Useimmat kuluttajat suosittelevat monien lihatuotteiden joukossa korkeaa proteiiniaan, vähärasvaisen, korkean vitamiini- ja mineraalipitoisuuden vuoksi, mikä vastaa voimakkaasti modernin ihmisten ravitsemuksellisia tarpeita lihalle. Ihmisten elämäntahteen kiihtyessä perinteisistä keitetyistä naudanlihatuotteista on tullut yleinen ruoka supermarketeissa ja herkkuissa, ja myös kysyntä ja myyntimäärä kasvaa. Todellisessa elämässä suurin osa markkinoilla myytävistä keitetyistä naudanlihasta on kuitenkin irtotavarana, ja siinä on runsaasti korkeaa proteiinia ja korkeaa vesipitoisuutta, joten mikro-organismien kasvattaminen on erittäin helppoa ja aiheuttaa sen pilaantumisen matalan lämpötilan varastoinnin aikana. Siksi kohtuullisen ja tehokkaan naudanlihan laadun luokitusstandardien ja -järjestelmien perusteella luotettavan naudanlihan laadun turvallisuusluokituksen havaitsemismenetelmien etsimisestä on tullut ensisijainen tavoite naudanlihamarkkinoiden kehityssuuntaan.
Hyperspektrikuvat, jotka tunnetaan myös nimellä hypercubes, ovat kolmiulotteisia datalohkoja (x, y, λ), jotka koostuvat sarjasta kaksiulotteisia alueellisia kuvia (x, y) jatkuvalla aallonpituudella λ. Kuten alla olevassa kuvassa esitetään, aallonpituuden näkökulmasta hyperspektriaalinen kuvatieto (x, y, λ) on kolmiulotteinen datalohko, joka koostuu kaksiulotteisista kuvista (x, y); Kaksiulotteisen tiedon (x, y) näkökulmasta hyperspektriaalinen on sarja spektrikähteitä. HSI -tekniikan käytön periaate elintarvikkeiden tuoreuden havaitsemiseksi tarkoittaa valon imeytymisen, heijastuksen, sironnan, sähkömagneettisen energian eroa ja sisäisen kemiallisen koostumuksen huipun/kourun spektrin asemaa ja esineen ulkoisia fysikaalisia ominaisuuksia testataan, mikä johtaa erilaisiin digitaalisiin signaaliominaisuuksiin. Esimerkiksi absorbanssin huippu- ja laakson arvot (spektriset sormenjäljet) eri aallonpituuksilla voivat edustaa eri yhdisteiden fysikaalisia ominaisuuksia, joten elintarvikkeiden laadun laadullinen tai kvantitatiivinen analyysi voidaan saavuttaa hyperspektria koskevien tietojen analysoimalla, toisin sanoen, ei- Ruoan laadun tuhoisa testaus.
(1) TVC -näyte ROI- ja spektrin uuttaminen
TVC -näytteelle 50 px × 50 px -lihas -alanäytteen ROI -kuva hyperspektrisen kuvan alanäytteestä mustan ja valkoisen korjauksen jälkeen valittiin. Valittu
Keitetyt naudanlihan alanäytteen kuva laskettiin keskiarvoon tietyn spektrin alla kunkin näytteen spektrikeskiarvon saamiseksi tietyn kaistan alla. Tämä vaihe toteutettiin
Ohjelmisto ENVI 5.1, lähinnä ENVI -ohjelmiston ROI -työkalun kautta.
Alla oleva kuva näyttää TVC: n keitetyn naudanlihanäytteen ROI -alueen louhinnan ENVI5.1: ssä ja saadun spektriarvon.
(2) TVB-N-näyte ROI- ja spektrin uuttaminen
ROI -alueen uuttamisprosessi on sama kuin edellisen kappaleen TVC -näytetiedot. 50 px*50px: n ROI-alue saadaan myös TVB-N: n keitetyn naudanlihanäytteen ennustamiseksi. Voidaan nähdä, että keitetyn naudanlihanäytteen kahden erän spektrikähteissä on tiettyjä eroja (arvioidaan, että Daoxiangcun -keitetyn naudanlihatuotteen kaksi erää ostettiin pitkällä aikavälillä, jotka voivat johtua erilaisista naudanliha -lajikkeista) . Samoin tämä vaihe TVB-N: n keitetyn naudanlihanäyte toteutetaan myös ohjelmisto ENVI5.1.
Alla olevassa kuvassa TVB-N purkaa ROI-alueen ENVI5.1: ssä ja saada näytteen spektriarvo.
Spektrin esikäsittelytulokset
Keitetyn naudanlihanäytteen spektritiedot TVC: n ennustamiseksi esiteltiin (SG: n tasoitus, vektorien normalisointi ja SNV -muunnos). Alla olevassa kuvassa esitetään spektritietojen alkuperäinen spektri ja spektrin esikäsittelytulos.
Samaa esikäsittelymenetelmää kuin keitetylle naudanlihanäyteelle, jota käytetään edellisen kappaleen TVC: n ennustamiseen, käytetään näytteen hyperspektrisen tietojen spektritietojen esikäsittelyyn TVB-N-arvon ennustamiseksi. Alkuperäinen spektri ja spektri esikäsittelyn jälkeen on esitetty alla olevassa kuvassa:
Spektritietoille vahvistettiin kymmenkertainen ristiinvalidointimalli tukivektorin regressiosta (SVR) ennen esikäsittelyä ja sen jälkeen. Mallin suorituskyky on esitetty taulukossa ja mallinnustulokset on esitetty kuvassa. Tämä menetelmä toteutetaan monimuuttujatietoanalyysiohjelmistossa TheunsCrambler X10.4. SVR -menetelmä ja sen mallin suorituskyvyn indikaattorit otetaan käyttöön osassa 4.1, eikä niitä kuvata yksityiskohtaisesti tässä.
Kuten taulukosta voidaan nähdä, esikäsiteltyjen spektrien määrittämien kahden indikaattorin ennustemallien suorituskyky on parantunut tietyssä määrin. TVC: n ennustemallin suorituskykykorrelaatiokerroin R on lisääntynyt 16 prosenttiyksikköä, kun taas TVB-N: n ennustemallin suorituskykykorrelaatiokerroin R on lisääntynyt 9 prosenttiyksikköä. Tämä tarkistaa spektrin esikäsittelyn välttämättömyyden, joten seuraavassa analyysissä käytetään esikäsitellyä tietoja.
Yhteenveto ja näkymät
Keitettyjen lihatuotteiden tuoreuden nopean ja tuhoamattoman havaitsemisen saavuttamiseksi tämä paperi vie keitetyn naudanlihan tutkimusobjektina ja käyttää hyperspektriaalista kuvantamistekniikkaa ennustemallin luomiseen keitetyn naudanlihan raikkauteen. Keitetyn naudanlihan tuoreuden muutoksia varastoinnin aikana ja pääasialliset tekijät, jotka vaikuttavat keitetyn naudanlihan tuoreuteen, tutkittiin, ja siihen liittyi mikrobihakemisto TVC-arvo ja kemiallinen indeksi TVB-N-arvo. Erityiset tutkimuksen päätelmät ovat seuraavat: Mahdollisuutta käyttää hyperspektriaalista kuvantamistekniikkaa keitetyn naudanlihan tuoreuden havaitsemiseksi tutkittiin, ja keitetyn naudanlihan TVB-N-arvon TVC: n muutossuuntausta keskusteltiin varastoinnin aikana; Ennen spektritietojen esikäsittelyä ennen spektritietojen esikäsittelyä rakennettua SVR-ennustemallin suorituskykyä (käyttämällä kymmenenkertaista validointia) ja esikäsitellyn tietojoukon kanssa rakennetulla ennustemallilla oli parempi suorituskyky; Näytejoukon jakautumismenetelmää tutkittiin. Eri näytteen jakautumismenetelmien tuottama harjoitusjoukko ja testijoukko mallinnettiin ja analysoitiin, ja lopulta valittiin harjoitusjoukko ja testijoukko jaettuna SPXY -osiointimenetelmällä.
