Серед багатьох м'ясних продуктів яловичина надає перевагу більшості споживачів через високий вміст білка, низького жиру, високого вітаміну та мінеральних речовин, що дуже задовольняє харчові потреби сучасних людей для м'яса. По мірі того, як прискорюється темп життя людей, традиційні приготовані яловичі продукти стали звичайною їжею в супермаркетах та делікатесах, а також обсяг попиту та продажів також зростає. Однак у реальному житті більшість приготовлених яловичини, що продається на ринку, є оптом, і вона багата високим вмістом білка та високим вмістом води, тому розводити мікроорганізми дуже легко і змушує його зіпсувати під час зберігання низької температури. Тому, виходячи з розумних та ефективних стандартів та систем оцінювання яловики, пошук надійних методів виявлення якості якості якості стало головним пріоритетом для розвитку ринку яловичини.
Гіперспектральні зображення, також відомі як гіперкуби,-це тривимірні блоки даних (x, y, λ), що складаються з ряду двовимірних просторових зображень (x, y) під безперервною довжиною хвилі λ. Як показано на малюнку нижче, з точки зору довжини хвилі, гіперспектральні дані зображення (x, y, λ)-це тривимірний блок даних, що складається з двовимірних зображень (x, y); З точки зору двовимірних даних (x, y) гіперспектральний-це серія спектральних кривих. Принцип використання технології HSI для виявлення свіжості їжі стосується різниці в поглинанні, відбитті, розсіювання, електромагнітній енергії світла та спектрального положення піку/корита внутрішнього хімічного складу та зовнішніх фізичних характеристик об'єкта до перевірити, що призводить до різних характеристик цифрового сигналу. Наприклад, значення піку та долини (спектральні відбитки пальців) поглинання на різних довжинах хвиль можуть представляти фізичні властивості різних сполук, так що якісний або кількісний аналіз якості їжі може бути досягнуто шляхом аналізу гіперспектральної інформації, тобто не Деструктивне тестування якості їжі.
(1) ROI зразка ROI та вилучення спектру
Для зразка TVC було обрано підпробове зображення з м'язовим зображенням 50 px × 50 px підпробового зображення після того, як було обрано корекцію чорно -білого. Вибраний
Зображення приготовленої яловичини усереднювалося в усередненому певному спектрі для отримання середнього спектрального середнього зразка в певній смузі. Цей крок був реалізований
На програмному забезпеченні Envi 5.1, головним чином через інструмент ROI програмного забезпечення Envi.
На малюнку нижче показано видобуток зони ROI зразка яловичини, приготованої TVC, в Envi5.1 та отриманого спектрального значення.
(2) ROI зразка ROI та вилучення спектру TVB-N
Процес вилучення регіону ROI такий же, як у даних зразків TVC у попередньому пункті. Акція ROI 50px*50px також отримана для прогнозування вареного зразка яловичини TVB-N. Видно, що у спектральних кривих двох партії варених яловичих зразків існують певні відмінності (підраховано, що дві партії варених яловичих продуктів Daoxiangcun були придбані через тривалий проміжок, які можуть бути викликані різними сортами яловичини) . Аналогічно, цей крок для зразка яловичини TVB-N також реалізується на програмному забезпеченні Envi5.1.
На малюнку нижче показано TVB-N, що витягує область ROI в Envi5.1 та отримання спектрального значення зразка.
Результати спектральної попередньої обробки
Спектральну інформацію про приготовлену зразок яловичини для прогнозування TVC попередньо обробляли (в порядку згладжування SG, нормалізації вектора та трансформації SNV). Оригінальний спектр спектральної інформації та результат попередньої обробки спектру показані на малюнку нижче.
Такий же метод попередньої обробки, що і той, що використовується для вареного зразка яловичини для прогнозування TVC у попередньому пункті, використовується для попереднього процесу спектральної інформації гіперспектральних даних зразка для прогнозування значення TVB-N. Оригінальний спектр та спектр після попередньої обробки показані на малюнку нижче:
Для спектральних даних до та після попередньої обробки була встановлена десятикратна модель перехресної перевірки вектора регресії (SVR). Продуктивність моделі показана в таблиці, а результати моделювання показані на малюнку. Цей метод реалізований у багатоваріантному програмному забезпеченні аналізу даних Theunscrambler x10.4. Метод SVR та його показники продуктивності моделі будуть введені в розділі 4.1 і не будуть детально описані тут.
Як видно з таблиці, продуктивність моделей прогнозування двох показників, встановлених попередньо обробленими спектрами, певною мірою покращилася. Коефіцієнт кореляції продуктивності R моделі прогнозування для TVC збільшився на 16 процентних пунктів, тоді як коефіцієнт кореляції ефективності R моделі прогнозування для TVB-N зросла на 9 процентних пунктів. Це перевіряє необхідність спектральної попередньої обробки, тому наступний аналіз використовує попередньо оброблені дані.
Короткий зміст та світогляд
Для того, щоб досягти швидкого та неруйнівного виявлення свіжості варених м'ясних продуктів, цей документ приймає варену яловичину як об'єкт дослідження та використовує гіперспектральну технологію візуалізації для створення моделі прогнозування свіжості вареної яловичини. Були вивчені зміни свіжості вареної яловичини та основні фактори, що впливають на свіжість вареної яловичини, і визначали значення мікробного індексу TVC та значення Chemical Index TVB-N, пов’язаного з ним. Конкретні висновки досліджень такі: можливість використання гіперспектральної технології візуалізації для виявлення свіжості вареної яловичини була вивчена, і обговорювалося тенденція зміни індексу свіжості та TVB-N TVC з вареної яловичини під час зберігання; Продуктивність моделі прогнозування SVR (використовуючи десятикратну перехресну перевірку), побудовану до та після спектральної попередньої обробки даних, а модель прогнозування, побудована з попередньо обробленим набором даних, мала кращу продуктивність; Вивчали метод розділення зразка. Навчальний набір та тестовий набір, створений різними методами розподілу зразків, були змодельовані та проаналізовані, і нарешті були обрані навчальний набір та тестовий набір, поділений методом розподілу SPXY.
