一种鲜肉新鲜度K值的THz光谱快速无损检测方法

• 摘要：

  一种鲜肉新鲜度K值的THz光谱快速无损检测方法,包括步骤:一)肉品采集和处理:将鲜肉均匀切割成肉片后冷藏;取样切割时,避开肉的脂肪和结缔组织;二)测定肉品的THz光谱数据:采用THz衰减全反射ATR检测模式快速检测样品;光谱采集时,保持环境的温、湿度稳定;三)采用THz光谱数据与鲜肉K值之间的关系预测模型快速检测鲜肉的新鲜度K值:所述关系模型是主成分回归PCR预测模型、或者是反向传播神经网络回归BPANN预测模型.将步骤二)得到的THz光谱数据代入关系预测模型,则快速计算出未知样本的K值.本发明的样品前处理的方法,只需要切割样本以形成肉片放入仪器中测量,比现有的方法简单且快速了许多.

• 专利类型：

  发明专利

• 申请/专利号：

  CN201710167209.0

• 申请日期：

  2017.03.20

• 公开/公告号：

  CN106960091A

• 公开/公告日：

  2017-07-18

• 发明人：

  赵茂程 齐亮 唐于维一 李忠 居荣华 赵婕

• 申请人：

  南京林业大学

• 主分类号：

  G06F17/50(2006.01)I,G,G06,G06F,G06F17

• 分类号：

  G06F17/50(2006.01)I,G06N3/08(2006.01)I,G06N3/04(2006.01)I,G01N21/35(2014.01)I,G,G06,G01,G06F,G06N,G01N,G06F17,G06N3,G01N21,G06F17/50,G06N3/08,G06N3/04,G01N21/35

• 主权项：

  一种鲜肉新鲜度K值的THz光谱快速无损检测方法,其特征是包括步骤:一)肉品采集和处理:将鲜肉均匀切割成肉片后冷藏;取样切割时,避开肉的脂肪和结缔组织;二)测定肉品的THz光谱数据:采用THz衰减全反射Attenuated Total Reflectance,ATR检测模式快速检测样品;光谱采集时,保持环境的温、湿度稳定;三)采用THz光谱数据与鲜肉K值之间的关系预测模型快速检测鲜肉的新鲜度K值:所述关系模型是主成分回归Principal Components Regression,PCR预测模型、或者是反向传播神经网络回归Back Propagation Artificial Neural Network,BPANN预测模型;将步骤二)得到的THz光谱数据代入关系预测模型,则快速计算出未知样本的K值;所述步骤二)中:采用THz衰减全反射ATR检测模式对鲜肉样本的THz光谱进行取样;对鲜肉样本的THz光谱进行取样得到样本光谱数据进行处理;用于建模的所有样本被随机分为校正集和预测集;校正集的光谱数据用于建立预测模型;预测集的光谱数据用来检验预测模型的准确性;样本光谱数据矩阵为式中,n为校正集样本数,m为光谱波点数,x是样本的ATR反射率;X_n*m是指校正集中的光谱数据;先对光谱信息进行压缩:把矩阵X_n*m分解为两个矩阵U和P,表示为U_n*a＝X_n*mP_m*a;式中,矩阵U表示数据x_ij(i＝1,2,…,n;j＝1,2,…,m)在新的坐标体系中的矢量位置;矩阵P的列向量表示新的坐标系与原坐标系的线性变换系数;U的维数a小于X的维数m;取矩阵U的各行数据I_i(i＝1,2,…,a)作为步骤三)的预测模型的输入;所述步骤三)中:A、所述PCR预测模型:对矩阵U进行多元线性回归,得到多元线性方程:Y＝UB+E,即为PCR预测模型,用来预测K值;式中,Y即为样本集的实测K值,E是服从正态分布的随机误差变量矩阵;所述参数B的获得方法为:在PCR预测模型的建模过程中,把多个样本随机分为多个校正集和多个预测集;校正集的光谱数据用于建立预测模型;预测集的光谱数据用来检验预测模型的准确性;将校正集样品的实测K值组成矩阵Y,得到方程的解:B＝(U′U)^‑1U′Y,式中,U′为U的转置矩阵;得到参数矩阵B后,则用预测集样本的THz光谱数据代入上述多元线性方程求出预测集中样本的预测K值;B、所述BPANN预测模型的建模步骤包括:1)构建多层反向传播神经网络:把多层反向传播神经网络BPANN视为非线性函数,BPANN输入和预测值分别为该非线性函数的自变量和因变量,BPANN表达了从自变量到因变量的函数映射关系;BPANN的拓扑结构由三层网络组成,分别是输入层、隐含层和输出层,每层包括多个神经元,相邻层的神经元之间是带权值的单向连接;I_i是输入层的输入值,i＝1,2,…,a;H_j是隐含层的输出值,j＝1,2,…,b;输出层是一个节点的值为BPANN的预测值,即鲜肉的预测K值;hw_ij为输入层的神经元与隐含层的神经元之间的连接权值,ow_j为隐含层的神经元与输出层的神经元之间的连接权值;隐含层的节点数式中:a为输入层节点数,c为1~10范围内的常数,1为输出层节点数;2)对步骤1)的模型进行训练,步骤包括:2.1)网络初始化:根据输入维数和输出维数确定a,b;初始化hw_ij、ow_j、隐含层阈值tha_j、输出层阈值thb,权值和阈值是范围在‑1~1的随机数;给定学习速率η,η＝0.01;2.2)隐含层输出计算:隐含层的输出式中,函数f(x)为隐含层激励函数,该函数的表达式为:2.3)输出层输出计算:BPANN的预测输出2.4)误差计算:BPANN的预测误差式中,y是采用HPLC方法实测的K值;2.5)权值更新:hw_ij＝hw_ij+ηH_j(1‑H_j)I_iow_je,i＝1,2,…,a;j＝1,2,…,b;ow_j＝ow_j+ηH_je,j＝1,2,…,b;2.6)阈值更新:tha_j＝tha_j+ηH_j(1‑H_j)ow_je,j＝1,2,…,b;thb＝thb+e;2.7)根据迭代次数和最终迭代误差判断算法迭代是否结束,若没有结束,返回步骤2.2).