【技术实现步骤摘要】
基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法
[0001]本专利技术涉及水产养殖品检测方法,尤其涉及一种基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法。
技术介绍
[0002]脆肉皖因其肉质鲜嫩爽脆广受到消费者的欢迎,且发现在生长过程中投喂了一定量蚕豆的脆肉皖的肉质更佳,究其原因在于蚕豆的营养成分有别于普通饲料,可不同程度地改变脆肉皖的肌肉结构和营养成分,肌肉硬度和韧性变大,口感好,导致其鱼肉品质提高,销售价格上涨。但在脆肉皖的养殖过程中,确定辨别其是否收获期,使得养殖户可准确起网,从而在保证鱼肉品质的同时取得较好的养殖效益是一大难题,较多研究也由此展开。
[0003]一些学者研究了脆肉皖生长过程中的各种生长指标的变化过程:肌纤维直径减小、密度增大,粗脂肪含量的变化,体重变化,失水率变化,钙含量增加,胶原蛋白含量的增加,氨基酸成分和含量发生变化等等。有学者采用感官评价和采用质构剖面分析法(Texture profile analysis,TPA)对脆肉皖脆性评价和质构参数特性进行研究。但是这些研究大部分对于脆肉皖测脆性检测是基于机理研究层面,而且对脆肉皖脆性指标的评定采用的方法相对传统,比如感官评价主要依靠嗅觉、视觉和触觉,根据个人的心理、生理因素进行主观性判定,存在诸多缺陷,如需要参与人群庞大,参加评定的人员需要具备完善的嗅觉、味觉等健康指标要求以及测试样品必须是蒸煮到可以入食的程度;质构检测相对感官评价是有所改善,但存在测试过程繁琐、对样品破坏性大、样品自身差异大 ...
【技术保护点】
【技术特征摘要】
1.基于可见
‑
近红外光谱技术的脆肉皖脆度预测方法,其特征在于,包括如下步骤:S1、取新鲜的脆肉皖肉,削除肌肉表面的红肉,切割成块,得到待测样品;将待测样品放置在近红外光谱成像摄像机的载物平台上,调整样品和镜头的距离,调整焦距,拍摄得到样品的近红外光谱图像,由采集的近红外光谱图像得到样品的原始近红外光谱图;S2、对原始近红外光谱图进行黑白校正处理后,再进行标准正则变换预处理,然后通过随机森林算法对脆肉鲩近红外光谱图进行特征提取,得到影响脆肉皖脆度的特征光谱波长,由所述特征光谱波长得到各样品的高光谱特征值;S3、通过质构仪检测得到样品的硬度值,换算成样品的脆度值,得到包含有各样品的高光谱特征值和脆度值的数据集;S4、由数据集建立脆肉皖脆度值与高光谱特征值的BP
‑
NN预测模型;S5、按照S1、S2中的方法采集得到待测脆肉皖样品的高光谱特征值,将所述高光谱特征值输入建立的BP
‑
NN预测模型中,即得到待测脆肉皖的脆度。2.根据权利要求1所述的基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法,其特征在于,S4步骤中建立BP
‑
NN模型时采用Sigmoid核函数,网络结构设置为三层,训练系数设置为800次,采用K折交叉验证法进行验证集的验证,K为10。3.根据权利要求1所述的基于可见
‑
近红外高光谱技术的脆肉皖脆度预测方法,其特征在于,通过随机森林算法对脆肉鲩近红外光谱图进行特征提取,得到影响脆肉皖脆度的特征光谱波长的方法为:S2
‑
1、采用bootstrap采样方法,从含有4N个样本的样本集中选取N个样本作为一个训练集,4N个样本包括脆化时间分别为0天、40天、80天和120天的各N个样本;S2
‑
2、用步骤S2
‑
1抽样得到的训练集生成一棵决策树,步骤为:随机不重复地选择20个特征,利用这20个特征分别对训练集进行划分,采用基尼指数作为评价指标,找到最佳的划分特征;S2
‑
3、重复上述步骤S2
‑
1、S2
‑
2共M次,得到M棵决策树,组成随机森林,M即为随机森林中决策树的个数;S2
‑
4、用步骤S2
...
【专利技术属性】
技术研发人员:杨灵,王青秀,邹娟,吴霆,苏立恒,林蠡,
申请(专利权)人:仲恺农业工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。