专利名称：一种原料肌肉注水快速判别方法
技术领域：
本发明涉及肉类注水检测技术领域，尤其涉及一种基于近红外光谱技术和主成分 结合人工神经网络分析的原料肌肉注水快速判别方法。
背景技术：
水分含量对鲜肉品质、口感等有直接的影响，水分含量是直接影响畜禽鲜肉加工、 储藏、贸易与食用的一项质量指鲜肉水分含量过高，细菌、霉菌繁殖加剧，容易引起肉品变 质；脱水干缩不仅使肉品失重，造成直接经济损失，而且影响肉的颜色。风味和组织状态，并 引起脂肪氧化。由于缺乏快速检测水分的仪器，致使我国长期以来，有关监督部门的执法人 员依靠感官来判断鲜肉的水分含量。由于个体感官差异，使判断的结果也不同，直接影响了 检测的准确性。因此探讨鲜肉水分的快速，无损检测方法，并研制鲜肉水分检测仪器具有现 实意义，也是市场迫切的需要。经典的水分测量方法采用烘干失重法，S卩(GB9695 115-1988肉与肉制品水分含 量测定)方法。该方法测量准确，通常用作标准对照。但该种方法操作费时，不适于便携使 用，较难成为快速无损检测方法。目前易于快速测量的方法有电导法和基于近红外光谱分析的水分测量法。电导法 依据肉的阻抗与其含水量有关，通过测量肉的阻抗变化来判断肉的水分含量，但存在准确 性和重复性问题。基于近红外的检测方法，其检测速度快，无污染，且能同时提取样品的多 种组分信息等特点，已经广泛应用于茶叶、粮食、烟草等无损检测领域。在肌肉水分含量的 研究上近红外技术由于分析方法的差别同样存在准确性等问题。
发明内容
本发明的目的在于提供一种肌肉(例如猪、马、牛、羊等)注水的近红外光谱人工 神经网络判别的快速检测方法。本发明采用以下技术方案—种原料肌肉注水快速判别方法，包括以下步骤A1 分别以原料肉和注水肉为 原料制备样品，利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据，光谱 数据进行预处理，选取特征光谱用于下步分析；A2 对所述特征光谱进行主成分分析，得到 主成分；A3 将主成分作为人工神经网络的输入，对应的肉种类作为输出，建立三层ANN-BP 神经网络模型；A4 模型建立以后，用近红外光谱仪对未知待测样品进行扫描，扫描光谱经 预处理和主成分分析后，用所建模型判定注水肌肉。所述的原料肌肉注水快速判别方法，其特征在于，所述主成分分析得到的主成分 能够解释原始波长变量的95%以上的信息。所述的原料肌肉注水快速判别方法，至少制备48个样品，包括原料肉样品和注水 肉样品。所述的原料肌肉注水快速判别方法，样品中至少应当有6个注水肉样品。
本发明建立的BP神经网络模型，可快速定性检测出原料肉中注水的情况，当注水 量达到原料肉重量的时，检测的准确率可达到90%以上。注水量达3%以上时，检测及预测准确率达到100%，在0.05显著性水平下，预测 值和实测值几乎不存在显著性差异，检测准确可靠，可直接应用于原料肉品质的品质检测， 具有广阔的发展前景。
图1原料肉和注水肉(猪肉)的近红外光谱图；图2原料肉和注水肉(猪肉)的二阶导数光谱图；图3 139份样本的前三个主成分得分图。
具体实施例方式以下结合附图和具体实施例，对本发明进行详细说明。实施例11、原料肌肉，以Ikg为一个单位制备样品，注水肉样本注入的水浓度分别为1%， 3%，5%，8%，10%，13%，15%，7个浓度水平，每个浓度做6个平行样。2、利用MPA傅里叶变换近红外光谱仪，结合2mm固体光纤探头，采集原料肉和注水 肉的漫反射光谱。范围是4000 UOOOcnT1。3、对原始光谱数据进行预处理。采用二阶导数+25点平滑预处理方法来消除基线 平移、漂移及平缓背景的干扰。去除重叠光谱部分，选取特征波段的光谱用于分析。4、对特征光谱做主成分分析。主成分分析过程在SPSS 17. O软件中完成。要求所 选主成分能够解释原始波长变量95%以上的信息。5、把主成分作为BP的输入节点，输出节点为1，(把原料肉和注水肉的种类值分 别设为1和2)，这样就建立了一个5 (输入节点)_5 (隐含层节点)-1 (输出节点)的3层 ANN-BP模型。设定原料肉和注水肉预测结果偏差在士 0.5以内为各自的界限。6、对未知样品近红外光谱扫描，用所建模型判定是否注水。实施例2 (猪肉)MPA傅里叶变换近红外光谱仪，结合2mm固体光纤探头采集猪肉的漫反射光谱。光 谱范围4000 UOOOcnT1，扫描分辨率为ScnT1，扫描次数为64次。光谱分析软件为仪器自 带OPUS 5. 5软件，模型建立在统计学软件SPSS17. ODPS软件上进行。1、样品的制备及光谱扫描样品制备如下首先，取猪肌肉切块，预处理，以Ikg为一个单位制备样品，最后共 获得样品139份；其次，从139份样品中选取60份肉样作为原料肉样本，剩下79份样用来 制备注水肉样本，注水肉样本注入的水浓度分别为1%，3%，5%，8%，10%，13%，15%，其 中前5个浓度做11个平行样，后2个浓度做12个平行样。样本制备完毕后，将每个样本平 整装入样品杯中。利用MPA傅里叶变换近红外光谱仪，结合2mm固体光纤探头，采集原料肉和注水 肉的漫反射光谱。样品的近红外光谱如图1所示，光谱图横坐标为波数，范围是4000 12000CHT1，纵坐标为吸光度值，从图中可以看出原料肉与注水肉的光谱曲线没有明显区别。
4
2、光谱数据预处理为了去除来自高频随机噪声、基线漂移、样本不均勻、光散射等影响，需要对原始 光谱数据进行预处理。本发明采用二阶导数+25点平滑预处理方法来消除基线平移、漂 移及平缓背景的干扰。样品的二阶导数光谱图如图2所示，去除重叠光谱部分，所以只取 4030. 6 7409. 3cm"1波段的光谱用于分析。3、分析方法主成分分析主成分分析(PCA)是考察多个变量间相关性的一种多元统计方法。它是研究如何 通过少数几个独立的主成分来解释多个变量间的内部结构。在多指标(变量)的研究中， 往往由于变量个数太多，且彼此之间存在着一定的相关性，因而所得的统计的数据反映的 信息在一定程度上有重叠，增加了计算量和分析问题的复杂性。主成分分析过程在SPSS 17. 0软件中完成。要求所选主成分能够解释原始波长变 量95%以上的信息。主成分分析能够在不丢失主要光谱信息的前提下提取出较少的新的特征变量，解 决了因近红外谱带的重叠而难以分析的困难。本发明对原始光谱数据进行预处理，通过主 成分分析提取有效的特征变量，作为人工神经网络的输入值。人工神经网络模型人工神经网络(ANN)是对人脑或自然神经网络(Natural Neural Network)若干 基本特性的抽象和模拟，以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机 理与机制，实现某个方面的功能。具体的说人工神经网络就是由人工建立的以有向图为拓 扑结构的动态系统，通过对连续或断续的输入作状态响应而进行信息处理。在实际应用中， 80% 90%的人工神经网络模型是采用误差反向传播算法或其变化形式的网络模型(简 称BP网络)。本发明建立一个三层的BP人工神经网络结构(ANN-BP)，各层传递函数都用S型 (Sigmoid)函数。网络输入层节点数为5，隐含层节点数为5，输出层节点数为1(把生鲜肉 和注水肉的种类值分别设为1和2)，目标误差为0. 01，学习速率为0. 1，设定训练迭代次数 为1000次。4、结果与分析4、1样本光谱数据的主成分分析结果主成分分析的目的是将数据降维，以消除众多信息中相互重叠的信息部分。方法 是通过对实测的多个指标相关矩阵(或协方差阵)内部结构关系的研究，构造少数几个相 互独立的主成分指标，用这几个指标来代表原指标。对原料肉和注水肉共139个样本光谱数据进行预处理并选择合适光谱范围 (4030. 6 7409. 3CHT1)，对其做主成分分析。主成分分析过程在SPSS 17. 0软件中完成。 经过计算，前5个主成分的累计方差贡献率如表1所示。由表1可知，前5个主成分能够解 释原始波长变量99. 626%的信息，说明前5个主成分可代表原近红外光谱的大部分信息。表1前5个主成分及其累计贡献率
权利要求
一种原料肌肉注水快速判别方法，其特征在于，包括以下步骤A1分别以原料肉和注水肉为原料制备样品，利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据，光谱数据进行预处理，选取特征光谱用于下步分析；A2对所述特征光谱进行主成分分析，得到主成分；A3将主成分作为人工神经网络的输入，对应的肉种类作为输出，建立三层ANN BP神经网络模型；A4模型建立以后，用近红外光谱仪对未知待测样品进行扫描，扫描光谱经预处理和主成分分析后，用所建模型判定注水肌肉。
2.根据权利要求1所述的原料肌肉注水快速判别方法，其特征在于，所述主成分分析 得到的主成分能够解释原始波长变量的95%以上的信息。
3.根据权利要求1所述的原料肌肉注水快速判别方法，其特征在于，至少制备48个样 品，包括原料肉样品和注水肉样品。
4.根据权利要求1所述的原料肌肉注水快速判别方法，其特征在于，样品中至少应当 有6个注水肉样品。
全文摘要
本发明公开了一种原料肌肉注水快速判别方法，包括以下步骤A1以原料肉和注水肉为原料，利用近红外光谱仪对所述原料肉和注水肉进行扫描并得到光谱数据，A2应用主成分分析结合人工神经网络技术对试验数据进行了多元统计分析；A3将主成分作为人工神经网络的输入，对应的肉种类作为输出，建立三层BP神经网络模型，选用人工神经网络进行进一步信息提取进行肌肉是否注水判别。
文档编号G06N3/02GK101968438SQ20101028915
公开日2011年2月9日 申请日期2010年9月25日 优先权日2010年9月25日
发明者丁武, 寇莉萍, 杨公社, 杨志敏 申请人:西北农林科技大学