基于多光谱成像的鲜猪肉货架期预测

　　猪肉营养丰富，是人类生活必不可少的食物来源，近年来，随着我国猪肉产量的不断提高，对产品猪肉的需求也在不断增加，同时对其质量也提出了更高的要求。然而，由于制品，肉类脂肪和蛋白质含量丰富，水分活度高，在加工，贮藏和销售，加工过程中容易受到微污染和环境因素的影响，导致产品腐败变质，失去食用价值。新鲜猪肉在流通和储存过程中容易被作用的内源酶、外源环境和微生物破坏。在酶和细菌的作用作用下，新鲜猪肉中的蛋白质分解产生氨和胺等碱性含氮物质，与组织中的酸性物质结合形成盐土氮。随着贮藏时间的延长，鲜猪肉中TVB氮的含量呈现出缓慢增加、稳步增加和大幅增加三个过程。

　　光谱成像技术是一种新的平台技术。它是光谱分析技术和图像分析技术相结合的产物。它具有空间分辨率和光谱分辨率，可以同时获取物体的空间和光谱信息。光谱成像技术在和得到了广泛的应用，彭和陆研究了利用光谱散射特性预测牛肉的pH值、嫩度和色泽。多光谱成像技术在便携式、小型和批量生产方面更具优势

　　本文旨在探索利用多光谱成像技术结合数学建模方法预测鲜猪肉货架期的可行性。

　　1材料和方法1.1多光谱成像在系统，收到h，修订版，项，9金，公益事业科研专项基金农业(项目编号：201003008)。

　　简介：(1985)，女(汉族)，新，硕士学位，主要从事海淀区华东路17号生肉质量安全关键技术的研究开发，邮编100083。Email:通信作者：彭(1960)，男(汉族)，教授，牛从事特别是市海淀区清华东路7号的质量与安全研究，00083.1:四川6881.6(。(。

　　用于系统多光谱成像的多光谱成像系统如图3所示。主要由光源单元、图像采集单元和数据处理单元组成。光源单元包括稳定的电源，溴化钨灯光光源(HL2000，美国)和光纤图像采集单元包括高性能可见光/近红外相机电荷耦合器件(UM 301，美国)、采集卡(CronosPlus，加拿大)和滤光片。选择了7个窄带滤光片，中心波长分别为551、560、580、600、625、760、810rnn9，半高带宽为1015nm。数据处理单元的主要功能是接收和保存多光谱图像数据，提取有效信息，建立预测模型。黑盒用于隔离外界光线和噪音的干扰。转动支架旋钮来调整舞台的高度。肉样放在台上。当光线照射到肉类样品的表面时，肉类样品的漫反射光通过滤光片，通过CCD相机，形成多光谱图像，通过图像采集卡生成8位图像数据文件。

　　2011年7月，同一头猪的新鲜猪里脊肉在屠宰24小时后从超市购买。将肉样品分成厚度约为2厘米的肉块，其中21个被选为有效样品。用保鲜膜包装后，它们被放入冷藏盒子里，运回图像。像素的灰度值表示样本的图像采集区域的反射光较强。

　　2.2挥发性碱性氮的测定参照国标GB/T5009.44-2003，标准法做了适当改进。用KDY-9820半微量氮测定仪法代替半微量氮测定仪法测定猪肉中挥发性碱性氮。测得的TVB-牛顿参考值

　　获得以像素尺寸(8.6nmx8.3)为中心和带宽的环上所有像素的灰度值的平均值(近似值)。环的半径从小到大增加一个像素，平均值作为对应环上像素的灰度值，减少误差。以环的半径为横坐标，以环像素的灰度值为纵坐标，可以做出各种波长下图像的散射曲线。

　　21个样品在760mn波段的图像散射曲线如下。

　　利用非线性回归方法，利用四参数洛伦兹函数拟合不同波长下的散射曲线。四参数洛伦兹函数表示如下：其中：R为散射曲线上任意一点的反射光强度(灰度值)，z为该点到光束入射点的散射距离(环半径)；a是散射曲线的渐近值；b为散射曲线峰值，c为散射曲线半波带宽；d是散射曲线拐点处的斜率。

　　用LD函数拟合各波长的散射曲线，使各波长的散射图像可以用LD函数的四个参数来描述。对这些参数的进一步分析可以预测出新鲜猪肉在TVB示出的图像的散射曲线的拟合图。4挥发性盐基氮偏最小二乘回归(PLSR法)预测模型的建立由于在提取主成分时考虑了与待分析成分的相关性，线性模型通常具有较高的预测精度，因此本文采用PLSR法建立了生猪肉TVB氮的预测模型。将样本分为两组，7个序号为3的倍数的样本作为预测集，其余14个样本作为校正集。每个样品的TVB参考值对应于其散射图像的LD函数的四个参数。用392(147x 4)个参数值的偏最小二乘法回归校准集中14个样品的TVB-氮参考值。模型预测相关系数达到0.87，预测标准误差为2.50毫克/100克，为PLSR方法建模的预测效果图。

　　2.5货架期预测模型的建立。通过观察参考值的变化，我们可以发现TVB-N在本研究中随时间呈对数增长，并处于快速增长阶段。因此，本文利用对数函数对TVB-N曲线进行拟合，并在此基础上建立了鲜猪肉货架期的预测模型。

　　速率参数；t是时间(d)。以下公式：可以通过移动项并取对数来变换公式(2)的处理而获得(

　　　　TVB-N的变化规律呈对数特性,拟合的相关系数为0.93,标准误差为1.76mg/100g.拟合的效果图如所示。拟合得三个参数A=29.1076,B=19.8618,k=0.1824.将这三个参数代入(3)式,可建立生鲜猪肉货架期(Shelflife,SL,d)的预测模型:TVB-N随时间变化规律将由挥发性盐基氮预测模型预测的21个TVB-N值带入(4)式,可获得相应肉样的货架期数值,为生鲜猪肉货架期的预测效果图,可以看出预测的整体趋势是正确的,但预测精度欠佳。

　　　　3.结论生鲜猪肉的货架期是衡量其商品价值的重要依据之一,因此,能够的得出一种对生鲜猪肉货架期快速、无损伤、可靠的检测方法就显得十分重要。传统的化学实验室分析等方法虽然具有准确度高、可靠等优点,但其分析过程繁琐、耗时、对试样具有破坏性,逐渐不能满足快速发展的生产和经济要求。光谱图像技术结合了光谱和图像分析技术,具有快速、非破坏等特点,其中多光谱成像技术在便携、小型、批量生产场合更具有优越性。本文在多光谱成像技术的基础上,针对小样本非线性问题,探索针对生鲜猪肉货架期可行有效的检测方法。研究结果表明利用多光谱成像技术结合相应的数学建模方法预测生鲜猪肉货架期具有可行性。

　　　　在研究的过程中发现了一些问题和不足,有待改进:(1)所选用的样品偏少,应增加样本的广泛性,以建立应适当增加样品数量;(2)由于在采集多光谱图像时是手动更换滤光片,并且样品厚度不均,因此很难保证每次样品上表面到滤光片的距离相等,所使用的多光谱成像系统有待改进;(3)误差的传递,从挥发性盐基氮预测模型到货架期预测模型存在着误差的传递,应尽量减小误差,提高精度:(4)评定指标单一,可以从影响货架期的因素出发,选择一些其他适宜的指标,并根据它们对货架期的影响程度,为其分配权重。