为了对冷却羊肉表面细菌总数进行无损检测,采用不同波段范围高光谱成像系统结合多种建模方法建立预测模型,进行理论分析和实验验证。分别在400nm~110nm和900nm~1700nm波长范围内获取冷却羊肉样本的高光谱图像信息,结合偏最小二乘和人工神经网络(反向人工神经网络和径向基人工神经网络)建立预测模型。结果表明,神经网络建模效果优于偏最小二乘;其中,径向基人工神经网络模型在400nm~1100nm和900nm~1700nm波长范围内相关系数分别为0.9872和0.9988,均方根误差分别为0.8210和0.2507,预测效果最好;而900nm~1700nm波长范围为最佳建模波长。这一结果说明利用高光谱图像技术对冷却羊肉表面细菌总数进行快速无损检测是可行的。

细菌总数是生鲜肉的最主要安全参数之一, 肉品的光学扩散特征反映其细菌总数。 对高光谱扩散数据利用不同的拟合算法处理与分析, 并比对生鲜猪肉细菌总数建模的相关性差异, 确定了用于最终建模的最佳扩散特征参数, 为后续的装置开发提供建模依据。 冰箱调至4 ℃恒温, 在里面放置63个分割好的猪肉样品, 每天间隔固定时间从里面随机取出4~5块样品, 获取猪肉表面的400~1 100 nm波长范围内高光谱散射图像, 从高光谱图像中提取猪肉的扩散光谱曲线, 利用Lorentz函数和Gompertz函数以及修正后的函数, 拟合处理与分析扩散数据, 拟合后的不同参数可以代表样品的特征光谱, 细菌总数的标准值用平板计数法获得, 然后单独用各单个参数、 多个参数结合的方式, 多元线性回归的统计方法, 与细菌总数分别建立模型。 实验结果表明, Lorentz三参数结合, Lorentz四参数结合, Gompertz四参数拟合的模型相关系数较高, 其校正集和预测集相关系数分别为093, 096, 096和090, 090, 092, 标准偏差分别为047, 044, 039和056, 046, 042, 其中, 相关性最好的是Gompertz四参数结合, 在装置的开发中可以优选相关性和稳定性最好的模型导入装置系统中。

生鲜猪肉中细菌总数(TVC)超标会直接危害大众, 为此研究验证高光谱成像技术结合相应的建模方法预测生鲜猪肉中TVC的可行性。 针对非线性、 小样本问题, 以及光谱维和空间维的大数据量问题, 在综合比较偏最小二乘回归(PLSR)、 人工神经网络(ANNs)和最小二乘支持向量机(LS-SVM)3种建模方法的基础上, 最终选取了LS-SVM方法组建模型。 3种建模方法综合比较的结果表明, LS-SVM同时兼顾了训练精度和泛化能力两方面的性能, 使其都能做到最优, 与标准平板菌落计数法所检测TVC的决定系数分别为0.987 2和0.942 6, 校正均方根误差和预测标准均方根误差分别为0.207 1和0.217 6, 其建模性能优于其他方法。 研究结果表明, 高光谱成像技术结合LS-SVM预测建模方法可作为快速、 非破坏预测生鲜猪肉TVC的有效手段。