Mezi mnoha masnými výrobky je většina spotřebitelů upřednostňována hovězí maso díky svému vysokému bílkovině, nízkému obsahu vitamínu a minerálů, který vysoce splňuje nutriční potřeby moderních lidí pro maso. Jak se lidové tempo života zrychluje, tradiční vařené hovězí výrobky se staly běžným jídlem v supermarketech a lahůdek a rostou také objem poptávky a prodeje. V reálném životě je však většina vařeného hovězího masa prodaného na trhu hromadně a je bohatá na vysoký obsah bílkovin a vysoký obsah vody, takže je velmi snadné rozmnožovat mikroorganismy a způsobuje, že se během skladování s nízkou teplotou zkazí. Proto se na základě přiměřených a efektivních standardů a systémů třídění kvality hovězího masa stala hledání spolehlivých metod detekce bezpečnosti kvality hovězího masa nejvyšší prioritou pro směr vývoje trhu hovězího masa.
Hyperspektrální obrazy, známé také jako hyperkubiny, jsou trojrozměrné datové bloky (x, y, λ) složené z řady dvourozměrných prostorových obrazů (x, y) pod kontinuální vlnovou délkou λ. Jak je znázorněno na obrázku níže, z pohledu vlnové délky je hyperspektrální obrazová data (x, y, λ) trojrozměrný datový blok složený z dvourozměrných obrazů (x, y); Z pohledu dvourozměrných dat (x, y) je Hyperspectral řada spektrálních křivek. Princip používání technologie HSI k detekci čerstvosti potravin se týká rozdílu v absorpci, odrazu, rozptylu, elektromagnetické energii světla a spektrální poloze vrcholu/koryta vnitřního chemického složení a vnější fyzikální vlastnosti objektu být testován, což vede k různým charakteristikám digitálního signálu. Například hodnoty vrcholu a údolí (spektrální otisky prstů) absorbance na různých vlnových délkách mohou představovat fyzikální vlastnosti různých sloučenin, takže kvalitativní nebo kvantitativní analýza kvality potravin lze dosáhnout analýzou hyperspektrálních informací, tj. Ne, ne, ne, ne, ne, ne, ne, ne, ne, ne, ne, ne, ne, ne. Destruktivní testování kvality potravin.
(1) Extrakce ROI a spektra TVC
Pro vzorek TVC byl po vybráni černé a bílé korekce podvzorky podvzorky Hyperspektrální obrazu 50 px × 50 px. Vybrané
Vzorově podvzorkovací obraz vařeného hovězího masa byl zprůměrován pod specifickým spektrem, aby se získal spektrální průměr každého vzorku pod konkrétním pásem. Tento krok byl implementován
Na softwaru Envi 5.1, hlavně prostřednictvím nástroje ROI softwaru Envi.
Níže uvedený obrázek ukazuje extrakci oblasti návratnosti investic v vzorku hovězího masa TVC v ENVI5.1 a získaná spektrální hodnota.
(2) Extrakce návratnosti ROI a spektra TVB-N
Proces extrakce oblasti ROI je stejný jako proces vzorku TVC v předchozím odstavci. Oblast návratnosti investic 50px*50px je také získána pro předpovídání vařeného vzorku hovězího masa TVB-N. Je vidět, že existují určité rozdíly ve spektrálních křivkách dvou šarží vařených vzorků hovězího masa (odhaduje se, že dvě šarže daoxiangcun vařených hovězích výrobků byly zakoupeny v dlouhém intervalu, což může být způsobeno různými odrůdami hovězího masa)) . Podobně je tento krok pro vzorek hovězího masa TVB-N také implementován na softwaru ENVI5.1.
Obrázek níže ukazuje, že TVB-N extrahuje oblast návratnosti investic v ENVI5.1 a získání spektrální hodnoty vzorku.
Výsledky spektrálního předběžného zpracování
Spektrální informace o vařeném vzorku hovězího masa pro predikci TVC byly předběžně zpracovány (v pořadí SG vyhlazování, vektorového normalizace a transformace SNV). Původní spektrum spektrálních informací a výsledek předběžného zpracování spektra jsou uvedeny na obrázku níže.
Stejná metoda předběžného zpracování jako metoda používaná pro vzorek vařeného hovězího masa pro predikci TVC v předchozím odstavci se používá k předběžnému zpracování spektrálních informací o hyperspektrálních datech vzorku pro predikci hodnoty TVB-N. Původní spektrum a spektrum po předzpracování jsou uvedeny na obrázku níže:
Pro spektrální data před a po předem zpracování byl vytvořen desetinásobný model křížové validace regrese vektoru (SVR). Výkon modelu je zobrazen v tabulce a výsledky modelování jsou uvedeny na obrázku. Tato metoda je implementována v softwaru pro analýzu datových analýzy datových multivariací TheunScrambler X10.4. Metoda SVR a její indikátory výkonu modelu budou zavedeny v části 4.1 a zde nebudou podrobně popsány.
Jak je patrné z tabulky, výkon predikčních modelů obou ukazatelů stanovených předzpracovaným spektrem se do jisté míry zlepšil. Koeficient korelace výkonu r predikčního modelu pro TVC se zvýšil o 16 procentních bodů, zatímco korelační koeficient výkonu R modelu predikce pro TVB-N se zvýšil o 9 procentních bodů. To ověřuje nutnost spektrálního předzpracování, takže následná analýza používá předběžná zpracovaná data.
Shrnutí a výhled
Aby se dosáhlo rychlé a nedestruktivní detekce čerstvosti vařených masných výrobků, tento papír vezme vařené hovězí maso jako výzkumný objekt a používá hyperspektrální zobrazovací technologii k vytvoření predikčního modelu pro čerstvost vařeného hovězího masa. Byly studovány změny v čerstvosti vařeného hovězího masa během skladování a hlavní faktory ovlivňující čerstvost vařeného hovězího masa a byla stanovena hodnota mikrobiálního indexu TVC a hodnota chemického indexu TVB-N související s ním. Konkrétní výzkumné závěry jsou následující: byla studována možnost použití hyperspektrálního zobrazovacího technologie k detekci černosti vařeného hovězího masa a byl projednán změnou trendu indexu svědovosti TVC a TVC TVC TVC vařeného hovězího masa; Výkonnost predikčního modelu SVR (pomocí desetinásobného křížového validace) vytvořeného před a po spektrálních datech byl porovnán předběžné zpracování a predikční model vytvořený s předběžnou sadou dat měl lepší výkon; Byla studována metoda rozdělení sady vzorků. Byla modelována a analyzována tréninková sada a testovací sada generovaná různými metodami rozdělení vzorků a nakonec byla vybrána tréninková sada a testovací sada dělená metodou rozdělení SPXY.
