【技術實現步驟摘要】
本專利技術涉及食品，尤其涉及一種基于高光譜成像的三文魚貨架期預測方法。
技術介紹
1、三文魚是一種高價值的鮭魚或鱒魚，主要生活在北半球的冷水海域。它以其鮮亮的色澤、鮮美的口味和高營養價值而聞名，被譽為“水中珍品”和“魚中至尊”。這種魚不僅富含蛋白質和不飽和脂肪酸，還含有維生素d、b族維生素以及硒和磷等礦物質。三文魚既可生食，如壽司和刺身，也可烹飪成各種菜肴，是西餐中常用的食材。由于其高蛋白和高脂肪的特性，三文魚在儲存和運輸過程中容易腐敗，貨架期相對較短。為了確保三文魚的品質和安全，需要開發一種快速預測三文魚品質變化的方法，以實時監測其剩余貨架期。
2、貨架期是指在一定的儲存條件下，食品能夠保持其品質、安全性和可接受的感官特性的最長時間段。在這個時期內，食品被認為是適合銷售和消費的。貨架期的長短受多種因素影響，包括食品的初始質量、加工方法、包裝、儲存條件以及食品本身的化學和生物穩定性。傳統的水產品貨架期預測通常依賴于測定菌落總數、tvb-n、k值等新鮮度指標，并通過擬合微生物生長或化學反應的動力學模型來確定。這些方法費時費力，難以滿足現代快節奏化時代的需求，迫切需要一種針對不同溫度下三文魚貨架期快速、無損、操作簡便的判斷方法。
3、高光譜成像技術結合了光譜技術和成像技術，能夠在空間維度上進行面光譜分析。這種技術通過收集數百幅不同波長的圖像來獲取高光譜數據，形成一個高光譜立方體。這些圖像不僅記錄了待測樣品的外部特征，如形狀、顏色和紋理，還揭示了其內部的分子結構和組成狀態，從而達到品質信息的可視化，實現在線檢測
技術實現思路
1、本專利技術的目的在于提供一種基于高光譜成像的三文魚貨架期預測方法和系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述專利技術目的，本專利技術的一個方面提供一種基于高光譜成像的三文魚貨架期預測方法，包括以下步驟：
3、步驟s1，購買若干新鮮三文魚，切成約5cm×5cm×0.4cm的薄片，裝入密封袋中，將新鮮三文魚片分別置于-2℃、0℃、2℃、5℃、10℃、18℃恒溫箱貯藏；
4、步驟s2，每天采集不同貯藏溫度條件下三文魚片高光譜數據，并測定其tvb-n(揮發性鹽基氮，total?volatile?base?nitrogen)值和菌落總數；
5、步驟s3，對獲取的高光譜數據進行校正和預處理；
6、步驟s4，通過機器學習算法建立高光譜數據和三文魚貨架期之間的預測模型；
7、步驟s5，輸入待測三文魚高光譜數據和貯藏溫度，通過預測模型計算其剩余貨架期。
8、進一步的，步驟s2中使用的高光譜成像設備的有效工作波長范圍為400nm至1000nm,光譜分辨率小于5nm。
9、進一步的，步驟s2中測定三文魚tvb-n值的方法包括gb5009.228-2016《食品安全國家標準食品中揮發性鹽基氮的測定》規定的半微量定氮法、自動凱氏定氮儀法和微量擴散法。菌落總數根據gb?4789.2-2016《食品安全國家標準食品微生物學檢驗菌落總數測定》規定的方法測定。
10、進一步的，步驟s1當天記為第0天，依此類推，當第n天tvb-n值大于30mg/100g或者菌落總數超過6lg?cfu/g時，終止步驟s2，n為該溫度下三文魚真實剩余貨架期。
11、進一步的，步驟s3中對高光譜數據進行黑白板校正，然后對高光譜數據設置掩膜，區分魚肉所在區域和背景區域；所述黑白板校正公式如下：
12、
13、其中：i為校正后的高光譜成像數據，w為白板數據，b為黑板數據，i0為原始高光譜成像數據。
14、進一步的，步驟s3中高光譜數據預處理方法包括多元散射校正、平滑、一階二階求導、歸一化、小波變換和傅里葉變換。
15、進一步的，所述多元散射校正用于消除由于散射效應導致的光譜變化，計算步驟包括以下步驟：
16、步驟s301，計算所有樣本光譜數據的平均值，計算公式如下:
17、
18、步驟s302，對每個樣本的光譜與平均光譜進行線性回歸分析，計算公式如下：
19、
20、步驟s303，對每個樣本光譜中減去回歸截距，并除以回歸斜率，計算公式如下：
21、
22、其中a為校正集光譜矩陣，ai表示第i個樣本的光譜，n是樣本量，α為斜率，β為截距。
23、進一步的，步驟s4中使用的機器學習算法包括多元線性回歸、主成分分析、偏最小二乘回歸、支持向量機、隨機森林和深度神經網絡。
24、進一步的，采用所述最小二乘支持向量機進行模型訓練的方法包括以下步驟：
25、步驟s401，將數據按照4:1的比例劃分為訓練集和測試集，訓練集用于模型訓練，測試集用于模型驗證；
26、步驟s402，使用最小二乘支持向量機(least?squares?support?vector?machine,ls-svm)，選擇高斯徑向基(radial?basis?function,rbf)核函數建立預測模型；
27、步驟s403，以基于全波段的訓練集為模型輸入，剩余貨架期為輸出訓練模型；
28、步驟s404，使用均方根誤差(root?mean?squared?error,rmse)和決定系數r2值作為評價模型性能的指標，r2值越接近于1以及均方根誤差越小表示模型的預測性能越好。
29、本專利技術的另一個方面提供一種基于高光譜成像的三文魚貨架期預測系統，包括貯藏模塊，采集模塊，預處理模塊，模型構建模塊，和預測模塊，其中：
30、貯藏模塊，用于將新鮮三文魚片分別置于-2℃、0℃、2℃、5℃、10℃、18℃恒溫箱貯藏；
31、采集模塊，每天采集不同貯藏溫度條件下三文魚片高光譜數據，并測定其tvb-n值和菌落總數；
32、預處理模塊，用于對獲取的高光譜數據進行校正和預處理；
33、模型構建模塊，用于通過機器學習算法建立高光譜數據和三文魚貨架期之間的預測模型；
34、預測模塊，用于輸入待測三文魚高光譜數據和貯藏溫度，通過預測模型計算其剩余貨架期。
35、由于采用本系統和方法，與現有技術相比，具有以下優點：
36、本專利技術提出了一種基于高光譜成像技術預測三文魚貨架期的方法，通過非侵入式掃描待測樣品獲取特征數據，無需進行任何破壞性前處理，即可快速且準確地預測貨架期。相較于傳統化學實驗分析等方法，具有檢測快速、操作簡便、無損等優勢。此方法不受樣品大小和形狀影響，系統智能化程度高，能自動分析并實時展示結果，無需專門培訓，有效提高了預測三文魚貨架期的效率，可廣泛應用于三文魚加工、物流、銷售等環節，以提高產品質量控制和減少經濟損失。
本文檔來自技高網...【技術保護點】
1.一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S2中使用的高光譜成像設備的有效工作波長范圍為400nm至1000nm,光譜分辨率小于5nm。
3.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S2中測定三文魚TVB-N值的方法包括半微量定氮法、自動凱氏定氮儀法和微量擴散法。
4.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S1當天記為第0天，當第n天TVB-N值大于30mg/100g或者菌落總數超過6lg?CFU/g時，記錄n為該溫度下三文魚真實剩余貨架期。
5.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S3中對高光譜數據進行黑白板校正，然后對高光譜數據設置掩膜，區分魚肉所在區域和背景區域；所述黑白板校正公式如下：
6.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S3中高光譜數據
7.根據權利要求6所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，所述多元散射校正用于消除由于散射效應導致的光譜變化，計算步驟包括以下步驟：
8.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟S4中使用的機器學習算法包括多元線性回歸、主成分分析、偏最小二乘回歸、支持向量機、隨機森林和深度神經網絡。
9.根據權利要求8所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，采用所述最小二乘支持向量機進行模型訓練的方法包括以下步驟：
10.一種基于高光譜成像的三文魚貨架期預測系統，其特征在于，包括貯藏模塊，采集模塊，預處理模塊，模型構建模塊，和預測模塊，其中：
...【技術特征摘要】
1.一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟s2中使用的高光譜成像設備的有效工作波長范圍為400nm至1000nm,光譜分辨率小于5nm。
3.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟s2中測定三文魚tvb-n值的方法包括半微量定氮法、自動凱氏定氮儀法和微量擴散法。
4.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟s1當天記為第0天，當第n天tvb-n值大于30mg/100g或者菌落總數超過6lg?cfu/g時，記錄n為該溫度下三文魚真實剩余貨架期。
5.根據權利要求1所述的一種基于高光譜成像的三文魚貨架期預測方法，其特征在于，步驟s3中對高光譜數據進行黑白板校正，然后對高光譜數據設置掩膜，區分魚肉所在區域和背景區域；所述黑白...
【專利技術屬性】
技術研發人員：張寒野，沈曉盛，李雨，張海燕，楊光昕，孔聰，
申請(專利權)人：中國水產科學研究院東海水產研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。