Di antara banyak produk daging, daging lembu disukai oleh kebanyakan pengguna kerana protein yang tinggi, lemak rendah, vitamin tinggi dan kandungan mineral, yang sangat memenuhi keperluan pemakanan orang moden untuk daging. Memandangkan kadar kehidupan orang ramai mempercepatkan, produk daging lembu yang dimasak tradisional telah menjadi makanan biasa di pasar raya dan makanan istimewa, dan permintaan dan jumlah jualan juga semakin meningkat. Walau bagaimanapun, dalam kehidupan sebenar, kebanyakan daging yang dimasak yang dijual di pasaran secara pukal, dan ia kaya dengan protein tinggi dan kandungan air yang tinggi, jadi sangat mudah untuk membiak mikroorganisma dan menyebabkannya merosakkan semasa penyimpanan suhu rendah. Oleh itu, berdasarkan piawaian dan sistem penggredan kualiti daging lembu yang munasabah dan berkesan, mencari kaedah pengesanan penggredan keselamatan kualiti daging lembu yang boleh dipercayai telah menjadi keutamaan bagi arah pembangunan pasaran daging lembu.
Imej hiperspectral, juga dikenali sebagai hypercubes, adalah blok data tiga dimensi (x, y, λ) yang terdiri daripada satu siri imej spatial dua dimensi (x, y) di bawah panjang gelombang λ. Seperti yang ditunjukkan dalam angka di bawah, dari perspektif panjang gelombang, data imej hiperspektral (x, y, λ) adalah blok data tiga dimensi yang terdiri daripada imej dua dimensi (x, y); Dari perspektif data dua dimensi (x, y), hiperspectral adalah satu siri lengkung spektrum. Prinsip menggunakan teknologi HSI untuk mengesan kesegaran makanan merujuk kepada perbezaan dalam penyerapan, refleksi, penyebaran, tenaga elektromagnet cahaya dan kedudukan spektrum puncak/palung komposisi kimia dalaman dan ciri -ciri fizikal luaran objek untuk objek diuji, yang membawa kepada ciri -ciri isyarat digital yang berbeza. Sebagai contoh, nilai puncak dan lembah (cap jari spektrum) penyerapan pada panjang gelombang yang berbeza boleh mewakili sifat fizikal sebatian yang berbeza, supaya analisis kualitatif atau kuantitatif kualiti makanan dapat dicapai melalui analisis maklumat hiperspektral, iaitu, bukan, bukan, bukan, Ujian merosakkan kualiti makanan.
(1) Contoh TVC ROI dan Pengekstrakan Spektrum
Untuk sampel TVC, imej ROI otot 50 px × 50 px dari subsample imej hiperspectral selepas pembetulan hitam dan putih dipilih. Yang dipilih
Imej subsample daging lembu yang dimasak adalah purata di bawah spektrum tertentu untuk mendapatkan min spektrum bagi setiap sampel di bawah band tertentu. Langkah ini dilaksanakan
Pada perisian Envi 5.1, terutamanya melalui alat ROI perisian Envi.
Angka di bawah menunjukkan pengekstrakan kawasan ROI sampel daging lembu TVC yang dimasak di Envi5.1 dan nilai spektrum yang diperolehi.
(2) TVB-N Contoh ROI dan Pengekstrakan Spektrum
Proses pengekstrakan rantau ROI adalah sama dengan data sampel TVC dalam perenggan sebelumnya. Rantau ROI 50px*50px juga diperolehi untuk meramalkan sampel daging lembu yang dimasak TVB-N. Ia dapat dilihat bahawa terdapat perbezaan tertentu dalam lengkung spektrum dua kumpulan sampel daging lembu yang dimasak (dianggarkan bahawa kedua -dua kumpulan produk daging lembu Daoxiangcun dibeli pada selang waktu yang panjang, yang mungkin disebabkan oleh jenis daging lembu yang berbeza) . Begitu juga, langkah ini untuk sampel daging lembu yang dimasak TVB-N juga dilaksanakan pada perisian ENVI5.1.
Angka di bawah menunjukkan TVB-N mengekstrak kawasan ROI di ENVI5.1 dan mendapatkan nilai spektrum sampel.
Keputusan pra -proses spektrum
Maklumat spektrum sampel daging lembu yang dimasak untuk meramalkan TVC telah diproses semula (mengikut urutan SG Smoothing, normalisasi vektor dan transformasi SNV). Spektrum asal maklumat spektrum dan hasil pra -proses spektrum ditunjukkan dalam gambar di bawah.
Kaedah preprocessing yang sama seperti yang digunakan untuk sampel daging lembu yang dimasak untuk meramalkan TVC dalam perenggan sebelumnya digunakan untuk memproses maklumat spektrum data hiperspectral sampel untuk meramalkan nilai TVB-N. Spektrum asal dan spektrum selepas pra -proses ditunjukkan dalam gambar di bawah:
Model rentetan vektor sokongan sepuluh kali ganda (SVR) telah ditubuhkan untuk data spektrum sebelum dan selepas pra-proses. Prestasi model ditunjukkan dalam jadual dan hasil pemodelan ditunjukkan dalam angka. Kaedah ini dilaksanakan dalam perisian analisis data multivariate Theunscrambler x10.4. Kaedah SVR dan penunjuk prestasi modelnya akan diperkenalkan di Bahagian 4.1 dan tidak akan diterangkan secara terperinci di sini.
Seperti yang dapat dilihat dari meja, prestasi model ramalan kedua -dua petunjuk yang ditubuhkan oleh spektrum yang telah diproses telah bertambah baik. Koefisien korelasi prestasi R model ramalan untuk TVC telah meningkat sebanyak 16 mata peratusan, manakala pekali korelasi prestasi R model ramalan untuk TVB-N telah meningkat sebanyak 9 mata peratusan. Ini mengesahkan keperluan pra -proses spektrum, jadi analisis seterusnya menggunakan data yang telah diproses.
Ringkasan dan pandangan
Untuk mencapai pengesanan pesat dan tidak merosakkan produk daging yang dimasak, makalah ini mengambil daging lembu yang dimasak sebagai objek penyelidikan dan menggunakan teknologi pengimejan hiperspektral untuk mencipta model ramalan untuk kesegaran daging lembu yang dimasak. Perubahan dalam kesegaran daging lembu yang dimasak semasa penyimpanan dan faktor-faktor utama yang mempengaruhi kesegaran daging lembu yang dimasak telah dikaji, dan nilai TVC indeks mikrob dan indeks kimia TVB-N yang berkaitan dengannya ditentukan. Kesimpulan penyelidikan khusus adalah seperti berikut: kemungkinan menggunakan teknologi pengimejan hiperspectral untuk mengesan kesegaran daging lembu yang dimasak telah dikaji, dan trend perubahan indeks kesegaran TVC dan TVB-N nilai TVC daging lembu yang dimasak semasa penyimpanan dibincangkan; Prestasi model ramalan SVR (menggunakan pengesahan silang sepuluh kali ganda) yang dibina sebelum dan selepas pra-proses data spektrum telah dibandingkan, dan model ramalan yang dibina dengan set data yang telah diproses mempunyai prestasi yang lebih baik; Kaedah pembahagian yang ditetapkan sampel telah dikaji. Set latihan dan ujian yang dihasilkan oleh kaedah pembahagian sampel yang berbeza telah dimodelkan dan dianalisis, dan akhirnya set latihan dan ujian yang dibahagikan dengan kaedah partition SPXY dipilih.
