Di antara banyak produk daging, daging sapi disukai oleh sebagian besar konsumen karena protein tinggi, rendah lemak, vitamin tinggi dan kandungan mineral, yang sangat memenuhi kebutuhan gizi orang modern untuk daging. Ketika laju kehidupan orang -orang semakin cepat, produk daging sapi yang dimasak telah menjadi makanan umum di supermarket dan toko makanan, dan permintaan dan volume penjualan juga meningkat. Namun, dalam kehidupan nyata, sebagian besar daging sapi yang dimasak dijual di pasaran dalam jumlah besar, dan kaya akan protein tinggi dan kadar air yang tinggi, sehingga sangat mudah untuk membiakkan mikroorganisme dan menyebabkannya merusak selama penyimpanan suhu rendah. Oleh karena itu, berdasarkan standar dan sistem penilaian kualitas daging sapi yang wajar dan efektif, mencari metode deteksi penilaian keselamatan daging sapi yang andal telah menjadi prioritas utama untuk arah pengembangan pasar daging sapi.
Gambar hiperspektral, juga dikenal sebagai hypercubes, adalah blok data tiga dimensi (x, y, λ) yang terdiri dari serangkaian gambar spasial dua dimensi (x, y) di bawah panjang gelombang kontinu λ. Seperti yang ditunjukkan pada gambar di bawah ini, dari perspektif panjang gelombang, data gambar hiperspektral (x, y, λ) adalah blok data tiga dimensi yang terdiri dari gambar dua dimensi (x, y); Dari perspektif data dua dimensi (x, y), hiperspektral adalah serangkaian kurva spektral. Prinsip menggunakan teknologi HSI untuk mendeteksi kesegaran makanan mengacu pada perbedaan dalam penyerapan, refleksi, hamburan, energi elektromagnetik cahaya dan posisi spektral dari puncak/palung komposisi kimia internal dan karakteristik fisik eksternal objek yang menjadi diuji, yang mengarah pada karakteristik sinyal digital yang berbeda. Sebagai contoh, nilai puncak dan lembah (sidik jari spektral) absorbansi pada panjang gelombang yang berbeda dapat mewakili sifat fisik dari senyawa yang berbeda, sehingga analisis kualitatif atau kuantitatif kualitas makanan dapat dicapai melalui analisis informasi hiperspektral, yaitu, non-non-kualitas makanan Pengujian kualitas makanan yang merusak.
(1) TVC sampel ROI dan ekstraksi spektrum
Untuk sampel TVC, gambar ROI otot 50 px × 50 px dari subsampel gambar hyperspektral setelah koreksi hitam dan putih dipilih. Yang dipilih
Gambar subsampel daging sapi yang dimasak dirata -rata di bawah spektrum tertentu untuk mendapatkan rata -rata spektral dari masing -masing sampel di bawah pita tertentu. Langkah ini diimplementasikan
Pada perangkat lunak Envi 5.1, terutama melalui alat ROI dari perangkat lunak Envi.
Gambar di bawah ini menunjukkan ekstraksi area ROI dari sampel daging sapi yang dimasak TVC di Envi5.1 dan nilai spektral yang diperoleh.
(2) TVB-N Sampel ROI dan ekstraksi spektrum
Proses ekstraksi wilayah ROI sama dengan data sampel TVC di paragraf sebelumnya. Wilayah ROI 50px*50px juga diperoleh untuk memprediksi sampel daging sapi yang dimasak dari TVB-N. Dapat dilihat bahwa ada perbedaan tertentu dalam kurva spektral dari dua batch sampel daging sapi yang dimasak (diperkirakan dua batch produk daging sapi yang dimasak Daoxiangcun dibeli pada interval yang panjang, yang mungkin disebabkan oleh varietas daging sapi yang berbeda) . Demikian pula, langkah ini untuk sampel daging sapi yang dimasak TVB-N ini juga diimplementasikan pada perangkat lunak Envi5.1.
Gambar di bawah ini menunjukkan TVB-N mengekstraksi area ROI di Envi5.1 dan memperoleh nilai spektral sampel.
Hasil preprocessing spektral
Informasi spektral dari sampel daging sapi yang dimasak untuk memprediksi TVC telah diproses sebelumnya (dalam urutan perataan SG, normalisasi vektor dan transformasi SNV). Spektrum asli dari informasi spektral dan hasil preprocessing spektrum ditunjukkan pada gambar di bawah ini.
Metode preprocessing yang sama seperti yang digunakan untuk sampel daging sapi yang dimasak untuk memprediksi TVC pada paragraf sebelumnya digunakan untuk preprocess informasi spektral dari data hyperspektral sampel untuk memprediksi nilai TVB-N. Spektrum asli dan spektrum setelah preprocessing ditunjukkan pada gambar di bawah ini:
Model validasi silang sepuluh kali lipat dari regresi vektor dukungan (SVR) didirikan untuk data spektral sebelum dan sesudah preprocessing. Kinerja model ditunjukkan dalam tabel dan hasil pemodelan ditunjukkan pada gambar. Metode ini diimplementasikan dalam perangkat lunak analisis data multivariat theunscrambler x10.4. Metode SVR dan indikator kinerja modelnya akan diperkenalkan di Bagian 4.1 dan tidak akan dijelaskan secara rinci di sini.
Seperti yang dapat dilihat dari tabel, kinerja model prediksi dari dua indikator yang ditetapkan oleh spektrum praproses telah meningkat sampai batas tertentu. Koefisien korelasi kinerja R dari model prediksi untuk TVC telah meningkat 16 poin persentase, sementara koefisien korelasi kinerja R dari model prediksi untuk TVB-N telah meningkat sebesar 9 poin persentase. Ini memverifikasi perlunya preprocessing spektral, sehingga analisis selanjutnya menggunakan data yang diproses sebelumnya.
Ringkasan dan Outlook
Untuk mencapai deteksi cepat dan tidak merusak dari kesegaran produk daging yang dimasak, makalah ini mengambil daging sapi yang dimasak sebagai objek penelitian dan menggunakan teknologi pencitraan hiperspektral untuk membuat model prediksi untuk kesegaran daging sapi yang dimasak. Perubahan kesegaran daging sapi yang dimasak selama penyimpanan dan faktor-faktor utama yang mempengaruhi kesegaran daging sapi yang dimasak dipelajari, dan nilai indeks mikroba TVC dan indeks kimia nilai TVB-N yang terkait dengannya ditentukan. Kesimpulan penelitian khusus adalah sebagai berikut: Kemungkinan menggunakan teknologi pencitraan hiperspektral untuk mendeteksi kesegaran daging sapi yang dimasak dipelajari, dan tren perubahan indeks kesegaran TVC dan TVB-N nilai TVC dari daging sapi yang dimasak selama penyimpanan dibahas; Kinerja model prediksi SVR (menggunakan validasi silang sepuluh kali lipat) yang dibangun sebelum dan sesudah preprocessing data spektral dibandingkan, dan model prediksi yang dibangun dengan set data preproses memiliki kinerja yang lebih baik; Metode Partisi Set Sampel dipelajari. Set pelatihan dan set tes yang dihasilkan oleh berbagai metode partisi sampel dimodelkan dan dianalisis, dan akhirnya set pelatihan dan set tes dibagi dengan metode partisi SPXY dipilih.
