论文部分内容阅读
近年来，牛肉在我国城乡居民肉类消费中占比逐年上升，随着牛肉消费产业快速发展，假冒牛肉与掺假牛肉相关事件也越来越多被报道，假冒牛肉与掺假牛肉不仅扰乱了正常的市场秩序，也严重损害了消费者权益甚至身体健康，因此，研究一种快速、准确、有效的牛肉识别与掺假检测技术对保障牛肉食品安全具有重要的意义。本文以高光谱技术为检测手段，以牛肉与猪肉为实验材料，针对假冒牛肉与掺假牛肉这两种常见牛肉欺诈行为，分别探讨了高光谱技术对块状生、熟牛肉-猪肉分类识别能力，对不同掺假浓度的生、熟牛肉-猪肉混合肉糜掺假检测能力，主要研究结论如下：
(1)确定了基于高光谱的块状生、熟牛肉-猪肉分类识别方法。分别对生肉块与熟肉块样本进行高光谱图像采集与光谱数据提取，选用不同预处理方法与定性模型建模方法建立全波长下肉块分类模型，其中利用原始光谱数据建立的随机森林(RF)分类模型为最优，该模型对生肉块与熟肉块分类准确率都达到了100%。进一步对光谱数据进行特征波长选取以建立简化模型，其中肉块分类识别最优简化模型为运用竞争性自适应重加权算法(CARS)波长选取后建立的随机森林模型，该模型对生肉块与熟肉块分类准确率同样达到了100%，且建模速度更快，因此该简化模型也是基于高光谱的块状牛肉-猪肉分类最优识别模型。
(2)确定了基于高光谱的生、熟牛肉-猪肉混合肉糜掺假浓度检测方法。以猪肉糜为掺假物与牛肉糜进行混合制成不同掺假浓度的掺假肉糜样本，分别对生肉糜样本与熟肉糜样本高光谱数据进行预处理并建立全波长下肉糜掺假浓度检测模型，其中全波长下最优掺假浓度检测模型为一阶导数预处理(1st De)后建立的支持向量回归(SVR)模型，全波长下最优生肉糜与熟肉糜掺假浓度检测模型性能参数校正集决定系数R2c分别为0.9959、0.9941，校正集均方根误差RMSEC分别为0.0150、0.0180，预测集决定系数R2c分别为0.9881、0.9682，预测集均方根误差RMSEP分别为0.0319、0.0525；运用不同波长选择方法对全波长下生肉糜与熟肉糜掺假浓度检测模型进行简化，研究发现竞争性自适应重加权算法(CARS)为最佳波长选择方法，最优生肉糜与熟肉糜掺假浓度检测简化模型分别为CARS波长选择后建立的极限学习机回归(ELMR)模型与支持向量回归(SVR)模型，其性能参数校正集决定系数R2c分别为0.9798、0.9566，校正集均方根误差RMSEC分别为0.0332、0.0490，预测集决定系数R2p分别为0.9736、0.9541、预测集均方根误差RMSEP分别为0.0480、0.0640。该简化模型性能未优于全波长下最优模型，故基于高光谱的牛肉-猪肉混合肉糜掺假浓度最优检测模型为全波长下一阶导数预处理(1st De)后建立的支持向量回归(SVR)模型，该模型具有良好的稳定性与预测效果。
高光谱技术对块状与糜状肉、生肉与熟肉的无损检测都取得了良好的效果，表明高光谱技术是一种有效的、准确的、适应性高的生、熟牛肉-猪肉识别与掺假检测技术。
(1)确定了基于高光谱的块状生、熟牛肉-猪肉分类识别方法。分别对生肉块与熟肉块样本进行高光谱图像采集与光谱数据提取，选用不同预处理方法与定性模型建模方法建立全波长下肉块分类模型，其中利用原始光谱数据建立的随机森林(RF)分类模型为最优，该模型对生肉块与熟肉块分类准确率都达到了100%。进一步对光谱数据进行特征波长选取以建立简化模型，其中肉块分类识别最优简化模型为运用竞争性自适应重加权算法(CARS)波长选取后建立的随机森林模型，该模型对生肉块与熟肉块分类准确率同样达到了100%，且建模速度更快，因此该简化模型也是基于高光谱的块状牛肉-猪肉分类最优识别模型。
(2)确定了基于高光谱的生、熟牛肉-猪肉混合肉糜掺假浓度检测方法。以猪肉糜为掺假物与牛肉糜进行混合制成不同掺假浓度的掺假肉糜样本，分别对生肉糜样本与熟肉糜样本高光谱数据进行预处理并建立全波长下肉糜掺假浓度检测模型，其中全波长下最优掺假浓度检测模型为一阶导数预处理(1st De)后建立的支持向量回归(SVR)模型，全波长下最优生肉糜与熟肉糜掺假浓度检测模型性能参数校正集决定系数R2c分别为0.9959、0.9941，校正集均方根误差RMSEC分别为0.0150、0.0180，预测集决定系数R2c分别为0.9881、0.9682，预测集均方根误差RMSEP分别为0.0319、0.0525；运用不同波长选择方法对全波长下生肉糜与熟肉糜掺假浓度检测模型进行简化，研究发现竞争性自适应重加权算法(CARS)为最佳波长选择方法，最优生肉糜与熟肉糜掺假浓度检测简化模型分别为CARS波长选择后建立的极限学习机回归(ELMR)模型与支持向量回归(SVR)模型，其性能参数校正集决定系数R2c分别为0.9798、0.9566，校正集均方根误差RMSEC分别为0.0332、0.0490，预测集决定系数R2p分别为0.9736、0.9541、预测集均方根误差RMSEP分别为0.0480、0.0640。该简化模型性能未优于全波长下最优模型，故基于高光谱的牛肉-猪肉混合肉糜掺假浓度最优检测模型为全波长下一阶导数预处理(1st De)后建立的支持向量回归(SVR)模型，该模型具有良好的稳定性与预测效果。
高光谱技术对块状与糜状肉、生肉与熟肉的无损检测都取得了良好的效果，表明高光谱技术是一种有效的、准确的、适应性高的生、熟牛肉-猪肉识别与掺假检测技术。