味采集模块110获取的数据,经过抗干扰模块121处理形成电压信号,信号处理系统122通过建立的模式识别算法模型处理,经过传输模块123传输至本系统其他模块。之后可对土腥味做出评级。
如图1c所示,是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统高光谱成像模块结构图,由计算机201、步进电机202、光源203、光谱仪204、传送带205、面阵相机206组成,准备待采集的鲑鱼样本101,并对鲑鱼样本101进行初步的静置干燥后,得到待测的鲑鱼样本101,计算机201控制整个系统的运动与数据收集和分析,步进电机202转动制动传送带205,将待测鲑鱼样本101传送至待测位置,光源203提供高光谱成像所需光强,待测鲑鱼样本101在高光谱成像模块20中进行高光谱信息及图像的获取,高光谱成像模块20由光谱仪204和面阵相机206组成,用于扫描鲑鱼样本101的高光谱图像时仍然维持在室温25℃,湿度相同且相对恒定的环境条件中,每个鲑鱼样本101采集三次数据并进行平均。
如图1d所示,是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统结构图,由计算机201、步进电机202、光源203、光谱仪204、传送带205、面阵相机206、密封容器207、旋杆208和气味测量模块10组成。准备待采集的鲑鱼样本101,并对鲑鱼样本101进行初步的静置干燥后,得到待测的鲑鱼样本101,计算机201控制整个系统的运动与数据收集和分析,步进电机202转动制动传送带205,将待测鲑鱼样本101传送至待测位置,光源203提供高光谱成像所需光强,待旋杆208转至水平位置时,刚好将鲑鱼样本101密封在气味测量模块10的密封容器207中,并维持温度在室温25℃,湿度相对恒定,同时开启气味测量模块10中的气味采集模块110中的多个气体传感器111,待气味测量模块10稳定后开始记录数据,即记录多个气体传感器111的电信号,而该电信号可转化成对应的气体浓度数据,每个气体传感器记录三次数据取平均。
将安装有气味测量模块10和密封容器207的旋杆208逆时针旋转90度,即推离鲑鱼样本101,然后,待测鲑鱼样本101将在高光谱成像模块20中进行高光谱信息及图像的获取,高光谱成像模块20由光谱仪204和面阵相机206组成,用于扫描鲑鱼样本101的高光谱图像时仍然维持在室温25℃,湿度相同且相对恒定的环境条件中,每个鲑鱼样本101采集三次数据并进行平均。
如图2a-2c所示,本发明提供了一种鲑鱼土腥味快速检测方法,包括如下步骤:
S1、准备鲑鱼样本;
S2、采集鲑鱼样本数据;
S3、使用采集的样本数据,进行数据预处理,具体包括,通过公式
Ical=(Iraw-Idark)/(Iwhite-Idark)
进行校准,其中,Ical、Iraw、Iwhite和Idark表示校准反射强度、原始强度、白色参考强度和暗电流图像。通过使用制造商提供的盖子完全覆盖相机镜头来收集Idark;使用反射率为99.9%的白色特氟龙瓷砖测量Iwhite。
通过阈值分割去除背景杂音,将产生的感兴趣范围(ROI)内的所有像素上的光谱信息进行平均,提取平均光谱,通过Savitzky-Golay(SG)平滑过滤到强噪音信号,以减少干扰信号对高光谱数据的影响;
S4、其他鲑鱼样本在测量时重复1-5,以获取足够的鲑鱼样本集用于训练深度学习模型,用于训练模型的数据包括气味特征数据、光谱特征数据、图像特征数据和经由液相色谱法测得的影响鲑鱼土腥味的物质含量数据,使用处理后的数据建立深度学习模型,深度学习模型的输入端为鲑鱼样本的气味参数、预处理后的高光谱参数和图像参数,结果输出端为鲑鱼样本的土腥味物质含量;1DCNN模型是通过使用几个基本模块构建的,包括一维卷积层(one-dimension convolution layers,Conv.1D)、最大池化层(max poolinglayers)、批量归一化(batch normalization,Batch norm.)、ReLU激活和全连接层(fullyconnected layers,FC)。Conv.1D结合最大池化层被用来从原始输入中自动提取有代表性的特征,而FC层被用来建立提取特征和输出之间联系。1DCNN模型训练的目的是通过正向和反向传播更新神经网络的权重,从而使定义的损失函数最小化,该函数是用于计算输出值和标签值之间的差异。网络的超参数,如批量大小(batch size)、学习率(learning rate)、卷积层数和核数(kernel number)、核的大小(kernel size)和步幅(stride)等,通过评估验证集的模型性能来优化。
S5、使用训练完成的深度学习模型对鲑鱼土腥味物质含量进行快速检测。且该结果实时显示在电脑端,也可以通过无线通讯或者数据通讯接口进行远程传输。
详细地,步骤S1、准备鲑鱼样本包括以下步骤:
S1-1、对待采集的鲑鱼样本进行初步的静置干燥;
S1-2、将待测的鲑鱼样本密封在快速检测系统的密闭的容器中,并维持温度在室温25℃,湿度相对恒定。
详细地,步骤S2、采集鲑鱼样本数据包括以下步骤:
S2-1、同时开启多个气体传感器,待气体传感器系统稳定后开始记录气体传感器数据,记录多个气体传感器的电信号,而该电信号可转化成对应的气体浓度数据,每个气体传感器记录三次数据取平均;
S2-2、将待测鲑鱼样本放入高光谱成像模块中,进行高光谱信息和图像的获取,每个鲑鱼样本采集三次数据并进行平均;
S2-3、将鲑鱼样本进行生化组分测量,获取影响鲑鱼土腥味的物质的含量数值。
详细地,在进行步骤S2、采集鲑鱼样本数据时,全程维持在室温25℃,湿度相同且相对恒定的环境条件中,每个鲑鱼样本采集三次数据并进行平均。
详细地,在进行步骤S2-3、将鲑鱼样本进行生化组分测量,获取影响鲑鱼土腥味的物质的含量数值时,其中生化组分测量采用液相色谱法。
如图3所示,是本发明的一个较佳实施例的基于随机森林算法的土腥味相关物质含量预测结果,展示了三种脂肪酸含量的预测结果。深度学习模型及数据储存显示模块30中,针对相关性较高的土腥味相关脂肪酸使用了随机森林算法对选择的三种相关性高的脂肪酸种类建模。三种脂肪酸含量的预测结果表明预测结果较为精确,三类脂肪酸预测模型的相关性也达到了79.21%,75.78%和75.89%,随机森林算法对选择的三种相关性高的脂肪酸种类的详细结果如下表:
其中,MIB为二甲基异茨醇,GSM为土臭素,C14:0、C16:1、C18:3n3、C20:4n6均为脂肪酸。这个结果表明随机森林算法,不仅可以用于土腥味研究,同时也具有很大的潜力用于多种营养物质的检测,如脂肪、蛋白质等。
图4是本发明的一个较佳实施例的鲑鱼土腥味快速检测系统的土腥味鱼肉识别与土腥味相关物质含量预测可视化结果,其中,FULL_1DCNN为基于全光谱的1维深度卷积神经网络;SPA_1DCNN为基于SPA选择特征的1维深度卷积神经网络;MIB为二甲基异茨醇;GSM为土臭素;OF为异味样本;NOF为非异味样本。由图4可见FULL_1DCNN在OF和NOF肌肉样本之间的区分中实具有更高的性能。在原始图像中的所有120个样本中,1DCNN_FULL模型仅有10个样本进行了错误分类,而SPA-1DCCNN则对16个样本进行错误分类。对于异味相关化合物的可视化,包括MIB、GSM、C14:0、C16:1、C20:4n6和C18:3n3,其中从红色(高)到蓝色(低)的颜色表示各种化合物的预测浓度。每个化合物的清晰分布可以在所呈现的全局图中可视。比较分类和回归结果,大多数错误识别发生在MIB和GSM浓度差异较大的样品中。这表明,包含高浓度和低浓度像素混合的ROI可能会导致对异味的错误识别。然而,对于磷脂脂肪酸并且没有发现显著的变化趋势。这可能是因为脂肪酸与异味没有直接关系,而是作为异味相关化合物的储存介质。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种鲑鱼土腥味快速检测系统,其特征在于,包括气味测量模块、高光谱成像模块、深度学习模型及数据储存显示模块,所述气味测量模块检测鲑鱼气味参数;所述高光谱成像模块检测鲑鱼光谱特征参数和鲑鱼图像特征参数;所述气味测量模块和所述高光谱成像模块得到的数据发送到所述深度学习模型及数据储存显示模块进行训练学习,得到可信模型。
2.如权利要求1所述的鲑鱼土腥味快速检测系统,其特征在于,所述气味测量模块包括气味采集模块、气味处理模块,所述气味处理模块通过模式识别技术处理所述气味采集模块获取的气味数据得到待检测样品的所述气味参数。
3.如权利要求1所述的鲑鱼土腥味快速检测系统,其特征在于,所述高光谱成像模块包括光谱仪和面阵相机,用于获取鲑鱼样本的光谱特征参数和图像特征参数。
4.如权利要求1所述的鲑鱼土腥味快速检测系统,其特征在于,所述深度学习模型及数据储存显示模块对所述鲑鱼光谱特征参数进行高光谱分析时采用连续投影法、序列向前选择法、竞争自适应重加权采样法和随机蛙跳法的一种或它们的复合方法来选择最佳特征波长。
5.如权利要求2所述的鲑鱼土腥味快速检测系统,其特征在于,所述气味采集模块采用多个高敏感特性的气敏传感器构建传感器阵列,用于提高气敏传感器的测量精度。
6.一种鲑鱼土腥味快速检测方法,包括以下步骤:
S1、准备鲑鱼样本;
S2、采集鲑鱼样本数据;
S3、使用采集的样本数据,进行数据预处理;
S4、使用处理后的数据,建立深度学习模型;
S5、使用训练完成的深度学习模型对鲑鱼土腥味物质含量进行快速检测。
7.如权利要求6所述的鲑鱼土腥味快速检测方法,其特征在于,所述准备鲑鱼样本包括以下步骤:
S1-1、对待采集的鲑鱼样本进行初步的静置干燥;
S1-2、将待测的鲑鱼样本密封在快速检测系统的密闭的容器中,并维持温度在室温25℃,湿度相对恒定。
8.如权利要求6所述的鲑鱼土腥味快速检测方法,其特征在于,所述采集鲑鱼样本数据包括以下步骤:
S2-1、同时开启多个气体传感器,待气体传感器系统稳定后开始记录气体传感器数据;
S2-2、将待测鲑鱼样本放入高光谱成像模块中,进行高光谱信息和图像的获取;
S2-3、将鲑鱼样本进行生化组分测量,获取影响鲑鱼土腥味的物质的含量数值。
9.如权利要求6所述的鲑鱼土腥味快速检测方法,其特征在于,在进行所述采集鲑鱼样本数据步骤时,全程维持在室温25℃,湿度相同且相对恒定的环境条件中,每个鲑鱼样本采集三次数据并进行平均。
10.如权利要求8所述的鲑鱼土腥味快速检测方法,其特征在于,所述生化组分测量采用液相色谱法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211141399.6A CN115754184A (zh) | 2022-09-20 | 2022-09-20 | 一种鲑鱼土腥味快速检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211141399.6A CN115754184A (zh) | 2022-09-20 | 2022-09-20 | 一种鲑鱼土腥味快速检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115754184A true CN115754184A (zh) | 2023-03-07 |
Family
ID=85350513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211141399.6A Pending CN115754184A (zh) | 2022-09-20 | 2022-09-20 | 一种鲑鱼土腥味快速检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754184A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116388733A (zh) * | 2023-05-26 | 2023-07-04 | 奥谱天成(厦门)光电有限公司 | 一种适用于近红外水果无损检测的光谱预处理方法及装置 |
-
2022
- 2022-09-20 CN CN202211141399.6A patent/CN115754184A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116388733A (zh) * | 2023-05-26 | 2023-07-04 | 奥谱天成(厦门)光电有限公司 | 一种适用于近红外水果无损检测的光谱预处理方法及装置 |
CN116388733B (zh) * | 2023-05-26 | 2023-08-22 | 奥谱天成(厦门)光电有限公司 | 一种适用于近红外水果无损检测的光谱预处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Huang et al. | A data fusion detection method for fish freshness based on computer vision and near-infrared spectroscopy | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Wang et al. | Smartphone imaging spectrometer for egg/meat freshness monitoring | |
CN105203464B (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
Wang et al. | Application of hyper-spectral imaging technique for the detection of total viable bacteria count in pork | |
Chen et al. | Real-time defect inspection of green coffee beans using NIR snapshot hyperspectral imaging | |
Yang et al. | Rapid determination of biogenic amines in cooked beef using hyperspectral imaging with sparse representation algorithm | |
CN105021535A (zh) | 一种稻谷脂肪酸含量无损检测方法及系统 | |
Yang et al. | Detection of total viable count in spiced beef using hyperspectral imaging combined with wavelet transform and multiway partial least squares algorithm | |
CN115754184A (zh) | 一种鲑鱼土腥味快速检测系统及方法 | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
CN106018292B (zh) | 蛋清中蛋白质构象的无损检测装置及其方法 | |
Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
Wang et al. | Integrated spectral and textural features of hyperspectral imaging for prediction and visualization of stearic acid content in lamb meat | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
Chen et al. | Rapid detection of pomelo fruit quality using near-infrared hyperspectral imaging combined with chemometric methods | |
CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
Mu et al. | Non‐destructive detection of blueberry skin pigments and intrinsic fruit qualities based on deep learning | |
Zhou et al. | Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry | |
CN105203467B (zh) | 一种通用无损的真菌的生长拟合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |