一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法与流程

本发明涉及畜产品加工过程中品质检测
技术领域：
，特别涉及一种基于高光谱成像技术的腊肉腌制过程盐分分布检测方法。
背景技术：
：腌制是一种非常重要的肉制品加工生产方法，也是肉品保藏的一种传统而古老的手段，其工艺主要是利用食盐、硝酸盐等腌制料的渗透作用可以去除畜禽屠宰后其肌肉中的血水，增加防腐性和肌肉的结着力，进一步提高肉的保藏性和保水性，并使香料等也渗入肉中，改善其风味和色泽。我国腌制工艺历史悠久，腌腊肉制品品种多，有多种腌制肉产品享誉海外。但我国传统腌腊肉多为家庭作坊加工，在用料、加工时间、温度、湿度等工艺条件上不能保证标准化，尤其是腌制肉制品容易出现含盐量过高的问题，过多食用会增加消费者患高血压的风险，因此，我国肉制品加工产业也越来越关注腌制品的食用品质，传统腊肉制品正处于向绿色健康方向转型的阶段。腌制的主要用料是食盐，在肉品加工中，食盐具有调味、防腐保鲜、提高保水性和黏着性等重要作用。一定浓度的盐液能抑制多种腐败微生物的繁殖。肉类在腌制过程中使用食盐和硝酸盐使pH值和水分活度降低，肉品得以保存并同时改变了原料的质地、气味、颜色和成分，并赋予产品良好的风味。盐分分布对腌腊肉制品的重要性，直接影响其腌腊品质，贮存时间和货架期，是产品分级、市场定价的重要指示参数。另外，腌制料中盐糖之间的比例不仅影响成品风味，而且对质地、嫩度等都有显著影响。目前传统的工业化生产过程中，常应用标准仪表监控加工环境温度、湿度、加工时间等物理参数，而对原料肉的初始理化参数、肉制品加工过程中内部盐分的变化关注较少，尤其对腌制过程中盐分在肉类肌肉组织内渗透的过程监测研究较少。目前对腌腊肉制品盐度的评价主要是依靠感官评定与理化分析相结合的方法。一般传统检测采用理化分析的方法，但是由于耗时长、有破坏性，不适用于在线生产过程的监测。因此寻求快速、无损的新型在线检测方法是目前国内外学者研究的重点。应用无损检测技术对肉制品加工过程的信息化、智能化检测是肉制品行业未来发展的方向。目前市场上缺乏一种有效监测肉制品加工过程中盐度变化的方法和系统，而高光谱成像作为一个新兴的平台技术，结合了传统的成像和光谱学技术，可以同时获得对象的空间和光谱信息，近年来在农学、食品工业中得到了广泛的应用。因此开发一种基于高光谱成像技术的腊肉腌制过程中盐分分布检测方法，对于实现腌制腊肉加工过程生产关键品质控制，促进我国传统腌制品加工业朝绿色健康的方向发展具有重要意义。技术实现要素：本发明的目的是提供一种基于高光谱成像技术的腊肉腌制过程盐分分布检测方法，具有快速、无损，在线可视化的特点。通过高光谱成像系统采集腌制腊肉光谱特征，建立腊肉盐度含量预测模型，实现对腌制腊肉加工过程中品质变化的智能监测，对肉制品质量安全进行精准控制。本发明的通过以下技术方案实现：一种基于高光谱成像的腊肉腌制过程中盐分分布检测方法，按照下述步骤进行：(1)采集腌制加工过程中不同腌制程度的腊肉高光谱图像并进行校正；(2)应用常规方法标定腌制腊肉样本的含盐量；(3)基于高光谱数据建立掩膜图像，应用掩膜裁剪图像去除背景噪声并进行线性拉伸，得到了腌制腊肉样品的有效检测区域。(4)提取腌制腊肉图像感兴趣区域(ROI)的平均反射光谱信息，然后应用主成分分析结合遗传算法进行特征波长提取；(5)建立腌制腊肉含盐量的预测模型，对模型进行留一交叉验证，校正得到优化的模型。(6)利用优化的模型预测不同腌制程度腊肉光谱图像中每一像素点的含盐量值，绘制腊肉腌制过程中盐分分布图。其中所述步骤(1)中，高光谱图像采集和校正，按照下述步骤进行：1)在数据采集前先对高光谱成像系统进行参数设置和黑白参考采集2)系统校正达到稳定后，对腌制腊肉样品进行高光谱线扫描图像的连续采集与合成，通过图像采集卡送至计算机，形成一个三维数据块，其x,y轴表示二维图像的空间信息，z轴则表示波长信息λ。该三维数据块在z轴方向可以反映被测对象内部特征信号，提取某些特征波长下图像可以有效反映样品各像素点理化成分的差异分布；3)利用黑白参考对合成的高光谱图像进行校正，主要目的是降低图像因系统噪声和暗电流造成的影响，提高高光谱图像的信噪比，黑白校正的公式如下：每幅图像都需要进行黑白校正，校正计算公式为式中R为校正后的漫反射光谱图像，R0样本原始的漫反射光谱图像，RW表示白参考的漫反射图像，Rd为暗图像。其中所述步骤(4)中，对腌制腊肉感兴趣(ROI)区域的信息特征提取分析,涉及到的数据处理方法通过以下步骤来确定：1)提取腊肉样本图像中ROI区域(100X100像素点)内各像素点的反射光谱，每个样本图像中选取三个ROI区域，计算平均反射光谱；2)应用主成分分析法对原始反射光谱进行分析，选择累积贡献率超过85％的第一、二主成分，根据主成分载荷图筛选特征波段，波段范围包括：467～511nm，555～587nm,614～～778nm；3)采用遗传算法(GA)对上一步筛选的特征波段进行迭代，进一步降低变量个数，选出10个特征波长，分别为473nm,490nm,507nm,562nm,583nm,620nm,653nm,690nm,734nm,735nm,761nm,770nm。其中所述步骤(5)中，建立腌制腊肉含盐量的预测模型，其特征在于，将腌制腊肉样品的ROI区域内波长为473nm,490nm,507nm,562nm,583nm,620nm,653nm,690nm,734nm,735nm,761nm,770nm的反射光谱平均值作为自变量，基于偏最小二乘回归(PLSR)算法建立腊肉样本盐分含量的预测模型。对模型进行留一交叉验证，校正得到优化的模型。所建立的腌制腊肉样品的盐分含量预测模型如下：分别为腌制腊肉样品的盐分含量预测值，则表示在对应特征波长图像的感兴趣区域中提取的平均光谱反射值。其中所述步骤(6)中，绘制腊肉腌制过程中盐分含量分布图，所述方法包括：1)提取腌制腊肉样品在特征波长为473nm,490nm,507nm,562nm,583nm,620nm,653nm,690nm,734nm,735nm,761nm,770nm的光谱图像；2)将10个特征波长对应的反射光谱值代入偏最小二乘回归(PLSR)模型，建立盐分含量的预测模型；3)由模型计算得到图像中每一像素点对应的盐分含量预测值，绘制不同腌制加工阶段的腊肉盐分含量分布图。所建立的腌制腊肉样品的盐分含量预测模型如下：Ysalt＝-105.14-26.45R473nm-36.27R490nm-55.01R507nm-31.41R562nm-56.82R583nm-17.87R620nm-10.02R653nm-45.13R690nm+42.00R734nm+93.11R735nm+39.46R761nm+11.25R770nm；Ysalt分别为腌制腊肉样品有效检测区域中每一像素点对应的盐分含量，R(i)则表示特征光谱图像的有效检测区域中每一像素点的光谱反射值。本发明建立了一套快速无损的腊肉腌制过程中盐分含量分布的高光谱检测方法，可用于监测腌制过程中的腊肉盐分渗透的动态过程，对腌制腊肉生产加工过程关键品质控制，对开发高品质、绿色健康的传统腌制产品，促进我国肉类行业发展具有重要意义。附图说明：图1是本发明一种基于高光谱成像技术的腊肉腌制过程盐分分布检测流程图；图2是本发明实施例1中所述的校正后的腌制腊肉样本感兴趣区域(RIO)的平均反射光谱曲线图；图3是本发明实施例1中所述的不同腌制浓度的腊肉样本反射光谱主成分PCA1、PCA2载荷分析图，其中(a)图为腊肉样本反射光谱第一主成分载荷图；(b)为腊肉样本反射光谱第二主成分载荷图；图4是本发明实施例1中所述的不同腌制浓度的腊肉样本反射光谱主成分PCA1、PCA2得分散点图；图5是本发明实施例1中所述的腊肉腌制10h时样本盐分含量分布图。具体实施方式：下面结合附图和实施例，对本发明的具体实施方式做进一步详细的描述。以下实施例用于说明本发明，但不用来限制本发明的范围。图1是本发明腊肉腌制过程中盐分含量分布的高光谱检测方法流程图。如图1所示，应用高光谱成像系统检测腌制过程中盐分含量分布的方法，包括以下步骤：1)采集不同腌制程度的猪肉样本共63个，作为校正集样本。腌肉样本取自猪的后腿部位，去除表面筋膜，用无菌刀切割成4cm×3cm×2cm的小块，并尽可能保持样品厚度均一；所用腌制盐为市售食品级食盐；所用水均为试验室内蒸馏水。腌制工艺采用湿法腌制，将切好的猪肉样品分别放入不同质量浓度的盐水中(浓度分别为5％、10％、15％、20％)进行腌制，并确保盐水能够完全浸没猪肉。于0.5h、1h、2h、4h等不同腌制时长分别取出腌猪肉，并用水轻微冲洗样品表面除去盐分，然后用滤纸将样品擦干。采集不同腌制程度的猪肉样本，开启高光谱系统进行预热，在数据采集前对高光谱成像系统设置扫描相关参数，分别采集黑白参考。系统校正达到稳定后，将腌制腊肉样本放置于载物台，启动步进电机，高光谱系统对腌制猪肉样品进行线扫描图像的连续采集。将采集的扫描线图像合成转化为高光谱立方体图像块，同时包含样品的空间信息和光谱信息；利用黑白参考对合成的高光谱图像进行校正，去除图像系统噪声和暗电流。2)对腌制腊肉样本的含盐量指标进行理化标定，应用硝酸银直接滴定法(中华人民共和国国家标准GB/T9695.8-2008),标定样本的盐分含量；试验过程中共测定了63个腌猪肉样品的盐分含量值，试验结果如表1。表1腌制肉样品色泽与质构参数统计分析结果理化指标平均值最小值最大值标准差变异系数盐分含量8.813.7321.855.200.593)建立掩膜图像，应用掩膜裁剪图像去除背景噪声并进行线性拉伸，得到了腌制腊肉样品的有效检测区域。提取有效检测区域内ROI区域(100X100像素点)内各像素点的反射光谱，每个样本图像中选取三个ROI区域，计算平均反射光谱；4)应用主成分分析法对原始反射光谱进行分析，提取累积贡献率超过85％的第一、二主成分，根据得分图筛选特征波段；5)采用遗传算法(GA)对特征波段的反射率进行迭代，进一步降低变量个数，选出10个特征波长，分别为473nm,490nm,507nm,562nm,583nm,620nm,653nm,690nm,734nm,735nm,761nm,770nm。6)将腌制腊肉样品的ROI区域内波长为473nm,490nm,507nm,562nm,583nm,620nm,653nm,690nm,734nm,735nm,761nm,770nm的反射光谱平均值作为自变量，基于偏最小二乘回归(PLSR)算法建立腊肉样本盐分含量的预测模型。对模型进行留一交叉验证，校正得到优化的模型。所建立的腌制腊肉样品的盐分含量预测模型如下：分别为腌制腊肉样品的盐分含量预测值，则表示在对应特征波长图像的感兴趣区域中提取的平均光谱反射值。7)基于以上盐分含量的预测模型，可以计算得到图像中每一像素点对应的盐分含量预测值，绘制腊肉腌制过程中盐分含量分布图，所述方法包括：所建立的腌制腊肉样品的盐分含量预测模型如下：Ysalt＝-105.14-26.45R473nm-36.27R490nm-55.01R507nm-31.41R562nm-56.82R583nm-17.87R620nm-10.02R653nm-45.13R690nm+42.00R734nm+93.11R735nm+39.46R761nm+11.25R770nmYsalt分别为腌制腊肉样品有效检测区域中每一像素点对应的盐分含量，R(i)则表示特征光谱图像的有效检测区域中每一像素点的光谱反射值。8)利用优化的模型预测不同腌制程度腊肉光谱图像中每一像素点的含盐量，绘制腊肉腌制过程中盐分分布图，监测腌制加工过程中的腊肉盐分渗透的动态过程。当前第1页1 2 3