《鱼体新鲜度近红外光谱检测方法的比较研究_程旎》由会员分享，可在线阅读，更多相关《鱼体新鲜度近红外光谱检测方法的比较研究_程旎（6页珍藏版）》请在金锄头文库上搜索。
1、第 4 卷 第 2 期 食 品 安 全 质 量 检 测 学 报 Vol. 4 No. 2 2013 年 4 月 Journal of Food Safety and Quality Apr. , 2013 基金项目: 湖北省高校产学研项目(CXY2009A020) Fund: Supported by Production, Teaching 2国家大宗淡水鱼加工技术研发分中心, 武汉 430070） 摘摘 要要: 目的目的 建立针对淡水鱼整鱼鱼体新鲜度的快速无损检测方法. 方法方法 通过比较不同的光谱与相应挥发性盐基氮(TVB-N)值的建模结果, 以及对比分析竞争性自适应重加权算法(CARS
2、)、 遗传算法(GA)及连续投影算法(SPA)三种特征波长选择方法对模型的优化结果, 对鱼鳞及光谱采集部位等影响因素进行研究。结果结果 鱼体有鳞时的尾部为最佳新鲜度检测部位。CARS 法较优且鱼体新鲜度检测的最优波段为 8001100 nm, 采用CARS 特征波长选择方法选择出 23 个波长变量重新建立 PLS 模型, 模型预测集相关系数 RP=0.957, 预测均方根误差 RMSEP=0.589 mg/100 g。利用 CARS 方法选择的 23 个波长变量对淡水鱼进行新鲜度评价, 准确率达96.67%。结论结论 该方法为淡水鱼整鱼新鲜度快速无损检测提供了一种有效的方法。 关键词关键词:
3、近红外; 淡水鱼; 挥发性盐基氮; 波长选择 Comparison of the methods to detect fish freshness based on near-infrared technology CHENG Ni1, LI Xiao-Yu1*, ZHAO Si-Ming2, LI Jian-Bo1, GAO Hai-Long1 (1. College of Engineering, Huazhong Agricultural University, Wuhan 430070, China; 2. Technology and Research and Development
4、 of Staple Freshwater Fish Processing, Wuhan 430070, China) ABSTRACT: Objective To establish a method to evaluate the freshness of freshwater fish in a quick, non-destructive and accurate way. Methods Fish scales and different spectra collection positions were inves-tigated by comparison of the mode
5、ling results by different spectra and their total volatile basic nitrogen (TVB-N), and comparison of the optimized results by different wavelength variable selection algorithms, such as competitive adaptive reweighed sampling (CARS), genetic algorithm (GA) and successive projections algo-rithm (SPA)
6、 Results The results showed that fish with scales were more suitable for evaluating freshness than fish without scales and the best position for fish freshness assessment was the tail region. CARS gave the best performance and the best waveband for fish freshness evaluation was 8001100 nm. Using the
7、 23 wavelength variables selected by CARS to build partial least square regression (PLS) models, a better result of Rp (0.957) and RMSEP(0.589 mg/100 g) was obtained. When using these wavelength variables to discriminate fish fresh-ness qualitatively, the accuracy was 96.67%. Conclusion The study sh
8、owed that near-infrared (NIR) spec-troscopy is a new method for non-destructive and quickly freshwater fish freshness evaluation. KEY WORDS: near-infrared spectroscopy; freshwater fish; total volatile basic nitrogen; variables selection 428 食品安全质量检测学报 第 4 卷 1 引 言 新鲜度是衡量鱼类品质以及可否食用的重要指标, 直接关系到食品的质量与安全
9、, 在鱼类的生产加工过程中常常需要对鱼的新鲜度进行鉴别1。传统的感官评定、物理、化学以及生物学方法虽然能够检测出淡水鱼的新鲜度, 但是存在产品破坏、费时费力、结果不精确等一些缺点, 不能满足快速无损的工业化生产要求2-5。 近年来, 近红外光谱技术在农产品无损检测方面已有非常广泛的应用, 利用近红外光谱及i相关技术检测水果、谷物、肉类等产品品质的研究均有报 道6-11。针对鱼类及其副产品, 国外学者利用近红外光谱技术探索研究了海鱼鱼片的新鲜度12-13, 国内则利用近红外光谱技术对鱼粉、鱼糜、鱼丸等鱼副产品进行相关检测研究14-15, 仅有少数学者开展了整鱼鱼体新鲜度的研究16。 本研究利用近
10、红外光谱技术, 探索研究淡水鱼整鱼新鲜度近红外光谱检测的影响因素, 为淡水鱼新鲜度实时在线检测提供理论参考。 2 材料与方法 2.1 实验材料 本次试验选用我国主要淡水养殖鱼类之一的鳊鱼(Parabramis pekinensis, 又名武昌鱼、团头鲂), 试验所用样本购于华中农业大学市场, 60 条武昌鱼样本重量分布在 355.4516.8 g 之间, 于 2012 年 5月 6 日购得, 经一段时间的饥饿处理后12, 集体被敲击头部杀死, 清洗后, 用保鲜袋密封, 置于 4 的恒温生化培养箱中贮藏1。在试验过程中每间隔24 h (0, 1, 2, , 11 天)从恒温箱中随机取出 5 条鱼
11、进行 3 个部位的光谱采集和挥发性盐基氮(TVB-N)值 测 量 , TVB-N值 的 测 量 方 法 依 照GB/T 5009.45-2003 水产品卫生标准, 采用微量扩散法测量。 2.2 光谱采集 试验使用的仪器为 Thermo Scientific 公司的Antaris FT-NIR 近红外光谱仪, 光谱采集方式为漫反射, 该仪器的有效检测波长范围是 833.32500.0 nm (120004000 cm-1), 扫描次数 32 次。试验时, 按照如图 1 所示的胸部、腹部、尾部 3 个部位以及鱼体两侧分别进行光谱采集, 然后将样本去鳞, 再次对每一个采集部位内不同点及鱼体两侧进行采
12、集, 为了光谱保证数据准确, 尽量减少误差, 每个采集部位每侧采集 5 条光谱数据。 图 1 鳊鱼的光谱采集部位 Fig. 1 The spectral collecting positions of Parabramis pekinensis 2.3 淡水鱼新鲜度的 TVB-N 值评价标准 依照 GB 2733-2005, 鱼体一级品质, 即新鲜时的 TVB-N 值应在 13 mg/100 g 以下, 当 TVB-N 值大于 20 mg/100 g 时, 为二级品质, 即变质, 为了进一步精确地评价淡水鱼的新鲜度, TVB-N 值在 1320 mg/100 g 范围视为次新鲜1。 3 结果分
13、析 3.1 鱼体有鳞时和无鳞时建模结果的比较 采用微量扩散法测取的 3 个部位的 TVB-N 如表1所示, 图2为鱼体不同部位的TVB-N值随贮藏时间的变化趋势, 试验使用 Matlab R2010b(美国 The Mathworks Inc.)对近红外光谱光谱数据进行处理, 经过光谱平均后, 鱼体有鳞时的 3 个部位 180 条光谱每个部位60条光谱(鱼体2侧5次采集每天样本数5 条12 天)/光谱平均次数 10)与无鳞时 3 个部位的180 条光谱如图 3 所示。 采用光谱理化值共生距离(SPXY)样本划分方法将有鳞样本光谱与无鳞样本光谱按3:1划分为校正集第 2 期 程 旎, 等: 鱼体
14、新鲜度近红外光谱检测方法的比较研究 429 与测试集, 经过多元散射校正(MSC)、一阶导(FD)、去趋势变换(Detred)、 自动标尺放大(Autoscale)及不同方法组合的光谱预处理方法后, 采用偏最小二乘法(PLS)建立近红外光谱与 TVB-N 值的定量分析模型, 建模结果如表 2 所示： 表 1 鱼体不同部位的 TVB-N 值测量结果(n=60) Table 1 The measured TVB-N of different fish po- sitions (n=60) 鱼体部位 TVB-N 最大值 TVB-N 最小值 TVB-N 平均值 标准偏差 胸部 29.99 7.17 1
15、5.06 5.00 腹部 34.09 8.37 17.43 6.48 尾部 27.52 9.51 14.90 4.11 图 2 鱼体不同部位的 TVB-N 值随贮藏时间的变化趋势 Fig. 2 The variation of TVB-N of different positions with stored days 图 3 有鳞样本光谱与无鳞样本光谱 Fig. 3 Spectra of samples with scales and without scales 表 2 不同光谱预处理方法的 PLS 建模结果 Table 2 The statistical results of the PL
16、S models by different spectral pre-treatment algorithms 预处理 鱼鳞 RMSECV RMSEP Rc RP 主成分数 有 3.701 3.101 0.860 0.733 15 None 无 4.099 3.041 0.811 0.510 11 有 3.346 2.361 0.882 0.821 10 FD 无 3.653 2.650 0.738 0.633 16 有 3.525 2.960 0.873 0.742 11 Detrend 无 4.274 2.864 0.804 0.548 13 有 3.384 2.955 0.882 0.748 14 MSC 无 4.203 2.943 0.821 0.568 15 有 3.528 2.822 0.874 0.762 11 Autoscale +MSC 无 4.374 2.647 0.801 0.632 17 有 3.344 2.171
