首页 > 论文 > 光谱学与光谱分析 > 31卷 > 2期(pp:379-383)

牛肉化学成分的近红外光谱检测方法的研究

Research on Prediction Chemical Composition of Beef by Near Infrared Reflectance Spectroscopy

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

通过对整块牛肉和肉馅样品进行扫谱, 测定其脂肪、 蛋白和水分含量, 采用国产SupNIR-1000近红外光谱仪, 运用人工神经网络(ANN)分别建立肉馅和整块牛肉的脂肪、 蛋白和水分的模型。 肉馅样品的脂肪模型校正相关系数为0.971、 预测相关系数为0.972; 蛋白的校正相关系数为0.952、 预测相关系数为0.949; 水分的校正相关系数为0.938、 预测相关系数为0.927。 整块牛肉的脂肪模型校正相关系数为0.935、 预测相关系数为0.810; 蛋白的校正相关系数为0.954、 预测相关系数为0.868; 水分的校正相关系数为0.930、 预测相关系数为0.913。 比较可知近红外光谱能够更好的检测肉馅的脂肪、 蛋白和水分含量。 整块牛肉的模型也基本上可以满足牛肉化学成分的在线快速检测的要求。

Abstract

This study established a near infrared reflectance spectroscopy models for exactly predicting the fat, protein and moisture of the ground and mince beef on line. Using our country’ SupNIR-1000 near infrared spectrometer, the models were set up by artificial neural network (ANN). Related coefficient of calibration (rC) of fat model of mince was 0.971 and related coefficient of prediction (rP) was 0.972.The protein’ rC and RP were 0.952 and 0.949, respectively. The moisture’ rC and rP were 0.938 and 0.927, respectively.Using ground beef established models, the fat’ rC and rP were 0.935 and 0.810; the protein’ rC and rP were 0.954 and 0.868; the moisture’ rC and rP were 0.930 and 0.913, respectively. So near infrared reflectance spectroscopy can better detect the fat, protein and moisture of mince than ground beef. But basically the ground beef model also can be used to quickly predict the chemical composition on line.

广告组1 - 空间光调制器+DMD
补充资料

中图分类号:TS251

基金项目:公益性行业(农业)科研专项经费项目(nyhyzx07-035)资助

收稿日期:2010-04-23

修改稿日期:2010-08-02

网络出版日期:0001-01-01

作者单位    点击查看

孙晓明:中国农业科学院北京畜牧兽医研究所, 北京100193青岛农业大学食品科学与工程学院, 山东 青岛266109
卢凌:青岛农业大学食品科学与工程学院, 山东 青岛266109
张佳程:中国农业科学院北京畜牧兽医研究所, 北京100193
张松山:青岛农业大学食品科学与工程学院, 山东 青岛266109
孙宝忠:青岛农业大学食品科学与工程学院, 山东 青岛266109

联系人作者:孙晓明(sxm007008@163.com)

备注:孙晓明, 1985年生, 青岛农业大学食品科学与工程学院硕士研究生

【1】Prieto N, Ross D W, Navajas E A, et al. Meat Science, 2009, 83: 96.

【2】Bowling M B, Vote D J, Belk K E, et al. Meat Science, 2009, 82: 1.

【3】NIU Zhi-you, HAN Lu-jia, SU Xiao-ou, et al(牛智有, 韩鲁佳, 苏晓鸥, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2006, 37(8): 126.

【4】Prieto N, Andrés S, Giráldez F J, et al. Meat Science, 2008, 79: 692.

【5】Sierra V, Aldai N, Castro P, et al. Meat Science, 2008, 78: 248.

【6】Ripoll G, Albertí P, Panea B, et al. Meat Science, 2008, 80: 697.

【7】Prieto N, Roehe R, Lavin P. Meat Science, 2009, 83: 175.

【8】De Marchi M, Berzaghi. Italian Journal of Animal Science, 2007, 6: 421.

【9】HU Yao-hua, GUO Kang-quan, Noguchi Gou, et al(胡耀华, 郭康权, 野口刚, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2009, 29(12): 3259.

【10】LIU Wei, YU Xiang-lin, SUN Dong-dong, et al(刘炜, 俞湘麟, 孙东东, 等). Swine Production(养猪), 2005, 4(3): 47.

【11】Prevolnik M, Candek-Potokar M, Skorjanc D, et al. Journal of Near Infrared Spectroscopy, 2005, 13: 77.

【12】Prieto N, Andres S, Giraldez F J, et al. Meat Science, 2006,(74): 487.

【13】ZHU Da-qi, SHI Hui(朱大奇, 史慧). Principle and Applications of Artificial Neural Networks(人工神经网络原理及应用). Beijing: Science Press(北京: 科学出版社), 2006. 1.

【14】Cozzolino D, Murray I. Journal of Near Infrared Spectroscopy, 2002, 10: 37.

引用该论文

SUN Xiao-ming,LU Ling,ZHANG Jia-cheng,ZHANG Song-shan,SUN Bao-zhong. Research on Prediction Chemical Composition of Beef by Near Infrared Reflectance Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 379-383

孙晓明,卢凌,张佳程,张松山,孙宝忠. 牛肉化学成分的近红外光谱检测方法的研究[J]. 光谱学与光谱分析, 2011, 31(2): 379-383

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF