Entre muitos produtos à carne, a carne bovina é favorecida pela maioria dos consumidores por causa de sua alta proteína, baixa gordura, alto teor de vitaminas e minerais, que atende muito às necessidades nutricionais das pessoas modernas para a carne. À medida que o ritmo da vida das pessoas acelera, os produtos tradicionais de carne bovina cozida se tornaram um alimento comum em supermercados e delicatessens, e o volume de demanda e vendas também está aumentando. No entanto, na vida real, a maior parte da carne cozida vendida no mercado está a granel e é rica em alto teor de proteínas e alto teor de água, por isso é muito fácil criar microorganismos e fazer com que ele estrague durante o armazenamento de baixa temperatura. Portanto, com base em padrões e sistemas de classificação de qualidade de qualidade razoável e eficaz, a busca de métodos de detecção de classificação de segurança de qualidade de carne confiável tornou -se uma prioridade para a direção de desenvolvimento do mercado de carne bovina.
As imagens hiperespectrais, também conhecidas como hipercubos, são blocos de dados tridimensionais (x, y, λ) compostos por uma série de imagens espaciais bidimensionais (x, y) sob comprimento de onda contínuo λ. Como mostrado na figura abaixo, da perspectiva do comprimento de onda, os dados da imagem hiperespectral (x, y, λ) são um bloco de dados tridimensionais composto por imagens bidimensionais (x, y); Do ponto de vista dos dados bidimensionais (x, y), a hiperespectral é uma série de curvas espectrais. O princípio do uso da tecnologia HSI para detectar a frescura dos alimentos refere -se à diferença na absorção, reflexão, dispersão, energia eletromagnética da luz e a posição espectral do pico/calha da composição química interna e características físicas externas do objeto para ser testado, o que leva a diferentes características de sinal digital. Por exemplo, os valores de pico e vale (impressões digitais espectrais) de absorvância em diferentes comprimentos de onda podem representar as propriedades físicas de diferentes compostos, de modo que a análise qualitativa ou quantitativa da qualidade dos alimentos pode ser alcançada através da análise de informações hiperespectrais, isto é, não Teste destrutivo da qualidade dos alimentos.
(1) TVC Sample ROI e extração de espectro
Para a amostra de TVC, uma imagem de ROI de subamostra ROI de 50 px × 50 px da subamostra de imagem hiperespectral após a correção em preto e branco foi selecionado. O selecionado
A imagem de subamostra de carne bovina cozida foi calculada em média em um espectro específico para obter a média espectral de cada amostra sob uma banda específica. Esta etapa foi implementada
no software EnvI 5.1, principalmente através da ferramenta ROI do software EnvI.
A figura abaixo mostra a extração da área de ROI da amostra de carne bovina cozida TVC no ENVI5.1 e o valor espectral obtido.
(2) TVB-N Sample ROI e extração de espectro
O processo de extração da região de ROI é o mesmo dos dados de amostra do TVC no parágrafo anterior. A região de ROI de 50px*50px também é obtida para prever a amostra de carne bovina cozida de TVB-N. Pode -se observar que existem certas diferenças nas curvas espectrais dos dois lotes de amostras de carne cozida (estima -se que os dois lotes de produtos de carne cozida daoxiangcun foram comprados em um intervalo longo, que podem ser causados por diferentes variedades de carne bovina) . Da mesma forma, esta etapa para a amostra de carne bovina de TVB-N também é implementada no software EnvI5.1.
A figura abaixo mostra o TVB-N extraindo a área de ROI no EnvI5.1 e obtendo o valor espectral da amostra.
Resultados de pré -processamento espectral
As informações espectrais da amostra de carne bovina cozida para prever o TVC foram pré -processadas (na ordem de suavização de SG, normalização do vetor e transformação de SNV). O espectro original das informações espectrais e o resultado de pré -processamento do espectro são mostrados na figura abaixo.
O mesmo método de pré-processamento usado para a amostra de carne bovina cozida para prever TVC no parágrafo anterior é usada para pré-processar as informações espectrais dos dados hiperespectrais da amostra para prever o valor TVB-N. O espectro original e o espectro após o pré -processamento são mostrados na figura abaixo:
Um modelo de validação cruzada de dez vezes de regressão vetorial de suporte (SVR) foi estabelecida para os dados espectrais antes e após o pré-processamento. O desempenho do modelo é mostrado na tabela e os resultados da modelagem são mostrados na figura. Este método é implementado no software de análise de dados multivariados TheUNScrambler x10.4. O método SVR e seus indicadores de desempenho do modelo serão introduzidos na Seção 4.1 e não serão descritos em detalhes aqui.
Como pode ser visto na tabela, o desempenho dos modelos de previsão dos dois indicadores estabelecidos pelos espectros pré -processados melhorou até certo ponto. O coeficiente de correlação de desempenho R do modelo de previsão para TVC aumentou em 16 pontos percentuais, enquanto o coeficiente de correlação de desempenho R do modelo de previsão do TVB-N aumentou 9 pontos percentuais. Isso verifica a necessidade de pré -processamento espectral; portanto, a análise subsequente usa os dados pré -processados.
Resumo e Outlook
Para obter a detecção rápida e não destrutiva da frescura de produtos de carne cozida, este artigo pega carne cozida como objeto de pesquisa e usa a tecnologia de imagem hiperespectral para criar um modelo de previsão para a frescura da carne cozida. As mudanças na frescura da carne cozida durante o armazenamento e os principais fatores que afetam a frescura da carne bovina cozida foram estudados, e o valor do índice microbiano TVC e o valor do índice químico TVB-N relacionados a ele foram determinados. As conclusões específicas da pesquisa são as seguintes: A possibilidade de usar a tecnologia de imagem hiperespectral para detectar a frescura da carne cozida foi estudada, e a tendência de mudança do índice de frescor TVC e TVB-n Value TVC de carne bovina cozida durante o armazenamento foi discutida; O desempenho do modelo de previsão SVR (usando validação cruzada de dez vezes) construído antes e após o pré-processamento de dados espectrais foi comparado, e o modelo de previsão construído com o conjunto de dados pré-processado teve melhor desempenho; O método de particionamento do conjunto de amostras foi estudado. O conjunto de treinamento e o conjunto de testes gerados por diferentes métodos de partição de amostra foram modelados e analisados, e finalmente o conjunto de treinamento e o conjunto de testes divididos pelo método de particionamento SPXY foram selecionados.
