NO324583B1 - Framgangsmate ved beregning av kjemiske og visuelle kvalitetsparametere for matvarer, samt anvendelse av et fargemalingsinstrument ved beregning av samme - Google Patents
Framgangsmate ved beregning av kjemiske og visuelle kvalitetsparametere for matvarer, samt anvendelse av et fargemalingsinstrument ved beregning av samme Download PDFInfo
- Publication number
- NO324583B1 NO324583B1 NO20060609A NO20060609A NO324583B1 NO 324583 B1 NO324583 B1 NO 324583B1 NO 20060609 A NO20060609 A NO 20060609A NO 20060609 A NO20060609 A NO 20060609A NO 324583 B1 NO324583 B1 NO 324583B1
- Authority
- NO
- Norway
- Prior art keywords
- color
- individual
- fish
- quality parameters
- values
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 title claims abstract description 37
- 235000013305 food Nutrition 0.000 title claims abstract description 15
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 241000251468 Actinopterygii Species 0.000 claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 235000013372 meat Nutrition 0.000 claims abstract description 17
- 239000000049 pigment Substances 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 241001465754 Metazoa Species 0.000 claims abstract description 4
- 241000124008 Mammalia Species 0.000 claims abstract description 3
- 235000019688 fish Nutrition 0.000 claims description 73
- JEBFVOLFMLUKLF-IFPLVEIFSA-N Astaxanthin Natural products CC(=C/C=C/C(=C/C=C/C1=C(C)C(=O)C(O)CC1(C)C)/C)C=CC=C(/C)C=CC=C(/C)C=CC2=C(C)C(=O)C(O)CC2(C)C JEBFVOLFMLUKLF-IFPLVEIFSA-N 0.000 claims description 35
- 235000013793 astaxanthin Nutrition 0.000 claims description 35
- 239000001168 astaxanthin Substances 0.000 claims description 35
- MQZIGYBFDRPAKN-ZWAPEEGVSA-N astaxanthin Chemical compound C([C@H](O)C(=O)C=1C)C(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C(=O)[C@@H](O)CC1(C)C MQZIGYBFDRPAKN-ZWAPEEGVSA-N 0.000 claims description 35
- 229940022405 astaxanthin Drugs 0.000 claims description 35
- 241000972773 Aulopiformes Species 0.000 claims description 19
- 235000019515 salmon Nutrition 0.000 claims description 18
- FDSDTBUPSURDBL-LOFNIBRQSA-N canthaxanthin Chemical compound CC=1C(=O)CCC(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C(=O)CCC1(C)C FDSDTBUPSURDBL-LOFNIBRQSA-N 0.000 claims description 16
- 235000021466 carotenoid Nutrition 0.000 claims description 14
- 150000001747 carotenoids Chemical class 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 9
- OOUTWVMJGMVRQF-DOYZGLONSA-N Phoenicoxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)C(=O)C(O)CC1(C)C)C=CC=C(/C)C=CC2=C(C)C(=O)CCC2(C)C OOUTWVMJGMVRQF-DOYZGLONSA-N 0.000 claims description 8
- 235000012682 canthaxanthin Nutrition 0.000 claims description 8
- 239000001659 canthaxanthin Substances 0.000 claims description 8
- 229940008033 canthaxanthin Drugs 0.000 claims description 8
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- JKQXZKUSFCKOGQ-JLGXGRJMSA-N (3R,3'R)-beta,beta-carotene-3,3'-diol Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)C[C@@H](O)CC1(C)C JKQXZKUSFCKOGQ-JLGXGRJMSA-N 0.000 claims description 4
- JKQXZKUSFCKOGQ-LQFQNGICSA-N Z-zeaxanthin Natural products C([C@H](O)CC=1C)C(C)(C)C=1C=CC(C)=CC=CC(C)=CC=CC=C(C)C=CC=C(C)C=CC1=C(C)C[C@@H](O)CC1(C)C JKQXZKUSFCKOGQ-LQFQNGICSA-N 0.000 claims description 4
- QOPRSMDTRDMBNK-RNUUUQFGSA-N Zeaxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCC(O)C1(C)C)C=CC=C(/C)C=CC2=C(C)CC(O)CC2(C)C QOPRSMDTRDMBNK-RNUUUQFGSA-N 0.000 claims description 4
- JKQXZKUSFCKOGQ-LOFNIBRQSA-N all-trans-Zeaxanthin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2=C(C)CC(O)CC2(C)C JKQXZKUSFCKOGQ-LOFNIBRQSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000012680 lutein Nutrition 0.000 claims description 4
- 239000001656 lutein Substances 0.000 claims description 4
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 claims description 4
- 229960005375 lutein Drugs 0.000 claims description 4
- ORAKUVXRZWMARG-WZLJTJAWSA-N lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C ORAKUVXRZWMARG-WZLJTJAWSA-N 0.000 claims description 4
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 claims description 4
- 235000010930 zeaxanthin Nutrition 0.000 claims description 4
- 239000001775 zeaxanthin Substances 0.000 claims description 4
- 229940043269 zeaxanthin Drugs 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 2
- 239000003925 fat Substances 0.000 description 19
- 235000019197 fats Nutrition 0.000 description 19
- 239000000523 sample Substances 0.000 description 13
- 238000010200 validation analysis Methods 0.000 description 11
- 210000003205 muscle Anatomy 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 238000004040 coloring Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 241000276438 Gadus morhua Species 0.000 description 3
- 238000004128 high performance liquid chromatography Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000003307 slaughter Methods 0.000 description 3
- 241000277263 Salmo Species 0.000 description 2
- 241000277289 Salmo salar Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001087 myotubule Anatomy 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000009372 pisciculture Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000238424 Crustacea Species 0.000 description 1
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 description 1
- 239000004472 Lysine Substances 0.000 description 1
- 229930182559 Natural dye Natural products 0.000 description 1
- 241000277331 Salmonidae Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- -1 astaxanthin Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 239000000978 natural dye Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22B—SLAUGHTERING
- A22B5/00—Accessories for use during or after slaughtering
- A22B5/0064—Accessories for use during or after slaughtering for classifying or grading carcasses; for measuring back fat
- A22B5/007—Non-invasive scanning of carcasses, e.g. using image recognition, tomography, X-rays, ultrasound
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
Framgangsmåte for beregning av et utvalg av kvalitetsparametere, for eksempel farge, pigmentinnhold, fett og/eller vanninnhold, for en matvare, særlig en animalsk matvare, for eksempel kjøtt fra fisk og pattedyr, idet framgangsmåteri omfatter trinnene: - å tilveiebringe et representativt individ av matvaren; - å fastslå individets kjennetegnende størrelse, for eksempel lengde, areal, volum og/eller vekt; - å posisjonere et colorimeters målelinse ved en for kvalitetsparameterne representativ flate av matvaren og å måle flatens L*-, a*- og b*-verdier (Chroma- og Hueverdier); - å sammenligne de målte verdiene for det foreliggende individets størrelse og colorimetriske data med en på forhånd tilveiebrakt multivariatmodell representativ for en populasjon av individets art, idet multivariatmodellen er tildannet ved matematisk behandling av kjemiske analyseresultater, visuell fargebedømmelse og individstørrelse for populasjonen og omfatter korrelasjonsfaktorer mellom de målte colorimetriske dataene og et utvalg av målte kvalitetsparametere, for derved - å utlede det foreliggende individets kvalitetsparametere i standardiserte måleenheter.
Description
FRAMGANGSMÅTE VED BEREGNING AV KJEMISKE OG VISUELLE KVALITETSPARAMETERE FOR MATVARER, SAMT ANVENDELSE AV ET FARGEMA-LINGSINSTRUMENT VED BEREGNING AV SAMME
Oppfinnelsen vedrører en framgangsmåte for beregning av kjemiske og visuelle kvalitetsparametere for matvarer, særlig kjøttvarer, i særdeleshet fra fisk. Dessuten vedrører oppfinnelsen anvendelse av et bærbart fargemålingsinstrument i kombinasjon med multivariatmodellering for beregning av farge, kjemisk innhold av pigment, fett og vann i felt, for eksempel på et produksjonsanlegg, i et slakteri eller i et driftslabo-ratorium.
I det etterfølgende henvises det til beregning av en rekke kvalitetsparametere for fisk og i særlig grad laks, men oppfinnelsen er ikke begrenset til anvendelse på fisk, idet framgangsmåten kan tenkes anvendt også for andre matvarer, særlig andre kjøttslag og særlig for matvarer hvor farge er et kvalitetskriterium som må bedømmes raskt og sikkert.
Med et individs kjennetegnende størrelse menes én eller flere dimensjoner, for eksempel lengde eller diameter, areal, volum og/eller vekt som er tilstrekkelig til å gi en karakteristikk av individet. For en fisk kan kjennetegnende størrelse eksem-pelvis beskrives med lengde og/eller vekt.
Målingene skjer på et individ av matvaren, for eksempel en slaktet fisk, og er basert på måling av reflektert, synlig lys i kombinasjon med informasjon om individets fysiske egen-skaper som for eksempel fiskens lengde og vekt, samt informasjon om dato for prøveuttak. Det lages multivariatmodeller som er kalibrert mot referanseverdier.
Et karakteristisk trekk ved laksefisk er at muskulaturen er tydelig rødfarget. Rødfargen er i alt vesentlig forårsaket av det naturlige fargestoffet astaxanthin. Astaxanthin produse-res i fytoplankton og finner sin vei opp gjennom næringskje-den via små krepsdyr som så blir spist av laksefisk. Det forekommer også andre fargestoffer, som for eksempel canthaxanthin, lutein, zeaxanthin, og med et fellesbegrep er farge-stoffene i det etterfølgende også kalt karotenoider.
Graden av rødfarge blir av mange konsumenter ansett som en viktig kvalitetsparameter når de skal kjøpe laks i form av fileter eller koteletter. Laks anvendes også av viderefored-lingsindustrien til å fremstille for eksempel røykelaks og gravlaks. En viktig kvalitetsparameter for røykelaks og gravlaks er grad av rødfarge etter prosessering.
Siden rødfargen er viktig for vurderingen av kvaliteten på produktene som når fram til forbrukeren, er rødfargen også viktig å måle før uttak av fisk til slakting. Er fisken for dårlig innfarget, vil dette gi trekk i pris for oppdretter, og fisken vil være vanskelig å selge spesielt på markeder som forventer en kraftig rødfarge i fiskekjøttet.
Det er til en viss grad sammenheng mellom mengde karotenoider i fiskeforet som for eksempel astaxanthin, og hvor mye karotenoider som gjenfinnes i fiskens muskulatur. Det er også ut-arbeidet ulike strategier for hvordan oppdretteren mest effektivt skal farge inn fisken. Således snakkes det om inn-fargingsperioder der for eksempel astaxanthininnholdet i muskulaturen skal økes målt som mg astaxanthin pr. gram muskel, og vedlikeholdsfarging der astaxanthinnivået kun skal holdes stabilt etter som fisken vokser. Det er også kjent at opptak av karotenoid varierer med fiskestørrelse og årstid og at det er arvelig forskjell mellom de forskjellige utsettene av fisk. Spesielt kjent er det såkalte vårdroppet der astaxanthininnholdet i fiskemuskelen avtar om våren. Disse ulike faktorene gjør at oppdretteren jevnlig må ta prøver av fiske-bestanden for å vite hvordan fisken ligger an når det gjelder karotenoidinnholdet og eventuelt justere mengde karotenoid i foret for at innfargingen skal være i henhold til produk-sjonsplanen.
Et alternativ til astaxanthin har vært bruk av pigmentet canthaxanthin. Dette gir et noe gulere fiskekjøtt enn ved bruk av pigmentet astaxanthin. De to pigmentene har også vært brukt sammen med ulike innbyrdes blandingsforhold.
Det er kjent fra norsk patent NO 306652 at bruk av for med et forhøyet innhold av aminosyren lysin i en kortere periode før slakting gir en fiskemuskel med en visuelt sterkere rødfarge uten at astaxanthininnholdet er forhøyet.
Grad av rødfarge kan bestemmes visuelt ved å sammenligne rød-fargen i kjøttet mot rødfargen på et standardisert fargekort-sett. Fargekortsettet er en samling av fargede pappkort der metning og intensitet i rødfarge øker fra kort til kort. Mest kjent er den såkalte Roche-fargeviften (Roche SalmoFan™) der kortene er nummerert fra 20 til 34. Fargen i fiskekjøttet blir tildelt en Roche-fargekortverdi ut fra hvilket kort som ligger nærmest fargen til fiskekjøttet. Denne testen er i utgangspunktet lett å utføre på helt fersk fisk og kan utføres uten andre hjelpemidler enn fargekortene. Bruk av standardiserte fargekort er veletablert, og Roche-fargekortverdi er etablert som en standard. En nærmere beskrivelse av grunnla-get for utarbeiding av slike fargekort er gitt av Skrede, G., Risvik, E., Huber, M. , Enersen, G. og Bliimlein, L.; Develo-ping a Color Card for raw Flesh of Astaxanthin- fed Salmon. 1990. Journal of Food Science, 55, 361-3 63.
Bruk av fargekort er en subjektiv måte å bestemme farge hvor flere faktorer påvirker resultatet. Naturlig lys vil variere med tid på døgnet og de meteorologiske forhold. Dette har vært forsøkt avhjulpet med bruk av en standardisert lysboks (for eksempel Salmon Colour Box, Skretting AS, Stavanger, hvor lyskilden er lysrør). En kjent ulempe med lysrør er at fargeinnholdet i lyset kan variere over lysrørets levetid. Videre har en slik lysboks en åpen side der sidelys vil falle inn på prøven.
Et fiskestykke som for eksempel en filet, har ikke en jevnt farget overflate. Fileten er bygget opp av muskelfibrer som veksler med bindevev og fett. Dette kompliserer den visuelle fargemålingen.
Det er kjent at en fisk med forholdsvis mye fett i muskelen virker blekere og scorer lavere enn en forholdsvis mager fisk.
I tillegg er fargeoppfatning ulik fra person til person. Det har vist seg i praksis at forskjellige observatører kan gradere det samme fiskestykket med en forskjell på 3 på Roche-fargekortskalaen, for eksempel fra 22 til 24. I tillegg har det betydning om observatøren har en økonomisk interesse av resultatet. Således vil en selger ha en tendens til å gradere høyere enn en kjøper.
Problemet med bruk av fargekort og en standardisert lysboks er forsøkt avhjulpet med en mer forseggjort lysboks som beskrevet i norsk patent NO 317714. I tillegg beskriver NO 317714 en framgangsmåte for å predikere kjemisk innhold av astaxanthin, fett samt Roche-fargeverdi ved hjelp av en foto-metrisk teknikk og måling av RGB-fargeverdier (R = rød, G = grønn, B = blå). Kameraet er digitalt. Ulempen med denne framgangsmåten er at den krever en stor og forseggjort lysboks som ikke egner seg til forflytning, men kun til stasjo-nær bruk innendørs. Det stilles også store krav til kvaliteten til kameraets optikk og mekaniske komponenter som blender og lukker. Patenthaver peker også på at det er viktig at den såkalte CCD-brikken ("Charge-Coupled Device") holdes ved sta-bil temperatur under eksponering. En annen ulempe er at ly-sets intensitet forandrer seg over tid, noe som nødvendiggjør rutiner for oppfølging og kontroll.
Rødfargen kan også bestemmes ved å analysere det kjemiske innholdet av astaxanthin i fiskekjøttet. Kjemisk analyse av astaxanthin er komplisert og kan kun utføres på laboratorier av utdannet personell. Det kreves også utstyr som HPLC ("High Performance Liquid Chromatography") for å utføre analysen. En fiskeoppdretter må således sende fra seg fisken eller fiskestykket som skal analyseres. Svaret vil komme etter flere dager, og det er en betydelig kostnad med å få utført en slik analyse.
En annen metode er å bruke NIR ("Near-Infrared Reflectance"). Denne teknikken baserer seg på et referansemateriale der astaxanthin og andre karotenoider er bestemt ved tradisjonell kjemisk analyse. Det tas NIR-spekter av det samme materialet, og ved hjelp av multivariate, statistiske teknikker finnes det sammenhenger mellom spekter og kjemisk innhold. Denne sammenhengen uttrykkes i en NIR-ligning. Denne NIR-ligningen brukes til å forutsi innholdet av karotenoider, for eksempel astaxanthin, når nye prøver analyseres.
NIR-analyse er raskere og billigere enn kjemisk analyse. Sel-ve instrumentet er et dyrt og stasjonært instrument, og det er ikke regningssvarende for den enkelte fiskeoppdretter å investere i et eget instrument. Fiskeoppdretteren må derfor også i dette tilfellet sende fra seg prøven og det tar flere dager før svaret foreligger.
Måling av det kjemiske innholdet av bl.a. astaxanthin i fis-kekjøttet ved hjelp av et NIR/VIS-instrument (NIR-instrument som også måler synlig ("visible") lys) anvendes som etablert teknikk for eksempel hos herværende søker og hos andre.
I patentskrift US 6,649,412 er det beskrevet en slaktelinje for fisk hvor en NIR-probe er plassert etter redskapen som fjerner innvollene fra og renser buken på sløyd fisk. Proben belyser fiskemuskelen fra den åpne buken og gir informasjon om rødfargen slik at fisk kan sorteres etter rødfarge.
NIR-instrumenter finnes i mange størrelser og utgaver, og de er brukt i kalibreringer mot tilsvarende parametre som søke-ren gjør. Potensielt kan små, bærbare NIR/VIS-instrumenter også benyttes til formålet. Disse benytter et relativt vidt bølgeområde, noe som gjør kalibreringen forholdsvis robust. Men instrumentene er gjerne dyre, de vil være problematiske å standardisere slik at samme kalibrering kan anvendes på hele instrumentparken, og databehandlingen er komplisert da mange variabler (signaler eller refleksjon fra ulike bølgelengder) anvendes.
Problemet med annen kjent instrumentering er at utstyret er for tungt og voluminøst til lett å kunne transporteres med til feltanalyser. Instrumenteringen er samtidig så kostbar at den er lite aktuell å kjøpe inn til hvert enkelt oppdrettsan-legg. Det er i den senere tid utviklet mindre, bærbare NIR-instrumenter. Disse overvinner problemet med stasjonære instrumenter. Men fortsatt gjenstår at instrumentene er dyre og at de må kalibreres med jevne mellomrom.
For analyse av kjemisk farge- og fettinnhold må fisk således generelt sett sendes til laboratorier eller analyseinstrumen-ter som er sentralt plassert. Dette tar tid og gjør at be-slutninger ofte må utsettes i påvente av at de objektive analyseresultatene foreligger. Utsettelsen kan føre til at det tidsrommet som er disponibelt for påvirkning av produktkvali-teten, begrenses unødig.
Bakgrunnen for oppfinnelsen er at man har behov for hurtige og objektive avgjørelser på kvalitetsparametere for fisk. I dag kan farge bestemmes manuelt (også i felt) med hjelp av fargekort under standardiserte lysforhold, men metoden er subjektiv og relativt unøyaktig. Metoden bør være så enkel at den kan utføres ved produksjonsanlegget, dvs. fiskemerdene, eller i alle fall i nær tilknytning til disse, som for eksempel på forflåter, arbeidsbåter, brygger eller innendørs på land.
Colorimeter brukes til fargemåling av overflater og kan brukes til å bestemme en farges plassering i det såkalte NCS-systemet. Colorimeter har vært forsøkt brukt til å bestemme farge i fiskekjøtt. Colorimeteret gir primært fargeverdier uttrykt som XYZ-verdier, igjen uttrykt som L<*->, a<*-> og b<*->verdier, der L<*> er lyshetsfaktor (svart/hvit), a<*> er rød/ grønn kromatisitet og b<*> er gul/blå kromatisitet. Colorimeteret gir sekundært verdiene "Chroma" (C<*>ab) og "Hue" (H°ab) . Disse verdiene er funksjoner av L<*>, a<*> og b<*> og er et mål på fargeintensitet, henholdsvis fargesammensetning. Funksjonene er
Colorimeteret kan være et håndholdt instrument og legges eller settes på prøven slik at det ikke kommer inn lys fra siden på den flaten som skal måles. Colorimeteret har en intern lyskilde og denne kalibreres fortløpende av programvare som er en integrert del av instrumentet.
Referansemetodikk som anvendes i dag er basert på visuell be-dømmelse av farge som relateres til fargekort (for eksempel Roche SalmoFan™) .
Bruk av colorimeter for bestemmelse av farge er etablert kunnskap; for eksempel kan man måle en overflate og deretter finne hvilken farge i NCS-systemet som passer best. Innen fiskeoppdrettsnæringen er colorimeter brukt til fargemåling på fisk. Da benyttes enten verdiene fra L<*>, a<*> eller b<*>, og disse forsøkes korrelert til fargekort. Korrelasjonen er da vanligvis relativt svak.
Selv om colorimeteret angir farge på flere måter, har det vist seg vanskelig å finne en god korrelasjon mellom de målte verdier og det kjemiske innhold av karotenoider, for eksempel astaxanthin) og den visuelle fargekortverdi. Dette henger blant annet sammen med at det er flere naturlige pigmenter i laksemuskelen enn astaxanthin. Det kan også være til stede gulaktige pigmenter som for eksempel lutein og zeaxanthin, pigmenter som kommer for eksempel fra mais. Dette påvirker colorimeterets avlesing. Forekomsten av canthaxanthin vil også ha innvirkning på colorimeterets avlesing. Christiansen et al. fant at colorimeter var egnet til å kvantifisere astaxanthininnholdet i forholdsvis blek fisk (2 - 4 mg astaxanthin pr. kg), men at instrumentet ikke kunne skjelne mellom astaxanthininnholdet i prøver med et høyere astaxanthininnhold. De samme forfattere fant at bruk av fargekortvifte predikerte bedre det kjemiske fargeinnholdet, men heller ikke denne prediksjonen var tilfredsstillende. (Christiansen, R., Struksnæs, G., Estermann, R., Torrissen, O.J. 1995: Assess-ment of flesh colour in Atlantic salmon, Salmo salar L. Aquaculture Research, 26, s. 311-321.)
Det er undersøkt om det finnes korrelasjon mellom muskelfi-berdiameter i torskemuskel og avleste Chroma- og Hueverdier. En slik sammenheng ble ikke funnet (Bjørnevik, M., Karlsen, 0., Johnston, I.A., Kiessling, A. 2003: Effect of sustained exereise on white musele strue ture and flesh quality in far-med cod ( Gadus morhua L). Aquaculture Research, 34, s. 55-64) .
Colorimeteret måler innenfor synlig lys. Det vil således res-pondere relativt lite på mengde fett i prøven. Dette gjør det vanskelig å få til en korrelasjon mot visuelt avlest fargekortverdi .
Bruk av kun måleverdi fra colorimeter gir for dårlig korrelasjon til fargekortverdi og er i praksis ubrukelig. Samtidig er det umulig for en bruker å forholde seg til hvordan alle tre verdier til sammen korrelerer til fargekortverdi. Til dette formålet trengs multivariat databehandling.
Målinger i synlig lys alene beskriver i noe begrenset grad de kjemiske egenskapene til en prøve, og selv farge vil bli bedre beskrevet ved å innlemme andre parametre i kalibreringer.
Oppfinnelsen har til formål å avhjelpe eller å redusere i det minste en av ulempene ved kjent teknikk.
Formålet oppnås ved trekk som er angitt i nedenstående beskrivelse og i etterfølgende patentkrav.
En hensikt med oppfinnelsen er å kunne utføre en objektiv og hurtig analyse av en fisks kjøttkvalitet med vekt på kjemisk innhold av karotenoider som astaxanthin og canthaxanthin, kjemisk innhold av fett og fiskemuskelens fargekortverdi.
En ytterligere hensikt er at dette skal kunne gjøres i felt, fortrinnsvis helt ute på de flytende deler av et fiskeopp-drettsanlegg slik som flytende gangveier og forflåter. Det er nok en hensikt at analysen skal være rimelig for derved å kunne gjennomføres gjentatte ganger slik at oppdretteren får hjelp til å planlegge sin fiskeproduksjon med hensyn til inn-farging av fiskens kjøtt.
Det er en ytterligere hensikt at ved å framskaffe en objektiv og pålitelig fargemåling som er minst like pålitelig som den manuelle fargemåling ved bruk av fargekort, vil en slik appa-ratmessig fargemåling kunne tjene som objektiv dokumentasjon ved kjøp og salg av fisken.
Målet med oppfinnelsen er derved å utføre objektive, hurtige analyser av fiskens kjøttkvalitet ved at instrumentet bringes dit fisken er, og at man dermed sparer tid og kostnader ved forsendelse av fisk for prøvetaking.
Søker har i flere år analysert et stort antall laks for kjemisk innhold av astaxanthin, canthaxanthin og fett, fargekortverdier, samt registrert lengde og vekt for fisken og dato for når fisken ble avlivet. Dette omfattende datamateri-alet har blitt analysert, og det er funnet en sammenheng mellom lengde, vekt og fettinnhold som vist i figur 1 samt gjen-gitt i tabellen nedenfor.
Det har nå overraskende vist seg at ved å kombinere colori-metrisk måling av fiskekjøttet med opplysninger om fiskens lengde og vekt, kan det kjemiske innhold av pigment som astaxanthin og canthaxanthin, fett samt fargekortverdi predikeres ved hjelp av en matematisk modell som tar utgangspunkt i colorimeterets L<*->, a<*-> og b<*->verdier samt fiskens lengde og vekt. Prediksjonen gir et bedre og sikrere resultat for kjemisk innhold av pigment og fargekortverdi enn bruk av verdiene for L<*>, a<*> og b<*>, samt de utledede Chroma- og Hue-verdier alene fordi det tas hensyn til fettinnhold i prediksjonen. Samtidig blir fettinnholdet predikert mer nøyaktig enn hva som kan predikeres ut fra opplysninger om fiskens lengde og vekt. Basis for prediksjonen er en multivariat, statistisk metode som leder til et sett med matematiske ka-libreringslikninger.
Det har ytterligere vist seg fordelaktig for nøyaktigheten i prediksjonen å ta hensyn til datoen for prøveuttaket da det er en årstidsvariasjon i fargekortmålingene.
En framgangsmåte som beskrevet gjør det mulig å anvende et bærbart fargemålingsinstrument som et digitalt fotoapparat eller et colorimeter i henhold til oppfinnelsens formål. Slike instrument og særlig colorimeteret er ikke avhengig av standardiserte lysforhold og benytter seg av innebygde midler for rekalibrering og er derfor uavhengig av eksterne kalibre-ringsmidler. Til å beregne kjemisk innhold av pigment, fargekortverdi og kjemisk innhold av fett .benyttes kalibrerings-likningene. Disse vil være del av programvaren på en datamaskin, for eksempel en bærbar datamaskin som kan befinne seg i umiddelbar nærhet av colorimeteret, eller en sentral datamaskin som nås via for eksempel et internettgrensesnitt. De avleste L<*->, a<*-> og b<*->verdier benyttes som inngangsverdier sammen med fiskens målte lengde, vekt og dato for prøveuttak. Det vil dermed være mulig å utføre den ønskede prediksjon øyeblikkelig. Resultatene kan registreres manuelt på for eksempel et eget skjema, eller elektronisk.
Resultatene vil fremskaffes der og da, uten at fisk trenger sendes til et sentralt lokalisert analyseinstrument eller la-boratorium. Dette vil muliggjøre for eksempel analyse, vurde-ring og påfølgende valg av optimalt fiskefor når oppdretter og forkonsulent møtes på oppdrettsanlegget. Bedre og hurtige-re valg kan da gjøres. Likedan vil oppfinnelsen bidra til en elektronisk fargekortmåling som kan tjene som objektiv dokumentasjon av fisken ved kjøp og salg.
Det er innlysende at den foreliggende oppfinnelsen vil kunne benyttes ved fastsetting av visse kvalitetsparametere også for andre matvarer. Oppfinnelsen er slik ikke begrenset til bare å omfatte laks.
Mer spesifikt vedrører oppfinnelsen en framgangsmåte for beregning av et utvalg av kjemiske og visuelle kvalitetsparametere, for eksempel farge, pigmentinnhold, fett og/eller vanninnhold, for en matvare, særlig en animalsk matvare, særlig kjøtt fra fisk og pattedyr, kjennetegnet ved at framgangsmåten omfatter trinnene: å tilveiebringe et representativt individ av matvaren;
å fastslå individets kjennetegnende størrelse i form av lengde, areal, volum og/eller vekt;
å posisjonere et fargemålingsinstruments målelinse ved en for kvalitetsparameterne representativ flate av matvaren og å måle flatens L<*->, a<*-> og b<*->verdier (Chroma- og Hueverdier);
å sammenligne de målte verdiene for det foreliggende individets størrelse og colorimetriske data med en på forhånd tilveiebrakt multivariatmodell representativ for en populasjon av individets art, idet multivariatmodellen er tildannet ved matematisk behandling av kjemiske analyseresultater, visuell fargebedømmelse og individstørrelse for populasjonen og omfatter korrelasjonsfaktorer mellom de målte colorimetriske dataene og et utvalg av målte kvalitetsparametere, for derved å utlede det foreliggende individets kvalitetsparametere i standardiserte måleenheter.
Fargemålingsinstrumentet er fortrinnsvis hentet fra en gruppe som består av colorimeter og digitalt fotoapparat.
Individets størrelse er fordelaktig betegnet ved hjelp av to eller flere kjennetegnende størrelser, deriblant vekt.
De kjemiske analyseresultatene omfatter fordelaktig innholdet av karotenoider samt fett- og vanninnhold.
Karotenoidene er fortrinnsvis hentet fra gruppen bestående av astaxanthin, canthaxanthin, lutein og zeaxanthin.
Den visuelle fargebedømmelsen er fortrinnsvis angitt i en standardisert fargekortverdi.
Framgangsmåten omfatter alternativt trinnet å registrere måledatoen for individet, idet multivariatmodellen er korrelert også til prøvetakingsdatoene i populasjonen for de kjemiske analyseresultatene og den visuelle fargebedømmelsen.
Individet er fordelaktig en laks.
Utledet farge er fordelaktig angitt som en Roche-fargekortverdi .
Oppfinnelsen vedrører ytterligere anvendelse av et fargemålingsinstrument for beregning av én eller flere kjemiske kvalitetsparametere for matvarer, idet Chroma- og Hue-verdier (L<*>, a<*>, b<*>) kombineres med opplysninger om det målte individs kjennetegnende størrelse, og disse kombinerte opplysningene behandles i en matematisk multivariatmodell.
I det etterfølgende beskrives et ikke-begrensende eksempel på en foretrukket utførelsesform som er anskueliggjort på med-følgende tegninger, hvor: Fig. 1 viser observert sesongvariasjon i fett og pigment for 2-4 kg atlantisk laks; Fig. 2 viser predikerte Roche-fargekortverdier mot avleste Roche-fargekortverdier for et valideringssett i eksempel 1; Fig. 3 viser predikerte Roche-fargekortverdier mot avleste Roche-fargekortverdier for valideringssettet i eksempel 2 ; Fig. 4 viser predikerte astaxanthinverdier mot analyserte astaxanthinverdier for valideringssettet i eksempel 2; Fig. 5 viser predikerte fettverdier mot analyserte fettverdier for valideringssettet i eksempel 2; og Fig. 6 viser predikerte vanninnholdsverdier mot analyserte vanninnholdsverdier for valideringssettet i eksempel 2.
Instrumenter og programvare som det henvises til i det etter-følgende, er brukt i henhold til normal praksis for en fag-person.
Ved en framgangsmåte ifølge oppfinnelsen er det anvendt multivariate kalibreringsteknikker på en kombinasjon av lett tilgjengelige data fra et colorimeterinstrument og informasjon om fysiske data til et måleindivid, for laks kjennetegnende størrelsesdata som lengde og vekt, samt prøvetakingsda-to som er anvendt i modellene for å få inn relevante årstids-variasjoner for beregnede parametere.
Den overraskende effekten er at et digitalt fotoapparat eller et colorimeter ved framgangsmåten ifølge oppfinnelsen kan anvendes til formål det i utgangspunktet ikke er godt egnet til.
De etterfølgende eksemplene beskriver utelukkende forsøk ut-ført på bestander av oppdrettslaks (Salmo salar).
Vanligvis vil fett og delvis pigmentinnhold (mengde farge i
fisken) ikke måles godt i synlig lys, slik man kan få til med målinger i nær infrarødt lys (NIR). Men i kombinasjon med fysiske parametre blir dette langt bedre. Også fastsettelse av fargekortverdi blir noe bedre ved å kombinere data som fore-slått.
Eksempel 1
I eksemplet ble det anvendt et colorimeter av typen Minolta Chroma meter CR-300 med en linsediameter på 0,8 cm. Astaxanthin ble bestemt kjemisk med en HPLC-metode, fett ble bestemt kjemisk med soxhlet, og vanninnhold ble bestemt ved oppbevaring i varmeskap ved 103°C i 16 timer. Farge ble bestemt visuelt ved å legge prøven i en Skretting-lyskasse, dvs. tidligere nevnte Salmon Colour Box (Skretting AS, Stavanger) , og deretter sammenligne fargen mot Roche-fargekort, skala fra 20 til 34. Fargenivået i fisk varierer i forhold til hvor i fisken det måles. Fargekortmåling og måling med colorimeter ble utført på et standardisert område beliggende i det såkalte Norwegian Quality Cut. Dette framskaffes pr. definisjon ved å skjære av fisken rett bak ryggfinnen ("kote-lettsnitt"). Området mellom ryggraden og ryggfinnen ble målt. Alternativt er å måle på en filet på tilsvarende sted på fileten, det vil si rett bak ryggfinnen og på oversiden av ryggraden. Vekt (rund fisk) og lengde ble registrert for hver fisk.
I alt inngikk data fra 753 fisk i eksempelet. Av disse inngikk 145 tilfeldig valgte prøver som et eksternt valideringssett. Siden det inngår data med ulike måleenheter (for eksempel gram og centimeter), ble dataene standardiserte ved å dele hvert datum med sitt tilhørende standardavvik. Som re-gresjonsmodell ble brukt Partial Least Squares regression (PLS). Estimat for prediksjonsfeilen er gitt som RMSEP (Root Mean Square Error of Prediction):
der "i" er prøven, "n" er antall prøver i datasettet, "yi" er analyseverdien for prøven "i" , og "yi" er den predikerte verdi for prøve "i".
Om lag 5 % av verdiene ble etter første modelleringstrinn ansett for å være "uteliggere", dvs. verdier som var unormale i forhold til den store majoriteten av prøver i datasettet, og ble tatt ut av datasettet før videre modellering. Sluttmodellen baserer seg på fire signifikante prinsipalkomponenter som anvender 92 % av variansen i datasettet (L<*>, a<*>, b<*>, vekt, lengde) til å forklare 83 % av variansen i fargekortavles-ningene. En videre analyse viser at de viktigste positivt korrelerte faktorene var koeffisienten for a<*> og b<*>. Vekt korrelerte negativt, mens L<*> og lengde bidro begge med en mindre negativ koeffisient til modellen. Figur 2 viser resultatet av prediksjonen mot de målte Roche-fargekortverdier for valideringssettet. Prediksjonsfeilen uttrykt som RMSEP var 1,3 enheter. Dette er noe høyt, men likevel tilfredsstillende ut fra at referanseverdien er subjektivt målt ved hjelp av Roche fargekort og at linsen på colorimeteret er noe liten, noe som begrenser det målte området.
Eksempel 2
I eksemplet inngår 118 sammenslåtte prøver. Verdien av vekt, lengde og Roche-fargekortverdi er gjennomsnittsverdi for hver sammenslått prøve, mens astaxanthin, fett og vanninnhold ble bestemt på den sammenslåtte prøven som sådan.
• Prediksjon av Roche-fargekortverdi
Alle verdier ble standardisert. Tre av prøvene ble ansett for å være uteliggere og ble tatt ut av materialet. Sluttmodellen bygger på tre prinsipalkomponenter som benytter 98 % av variansen i dataene for vekt, lengde, L<*>, a<*> og b<*> til å forklare 95 % av variansen i fargekortverdiene. De viktigste parameterne i modellen som korrelerer positivt, er a<*> og b<*>. L<* >korrelerte negativt, og lengde og vekt korrelerte negativt med en liten regresjonskoeffisient.
Figur 3 viser den predikerte verdi mot avlest Roche-fargekortverdi for valideringssettet. Prediksjonsfeilen uttrykt som RMSEP, var 0,7 enheter, noe som er svært bra, spesielt sett i forhold til at referanseverdien framkommer ved en subjektiv avlesing.
• Prediksjon av astaxanthininnhold
Alle verdier ble standardisert. Tre av prøvene ble ansett for å være uteliggere og ble tatt ut av materialet. Sluttmodellen bygger på to prinsipalkomponenter som benytter 91 % av variansen i dataene for vekt, lengde, L<*>, a<*> og b<*> til å forklare 94 % av variansen i kjemisk astaxanthininnhold. De viktigste parameterne i modellen som korrelerer positivt, er a<*> og b<*>. L<*> korrelerte negativt, mens lengde og vekt korrelerte positivt, men med et noe mindre bidrag enn a<*> og b<*>.
Figur 4 viser den predikerte verdi mot analysert astaxanthin-verdi for valideringssettet. Prediksjonsfeilen uttrykt som RMSEP, var 0,6 mg/kg, noe som er svært bra.
Prediksjon av fettinnhold
Alle verdier ble standardisert. Syv av prøvene ble ansett for å være uteliggere og ble tatt ut av materialet. Sluttmodellen bygger på fire prinsipalkomponenter som benytter 98 % av variansen i dataene for vekt, lengde, L<*>, a<*> og b<*> til å forklare 93 % av variansen i kjemisk fettinnhold. Den viktigste parameteren i modellen som korrelerer positivt, er vekt. Lengde har en negativ regresjonskoeffisient. Regresjonskoef-fisientene for L<*> og a<*> er mindre og negativ mens den for b<* >er mindre og positiv.
Figur 5 viser den predikerte verdi mot analysert fettverdi for valideringssettet. Prediksjonsfeilen uttrykt som RMSEP, var 0,8 %, noe som er svært bra.
• Prediksjon av vanninnhold
Alle verdier ble standardisert. Fire av prøvene ble ansett for å være uteliggere og ble tatt ut av materialet. Sluttmodellen bygger på fire prinsipalkomponenter som benytter 98 % av variansen i dataene for vekt, lengde, L<*>, a<*> og b<*> til å forklare 90 % av variansen i vanninnhold. Den viktigste parameteren i modellen som korrelerer negativt, er vekt. Lengde har en positiv regresjonskoeffisient. Regresjonskoeffisiente-ne for L<*> og b<*> er mindre og positiv, mens den for a<*> er mindre og negativ.
Figur 6 viser den predikerte verdi mot analysert vannverdi for valideringssettet. Prediksjonsfeilen uttrykt som RMSEP, var 0,8 %, noe som er svært bra.
Selv om det i det foregående i det vesentlige er beskrevet framgangsmåter for fastsetting av kvalitetskriteriene farge, pigment-, fett og vanninnhold i laks, er det innlysende at framgangsmåten vil kunne anvendes på andre fiskearter og andre dyrearter hvor slike kvalitetsparametere er beskrivende for produktkvalitet. Det er også innlysende at framgangsmåten vil kunne benyttes for kvalitetsbedømmelse av for eksempel frukt. Det ligger også i sakens natur at framgangsmåten vil kunne anvendes ved beregning av andre kvalitetsparametere enn de som er nevnt her. Multivariatmodeller for forskjellige behov utarbeides etter samme metodikk som er beskrevet ovenfor, og colorimetermåledata samt kjennetegnende individdata settes inn i multivariatmodellen slik at ønskede kvalitetsparameter-størrelser genereres.
Claims (14)
1. Framgangsmåte for beregning av et utvalg av kjemiske og visuelle kvalitetsparametere, for eksempel farge, pigmentinnhold, fett og/eller vanninnhold, for en matvare, særlig en animalsk matvare, særlig kjøtt fra fisk og pattedyr, karakterisert ved at framgangsmåten omfatter trinnene: å tilveiebringe et representativt individ av matvaren ; å fastslå individets kjennetegnende størrelse; å posisjonere et fargemålingsinstruments målelinse ved en for kvalitetsparameterne representativ flate av matvaren og å måle flatens L<*->, a<*-> og b<*->verdier (Chroma- og Hueverdier); å sammenligne de målte verdiene for det foreliggende individets størrelse og colorimetriske data med en på forhånd tilveiebrakt multivariatmodell representativ for en populasjon av individets art, idet multivariatmodell en er tildannet ved matematisk behandling av kjemiske analyseresultater, visuell fargebedømmelse og individstørrelse for populasjonen og omfatter korrelasjonsfaktorer mellom de målte colorimetriske dataene og et utvalg av målte kvalitetsparametere, for derved å utlede det foreliggende individets kvalitetsparametere i standardiserte måleenheter.
2. Framgangsmåte i henhold til krav 1, karakterisert ved at individets kjennetegnende størrelse er hentet fra en gruppe bestående av lengde, areal, volum og vekt.
3. Framgangsmåte i henhold til krav 1, karakterisert ved at fargemålingsinstrumentet er hentet fra en gruppe som består av colorimeter og digitalt fotoapparat.
4. Framgangsmåte i henhold til krav 1, karakterisert ved at individets størrelse er betegnet ved hjelp av to eller flere kjennetegnende stør-relser, deriblant vekt.
5. Framgangsmåte i henhold til krav 1, karakterisert ved at de kjemiske analyseresultatene omfatter innholdet av karotenoider samt fett- og vanninnhold.
6. Framgangsmåte i henhold til krav 1, karakterisert ved at karotenoidene er hentet fra gruppen bestående av astaxanthin, canthaxanthin, lutein og zeaxanthin.
7. Framgangsmåte i henhold til krav 1, karakterisert ved at den visuelle fargebedømmelsen er angitt i en standardisert fargekortverdi.
8. Framgangsmåte i henhold til krav 1, karakterisert ved at framgangsmåten også omfatter trinnet å registrere måledatoen for individet, idet multivariatmodellen er korrelert også til prøveta-kingsdatoene i populasjonen for de kjemiske analyseresultatene og den visuelle fargebedømmelsen.
9. Framgangsmåte i henhold til et hvilket som helst av de foregående krav, karakterisert ved at individet er en laks.
10. Framgangsmåte i henhold til krav 1, karakterisert ved at utledet farge er angitt som en Roche-fargekortverdi.
11. Anvendelse av et fargemålingsinstrument for beregning av én eller flere kjemiske kvalitetsparametere for matvarer, idet Chroma- og Hueverdier (L<*>, a<*>, b<*>) kombineres med opplysninger om det målte individs kjennetegnende størrelse, og disse kombinerte opplysningene behandles i en matematisk multivariatmodell.
12. Anvendelse ifølge krav 10, karakterisert ved at fargemålingsinstrumentet er hentet fra en gruppe som består av colorimeter og digitalt fotoapparat .
13. Anvendelse ifølge krav 10, karakterisert ved at kvalitetsparameterne er farge, pigment-, fett og/eller vanninnhold i kjøtt, særlig fiskekjøtt.
14. Anvendelse ifølge krav 10, karakterisert ved at kjennetegnende størrelse er hentet fra en gruppe bestående av lengde, areal, volum og vekt.
Priority Applications (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NO20060609A NO324583B1 (no) | 2006-02-07 | 2006-02-07 | Framgangsmate ved beregning av kjemiske og visuelle kvalitetsparametere for matvarer, samt anvendelse av et fargemalingsinstrument ved beregning av samme |
EP07709217.9A EP1984730A4 (en) | 2006-02-07 | 2007-02-02 | METHOD FOR CALCULATING QUALITY PARAMETERS OF FOOD PRODUCTS |
NZ569591A NZ569591A (en) | 2006-02-07 | 2007-02-02 | Method of calculating quality parameters of foodstuffs |
CA2642482A CA2642482C (en) | 2006-02-07 | 2007-02-02 | Method of calculating quality parameters of foodstuffs |
JP2008554168A JP2009526222A (ja) | 2006-02-07 | 2007-02-02 | 食品の質的パラメータの計算方法 |
PCT/NO2007/000034 WO2007091895A1 (en) | 2006-02-07 | 2007-02-02 | Method of calculating quality parameters of foodstuffs |
AU2007212825A AU2007212825B2 (en) | 2006-02-07 | 2007-02-02 | Method of calculating quality parameters of foodstuffs |
DKPA200801232A DK177150B1 (da) | 2006-02-07 | 2008-09-05 | Fremgangsmåde til beregning af kvalitetsparametre for madvarer samt anvendelse af et farvemålingsinstrument |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NO20060609A NO324583B1 (no) | 2006-02-07 | 2006-02-07 | Framgangsmate ved beregning av kjemiske og visuelle kvalitetsparametere for matvarer, samt anvendelse av et fargemalingsinstrument ved beregning av samme |
Publications (2)
Publication Number | Publication Date |
---|---|
NO20060609L NO20060609L (no) | 2007-08-08 |
NO324583B1 true NO324583B1 (no) | 2007-11-26 |
Family
ID=38345413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NO20060609A NO324583B1 (no) | 2006-02-07 | 2006-02-07 | Framgangsmate ved beregning av kjemiske og visuelle kvalitetsparametere for matvarer, samt anvendelse av et fargemalingsinstrument ved beregning av samme |
Country Status (8)
Country | Link |
---|---|
EP (1) | EP1984730A4 (no) |
JP (1) | JP2009526222A (no) |
AU (1) | AU2007212825B2 (no) |
CA (1) | CA2642482C (no) |
DK (1) | DK177150B1 (no) |
NO (1) | NO324583B1 (no) |
NZ (1) | NZ569591A (no) |
WO (1) | WO2007091895A1 (no) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5164267B2 (ja) * | 2008-11-11 | 2013-03-21 | 島根県 | 蟹の品質判別方法 |
CN102353632A (zh) * | 2011-06-28 | 2012-02-15 | 上海谷绿旺农业投资管理有限公司 | 一种用于测定猪肉新鲜度的色卡和它的制作方法 |
CN104569273B (zh) * | 2015-01-21 | 2016-06-22 | 华南理工大学 | 一种肉或肉制品中11种食用合成色素的hplc-ms/ms检测方法 |
CN104931428B (zh) * | 2015-05-26 | 2017-11-28 | 南京中医药大学 | 一种栀子炮制过程在线控制的方法 |
JP7187931B2 (ja) * | 2018-09-27 | 2022-12-13 | 東芝ライテック株式会社 | 光源評価方法 |
CN117092041A (zh) * | 2023-08-22 | 2023-11-21 | 中国水产科学研究院 | 基于高光谱成像技术的活体鲤肌肉品质快速检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0246275B2 (ja) * | 1984-10-05 | 1990-10-15 | Anzai Seisakusho | Kokuruitonoshikisaisenbetsuki |
JPH07167780A (ja) * | 1994-10-25 | 1995-07-04 | Makio Akimoto | 食品鮮度判別装置 |
NO306652B1 (no) | 1998-03-10 | 1999-12-06 | Nutreco Aquaculture Res Centre | Oppdrettsfiskefor i form av et diettfor og anvendelse av foret i en spesiell foringsperiode |
WO2001009587A1 (en) | 1999-07-28 | 2001-02-08 | Marine Harvest Norway As | Method and apparatus for determining quality properties of fish |
NO317714B1 (no) | 2002-11-08 | 2004-12-06 | Akvaforsk Inst For Akvakulturf | Belysningsboks |
-
2006
- 2006-02-07 NO NO20060609A patent/NO324583B1/no unknown
-
2007
- 2007-02-02 JP JP2008554168A patent/JP2009526222A/ja active Pending
- 2007-02-02 CA CA2642482A patent/CA2642482C/en active Active
- 2007-02-02 AU AU2007212825A patent/AU2007212825B2/en active Active
- 2007-02-02 EP EP07709217.9A patent/EP1984730A4/en not_active Withdrawn
- 2007-02-02 NZ NZ569591A patent/NZ569591A/en unknown
- 2007-02-02 WO PCT/NO2007/000034 patent/WO2007091895A1/en active Application Filing
-
2008
- 2008-09-05 DK DKPA200801232A patent/DK177150B1/da active
Also Published As
Publication number | Publication date |
---|---|
CA2642482A1 (en) | 2007-08-16 |
JP2009526222A (ja) | 2009-07-16 |
WO2007091895A1 (en) | 2007-08-16 |
AU2007212825B2 (en) | 2010-09-09 |
DK177150B1 (da) | 2012-02-20 |
EP1984730A1 (en) | 2008-10-29 |
CA2642482C (en) | 2012-03-20 |
EP1984730A4 (en) | 2013-05-22 |
NZ569591A (en) | 2011-12-22 |
NO20060609L (no) | 2007-08-08 |
DK200801232A (da) | 2008-09-05 |
AU2007212825A1 (en) | 2007-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging | |
Sivertsen et al. | Automatic freshness assessment of cod (Gadus morhua) fillets by Vis/Nir spectroscopy | |
Cheng et al. | Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications | |
ElMasry et al. | Meat quality evaluation by hyperspectral imaging technique: an overview | |
Christiansen et al. | Assessment of flesh colour in Atlantic salmon, Salmo salar L. | |
Cozzolino et al. | The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle | |
Vélez-Rivera et al. | Computer vision system applied to classification of “Manila” mangoes during ripening process | |
Alander et al. | A review of optical nondestructive visual and near-infrared methods for food quality and safety | |
Wu et al. | Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review—Part II: Applications | |
Girolami et al. | Measurement of meat color using a computer vision system | |
Kamruzzaman et al. | Introduction to hyperspectral imaging technology | |
Costa et al. | Application of non-invasive techniques to differentiate sea bass (Dicentrarchus labrax, L. 1758) quality cultured under different conditions | |
Ortiz-Somovilla et al. | Proximate analysis of homogenized and minced mass of pork sausages by NIRS | |
Windham et al. | Visible/NIR spectroscopy for characterizing fecal contamination of chicken carcasses | |
Menesatti et al. | Quality evaluation of fish by hyperspectral imaging | |
DK177150B1 (da) | Fremgangsmåde til beregning af kvalitetsparametre for madvarer samt anvendelse af et farvemålingsinstrument | |
Wold et al. | Rapid nondestructive determination of edible meat content in crabs (Cancer pagurus) by near-infrared imaging spectroscopy | |
Brown | Rapid compositional analysis of oysters using visible-near infrared reflectance spectroscopy | |
Berzaghi et al. | Near infrared spectroscopy in animal science production: principles and applications | |
Kamruzzaman | Optical sensing as analytical tools for meat tenderness measurements-A review | |
Wu et al. | Food colour measurement using computer vision | |
Wu et al. | Non-destructive texture analysis of farmed salmon using hyperspectral imaging technique | |
Valous et al. | Quality evaluation of meat cuts | |
He et al. | Application of hyperspectral imaging technique for non-destructive pH prediction in salmon fillets | |
Svensson et al. | EEM fluorescence spectroscopy as a fast method to assess the brine composition of salted herring |