利用高光谱成像技术快速检测鸡肉挥发性盐基氮含量

"该研究利用高光谱成像技术结合遗传联合区间偏最小二乘（GA-Si-PLS）和反向传播神经网络（BP-ANN），对鸡肉中的挥发性盐基氮（TVB-N）含量进行了无损检测。通过筛选光谱信息中的最优波长，提取灰度图像纹理特征，并用主成分分析优化后，建立TVB-N含量的定量模型。实验结果显示，模型在训练集和预测集上的均方根误差分别为6.61和9.84，相关系数分别为0.9054和0.8030，证明了这种方法的有效性。" 本文详细探讨了如何运用高光谱成像技术来检测肉类的新鲜度，具体来说，是测定鸡肉中挥发性盐基氮（TVB-N）的含量。TVB-N是衡量肉制品新鲜程度的重要指标，因为它能反映肉品在储存过程中的蛋白质降解程度。研究者采用了一种创新的方法，即结合遗传算法（Genetic Algorithm, GA）和区间偏最小二乘法（Spectral Interval Partial Least Squares, Si-PLS）来从高光谱数据中筛选出对TVB-N检测最有贡献的波长。 在高光谱数据处理中，首先通过遗传算法优化选择出最具有代表性的光谱波段，这些波段与鸡肉的化学特性关联紧密。然后，对每个选定波长对应的灰度图像进行纹理特征分析，提取出与TVB-N含量相关的图像特征。接着，利用主成分分析（PCA）进一步减少特征维度并消除冗余，以降低后续建模的复杂性。 建模阶段，研究人员采用了反向传播神经网络（Backpropagation Artificial Neural Network, BP-ANN）来构建TVB-N的定量模型。反向传播神经网络是一种广泛应用的人工智能算法，能够处理非线性关系，适合于这种复杂的数据建模任务。通过训练集和预测集的测试，模型表现出较高的预测精度，其均方根误差和相关系数表明模型具有良好的稳定性和预测能力。 这项研究成功地将高光谱成像技术与机器学习算法结合，为食品行业中快速、无损评估肉制品新鲜度提供了一种新的可能。这种方法不仅可以提高食品安全检测的效率，也为未来其他食品成分的无损检测提供了借鉴。