基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法OA北大核心CSTPCD
为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性。结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力。其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g。近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好。综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型。这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力。
占可;陈季旺;徐言;倪杨帆;刘言;邹圣碧;
武汉轻工大学食品科学与工程学院,湖北武汉430023武汉轻工大学食品科学与工程学院,湖北武汉430023 农产品加工与转化湖北省重点实验室(武汉轻工大学),湖北武汉430023 国家小龙虾加工技术研发分中心(潜江),湖北潜江433100武汉农业检测中心,湖北武汉430016国家小龙虾加工技术研发分中心(潜江),湖北潜江433100
轻工业
近红外光谱小龙虾总挥发性盐基氮快速检测卷积神经网络小波变换
《食品科学》 2024 (002)
P.299-307 / 9
“十三五”国家重点研发计划“食品安全关键技术研发”重点专项(2019YFC1606001)。
评论