基于近红外光谱技术的猪肉新鲜度快速预测与识别

摘要

猪肉新鲜度的传统检测方法操作繁琐、耗时长、难以满足大批量样本的快速、实时检测。另外,市场中以冷冻肉冒充新鲜肉的情况时有发生。因此,本文基于近红外光谱技术对挥发性盐基氮(TVB-N)和细菌总数(TVC)这两个代表猪肉新鲜度的指标进行了定量建模预测,并对冷冻猪肉进行了定性建模判别。具体结论如下:
　　 1、以完整肉块、绞碎肉泥、渗出肉汁三种样品预处理方法建立了不同的挥发性盐基氮的偏最小二乘(PLS)定量预测模型,通过多种光谱预处理方法获得各自的最优模型,将最优模型进行比较后得出结论:绞碎肉泥的样品预处理方法最好,其原始光谱经过标准变量变换(SNV)后建立的模型为最优模型,建模集相关系数和均方差为0.85412、2.65,预测集相关系数和均方差为0.82626、2.79。
　　 2、利用多传感器信息融合技术将近红外光谱、色差、pH三者的传感器信息通过径向基函数网络(RBFN)进行数据层的融合,来预测猪肉的挥发性盐基氮含量。比较了单个信息和不同信息组合预测的结果,发现三者融合在一起时,挥发性盐基氮预测模型的性能最好,训练集相关系数和均方差为0.98、1.565、预测集相关系数和均方差为0.945、2.722。
　　 3、通过多种数据处理方法建立并优化了细菌总数的定量预测模型。其中:最优光谱预处理方法为多元散射校正(MSC);相关系数法提取特征波段为9759～8878cm-1、8756～8230cm-1、7610～7212cm-1、6766～6606cm-1、4860～4582cm-1,其中第一、第四和第五个波段区间与已测定的蛋白质中的N-H在近红外区域中的吸收谱带较为一致,可以推断猪肉中细菌总数含量和猪肉蛋白质的变化有一定的关系;最后将提取出的特征波段输入误差反向传播人工神经网络(BP-ANN),得到最优模型,其训练集和预测集的相关系数在0.98左右、均方差在0.23左右。
　　 4、建立了-18℃下冻藏0天、10天、20天、30天的猪肉样本的主成分分析结合马氏距离判别模型和概率神经网络(PNN)判别模型,后者的识别能力较好,识别率和拒绝率均在93％以上。通过制备各时期猪肉样本的组织切片,比较其组织结构差异,以及将-80℃冻藏40天的样本输入两模型进行判别,初步得出近红外漫反射光谱判别冷冻猪肉的机理为通过反映猪肉的组织结构信息进行判别。