利用无损检测和多传感器数据融合技术快速检测鸡肉新鲜度

摘要

鸡肉新鲜度的快速、无损检测对肉品质量控制、保证消费者安全具有重要意义。通常情况下，挥发性盐基氮（TVB-N）是评价肉品新鲜度的一个常用指标，本研究利用两种新型的无损检测技术，实现鸡肉中TVB-N含量的快速定量检测。具体的研究内容总结如下：
　　1.首先，本研究尝试利用嗅觉可视化技术结合多变量算法实现鸡肉中挥发性盐基氮的定量检测。试验将12种筛选出的气敏材料固定到硅胶板上，制成可视化传感器阵列。利用扫描仪获取阵列与鸡肉样本挥发性气味反应前后图像信息。以前后阵列颜色变化作为特征值。模型建立过程中，提出一种新的算法 AdaBoost–BPANN并与传统线性算法所建模型的预测性能进行比较。结果显示，BP-Adaboost模型对鸡肉 TVB-N含量预测结果最佳，预测集相关性系数(Rp)为0.8880，预测均方根误差(RMSEP)为5.0282 mg/100 g。本研究结果充分说明嗅觉可视化技术结合适合的多变量算法对鸡肉中TVB-N含量进行定量预测分析是可行的。
　　2.其次，本研究尝试利用高光谱图像技术结合多变量算法实现鸡肉中挥发性盐基氮的定量检测。通过主成分分析(PCA)和蚁群算法(ACO)比较地对鸡肉的高光谱图像进行降维处理，首先，利用两种方法分别选取5个波长作为特征波长，然后，再从这5幅特征波长图像中分别提取基于统计矩阵的6个纹理特征变量。因此每个鸡肉样本包含30个纹理特征变量，用于 BPANN预测模型建立。结果显示， ACO–BPANN模型对鸡肉TVB-N含量预测结果优于PCA-BPANN，预测集相关性系数(Rp)为0.7542，预测均方根误差(RMSEP)为6.3834 mg/100 g。高光谱图像技术结合适合的多变量算法对鸡肉中TVB-N含量进行定量预测分析是可行的。
　　3.最后，本研究尝试利用多信息融合技术结合多变量算法实现鸡肉中挥发性盐基氮的定量检测。在证明采用单一检测技术可行的基础上，研究进一步将两技术相融合综合检测鸡肉的新鲜度。实验利用嗅觉可视化技术和高光谱图像技术分别获取猪肉的气味信息和光谱图像信息，分别提取出36个颜色和30个纹理特征变量进行特征层数据融合，建立BPANN预测模型，结果表明，两种技术融合的模型要优于单一技术模型，而基于两技术融合的BPANN模型对鸡肉 TVB-N含量预测结果最佳，预测集相关性系数为0.8819，预测均方根误差为4.3137 mg/100 g。结果表明，采用融合技术模型检测鸡肉TVB-N是可行的，且较于单一技术模型的准确性和稳定性均有所提升。

目录

封面

声明

英文摘要

中文摘要

目录

CHAPTER 1. INTRODUCTION

1.1 GENERAL OVERVIEW

1.2 REFERENCES

CHAPTER 2. OBJECTIVES

2.1 GENERAL OBJECTIVE

2.2 SPECIFIC OBJECTIVES

2.3 THESIS OUTLINE

CHAPTER 3. LITERATURE REVIEW

3.1 POULTRY MEAT

3.2 CHICKEN QUALITY CONTROL AND ANALYSIS

3.3 NONDESTRUCTIVE DETECTION TECHNIQUE \(NDT\)

3.4 MULTIVARIATE DATA ANALYSIS AND CHEMOMETRICS

3.5 REFERENCES

CHAPTER 4 QUANTIFYING OF TOTAL VOLATILE BASIC NITROGEN \(TVB-N\) CONTENT IN CHICKEN MEAT USING AN E-NOSE BASED ON ODOR IMAGING AND NONLINEAR REGRESSION TOOL

4.1 INTRODUCTION

4.2 MATERIALS AND METHODS

4.3 RESULTS

4.4 DISCUSSION

4.5 CONCLUSION

4.6 REFERENCES

CHAPTER 5 NONDESTRUCTIVE QUANTIFYING TOTAL VOLATILE BASIC NITROGEN \(TVB-N\) CONTENT IN CHICKEN USING HYPERSPECTRAL IMAGING \(HSI\) TECHNIQUE COMBINED WITH DIFFERENT DATA DIMENSION REDUCTION ALGORITHMS

5.1 INTRODUCTION

5.2 MATERIALS AND METHODS

5.3 RESULTS AND DISCUSSION

5.4 CONCLUSIONS

5.5 REFERENCES

CHAPTER 6 INTELLIGENT EVALUATION OF CHICKEN MEAT’S FRESHNESS BY AN IMPROVED MULTIPLE LEVEL DATA FUSION MODEL

6.1 INTRODUCTION

6.2 MATERIALS AND METHODS

6.3 RESULTS AND DISCUSSIONS

6.4 CONCLUSION

6.5 REFERENCES

CHAPTER 7 NOVELTY STATEMENT, FUTURE TRENDS AND CONCLUSIONS

7.1 NOVELTY STATEMENT

7.2 CHALLENGES AND FUTURE TRENDS

7.3 CONCLUSIONS

7.4 LIST OF PUBLICATIONS AND CONFERENCES

7.5 REFERENCES