많은 육류 제품 중에서, 쇠고기는 고기, 저지방, 높은 비타민 및 미네랄 함량으로 인해 대부분의 소비자가 선호하며, 이는 육류에 대한 현대인의 영양 요구를 높이기 위해 크게 충족시킵니다. 사람들의 생명 속도가 가속화함에 따라, 전통적인 요리 쇠고기 제품은 슈퍼마켓과 섬유소에서 일반적인 음식이되었으며 수요와 판매량도 증가하고 있습니다. 그러나 실제로 시장에서 판매되는 대부분의 요리 쇠고기는 대량이며, 높은 단백질과 높은 수분 함량이 풍부하므로 미생물을 번식시키고 저온 보관 중에 망치는 것은 매우 쉽습니다. 따라서 합리적이고 효과적인 쇠고기 품질 등급 표준 및 시스템을 기반으로 신뢰할 수있는 쇠고기 품질 안전 등급 탐지 방법을 찾는 것이 쇠고기 시장의 개발 방향에 최우선 과제가되었습니다.
하이퍼 큐브로도 알려진 초 분광 이미지는 연속 파장 λ에서 일련의 2 차원 공간 이미지 (x, y)로 구성된 3 차원 데이터 블록 (x, y, λ)입니다. 아래 그림과 같이, 파장의 관점에서, 초 분광 이미지 데이터 (x, y, λ)는 2 차원 이미지 (x, y)로 구성된 3 차원 데이터 블록이며; 2 차원 데이터 (X, Y)의 관점에서, Hyperspectral은 일련의 스펙트럼 곡선입니다. 음식의 신선도를 감지하기 위해 HSI 기술을 사용하는 원리는 흡수, 반사, 산란, 빛의 전자기 에너지의 차이와 내부 화학 조성물의 피크/트로프의 스펙트럼 위치 및 대상의 외부 물리적 특성의 차이를 나타냅니다. 테스트하여 디지털 신호 특성이 다릅니다. 예를 들어, 상이한 파장에서 흡광도의 피크 및 계곡 값 (스펙트럼 지문)은 상이한 화합물의 물리적 특성을 나타내므로, 식품 품질의 질적 또는 정량적 분석, 즉 초 전자 정보의 분석을 통해 달성 될 수있다. 식품 품질의 파괴적인 테스트.
(1) TVC 샘플 ROI 및 스펙트럼 추출
TVC 샘플의 경우, 흑백 교정 후 초 분광 이미지 서브 샘플의 50 px × 50 px 근육 서브 샘플 ROI 이미지가 선택되었다. 선택된
요리 된 쇠고기 서브 샘플 이미지는 특정 스펙트럼 하에서 평균화되어 특정 대역 하에서 각 샘플의 스펙트럼 평균을 얻었다. 이 단계는 구현되었습니다
Software Envi 5.1에서 주로 Envi 소프트웨어의 ROI 도구를 통해.
아래 그림은 ENVI5.1에서 TVC 요리 쇠고기 샘플의 ROI 영역의 추출 및 획득 된 스펙트럼 값을 보여줍니다.
(2) TVB-N 샘플 ROI 및 스펙트럼 추출
ROI 영역 추출 프로세스는 이전 단락의 TVC 샘플 데이터와 동일합니다. 50px*50px의 ROI 영역은 또한 TVB-N의 요리 쇠고기 샘플을 예측하기 위해 얻어진다. 조리 된 쇠고기 샘플의 두 배치의 스펙트럼 곡선에는 특정 차이가 있음을 알 수 있습니다 (Daoxiangcun Cooked Beef Products의 두 배치는 다른 쇠고기 품종으로 인해 발생할 수있는 두 가지 배치를 구입 한 것으로 추정됩니다). . 마찬가지로, TVB-N Cooked Beef Sample 의이 단계는 소프트웨어 Envi5.1에서도 구현됩니다.
아래 그림은 ENVI5.1에서 ROI 영역을 추출하고 샘플 스펙트럼 값을 얻는 TVB-N을 보여줍니다.
스펙트럼 전처리 결과
TVC 예측을위한 요리 된 쇠고기 샘플의 스펙트럼 정보를 전처리 하였다 (SG 평활화, 벡터 정규화 및 SNV 변환의 순서대로). 스펙트럼 정보의 원래 스펙트럼 및 스펙트럼 전처리 결과는 아래 그림에 나와 있습니다.
이전 단락에서 TVC를 예측하기 위해 요리 된 쇠고기 샘플에 사용 된 것과 동일한 전처리 방법은 TVB-N 값을 예측하기위한 샘플의 초 분광 데이터의 스펙트럼 정보를 전처리하는 데 사용됩니다. 전처리 후 원래 스펙트럼과 스펙트럼은 아래 그림에 나와 있습니다.
전처리 전후 스펙트럼 데이터에 대해지지 벡터 회귀 (SVR)의 10 배 교차 검증 모델이 설정되었다. 모델 성능은 표에 표시되며 모델링 결과는 그림에 표시됩니다. 이 방법은 다변량 데이터 분석 소프트웨어 Theunscrambler X10.4에서 구현됩니다. SVR 방법과 모델 성능 표시기는 4.1 절에 도입되며 여기에는 자세히 설명되지 않습니다.
표에서 볼 수 있듯이, 전처리 된 스펙트럼에 의해 설정된 두 지표의 예측 모델의 성능은 어느 정도 개선되었습니다. TVC 예측 모델의 성능 상관 계수 R은 16 % 포인트 증가한 반면, TVB-N에 대한 예측 모델의 성능 상관 계수 R은 9 % 포인트 증가했습니다. 이는 스펙트럼 전처리의 필요성을 확인하므로 후속 분석은 전처리 데이터를 사용합니다.
요약 및 전망
요리 된 육류 제품의 신선도를 빠르고 비파괴적인 감지하기 위해이 논문은 요리 된 쇠고기를 연구 대상으로 받아들이고 초 분광 쇠고기 기술을 사용하여 요리 된 쇠고기의 신선도에 대한 예측 모델을 만듭니다. 보관 중 조리 된 쇠고기의 신선도의 변화와 요리 된 쇠고기의 신선도에 영향을 미치는 주요 요인을 연구했으며, 미생물 지수 TVC 값과 화학 지수 TVB-N 값이 결정되었습니다. 특정 연구 결론은 다음과 같습니다. 요리 된 쇠고기의 신선도를 감지하기 위해 초 분광 영상 기술을 사용하는 가능성이 연구되었으며, 저장 중에 요리 된 쇠고기의 신선도 인덱스 TVC 및 TVB-N Value TVC의 변화 추세에 대해 논의했습니다. 스펙트럼 데이터 전처리 전후에 구축 된 SVR 예측 모델 (10 배 교차 검증 사용)의 성능을 비교했으며, 전처리 데이터 세트로 구축 된 예측 모델은 더 나은 성능을 가졌다. 샘플 세트 파티셔닝 방법을 연구 하였다. 상이한 샘플 파티셔닝 방법에 의해 생성 된 훈련 세트 및 시험 세트를 모델링하고 분석하고, 마지막으로 훈련 세트 및 테스트 세트를 SPXY 파티셔닝 방법으로 나눈 값을 선택 하였다.
