Entre muchos productos cárnicos, la mayoría de los consumidores favorecen la carne de res debido a su alta proteína, bajo en grasas, alto contenido de vitaminas y minerales, lo que satisface las necesidades nutricionales de las personas modernas para la carne. A medida que se acelera el ritmo de la vida de las personas, los productos tradicionales de carne de res cocinado se han convertido en un alimento común en los supermercados y delicatessenses, y el volumen de demanda y ventas también está aumentando. Sin embargo, en la vida real, la mayor parte de la carne de res cocinada vendida en el mercado está a granel, y es rico en alta proteína y alto contenido de agua, por lo que es muy fácil criar microorganismos y hacer que se estropee durante el almacenamiento a baja temperatura. Por lo tanto, en base a estándares y sistemas de clasificación de calidad de carne razonable y efectivo, la búsqueda de métodos confiables de detección de clasificación de seguridad de calidad de carne se ha convertido en una prioridad para la dirección de desarrollo del mercado de carne.
Las imágenes hiperespectrales, también conocidas como hipercubos, son bloques de datos tridimensionales (x, y, λ) compuestos por una serie de imágenes espaciales bidimensionales (x, y) bajo longitud de onda continua λ. Como se muestra en la figura a continuación, desde la perspectiva de la longitud de onda, los datos de la imagen hiperespectral (x, y, λ) es un bloque de datos tridimensional compuesto por imágenes bidimensionales (x, y); Desde la perspectiva de los datos bidimensionales (X, Y), HyperSpectral es una serie de curvas espectrales. El principio del uso de la tecnología HSI para detectar la frescura de los alimentos se refiere a la diferencia en la absorción, la reflexión, la dispersión, la energía electromagnética de la luz y la posición espectral del pico/canal de la composición química interna y las características físicas externas del objeto a ser probado, lo que conduce a diferentes características de señal digital. Por ejemplo, los valores de pico y valle (huellas dactilares espectrales) de absorbancia a diferentes longitudes de onda pueden representar las propiedades físicas de diferentes compuestos, por lo que se puede lograr un análisis cualitativo o cuantitativo de la calidad del alimento mediante el análisis de información hiperespectral, es decir, no Pruebas destructivas de la calidad de los alimentos.
(1) TVC Muestra de ROI y extracción de espectro
Para la muestra de TVC, se seleccionó una imagen ROI de la submuestra muscular de 50 px × 50 px de la submuestra de imagen hiperespectral después de la corrección en blanco y negro. El seleccionado
La imagen de la submuestra de carne cocida se promedió bajo un espectro específico para obtener la media espectral de cada muestra bajo una banda específica. Este paso fue implementado
en el software ENVI 5.1, principalmente a través de la herramienta ROI del software ENVI.
La siguiente figura muestra la extracción del área de ROI de la muestra de carne cocida TVC en ENVI5.1 y el valor espectral obtenido.
(2) extracción de ROI y espectro TVB-N
El proceso de extracción de la región de ROI es el mismo que el de los datos de muestra TVC en el párrafo anterior. La región ROI de 50px*50px también se obtiene para predecir la muestra de carne cocida de TVB-N. Se puede ver que hay ciertas diferencias en las curvas espectrales de los dos lotes de muestras de carne cocida (se estima que los dos lotes de productos de carne cocinados Daoxiangcun se compraron a un intervalo largo, que pueden ser causados por diferentes variedades de carne de res) . Del mismo modo, este paso para la muestra de carne cocida TVB-N también se implementa en el software ENVI5.1.
La siguiente figura muestra TVB-N extrayendo el área de ROI en ENVI5.1 y obteniendo el valor espectral de muestra.
Resultados de preprocesamiento espectral
La información espectral de la muestra de carne cocida para predecir TVC se preprocesó (en el orden del suavizado de SG, la normalización del vector y la transformación de SNV). El espectro original de la información espectral y el resultado del preprocesamiento del espectro se muestran en la figura a continuación.
El mismo método de preprocesamiento que el utilizado para la muestra de carne cocida para predecir TVC en el párrafo anterior se utiliza para preprocesar la información espectral de los datos hiperespectrales de la muestra para predecir el valor de TVB-N. El espectro original y el espectro después del preprocesamiento se muestran en la figura a continuación:
Para los datos espectrales antes y después del preprocesamiento se estableció un modelo de regresión de vectores de soporte de diez veces para los datos espectrales antes y después del preprocesamiento. El rendimiento del modelo se muestra en la tabla y los resultados del modelado se muestran en la figura. Este método se implementa en el software de análisis de datos multivariado TheUnScrambler x10.4. El método SVR y los indicadores de rendimiento del modelo se introducirán en la Sección 4.1 y no se describirán en detalle aquí.
Como se puede ver en la tabla, el rendimiento de los modelos de predicción de los dos indicadores establecidos por los espectros preprocesados ha mejorado en cierta medida. El coeficiente de correlación de rendimiento R del modelo de predicción para TVC ha aumentado en 16 puntos porcentuales, mientras que el coeficiente de correlación de rendimiento R del modelo de predicción para TVB-N ha aumentado en 9 puntos porcentuales. Esto verifica la necesidad del preprocesamiento espectral, por lo que el análisis posterior utiliza los datos preprocesados.
Resumen y perspectiva
Para lograr una detección rápida y no destructiva de la frescura de los productos cárnicos cocidos, este documento toma carne cocinada como objeto de investigación y utiliza tecnología de imágenes hiperespectrales para crear un modelo de predicción para la frescura de la carne cocida. Se estudiaron los cambios en la frescura de la carne cocida durante el almacenamiento y los principales factores que afectan la frescura de la carne cocida, y se determinaron el valor de TVC del índice microbiano y el valor de índice químico TVB-N relacionado con ella. Las conclusiones de investigación específicas son las siguientes: se estudió la posibilidad de usar tecnología de imágenes hiperespectrales para detectar la frescura de la carne cocinada, y se discutió la tendencia de cambio del índice de frescura TVC y TVB-N Value TVC de carne cocinada durante el almacenamiento; Se comparó el rendimiento del modelo de predicción SVR (utilizando una validación cruzada diez veces) construida antes y después del preprocesamiento de datos espectrales, y el modelo de predicción construido con el conjunto de datos preprocesados tenía un mejor rendimiento; Se estudió el método de partición del conjunto de muestras. El conjunto de entrenamiento y el conjunto de pruebas generados por diferentes métodos de partición de muestras se modelaron y analizaron, y finalmente se seleccionaron el conjunto de entrenamiento y el conjunto de pruebas dividido por el método de partición SPXY.
