TWI683093B - 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法 - Google Patents

用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法 Download PDF

Info

Publication number
TWI683093B
TWI683093B TW107118926A TW107118926A TWI683093B TW I683093 B TWI683093 B TW I683093B TW 107118926 A TW107118926 A TW 107118926A TW 107118926 A TW107118926 A TW 107118926A TW I683093 B TWI683093 B TW I683093B
Authority
TW
Taiwan
Prior art keywords
seafood
type
spectra
spectrum
sample
Prior art date
Application number
TW107118926A
Other languages
English (en)
Other versions
TW201831868A (zh
Inventor
A 歐布萊恩納達
A 荷斯查爾斯
W 希斯勒漢茲
熊昌孟
Original Assignee
美商唯亞威方案公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 美商唯亞威方案公司 filed Critical 美商唯亞威方案公司
Publication of TW201831868A publication Critical patent/TW201831868A/zh
Application granted granted Critical
Publication of TWI683093B publication Critical patent/TWI683093B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
    • G01J3/0216—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using light concentrators or collectors or condensers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/12—Generating the spectrum; Monochromators
    • G01J3/26—Generating the spectrum; Monochromators using multiple reflection, e.g. Fabry-Perot interferometer, variable interference filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2803—Investigating the spectrum using photoelectric array detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/12—Generating the spectrum; Monochromators
    • G01J2003/1226—Interference filters
    • G01J2003/1234—Continuously variable IF [CVIF]; Wedge type
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/2866—Markers; Calibrating of scan
    • G01J2003/2873—Storing reference spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/02—Mechanical
    • G01N2201/022—Casings
    • G01N2201/0221—Portable; cableless; compact; hand-held
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本發明揭示一種海產之場分光特性之方法及裝置。一可攜式近紅外光(NIR)分光計被連接至經組態用於執行反射光譜之一多變數分析之一分析器以定性判定真實身份或定性判定海產樣本之鮮度。

Description

用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
本發明係關於材料特性及識別，且特定言之係關於海產之分光特性。
關於最大調查之一者之一最近公佈之報告旨在關於所揭示之海產欺詐之資料(在跨美國之城市中之飯店及雜貨店購買之三分之一海產物種被貼錯標籤)。由Oceana (一非盈利國際倡議團體)自2010年至2012年進行兩年時間研究，藉此自美國21個州中674個零售店之收集超過1200個樣本(2013年2月K. Warner、W. Timme、B. Lowell及M. Hirshfield之「Oceana Study Reveals Seafood Fraud Nationwide」報告)。對魚樣本執行DNA測試以正確識別魚類物種及發現貼錯標籤。類似結論可自關於打擊海產行銷中之欺詐及欺騙之一先前美國國會研究服務部報告(國會研究服務部報告書7-5700號，www.crs.gov，RL-34124 (2010))獲得。 用一低成本物種替代一更貴的魚類係非法的。此係因貨幣收益而激發犯罪者動機，導致負面經濟、健康及環境後果。消費者及誠實海產供應商被哄騙支付更高價格購買更低成本之非所要替代品。最常見替代及更昂貴魚之一者係通常用吳郭魚(tilapia)調換之紅鯛魚(red snapper)。此外，一些魚類替代品造成健康危害。例如，上文Oceana研究已判定超過90%之被廣告為白鮪魚(white tuna)之魚實際上為玉梭魚(escolar)，該魚係含有已知導致胃腸問題之毒素之一蛇鯖魚類物種。最後，一些替代魚類可為一被過度捕撈或受脅物種。一此魚類係大西洋鱈魚，在相同研究中發現被用太平洋鱈魚調換。 供應鏈「自船至盤」係複雜的且未調整的，使得此等非法行為難以追蹤。打擊魚類欺詐需要跨整個供應鏈之魚類供應之可追溯性，且以及增加之檢驗。DNA測試檢驗係耗時的，且僅可在一取樣基礎上進行。DNA測試需要將魚類樣本拿到一實驗室且等待結果(一個程序可耗時幾天)。 Wong之美國專利第5,539,207號揭示一種藉由傅立葉轉換紅外(FT-IR)光譜學而識別人類或動物組織之方法。討論中之一組織之一中紅外光譜經量測且與已知組織之一紅外線光譜庫相比較，以找出一最接近匹配。一視覺比較或一型樣辨識演算法可用於匹配紅外線光譜。依此方式，可識別各種組織(且甚至正常組織或惡性(例如癌)組織)。 不利地，Wong之方法難以用於在現場條件中之海產辨識之目的。一FT-IR分光計係一複雜及巨大光學裝置。FT-IR分光計之核心模組(一掃描邁克生(Michelson)干涉儀)使用一精確可移動的較大光學鏡以執行一波長掃描。為使鏡穩定，使用一重光具座。歸因於諸多精確光學及機械組件，一FT-IR分光計需要實驗室條件，且需要由經訓練之人員頻繁重新校準及重新對準。一FT-IR分光計之使用由紅外線指紋之基本振動頻率呈現於電磁光譜之2.5微米至5微米區域中之事實指定。此等振動頻帶具有高解析度及高吸收位準，展現具有狹窄光譜頻帶之較強吸收。 Monro之美國專利第7,750,299號揭示一種用於主動生物測定光譜學之系統，其中由一頻率可調諧毫米波無線電發射器輻照一特定生物體之一DNA膜，且偵測由DNA膜傳輸及散射之無線電波。Monro教示不同DNA膜之無線電波散射光譜係不同的。因此，所傳輸或散射之無線電波光譜可偵測不同DNA膜，其可與不同魚類物種相關聯。依此方式，可識別一魚樣本之物種。 不利地，Monro之方法不能應用於魚樣本其等本身，此係因為來自非DNA組織之信號將壓過DNA信號。正因如此，魚樣本之DNA需被提取且形成為一膜。樣本準備係耗時的，且僅可在實驗室條件中進行。 Cole等人之美國專利第7,728,296號揭示用於使用兆赫(THz)輻射來偵測易爆材料之一裝置及方法。THz輻射佔據紅外線與毫米無線電波之間之頻率頻帶。諸多易爆材料具有THz頻域中之一唯一光譜訊符，因此給予高靈敏度非侵襲性遠端偵測爆炸物。不利地，THz輻射源係龐大的及昂貴的，限制保全關鍵應用(諸如在機場檢查站)之當前用途。 先前技術之方法及裝置不適合現場條件中之海產物種之識別之一目的。需要一種方法及系統，使得一食品藥物管理局(FDA)官員能夠執行一快速現場海產物種識別及特性化，協助官員決定是否採取一執法行動。個人(諸如飯店主廚、壽司連鎖店贊助人及魚市場客戶)亦將得益於快速驗證購買之海產物種之一可能性。
本發明之一目的係提供一種用於海產之現場分光特性之方法及裝置。 從技術觀點，較佳地執行給予容易生長、波長分離及電磁輻射偵測之波長帶分光量測。一近紅外光(NIR)頻帶(例如在0.7微米至2.5微米之間)滿足此條件。寬頻帶發光二極體及甚至小型白熾源可用於產生在此波長帶中之NIR光。各種光譜選擇性元件(例如薄膜干涉濾光器)可用於波長分離。光電二極體陣列可用於偵測NIR光。 儘管便於在光譜之NIR部分中工作，然先前技術已大部分聚焦於更長、更不技術友善波長帶，此係因為大部分有機化合物之特性分子鍵之主要振動頻率對應於比2.5微米(2500奈米)長之波長，迫使使用較重及龐大的設備以產生波長分散及偵測此等更長波長之輻射電磁。發明家已認識到多個振動頻率或所謂的泛音確實在技術便利NIR頻帶內，且因此，儘管此訊息歸因於一相對較低振幅及泛音之多個頻率而被隱藏，然生物物質識別資訊呈現於NIR光譜中。 當不易自一光譜獲得或視覺識別分光資訊時，進階資料處理及特徵或型樣提取及模型化技術(諸如主分量分析(PCA)、分類類比軟獨立模型化(SIMCA)、偏最小平方判别分析(PLS-DA)及支援向量機(SVM))可用於提取所需資訊。因此，多變數型樣辨識及資料迴歸實現使用一輕型及精巧NIR分光計以識別及特性化海產。 根據本發明，提供一種用於現場鑑別一海產之方法，其包括： (a)提供一可攜式NIR分光計； (b)使用步驟(a)之NIR分光計來獲得海產樣本之一反射光譜； (c)執行步驟(b)中所獲得之海產樣本之反射光譜之一多變數型樣辨識分析，以藉由比較反射光譜與對應於不同物種之海產之已知身份光譜之一光譜庫，而判定具有最相似光譜型樣之一匹配光譜；及 (d)基於帶有步驟(c)中所判定之最相似光譜型樣之匹配光譜而識別海產樣本。 此等型樣辨識演算法亦可產生識別結果之一可能性之一置信測度或一可能性估計。 根據本發明，進一步提供一種用於現場判定一海產樣本之鮮度之方法，其包括： (a)提供一可攜式NIR分光計； (b)使用步驟(a)之NIR分光計來獲得海產樣本之一反射光譜； (c)執行步驟(b)中所獲得之海產樣本之反射光譜之一多變數型樣辨識分析，以藉由比較反射光譜與對應於海產樣本之鮮度之已知身份光譜之一光譜庫，而判定具有一最相似光譜型樣之一匹配光譜，藉此提供海產樣本之鮮度之一定量量測。 可自海產樣本上之複數個位置獲得反射光譜，以減少海產樣本之表面紋理之影響。多變數迴歸分析可包含(例如)偏最小平方法(PLS)及支援向量迴歸(SVR)。 根據本發明，進一步提供一種用於現場鑑別一海產樣本之裝置，其包括： 一可攜式NIR分光計，其用於獲得海產樣本之一NIR反射光譜，及 一分析器，其操作上耦合至分光計且經組態用於執行海產樣本之反射光譜之一多變數型樣辨識分析，以藉由比較反射光譜與對應於不同物種之海產之已知身份光譜之一光譜庫，而判定具有一最相似光譜型樣之一匹配光譜，且基於帶有最相似光譜型樣之匹配光譜而識別海產樣本。 可攜式NIR分光計可包含耦合至一光偵測器陣列之一光譜橫向可變光學傳輸濾光器，導致一特別精巧及輕型結構。一行動通信器件可經組態以與NIR分光計通信，且執行由可攜式NIR分光計所獲得之反射光譜之多變數分析。此外，可在與行動器件通信之一遠端伺服器處執行至少一些資料分析及光譜型樣模型建置活動。 根據本發明之又一態樣，進一步提供安置於行動通信器件中且已將已知身份光譜庫編碼於其上之一永久性儲存媒體。
儘管結合各種實施例及實例來描述本教示，然不意欲本教示限於此等實施例。相反地，本教示包含各種替代物及等效物，如熟悉此項技術者將明白。 參考圖1，用於現場鑑別一海產樣本11之一裝置10包含用於獲得海產樣本11之一漫NIR反射光譜13 (信號功率P相對於波長λ)之一可攜式NIR分光計12。一分析器14經由一纜線15操作上耦合至分光計12。分析器14經組態以執行海產樣本11之反射光譜13之一多變數分析，從而判定對應於反射光譜13之至少一特性參數。分析器14經組態用以比較至少一參數與對應於海產樣本11之物種之一臨限值，用於判定海產樣本11之物種。可在分析器14之一顯示器16上顯示該等物種。至少一參數可包含兩個或兩個以上參數。兩個參數可用圖形表示為稱作Coomans圖之一XY圖上之一點。Coomans圖上之點之一位置表示採用反射光譜13之海產物種。將在下文進一步考量多變數迴歸/型樣辨識分析及Coomans圖。首先考量NIR分光計12之構造。 參考圖2，NIR分光計12包含一主體23、用於照明海產樣本11之白熾燈24、用於引導漫反射光36之一錐形光導管(TLP) 25、用於將反射光36分成個別波長之一橫向可變濾光器(LVF) 31及用於偵測個別波長之光學功率位準之一光偵測器陣列37。光偵測器陣列37形成於一CMOS處理晶片37A中且使用一光學透明黏著劑38來耦合至LVF 31。提供一電子板37B以支援及控制CMOS處理晶片37A。提供一選用按鈕21以起始光譜收集。光偵測器陣列37垂直對準於TLP 25之一縱向軸LA。 在操作中，白熾燈24照明海產樣本11。TLP 25收集漫反射光36且將其導引朝向LVF 31。LVF 31將漫反射光36分成個別波長，由光偵測器陣列31偵測該等個別波長。可藉由按下按鈕21或藉由來自分析器14之外部命令而開始量測循環。 精巧型NIR分光計12係藉由其之光偵測子總成29之構造而實現。參考圖3A，在XZ平面中展示光偵測子總成29。在圖3A中，光偵測子總成29如由圖2及圖3A之右側上之z軸之方向所指示而經180度翻轉。在圖3A中所示之較佳實施例中，光學透明黏著劑38將光偵測器陣列37直接耦合至LVF 31。光學透明黏著劑38必需：為事實上非導電或介電；藉由使用對偵測器陣列37之感應壓力或破壞力來達成良好黏附強度而為機械中性；光學相容以透射所要光譜含量；移除空氣對玻璃界面而產生之反射；及具有熱膨脹係數性質以在熱循環期間最小化至偵測器像素52之壓力。一不透明環氧樹脂22囊封LVF 31，促進移除雜散光且保護LVF 31免於濕度。一選用玻璃窗39被放置於LVF 31之頂部用於額外環境保護。 參考圖3B及圖3C，繪示LVF 31之操作。在其中波長被分散之YZ平面中展示LVF 31。LVF 31包含夾在楔形二向分光鏡33之間之一楔形間隔件32以形成一法布里-伯羅(Fabry-Perot)干涉計，在二向分光鏡33之間具有一橫向可變間隔。光學傳輸濾光器31之楔形形狀使得其之傳輸波長橫向可變，如使用箭頭34A、34B及34C分別指向在可變光學傳輸濾光器31下方所示之一傳輸光譜35 (圖3C)之個別傳輸高峰35A、35B及35C所示。在操作中，自海產樣本11所反射之多色光36照射於可變光學濾光器31上，可變光學濾光器31將多色光36分成使用箭頭34A至34C所示之個別光譜分量。NIR分光計12之波長範圍較佳地在700奈米至2500奈米之間，且更佳地在950奈米至1950奈米之間。 使用LVF 31及TLP 25允許相當減少NIR分光計12之尺寸之。NIR分光計12無任何移動部件用於波長掃描。通常小於100克之NIR分光計12之小重量允許將NIR分光計12直接放置於海產樣本11上。小重量及尺寸亦使得NIR分光計12 (例如)可容易在一海產檢驗員之一口袋中運送。在圖3D中繪示NIR分光計12之尺寸。NIR分光計12可容易手持，其中按鈕21經方便定位用於拇指操作。 NIR分光計之諸多變體當然係可能的。例如，可用寬頻發光二極體或LED替換白熾燈泡24。可用另一光學元件(諸如一光纖面板或一全像光束塑形器)替換TLP 25。可用另一適合波長選擇元件(諸如一小型繞射光柵、二向分光鏡之一陣列、一MEMS器件等等)替換LVF 31。 參考圖4A且進一步參考圖1，用於現場鑑別海產樣本11之一方法40包含提供上文所描述之可攜式NIR分光計12之一步驟41。在一步驟42中，使用NIR分光計12來獲得海產樣本11之反射光譜13。在一步驟43中，執行步驟海產樣本11之反射光譜13之一多變數型樣辨識分析，以藉由比較反射光譜13與對應於不同物種之海產之已知身份光譜之一光譜庫，而判定具有一最相似光譜型樣之一匹配光譜。最後，在一步驟44中，基於帶有先前步驟43中所判定之最相似光譜型樣之匹配光譜而識別海產樣本11。 文中，術語「匹配光譜」並非理所當然指示一精確匹配。代替性地，「匹配光譜」指示如與所量測之反射光譜13相比較，該光譜庫之攜載最相似光譜型樣之一身份光譜。因此，「匹配」並非為該等可獲得之匹配之精確的，僅為最接近匹配。可基於所使用之特定匹配評估方法而計算匹配之鄰近度。 執行多變數型樣辨識分析43以自反射光譜13提取海產物種資訊。歸因於特性分子鍵之振動頻率之許多泛音，反射光譜13可非常複雜，使得個別光譜高峰無法被視覺識別。根據本發明，執行多變數型樣分析43 (亦稱為「化學計量學分析」)以識別或鑑別海產樣本11之物種。 量測步驟42較佳地包含：在海產樣本11上之不同位置處執行重複光譜量測；及平均化重複量測，以減小所獲得之反射光譜對海產樣本11之一紋理之一相依性。反射光譜13之擴展相乘性散射校正(EMSC)可用於減小所量測之反射光譜13對海產樣本11之散射性質之相依性。 亦可使用其他已知統計方法來預處理反射光譜13，例如可在繼續進行多變數型樣辨識分析步驟43之前計算反射光譜13之標準正常變異(SNV)。可藉由執行反射光譜13之Savitzky–Golay濾光及計算反射光譜13之一第一及/或一第二導數以在多變數型樣辨識分析步驟43中考量，而考量反射光譜13中之光譜特徵之斜率及/或反曲。其他統計方法(諸如反射光譜13之逐一樣本正規化及/或逐一通道自動按比例調整)可用於促進多變數型樣辨識分析步驟43，及用於提供更穩定結果。 通常以兩個階段執行多變數型樣辨識分析43。舉例而言，參考圖4B且進一步參考圖1，首先執行一PCA步驟45，以定義需被識別之各海產類型之一校準模型。可在裝置10之一校準階段量測海產樣本11之前，預先完成PCA步驟45。在一第二步驟46中，分析所收集之反射光譜13與不同海產物種之校準模型之間之相似性。在所示實施例中，使用分類類比之軟獨立模型化(SIMCA)。由於SIMCA步驟46，判定兩個參數。此等兩個參數在一XY圖中被標繪(Coomans圖)，其之不同區域對應於不同海產物種。在一些情況下僅需要一參數，且可比較此參數與PCA步驟45中所判定之一臨限值，以鑑別海產樣本11。可應用其他多變數型樣辨識分析方法。在下文「實驗驗證」部分中考量此等方法之實例。 鑑於經電腦化之行動通信器件(諸如智慧電話)激增，有利地使用一行動通信器件來執行多變數型樣辨識分析步驟43 (圖4A及圖4B)。參考圖5A且進一步參考圖1及圖4A，用於現場鑑別海產樣本11之一裝置50A類似於圖1之裝置10。圖5A之裝置50A中之一差異係：一行動通信器件54經組態以執行圖4A之方法40之多變數分析步驟43及識別步驟44。為此目的，行動通信裝置54可包含一永久性儲存媒體58，其將對應於海產之不同物種之已知身份光譜之光譜庫及/或電腦指令編碼於其上，用於執行多變數型樣辨識/資料減少分析步驟43。行動通信器件54可經由一無線鏈路59 (諸如Bluetooth™)或經由一有線(例如USB通信)耦合至NIR分光計12，用於將所獲得之反射光譜13傳送至行動通信器件54。 現轉向圖5B且進一步參考圖4A及圖5A，用於現場鑑別一海產樣本之一裝置50B類似於圖5A之裝置50A。圖5B之裝置50B包含經由至一基地台55 (其連接至網際網路52)之一RF通信鏈路56與行動通信器件54通信之一遠端伺服器57。在操作中，自行動器件54傳送反射光譜13至遠端伺服去57，且在遠端伺服器57處執行多變數型樣辨識分析(即，圖4A之方法40之步驟43)。多變數分析步驟43 (圖4A)之結果被傳送回至行動器件54 (圖5B)，用於顯示給一使用者(未展示)。可由行動器件54或由遠端伺服器57 (圖5B)執行識別步驟44 (圖4A)。使用一遠端伺服器之運算能力使得不需要行動通信器件上之資源，且因此可加速海產識別之總體程序。 實驗驗證 執行諸多實驗以驗證相似外觀，但可使用NIR光譜學及多變數迴歸(化學計量學)分析之一組合來識別不同標價的魚類物種。參考圖6至圖8，使用三組不同魚類物種。第一組包含：一整條紅鯔魚60A及一整條鯔魚60B (圖6)，皮和肉兩者(肉未被展示)。第二組包含：冬鱈魚皮71A；鱈魚皮71B；冬鱈魚肉72A；及鱈魚肉72B。第三組包含：幼鮭皮81A；歐鱒皮81B；幼鮭肉82A；及歐鱒肉82B。如自圖6至圖8之照片可見，甚至針對一海產專業人員(諸如一批發商或一廚師，更不必說一般大眾客戶)，視覺判別整條魚及魚肉將相當具有挑戰性。在圖6至圖8中，「A」群組包含更昂貴物種60A、71A、72A、81A及82A，且「B」群組包含較不昂貴物種60B、71B、72B、81B及82B。因此，使用「B」物種來替代「A」物種可提供一實質經濟利益。 轉向圖9，用於本發明之實驗驗證中之一裝置90包含由美國加州苗必達(Milpitas, California, USA)之JDS Uniphase公司製造之微型NIR™ 1700分光計92。微型NIR分光計92在950奈米至1650奈米之一波長範圍中操作。微型NIR分光計92係一低成本、極精巧的可攜式分光計，其重60克且直徑上小於50毫米。分光計92在一漫反射中操作，且類似於圖3B之分光計12而建構，包含用於照明海產樣本11之一光源(未展示)、分散元件31、光偵測器陣列37及電子器件(未展示)(其等全部包含於可直接放置於一海產樣本91上之一較小可攜式封裝中)。分光計92由一纜線95連接至運行Unscrambler™多變數分析軟體(其由挪威奧斯陸(Oslo, Norway)之CAMO AS提供(版本9.6))之一膝上型電腦94。針對各光譜量測，已累積具有5毫秒積分時間之50個掃描，導致每反射光譜量測0.25秒之一總量測時間。 現參考圖10A及10B，流程圖100A及100B表示分別針對魚類樣本60A及60B；71A及71B；72A及72B；81A及81B；及82A及82B而執行之光譜獲取及PCA模型建立步驟。在步驟101A及101B中，將三種不同個別物種分別提供給各圖6至圖8之魚類樣本60A及60B；71A及71B；72A及72B；81A及81B；82A及82B。針對鯔魚60A及60B；冬鱈魚/鱈魚71A及71B；72A及72B；及幼鮭/歐鱒81A及81B；82A及82B配對，在步驟102A及102B中分別收集皮反射光譜；且在步驟103A及103B中分別收集肉反射光譜。在三塊之各者上之不同位置處獲得十個NIR反射光譜之一整體，導致圖6至圖8之各魚類樣本60A；60B；71A；71B；72A；72B；81A；；81B；82A及82B之三十個量測。使用擴展相乘性散射校正之一標準方法來校正光譜用於散射。 因此，已分別針對步驟104A及104B中之各魚皮類型60A及60B；71A及71B；81A及81B而獲得全部三十個光譜。已分別針對步驟105A及105B中之各魚肉類型72A及72B；82A及82B而獲得全部三十個光譜。已針對各自步驟106A、107A；及106B、107B中之各類型之三個樣本之各者而將光譜平均化成五組，導致針對各樣本之兩個平均光譜及針對各樣本類型之六個平均光譜，包含皮及肉。完成平均化，以減少所獲得之反射光譜對各自海產樣本60A、60B、71A、71B、72A、72B、81A、81B、82A及82B之一紋理一相依性。接著，已針對各自「A」及「B」樣本而在步驟108A、108B中建立PCA模型。執行一SIMCA分析以識別各魚類樣本之類型。該等結果依各魚類型之Coomans圖而呈現。 紅鯔魚/鯔魚配對 參考圖11且進一步參考圖6，紅鯔魚60A及鯔魚60B之反射光譜經展示為反射信號(任意單位)對在10900 cm-1 至6000 cm-1 之間之範圍中之波數(cm-1 )中之波數之相依性。在111展示包含各自紅鯔魚皮之六個光譜及鯔魚皮之六個光譜之十二個跡線。在112展示包含各自紅鯔魚肉之六個光譜及鯔魚肉之六個光譜之十二個跡線。可見紅鯔魚及鯔魚皮之光譜111彼此十分相似，且紅鯔魚及鯔魚肉之光譜112亦彼此十分相似，所以紅鯔魚之光譜視覺上無法與鯔魚之光譜區分(針對皮及肉兩者)。 轉向圖12且進一步參考圖10A及圖10B，呈現PCA分析步驟108A、108B (圖10B)之結果。在圖12中，紅鯔魚皮得分121A足以自鯔魚皮得分121B分離以允許容易識別，但在紅鯔魚肉得分122A與鯔魚肉得分122B之間未達成清楚分離。 現參考圖13A及13B，紅鯔魚/鯔魚配對之SIMCA分析之結果依5%顯著性之Coomans圖之形式呈現。圖13A展示紅鯔魚樣本識別之結果。灰色圈131A表示用於獲得紅鯔魚之身份光譜之校準紅鯔魚樣本(皮及肉)；白色填充圈131B表示用於獲得鯔魚之身份光譜之校準鯔魚樣本(皮及肉)；及填充(黑色)圈132表示測試樣本。全部四個黑色圈對應於一紅鯔魚皮樣本及一紅鯔魚肉樣本，各由兩個平均光譜表示。圖13B展示鯔魚樣本識別之結果。填充(黑色)圈133表示兩個測試樣本。全部八個黑色圈133對應於兩個鯔魚皮樣本及兩個鯔魚肉樣本，各由如上文所解釋之兩個平均光譜表示。 可藉由比較參數與一臨限值而使用兩個參數「至紅鯔魚之距離」及「至鯔魚之距離」之僅一者。例如，若使用「至鯔魚之距離」，則臨限值約為0.01。若使用「至紅鯔魚之距離」，則臨限值約為0.0008。自圖13A及圖13B可見，紅鯔魚(皮及肉兩者)皆可容易識別。因此，移除魚類樣本之皮將不允許一潛在違法犯罪者隱藏用鯔魚來替換紅鯔魚之一非法行為。 冬鱈魚/鱈魚配對 參考圖14且進一步參考圖7，冬鱈魚皮71A、冬鱈魚肉72A、鱈魚皮71B及鱈魚肉72B (圖7)之反射光譜經展示為反射信號(任意單位)對在10900 cm-1 至6000 cm-1 之間之範圍中之波數(cm-1 )中之波數之相依性。在141中展示包含冬鱈魚皮之六個光譜及鱈魚皮之六個光譜之十二個跡線。在142中展示包含各自冬鱈魚肉之六個光譜及鱈魚肉之六個光譜之十二個跡線。可見冬鱈魚及鱈魚皮之光譜141彼此十分相似，且冬鱈魚及鱈魚肉之光譜亦彼此十分相似，所以冬鱈魚之光譜視覺上無法與鱈魚之光譜區分(針對皮及肉樣本兩者)。 轉向圖15且進一步參考圖10A及圖10B，呈現PCA分析步驟108A、108B (圖10B)之結果。在圖15中，冬鱈魚皮得分151A顯得交替散佈有鱈魚皮得分151B，且冬鱈魚肉得分152A顯得交替散佈有鱈魚肉得分152B，所以在此階段無法完成清楚區分。 現參考圖16A及16B，冬鱈魚/鱈魚配對之SIMCA分析之結果依5%顯著性之Coomans圖之形式呈現。圖16A展示鱈魚樣本識別之結果。灰色圈161A表示用於獲得冬鱈魚之身份光譜之校準冬鱈魚樣本(皮及肉)；白色填充圈161B表示用於獲得鱈魚之身份光譜之校準鱈魚樣本(皮及肉)；及填充(黑色)圈162表示測試樣本。全部八個黑色圈對應於兩個鱈魚皮樣本及兩個鱈魚肉樣本，各由如上文所解釋之兩個平均光譜表示。圖16B展示冬鱈魚樣本識別之結果。填充(黑色)圈163表示一測試樣本。全部四個黑色圈163對應於一冬鱈魚皮樣本及一冬鱈魚肉樣本，各由兩個平均光譜表示。自圖16A及圖16B可見，冬鱈魚(皮及肉兩者)可容易識別且與鱈魚區分。 幼鮭/鮭魚配對 參考圖17且進一步參考圖8，幼鮭皮81A、幼鮭肉82A、歐鱒皮81B及歐鱒肉82B之反射光譜經展示為反射信號(任意單位)對在10900 cm-1 至6000 cm-1 之間之範圍中之波數(cm-1 )中之波數之相依性。在171中展示包含幼鮭皮之六個光譜及歐鱒皮之六個光譜之十二個跡線。在172中展示包含各自幼鮭肉之六個光譜及歐鱒肉之六個光譜之十二個跡線。可見幼鮭及歐鱒之皮光譜171彼此十分相似，且幼鮭及歐鱒之肉光譜172亦彼此十分相似，所以幼鮭之光譜視覺上無法與歐鱒之光譜區分(針對皮及肉樣本兩者)。 轉向圖18且進一步參考圖10A及圖10B，呈現PCA分析步驟108A、108B (圖10B)之結果。在圖18中，幼鮭皮得分181A顯得交替散佈有歐鱒皮得分181B，且幼鮭肉得分182A顯得交替散佈有歐鱒肉得分182B，所以在此階段無法完成清楚區分。 現參考圖19A及19B，幼鮭/歐鱒配對之SIMCA分析之結果依5%顯著性之Coomans圖之形式呈現。圖19A展示歐鱒樣本識別之結果。灰色圈191A表示用於獲得幼鮭之身份光譜之校準幼鮭樣本(皮及肉)；白色填充圈191B表示用於獲得歐鱒之身份光譜之校準歐鱒樣本(皮及肉)；及填充(黑色)圈192表示測試樣本。全部八個黑色圈對應於兩個歐鱒皮樣本及兩個歐鱒肉樣本，各由兩個平均光譜表示。圖19B展示幼鮭樣本識別之結果。填充(黑色)圈193表示兩個測試樣本。全部四個黑色圈193對應於兩個幼鮭皮樣本及兩個幼鮭肉樣本，各由兩個平均光譜表示。自圖19A及圖19B可見，幼鮭(皮及肉兩者)可容易識別且與歐鱒區分。 鯔魚(Meerbarbe)魚片鮮度 已執行鯔魚魚片之反射光譜之一數值研究，其中使用各種已知多變數分析方法以在鯔魚魚片(皮及無皮肉兩者)鮮度條件之間區分。 以下表1概述使用在一典型桌上型電腦上執行之鯔魚及紅鯔魚之替代匹配方法之成功預測率。光譜在被發送至多變數型樣分類其之前被自動按比例調整。基於藉由模型而執行預測之時間通常在毫秒之範圍內。當需要進行現場模型更新時，建立模型之時間可變為決定因數。在現場，使用點應用、量測之速度及獲得結果之速度越短越重要。另外，結果之準確度很重要。自表1，可見方法(諸如SVM (使用線性核心))在最短時間提供最佳準確度。 表1
Figure 107118926-A0304-0001
 下文，僅簡單討論表1之數值方法，此係由於該等方法其等本身在技術中已知。該等方法之各者具有其之優點。在單純貝氏(Naïve Bayes)方法中，假定全部特彼此獨立，且結果可容易解釋。CART方法亦易於理解及解釋；然而，自數值資料集產生之樹可為複雜的，且該方法趨於具有過度擬合問題。TreeBagger分析及隨機森林分析方法通常基於非常好的結果，且該方法之「訓練」步驟相對較快。LIBLINEAR方法在區分海產物種及條件中非常有效率。使用線性核心之SVM方法(包含用於定量分析之支援向量分類(SVC)及用於定量分析之支援向量迴路歸(SVR))導致超過93%之預測成功率。在LDA方法中，假定全部類別具有相同協方差矩陣且經正常分佈，且判別函數始終為線性的。在QDA方法中，該等類別無需具有相同協方差矩陣，但仍假定正常分佈。偏最小平方(PLS)係一統計方法，其帶有一些關於主分量迴歸；而不是找出反應與獨立變數之間之最小方差之超平面，其藉由將所預測之變數及可觀察變數投影至一新空間而找出一線性迴歸模型。偏最小平方判別分析(PLS-DA)係當Y類目時使用之一變體。PLS-DA方法導致85%至87%之適度預測率。 結果展示：NaiveBayes、TreeBagger、SVM-linear、LDA、QDA、PLS-DA及SIMCA可出於使NIR反射光譜與海產樣本相關之目的而用於多變數分析中。所獲得之光譜之第一導數及第二導數亦可用於取代、或除了光譜之預處理之外，作為多變數分析之一輸入資料串(data strings)。 用於實施結合文中所揭示之態樣而描述之各種繪示性邏輯、邏輯區塊、模組及電路之硬體可使用一通用處理器、一數位信號處理器(DSP)、一專用積體電路(ASIC)、一場可程式化閘陣列(FPGA)或其他可程式化邏輯器件、離散閘或電晶體邏輯、離散硬體組件或經設計以執行文中所描述之功能之其之任何組合來實施或執行。一通用處理器可為一微處理器，但在替代實施例中，處理器可為任何習知處理器、控制器、微控制器或狀態機。一處理器亦可作為計算器件之一組合(例如一DSP及一微處理器、複數個微處理器、結合一DSP核心之一或多個微處理器或任何其他此組態之一組合)而實施。替代地，一些步驟或方法可由特定於一給定功能之電路執行。 已出於說明及描述之目的而呈現本發明之一或多個實施例之以上描述。不意欲詳盡或將本發明限於所揭示之精確形式。諸多修改及變動可能係鑑於以上教示。由隨附於此之申請專利範圍來限制本發明之範疇，而非意欲由此詳細描述限制本發明之範疇。
10‧‧‧裝置11‧‧‧海產樣本12‧‧‧可攜式近紅外光(NIR)分光計13‧‧‧漫近紅外光(NIR)反射光譜14‧‧‧分析器15‧‧‧纜線16‧‧‧顯示器21‧‧‧按鈕22‧‧‧不透明環氧樹脂23‧‧‧主體24‧‧‧白熾燈/白熾燈泡25‧‧‧錐形光導管(TLP)29‧‧‧光偵測子總成31‧‧‧橫向可變濾光器(LVF)/分散元件32‧‧‧楔形間隔件33‧‧‧楔形二向分光鏡34A‧‧‧箭頭34B‧‧‧箭頭34C‧‧‧箭頭35‧‧‧傳輸光譜35A‧‧‧個別傳輸高峰35B‧‧‧個別傳輸高峰35C‧‧‧個別傳輸高峰36‧‧‧漫反射光/多色光37‧‧‧光偵測器陣列37A‧‧‧互補金氧半導體(CMOS)處理晶片37B‧‧‧電子板38‧‧‧光學透明黏著劑39‧‧‧選用玻璃窗40‧‧‧方法41‧‧‧步驟42‧‧‧量測步驟43‧‧‧多變數型樣辨識分析/資料減少分析步驟44‧‧‧識別步驟45‧‧‧主分量分析(PCA)步驟46‧‧‧第二步驟/分類類比之軟獨立模型化(SIMCA)步驟50A‧‧‧裝置50B‧‧‧裝置52‧‧‧偵測器像素/網際網路54‧‧‧行動通信器件55‧‧‧基地台56‧‧‧射頻(RF)通信鏈路57‧‧‧遠端伺服器58‧‧‧永久性儲存媒體59‧‧‧無線鏈路60A‧‧‧紅鯔魚/魚類樣本60B‧‧‧鯔魚/魚類樣本71A‧‧‧冬鱈魚皮71B‧‧‧鱈魚皮72A‧‧‧冬鱈魚肉72B‧‧‧鱈魚肉81A‧‧‧幼鮭皮81B‧‧‧歐鱒皮82A‧‧‧幼鮭肉82B‧‧‧歐鱒肉90‧‧‧裝置91‧‧‧海產樣本92‧‧‧微型NIR™ 1700分光計94‧‧‧膝上型電腦95‧‧‧纜線100A‧‧‧流程圖100B‧‧‧流程圖101A‧‧‧步驟101B‧‧‧步驟102A‧‧‧步驟102B‧‧‧步驟103A‧‧‧步驟103B‧‧‧步驟104A‧‧‧步驟104B‧‧‧步驟105A‧‧‧步驟105B‧‧‧步驟106A‧‧‧步驟106B‧‧‧步驟107A‧‧‧步驟107B‧‧‧步驟108A‧‧‧主分量分析(PCA)分析步驟108B‧‧‧主分量分析(PCA)分析步驟111‧‧‧光譜112‧‧‧光譜121A‧‧‧紅鯔魚皮得分121B‧‧‧鯔魚皮得分122A‧‧‧紅鯔魚肉得分122B‧‧‧鯔魚肉得分131A‧‧‧用於獲得紅鯔魚之身份光譜之校準紅鯔魚樣本(皮及肉)131B‧‧‧用於獲得鯔魚之身份光譜之校準鯔魚樣本(皮及肉)用於獲得鯔魚之身份光譜之校準鯔魚樣本(皮及肉)132‧‧‧測試樣本133‧‧‧鯔魚皮樣本及鯔魚肉樣本141‧‧‧冬鱈魚皮/鱈魚皮光譜142‧‧‧冬鱈魚肉/鱈魚肉光譜151A‧‧‧冬鱈魚皮得分151B‧‧‧鱈魚皮得分152A‧‧‧冬鱈魚肉得分152B‧‧‧鱈魚肉得分161A‧‧‧校準冬鱈魚樣本(皮及肉)161B‧‧‧校準鱈魚樣本(皮及肉)162‧‧‧測試樣本163‧‧‧測試樣本171‧‧‧幼鮭皮/歐鱒皮光譜172‧‧‧幼鮭肉/歐鱒肉光譜181A‧‧‧幼鮭皮得分181B‧‧‧歐鱒皮得分182A‧‧‧幼鮭肉得分182B‧‧‧歐鱒肉得分191A‧‧‧校準幼鮭樣本(皮及肉)191B‧‧‧校準歐鱒樣本(皮及肉)192‧‧‧測試樣本193‧‧‧測試樣本λ‧‧‧ 波長LA‧‧‧縱向軸P‧‧‧ 信號功率XZ‧‧‧平面YZ‧‧‧平面z‧‧‧ 軸
現將結合圖式描述例示性實施例，其中： 圖1係根據本發明用於現場鑑別一海產樣本之一裝置之一示意三維圖，圖中疊印有由該裝置量測之一NIR反射光譜； 圖2係圖1之裝置之一可攜式手持NIR分光計之一側視橫截面圖； 圖3A係圖2之可攜式NIR分光計之一光偵測子總成之一側視橫截面圖； 圖3B係用於圖3A之光偵測子總成中之一波長分散元件之一側視橫截面圖； 圖3C係圖3B之波長分離元件之一透射譜； 圖3D係圖2之可攜式手持NIR分光計之三維圖； 圖4A係根據本發明之用於現場鑑別一海產樣本之一方法之一流程圖； 圖4B係根據本發明之NIR光譜之一例示性多變數分析之一流程圖； 圖5A係本發明之裝置之一實施例之一示意圖，其中與NIR分光計無線通信之一可攜式器件用於分析由NIR分光計獲得之NIR光譜； 圖5B係本發明之裝置之另一實施例之一示意圖，其中可攜式器件用於將所量測之NIR光譜中繼至一遠端伺服器用於執行多變數分析； 圖6至圖8係本發明之實驗驗證中使用之待在包含紅鯔魚/鯔魚配對(圖6)、冬鱈魚/鱈魚配對(皮與肉，圖7)及幼鮭/歐鱒配對(皮與肉，圖8)之間區分之海產配對之彩色照片； 圖9係量測一鮭魚樣本之一NIR光譜之裝置之一原型之一彩色照片； 圖10A及圖10B係分別用於實驗驗證之更高及更低品質海產之資料收集及分析之流程圖； 圖11、圖14及圖17分別係紅鯔魚/鯔魚配對、冬天鱈魚/鱈魚配對及幼鮭/歐鱒配對之所量測之漫反射光譜； 圖12、15及18分別係紅鯔魚/鯔魚配對、冬鱈魚/鱈魚配對及幼鮭/歐鱒配對之所量測之主分量分析(PCA)模型之三維得分圖；及 圖13A、圖13B；圖16A、圖16B及圖19A、圖19B分別係紅鯔魚/鯔魚配對；冬鱈魚/鱈魚配對；及幼鮭/歐鱒配對之分類類比之軟獨立模型化(SIMCA)分析之Coomans圖。
10‧‧‧裝置
11‧‧‧海產樣本
12‧‧‧可攜式近紅外光(NIR)分光計
13‧‧‧漫近紅外光(NIR)反射光譜
14‧‧‧分析器
15‧‧‧纜線
16‧‧‧顯示器

Claims (20)

  1. 一種用於產生用以識別一海產樣本之一模型之系統，其包括： 用以接收與一第一海產類型及一第二海產類型相關聯之資訊的裝置； 用以判定該第一海產類型之一第一複數個光譜及該第二海產類型之一第二複數個光譜的裝置； 用以在該第一複數個光譜上執行一第一操作以產生一經修改之第一複數個光譜的裝置； 用以在該第二複數個光譜上執行一第二操作以產生一經修改之第二複數個光譜的裝置；及 基於執行該第一操作及該第二操作以產生該模型的裝置， 與該模型相關聯之資訊被用以識別該海產樣本。
  2. 如請求項1之系統，其中 該第一海產類型及該第二海產類型具有相似視覺特徵， 該第一海產類型係為一第一物種，及 該第二海產類型係為一第二物種。
  3. 如請求項1之系統，其中 該第一複數個光譜包含該第一海產類型之一第一特性之一第一數量之光譜及該第一海產類型之一第二特性之一第二數量之光譜，及 該第二複數個光譜包含該第二海產類型之一第一特性之一第三數量之光譜及該第二海產類型之一第二特性之一第四數量之光譜。
  4. 如請求項1之系統，進一步包括： 用以接收與一複數個額外海產類型相關聯之資訊的裝置， 該複數個額外海產類型之各個額外海產類型係與該第一海產類型不同，亦與該第二海產類型不同； 用以產生各個額外海產類型之一複數個光譜的裝置； 用以在各個額外海產類型之該複數個光譜上執行一操作以產生各個額外海產類型之一經修改之複數個光譜的裝置， 與各個額外海產類型之該經修改之複數個光譜相關聯之資訊係被包含於該模型中。
  5. 如請求項1之系統，進一步包括： 使用與該模型相關聯之資訊以在該海產樣本上執行一多變數型樣辨識分析的裝置；及 基於執行該多變數型樣辨識分析而傳送該多變數型樣辨識分析之一結果至其他裝置藉以顯示的裝置。
  6. 如請求項1之系統，其中與該海產樣本相關聯之資訊係藉由使用一分光計而獲得。
  7. 如請求項1之系統，進一步包括： 使用與該模型相關聯之資訊以識別與該海產樣本相關聯之一海產類型的裝置。
  8. 一種用於產生用以識別一海產樣本之一模型之方法，其包括： 經由一裝置接收與一第一海產類型及一第二海產類型相關聯之資訊； 經由該裝置判定該第一海產類型之一第一複數個光譜及該第二海產類型之一第二複數個光譜； 經由該裝置在該第一複數個光譜上執行一第一操作以產生一經修改之第一複數個光譜； 經由該裝置在該第二複數個光譜上執行一第二操作以產生一經修改之第二複數個光譜；及 經由該裝置，且基於執行該第一操作及該第二操作，產生該模型， 與該模型相關聯之資訊被用於識別該海產樣本。
  9. 如請求項8之方法，其中 該第一海產類型及該第二海產類型具有相似之視覺特徵， 該第一海產類型係為一第一物種，及 該第二海產類型係為一第二物種。
  10. 如請求項8之方法，其中 該第一複數個光譜包含該第一海產類型之一第一特性之一第一數量之光譜及該第一海產類型之一第二特性之一第二數量之光譜，及 該第二複數個光譜包含該第二海產類型之一第一特性之一第三數量之光譜及該第二海產類型之一第二特性之一第四數量光譜。
  11. 如請求項8之方法，進一步包括： 接收與一複數個額外海產類型相關聯之資訊， 該複數個額外海產類型之各個額外海產類型係與該第一海產類型不同，亦與該第二海產類型不同； 產生各個額外海產類型之一複數個光譜；及 在各個額外海產類型之該複數個光譜上執行一操作以產生各個額外海產類型之一經修改之複數個光譜， 與各個額外海產類型之該經修改之複數個光譜相關聯之資訊係被包含於該模型中。
  12. 如請求項8之方法，進一步包括： 使用與該模型相關聯之資訊以在該海產樣本上執行一多變數型樣辨識分析；及 基於執行該多變數型樣辨識分析傳送該多變數型樣辨識分析之一結果至其他裝置藉以顯示。
  13. 如請求項8之方法，其中與該海產樣本相關聯之資訊係藉由使用一分光計獲得。
  14. 如請求項8之方法，進一步包括： 使用與該模型相關聯之資訊以識別與該海產樣本相關聯之一海產類型。
  15. 一種儲存指示之永久性電腦可讀取媒體，該等指示包括： 一個或多個指示，其在經由一裝置之一處理器執行時，使得該處理器： 接收與一第一海產類型及一第二海產類型相關聯之資訊； 判定該第一海產類型之一第一複數個光譜及該第二海產類型之一第二複數個光譜； 在該第一複數個光譜上執行一第一操作以產生一經修正之第一複數個光譜； 在該第二複數個光譜上執行一第二操作以產生一經修正之第二複數個光譜；及 基於執行該第一操作及該第二操作產生一模型， 與該模型相關聯之資訊係用於識別一海產樣本。
  16. 如請求項15之永久性電腦可讀取媒體，其中 該第一複數個光譜包含該第一海產類型之一第一特性之一第一數量之光譜及該第一海產類型之一第二特性之一第二數量之光譜，及 該第二複數個光譜包含該第二海產類型之一第一特性之一第三數量之光譜及該第二海產類型一第二特性之一第四數量之光譜。
  17. 如請求項15之永久性電腦可讀取媒體，其中該等指示進一步包含： 一個或多個指示以接受與一複數個額外海產類型相關聯之資訊， 該複數個額外海產類型之各個額外海產類型係與該第一海產類型不同，亦與該第二海產類型不同； 一個或多個指示以產生各個額外海產類型之一複數個光譜；及 一個或多個指示以在各個額外海產類型之該複數個光譜上執行一操作以產生各個額外海產類型之一經修正之複數個光譜， 與各個額外海產類型之該經修正之複數個光譜相關聯之資訊係被包含於該模型中。
  18. 如請求項15之永久性電腦可讀取媒體，其中該等指示進一步包含： 一個或多個指示，使用與該模型相關聯之資訊，以在該海產樣本上執行一多變數型樣辨識分析；及 一個或多個指示，基於該執行該多變數型樣辨識分析，傳送該多變數型樣辨識分析之一結果至其他裝置藉以顯示。
  19. 如請求項15之永久性電腦可讀取媒體，其中與該海產樣本相關聯之資訊係藉由使用一分光計獲得。
  20. 如請求項15之永久性電腦可讀取媒體，其中該等指示進一步包含： 一個或多個指示，使用與該模型相關聯之資訊，識別與該海產樣本相關聯之一海產類型。
TW107118926A 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法 TWI683093B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361804106P 2013-03-21 2013-03-21
US61/804,106 2013-03-21

Publications (2)

Publication Number Publication Date
TW201831868A TW201831868A (zh) 2018-09-01
TWI683093B true TWI683093B (zh) 2020-01-21

Family

ID=51659131

Family Applications (3)

Application Number Title Priority Date Filing Date
TW108148694A TWI749437B (zh) 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
TW107118926A TWI683093B (zh) 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
TW103110534A TWI629464B (zh) 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW108148694A TWI749437B (zh) 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW103110534A TWI629464B (zh) 2013-03-21 2014-03-20 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法

Country Status (6)

Country Link
US (3) US9316628B2 (zh)
EP (1) EP2976605B1 (zh)
CN (2) CN107884340B (zh)
HK (2) HK1221010A1 (zh)
TW (3) TWI749437B (zh)
WO (1) WO2014165331A1 (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012330761B2 (en) 2011-11-03 2016-01-21 Verifood Ltd. Low-cost spectrometry system for end-user food analysis
CN107345835B (zh) * 2012-11-13 2019-11-08 唯亚威通讯技术有限公司 便携式分光计
US9885655B2 (en) 2012-11-13 2018-02-06 Viavi Solutions Inc. Spectrometer with a relay lightpipe
TWI749437B (zh) 2013-03-21 2021-12-11 美商唯亞威方案公司 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
EP4006542A1 (en) 2013-08-02 2022-06-01 Verifood Ltd. Spectrometer comprising sample illuminator
EP3090239A4 (en) 2014-01-03 2018-01-10 Verifood Ltd. Spectrometry systems, methods, and applications
EP3209983A4 (en) 2014-10-23 2018-06-27 Verifood Ltd. Accessories for handheld spectrometer
WO2016125164A2 (en) 2015-02-05 2016-08-11 Verifood, Ltd. Spectrometry system applications
WO2016125165A2 (en) 2015-02-05 2016-08-11 Verifood, Ltd. Spectrometry system with visible aiming beam
US10066990B2 (en) 2015-07-09 2018-09-04 Verifood, Ltd. Spatially variable filter systems and methods
WO2017020000A1 (en) * 2015-07-30 2017-02-02 The Research Foundation For The State University Of New York Spectroscopic methods for body fluid age determination
US10203246B2 (en) 2015-11-20 2019-02-12 Verifood, Ltd. Systems and methods for calibration of a handheld spectrometer
EP3488204A4 (en) 2016-07-20 2020-07-22 Verifood Ltd. ACCESSORIES FOR HANDLABLE SPECTROMETERS
US10791933B2 (en) 2016-07-27 2020-10-06 Verifood, Ltd. Spectrometry systems, methods, and applications
CN106560698A (zh) * 2016-10-20 2017-04-12 中国计量大学 基于多种检测技术的植物产地鉴别方法
CN106560697A (zh) * 2016-10-20 2017-04-12 中国计量大学 联合近红外光谱和微量元素的武夷岩茶产地鉴别方法
EP3381368A1 (en) 2017-03-27 2018-10-03 Samsung Electronics Co., Ltd. Method of enabling feature extraction for glucose monitoring using near-infrared (nir) spectroscopy
KR102491854B1 (ko) 2017-09-29 2023-01-26 삼성전자주식회사 분광기
DE102018103509B3 (de) 2017-10-11 2018-12-13 Carl Zeiss Spectroscopy Gmbh Mobiles Inhaltsstoffanalysesystem sowie Verfahren zur probenrichtigen Messung und Nutzerführung mit diesem
WO2019102400A1 (en) * 2017-11-22 2019-05-31 Cti Srl System and process for the recognition, characterization and classification of foods and nutrients in foods
KR20200095547A (ko) * 2017-12-13 2020-08-10 트리나미엑스 게엠베하 분광계 장치 및 시스템
CN108254324B (zh) * 2017-12-18 2020-09-22 中国农业大学 一种蟹肉新鲜度快速检测方法及装置
CN108489927A (zh) * 2018-01-24 2018-09-04 仲恺农业工程学院 鱼类产地溯源方法、电子设备、存储介质及装置
US10810408B2 (en) 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification
US11009452B2 (en) * 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification
US11656174B2 (en) 2018-01-26 2023-05-23 Viavi Solutions Inc. Outlier detection for spectroscopic classification
EP3561486A1 (en) 2018-04-27 2019-10-30 CERAGOS Electronics et Nature Portative optical system for detection of chemical substances at trace levels in foods and liquids
KR102627146B1 (ko) 2018-07-20 2024-01-18 삼성전자주식회사 스펙트럼 처리 장치 및 방법
BR112021006788A2 (pt) 2018-10-08 2021-07-13 Verifood Ltd acessórios para espectrômetros óticos
JP7424607B2 (ja) * 2019-09-30 2024-01-30 国立大学法人 奈良先端科学技術大学院大学 植物センシングデバイスおよびリアルタイム植物モニタリングシステム
CN110954499B (zh) * 2019-11-20 2022-08-02 中国计量大学 一种进口三文鱼产地混合鉴别方法及系统
KR20220155994A (ko) 2020-03-18 2022-11-24 트리나미엑스 게엠베하 통신 시스템, 모니터링 시스템 및 관련된 방법
AU2021238642A1 (en) 2020-03-18 2022-10-06 Basf Se Communication system, monitoring system and related methods
JP7543824B2 (ja) 2020-10-09 2024-09-03 セイコーエプソン株式会社 画像解析装置、画像解析方法、及び画像解析プログラム
US20220397458A1 (en) * 2021-06-10 2022-12-15 Si-Ware Systems Mass screening biological detection solutions
TWI823135B (zh) * 2021-08-27 2023-11-21 國立臺北科技大學 光譜感測裝置遠端功能擴充系統
WO2023049490A1 (en) * 2021-09-27 2023-03-30 Purdue Reserach Foundation Label-free food analysis and molecular detection
FR3127805A1 (fr) * 2021-10-01 2023-04-07 Plas'tri Procédé d'identification d'un type de matériau dans un matériau cible
CN114460244A (zh) * 2022-01-17 2022-05-10 上海海洋大学 一种检测暗纹东方鲀质构的方法
CN114460035A (zh) * 2022-02-25 2022-05-10 广西小研人生物科技有限公司 一种快速检测海洋头足类食品新鲜度的方法
CN117969425A (zh) * 2024-02-05 2024-05-03 烟台大学 基于多光谱成像系统鉴别大头鳕鱼的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1509153A (zh) * 2001-04-11 2004-06-30 ���ױ�ʶ��˾ 使用光谱学的个体的生物测定识别或者验证的装置和方法
WO2006133304A2 (en) * 2005-06-08 2006-12-14 Massachusetts Institute Of Technology Continuous, continental-shelf-scale monitoring of fish populations and behavior
CN1886089B (zh) * 2003-09-23 2011-08-10 剑桥研究和仪器设备股份有限公司 生物样品的光谱成象

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539207A (en) 1994-07-19 1996-07-23 National Research Council Of Canada Method of identifying tissue
US6697654B2 (en) * 1999-07-22 2004-02-24 Sensys Medical, Inc. Targeted interference subtraction applied to near-infrared measurement of analytes
US6649412B1 (en) * 1999-07-28 2003-11-18 Marine Harvest Norway As Method and apparatus for determining quality properties of fish
WO2002069796A2 (en) * 2001-03-01 2002-09-12 University Of Massachusetts Correction of spectra for subject diversity
EP1381849A2 (en) 2001-04-13 2004-01-21 Cargill, Incorporated Processes for evaluating agricultural and/or food materials; applications; and, products
GB2399626B (en) 2003-03-21 2006-04-05 Teraview Ltd Spectroscopy apparatus and associated technique
US7420663B2 (en) * 2005-05-24 2008-09-02 Bwt Property Inc. Spectroscopic sensor on mobile phone
WO2007000165A1 (en) 2005-06-27 2007-01-04 Sfk Technology A/S Online recording of wavelength absorption spectra in meat
US8437582B2 (en) * 2005-12-22 2013-05-07 Palo Alto Research Center Incorporated Transmitting light with lateral variation
US20070262257A1 (en) 2006-05-11 2007-11-15 Monro Donald M Passive biometric spectroscopy
US7750299B2 (en) 2006-09-06 2010-07-06 Donald Martin Monro Active biometric spectroscopy
CN100480680C (zh) 2007-05-22 2009-04-22 浙江大学 多光谱肉类新鲜度人工智能测量方法及系统
WO2009070459A1 (en) * 2007-11-30 2009-06-04 Jingyun Zhang Miniature spectrometers working with cellular phones and other portable electronic devices
US8724829B2 (en) * 2008-10-24 2014-05-13 Qualcomm Incorporated Systems, methods, apparatus, and computer-readable media for coherence detection
WO2010079388A1 (en) * 2009-01-07 2010-07-15 Koninklijke Philips Electronics N.V. Intelligent controllable lighting networks and schemata therefore
GB0908027D0 (en) * 2009-05-08 2009-06-24 Zinir Ltd Spetrophotometer with no moving parts
CN101620178B (zh) * 2009-06-19 2011-02-16 广东省药品检验所 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法
US8384851B2 (en) * 2010-01-11 2013-02-26 3M Innovative Properties Company Reflective display system with enhanced color gamut
WO2012001566A1 (en) * 2010-06-30 2012-01-05 Koninklijke Philips Electronics N.V. Methods and apparatus for capturing ambience
EP2651962B1 (en) 2010-12-16 2016-06-29 Baxalta GmbH Real time monitoring and control of protein production processes using impedance spectroscopy
AU2012330761B2 (en) * 2011-11-03 2016-01-21 Verifood Ltd. Low-cost spectrometry system for end-user food analysis
TWI749437B (zh) 2013-03-21 2021-12-11 美商唯亞威方案公司 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
JP2015232543A (ja) * 2014-05-15 2015-12-24 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1509153A (zh) * 2001-04-11 2004-06-30 ���ױ�ʶ��˾ 使用光谱学的个体的生物测定识别或者验证的装置和方法
CN1886089B (zh) * 2003-09-23 2011-08-10 剑桥研究和仪器设备股份有限公司 生物样品的光谱成象
WO2006133304A2 (en) * 2005-06-08 2006-12-14 Massachusetts Institute Of Technology Continuous, continental-shelf-scale monitoring of fish populations and behavior

Also Published As

Publication number Publication date
TWI629464B (zh) 2018-07-11
CN105190261A (zh) 2015-12-23
US20160231237A1 (en) 2016-08-11
US10401284B2 (en) 2019-09-03
US20190353587A1 (en) 2019-11-21
EP2976605A1 (en) 2016-01-27
TW201504614A (zh) 2015-02-01
US20150204833A1 (en) 2015-07-23
TW202014681A (zh) 2020-04-16
CN107884340A (zh) 2018-04-06
CN105190261B (zh) 2017-12-22
TWI749437B (zh) 2021-12-11
HK1249178A1 (zh) 2018-10-26
US10976246B2 (en) 2021-04-13
WO2014165331A1 (en) 2014-10-09
HK1221010A1 (zh) 2017-05-19
US9316628B2 (en) 2016-04-19
TW201831868A (zh) 2018-09-01
EP2976605B1 (en) 2023-11-01
CN107884340B (zh) 2022-04-01
EP2976605A4 (en) 2016-11-16

Similar Documents

Publication Publication Date Title
TWI683093B (zh) 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
Rodriguez-Saona et al. Miniaturization of optical sensors and their potential for high-throughput screening of foods
He et al. Detection of adulteration in food based on nondestructive analysis techniques: A review
Beć et al. Miniaturized NIR spectroscopy in food analysis and quality control: Promises, challenges, and perspectives
Lu et al. Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: A review
Prieto et al. A review of the principles and applications of near-infrared spectroscopy to characterize meat, fat, and meat products
Dixit et al. Developments and challenges in online NIR spectroscopy for meat processing
Li et al. Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review
Schmutzler et al. Methods for detection of pork adulteration in veal product based on FT-NIR spectroscopy for laboratory, industrial and on-site analysis
Ali et al. Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review
Iqbal et al. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control
JP2017505901A5 (zh)
Cozzolino Near infrared spectroscopy and food authenticity
Jahani et al. Novel application of near-infrared spectroscopy and chemometrics approach for detection of lime juice adulteration
Keshavarzi et al. Comparison of transmission FTIR and ATR spectra for discrimination between beef and chicken meat and quantification of chicken in beef meat mixture using ATR-FTIR combined with chemometrics
Arroyo-Cerezo et al. Deep (offset) non-invasive Raman spectroscopy for the evaluation of food and beverages–A review
Zaukuu et al. Agricultural potentials of molecular spectroscopy and advances for food authentication: An overview
Gullifa et al. Portable NIR spectroscopy: The route to green analytical chemistry
He et al. Fast discrimination of apple varieties using Vis/NIR spectroscopy
Li et al. Study on terahertz spectrum analysis and recognition modeling of common agricultural diseases
Menevseoglu et al. Non-targeted approach to detect green pea and peanut adulteration in pistachio by using portable FT-IR, and UV–Vis spectroscopy
Indrayanto et al. The use of FTIR spectroscopy combined with multivariate analysis in food composition analysis
Vega-Castellote et al. NIR Sensing Technologies for the Detection of Fraud in Nuts and Nut Products: A Review
Beghi et al. Influence of packaging in the analysis of fresh-cut Valerianella locusta L. and Golden Delicious apple slices by visible-near infrared and near infrared spectroscopy
Ma et al. Raman spectroscopy coupled with chemometrics for identification of adulteration and fraud in muscle foods: a review