论文部分内容阅读
对虾是我国最重要的水产品之一,肉质鲜嫩、营养丰富,深受消费者喜爱。对虾在运输、储藏和销售等过程中极易腐败变质,因此快速、准确地检测对虾类产品的新鲜度显得尤为重要。传统的新鲜度检测手段(如理化指标、微生物指标)耗时、费力且具有破坏性,无法满足现代食品工业实时、准确、无损的检测要求。本课题致力于研究利用可见/短波近红外高光谱成像系统实现对虾新鲜度的快速无损检测,为将来的水产品品质监测体系提供理论和技术支持。本文的主要研究内容及成果如下:应用可见/短波近红外高光谱成像技术实现了虾仁质构参数和色泽参数的快速无损检测及其可视化分布。冷藏期间,分别采用质构仪和色差计测定虾仁样本的质构特性(硬度、弹性、恢复性、胶着性、咀嚼性和粘聚性)和色泽参数(L*、a*和b*)变化。优选出最佳光谱预处理方法对虾仁样本的平均光谱进行去噪,再采用连续投影算法(successive projections algorithm,SPA)提取出特征波长。然后分别建立质构参数、色泽参数的偏最小二乘回归(partial least squares regression,PLSR)、RBF人工神经网络(radial basis function neural network,RBF-NN)和偏最小二乘支持向量机(least-squares support vector machine,LS-SVM)检测模型。结果显示,基于特征波长建立的SPA-LS-SVM模型能够准确地预测虾仁硬度、胶着性和咀嚼性变化,其预测集相关系数(regression coefficient of prediction,Rp)分别为0.81、0.80和0.84,预测集残差平方和(root mean square error of prediction,RMSEP)分别为0.402、0.163和0.174。同样,L*和b*的最优模型SPA-LS-SVM的Rp分别达0.881和0.852,RMSEP分别为0.716和0.685。最后采用最优模型对预测集样本图像上所有像素点的质构特性和色泽参数进行预测并生成可视化分布图。应用可见/短波近红外高光谱成像技术结合小波分析实现了虾仁挥发性盐基氮(Total volatile basic nitrogen,TVB-N)含量的快速无损检测及其可视化分布。光谱经无信息变量消除(uninformative variable elimination,UVE)处理后,再采用一维小波分解提取出三种小波特征,即能量、熵和模极大值。然后基于三种小波特征分别建立TVB-N的PLSR、RBF-NN和LS-SVM预测模型。结果显示,基于三种小波特征建立的非线性模型均取得了较高的建模和预测精度,其中基于模极大值建立的LS-SVM模型训练集和预测集的效果均为最优,Rc和Rp分别为0.99和0.98,RMSEC和RMSEP分别为0.256和0.712 mg N/100 g。最后采用最优模型对预测集样本图像上所有像素点的挥发性盐基氮含量进行预测并生成可视化分布图。应用可见/短波近红外高光谱成像技术结合图像融合技术实现了虾仁菌落总数(total viable counts,TVC)的快速无损检测及可视化分布。首先采用SPA从平均光谱中选出特征波长。其次,对高光谱图像进行主成分分析,并采用灰度共生矩阵(gray-level co-occurrence matrix,GLCM)从前三个主成分图像中提取出8个图像纹理变量。分别基于特征波长光谱、图像纹理变量、特征波长光谱+图像纹理变量建立TVC的PLSR、RBF-NN和LS-SVM预测模型。由于融合了光谱特征和图像特征,基于特征波长光谱+图像纹理变量建立的三种模型均取得了较为满意的预测结果且略优于特征波长光谱模型。其中基于特征波长光谱+图像纹理变量建立的LS-SVM模型训练集和预测集的结果最优,其Rc达0.97,RMSEC为0.045 log CFU/g,Rp达0.95,RMSEP为0.437 log CFU/g。考虑到模型的简便性,采用基于特征波长光谱的LS-SVM法对预测集样本图像上所有像素点的TVC含量进行预测并生成可视化分布图。