Среди многих мясных продуктов говядину предпочитают большинство потребителей из -за его высокого белка, низкого содержания жира, высокого содержания витамина и минералов, что высоко соответствует потребностям современных людей в питании для мяса. По мере того, как ускоряется темп жизни людей, традиционные приготовленные говядистые продукты стали обычной едой в супермаркетах и деликатесах, а также увеличивается объем спроса и продаж. Тем не менее, в реальной жизни большая часть приготовленной говядины, продаваемой на рынке, имеет массу, и она богата высоким содержанием белка и высоким содержанием воды, поэтому очень легко разводить микроорганизмы и привести к тому, что он портит во время низкотемпературного хранения. Поэтому, основываясь на разумных и эффективных стандартах и системах оценки качества говядины, поиск надежных методов обнаружения безопасности качества говядины стал главным приоритетом для направления разработки рынка говядины.
Гиперспектральные изображения, также известные как гиперкубы, представляют собой трехмерные блоки данных (x, y, λ), состоящие из ряда двумерных пространственных изображений (x, y) при непрерывной длине волны λ. Как показано на рисунке ниже, с точки зрения длины волны, данные гиперспектрального изображения (x, y, λ) представляют собой трехмерный блок данных, состоящий из двумерных изображений (x, y); С точки зрения двухмерных данных (x, y), гиперспектральный представляет собой серию спектральных кривых. Принцип использования технологии HSI для обнаружения свежести пищи относится к разнице в поглощении, отражении, рассеянии, электромагнитной энергии света и спектральном положении пика/впадины внутреннего химического состава и внешних физических характеристик объекта для быть проверенным, что приводит к различным характеристикам цифрового сигнала. Например, значения пика и долины (спектральные отпечатки пальцев) поглощения на разных длин волн могут представлять физические свойства различных соединений, чтобы качественный или количественный анализ качества пищи может быть достигнут с помощью анализа гиперспектральной информации, то есть не является не разрушительное тестирование качества пищи.
(1) Пример ROI и извлечение спектра TVC
Для образца TVC было выбрано образы подвыборки мышц мышц 50 PX 50 PX. Выбран
Приготовленная образа подвыборки говядины усредняли под определенным спектром для получения среднего спектра каждого образца в определенной полосе. Этот шаг был реализован
На программном обеспечении Envi 5.1, в основном через инструмент ROI программного обеспечения ENVI.
На рисунке ниже показано извлечение области ROI приготовленной на TVC образец говядины в ENVI5.1 и полученное спектральное значение.
(2) Пример ROI и экстракция спектра TVB-N
Процесс извлечения региона ROI такой же, как и для образцов данных TVC в предыдущем абзаце. Область ROI 50 %*50PX также получена для прогнозирования образец приготовленной говядины TVB-N. Можно видеть, что существуют определенные различия в спектральных кривых двух партий приготовленных образцов говядины (подсчитано, что две партии приготовленных в говядине продуктов Daoxiangcun были приобретены с длинным интервалом, что может быть вызвано различными разновидностями говядины) Полем Аналогичным образом, этот шаг для образец приготовленной на TVB-N также реализован на программном обеспечении ENVI5.1.
На рисунке ниже показано, что TVB-N экстрагирует область ROI в ENVI5.1 и получение спектрального значения выборки.
Результаты спектральной предварительной обработки
Спектральная информация о приготовленной образе с говядиной для прогнозирования TVC была предварительно обработана (в порядке сглаживания SG, нормализации векторов и трансформации SNV). Оригинальный спектр спектральной информации и результат предварительной обработки спектра показаны на рисунке ниже.
Тот же метод предварительной обработки, что и для образец приготовленной говядины для прогнозирования TVC в предыдущем параграфе, используется для предварительной обработки спектральной информации гиперспектральных данных выборки для прогнозирования значения TVB-N. Исходный спектр и спектр после предварительной обработки показаны на рисунке ниже:
Десятикратная модель перекрестной проверки векторной регрессии (SVR) была установлена для спектральных данных до и после предварительной обработки. Производительность модели показана в таблице, и результаты моделирования показаны на рисунке. Этот метод реализован в программном обеспечении для анализа многомерного анализа данных TheUnscrambler X10.4. Метод SVR и его индикаторы производительности модели будут введены в разделе 4.1 и не будут подробно описаны здесь.
Как видно из таблицы, производительность моделей прогнозирования двух индикаторов, установленных предварительно обработанными спектрами, улучшилась в определенной степени. Коэффициент корреляции производительности r модели прогнозирования для TVC увеличился на 16 процентных пунктов, в то время как коэффициент корреляции производительности R модели прогнозирования для TVB-N увеличился на 9 процентных пунктов. Это проверяет необходимость спектральной предварительной обработки, поэтому в последующем анализе используются предварительно обработанные данные.
Резюме и перспективы
Чтобы достичь быстрого и неразрушающего обнаружения свежести приготовленных мясных продуктов, эта статья принимает приготовленную говядину в качестве объекта исследования и использует технологию гиперспектральной визуализации для создания модели прогнозирования для свежести приготовленной говядины. Изменения в свежесть приготовленной говядины во время хранения и основных факторов, влияющих на свежесть приготовленной говядины, были определены значения TVB-N в микробном индексе и химический индекс, связанный с ней. Конкретные выводы исследования заключаются в следующем: была изучена возможность использования технологии гиперспектральной визуализации для обнаружения свежести приготовленной говядины, а также обсуждалась тенденция к изменению индекса TVC и TVB-N Value TVC при приготовленной говядине; Производительность модели прогнозирования SVR (с использованием десятикратной перекрестной проверки), построенной до и после сравнения предварительной обработки спектральных данных, и модель прогнозирования, построенная с предварительным набором данных, имела лучшую производительность; Метод разделения набора образцов был изучен. Учебный набор и набор тестов, созданные различными методами раздела выборки, были смоделированы и проанализированы, и, наконец, были выбраны учебный набор и набор тестирования, разделенные на метод разделения SPXY.
