Printre multe produse din carne, carnea de vită este favorizată de majoritatea consumatorilor datorită conținutului său bogat de proteine, cu conținut scăzut de grăsimi, de vitamine și minerale, care satisface cu mare mare nevoie nevoile nutritive ale oamenilor moderni pentru carne. Pe măsură ce ritmul de viață al oamenilor se accelerează, produsele tradiționale de vită gătite au devenit un aliment comun în supermarketuri și delicatese, iar volumul cererii și vânzărilor cresc și ele. Cu toate acestea, în viața reală, cea mai mare parte a cărnii de vită gătite vândute pe piață este în vrac și este bogată în conținut ridicat de proteine și apă ridicată, deci este foarte ușor să reproducă microorganisme și să o determine să se strice în timpul depozitării la temperaturi scăzute. Prin urmare, pe baza standardelor și sistemelor și sistemelor rezonabile și eficiente de clasificare a calității cărnii de vită, căutarea de metode de detectare a calității privind calitatea calității de vită fiabile a devenit o prioritate maximă pentru direcția de dezvoltare a pieței de vită.
Imaginile hiperspectrale, cunoscute și sub denumirea de hipercube, sunt blocuri de date tridimensionale (x, y, λ) compuse dintr-o serie de imagini spațiale bidimensionale (x, y) sub lungimea de undă continuă λ. Așa cum se arată în figura de mai jos, din perspectiva lungimii de undă, datele de imagine hiperspectrale (x, y, λ) sunt un bloc de date tridimensional compus din imagini bidimensionale (x, y); Din perspectiva datelor bidimensionale (x, y), hiperspectralul este o serie de curbe spectrale. Principiul utilizării tehnologiei HSI pentru a detecta prospețimea alimentelor se referă la diferența de absorbție, reflecție, împrăștiere, energie electromagnetică a luminii și poziția spectrală a vârfului/jgheabului compoziției chimice interne și a caracteristicilor fizice externe ale obiectului de a face să fie testat, ceea ce duce la diferite caracteristici ale semnalului digital. De exemplu, valorile de vârf și de vale (amprente spectrale) ale absorbanței la diferite lungimi de undă pot reprezenta proprietățile fizice ale diferiților compuși, astfel încât analiza calitativă sau cantitativă a calității alimentelor poate fi obținută prin analiza informațiilor hiperspectrale, adică non- Testarea distructivă a calității alimentelor.
(1) ROI de probă TVC și extragerea spectrului
Pentru eșantionul TVC, a fost selectată o imagine ROI de 50 px × 50 px a subampleului muscular al subampleului de imagine hiperspectrală după corecția alb -negru. Selectate
Imaginea de subample de vită gătită a fost medie într -un spectru specific pentru a obține media spectrală a fiecărui eșantion sub o bandă specifică. Acest pas a fost implementat
pe software -ul ENVI 5.1, în principal prin instrumentul ROI al software -ului ENVI.
Figura de mai jos arată extragerea zonei ROI a eșantionului de vită gătit TVC în ENVI5.1 și valoarea spectrală obținută.
(2) ROI de probă TVB-N și extragerea spectrului
Procesul de extracție al regiunii ROI este același cu cel al datelor de eșantion TVC din paragraful anterior. Regiunea ROI de 50px*50px este, de asemenea, obținută pentru a prezice proba de vită gătită de TVB-N. Se poate observa că există anumite diferențe în curbele spectrale ale celor două loturi de probe de vită gătite (se estimează că cele două loturi de produse de vită gătite DAOXIANGCUN au fost achiziționate la un interval lung, care pot fi cauzate de diferite soiuri de vită) . În mod similar, acest pas pentru eșantionul de vită TVB-N gătit este, de asemenea, implementat pe software-ul ENVI5.1.
Figura de mai jos arată TVB-N extragerea zonei ROI în ENVI5.1 și obținerea valorii spectrale a eșantionului.
Rezultate spectrale de preprocesare
Informațiile spectrale ale eșantionului de vită gătit pentru prezicerea TVC au fost preprocesate (în ordinea netezimii SG, a normalizării vectorului și a transformării SNV). Spectrul original al informațiilor spectrale și al rezultatului de preprocesare a spectrului sunt prezentate în figura de mai jos.
Aceeași metodă de preprocesare ca cea utilizată pentru eșantionul de vită gătit pentru a prezice TVC în paragraful anterior este utilizată pentru a preprocesa informațiile spectrale ale datelor hiperspectrale ale eșantionului pentru prezicerea valorii TVB-N. Spectrul original și spectrul după preprocesare sunt prezentate în figura de mai jos:
Pentru datele spectrale a fost stabilit un model de zece ori de validare încrucișată de regresie vectorială de sprijin (SVR) înainte și după preprocesare. Performanța modelului este prezentată în tabel și rezultatele modelării sunt prezentate în figură. Această metodă este implementată în software -ul de analiză a datelor multivariate TheUnscrambler x10.4. Metoda SVR și indicatorii de performanță a modelului său vor fi introduse în secțiunea 4.1 și nu vor fi descrise în detaliu aici.
După cum se poate observa din tabel, performanța modelelor de predicție ale celor doi indicatori stabiliți de spectrele preprocesate s -a îmbunătățit într -o anumită măsură. Coeficientul de corelație de performanță R al modelului de predicție pentru TVC a crescut cu 16 puncte procentuale, în timp ce coeficientul de corelație de performanță R al modelului de predicție pentru TVB-N a crescut cu 9 puncte procentuale. Acest lucru verifică necesitatea preprocesului spectral, astfel încât analiza ulterioară utilizează datele preprocesate.
Rezumat și perspective
Pentru a obține o detectare rapidă și nedistructivă a prospețimii produselor din carne gătită, această hârtie ia carne de vită gătită ca obiect de cercetare și folosește tehnologia de imagistică hiperspectrală pentru a crea un model de predicție pentru prospețimea cărnii de vită gătită. Au fost studiate modificările prospețimii cărnii de vită gătite în timpul depozitării și principalii factori care afectează prospețimea cărnii de vită gătită, iar valoarea microbiană TVC și valoarea chimică a indexului TVB-N legată de aceasta. Concluziile specifice de cercetare sunt următoarele: a fost studiată posibilitatea utilizării tehnologiei de imagistică hiperspectrală pentru a detecta prospețimea cărnii de vită gătită, iar tendința de schimbare a indicelui de prospețime TVC și TVB-N valoare de vită gătită în timpul stocării a fost discutată; Performanța modelului de predicție SVR (folosind validarea încrucișată de zece ori) construită înainte și după preprocesarea datelor spectrale, iar modelul de predicție construit cu setul de date preprocesat a avut o performanță mai bună; Metoda de partiționare a setului de probe a fost studiată. Setul de instruire și setul de teste generat de diferite metode de partiționare a eșantionului au fost modelate și analizate și, în final, au fost selectate setul de instruire și setul de teste împărțit la metoda de partiționare SPXY.
