一种基于MLP神经网络的注水注胶肉检测方法与流程

一种基于mlp神经网络的注水注胶肉检测方法
技术领域
1.本发明涉及检验检疫领域，特别是涉及猪肉类产品的检验检疫领域，更为具体的说是涉及一种基于mlp神经网络的注水注胶肉检测方法。


背景技术：

2.猪肉作为一种高蛋白，高营养的肉类食品，在我国居民的肉类消费结构中一直占据主导地位。然而，注水注胶猪肉事件频发使得人们对于猪肉的质量和安全愈发担心。
3.注水猪肉是指在屠宰前或者屠宰后给猪灌水形成的猪肉生鲜产品。不法商贩通过这种注水的方式增加重量以牟取暴利。传统用于检测注水肉的方法相对成熟，例如感官检验法、镜检法、熟食率法、试纸法和干燥法等。
4.随着作假手法的不断更新，在注水肉的基础上，目前市场又出现了注胶肉，传统的针对注水肉的检测方法，譬如感官检验法、试纸法等都难以得到应用。这是因为在注胶肉的作假过程中主要是通过填充黄原胶、卡拉胶、明胶、琼脂等各种食品胶，而我们知道食品胶的主要成分为易形成多糖凝胶的半乳糖、脱水半乳糖，含有大量的氢键，吸水率高，能很好地保持食品体系中的水分，普通检测方法很难鉴别“注胶肉”。但同时，注胶后猪肉吸水量可增加20％以上，这使得肉质大大下降，更为严重的是可能会导致食品安全问题。
5.人工神经网络(anns)是一种模仿人类神经网络行为特征进行分布式并行信息处理的技术，具有良好的非线性特性、较强的鲁棒性和很好的学习归纳能力。人工神经网络采用有监督的学习方式，分为信号的正向传递和误差的反向传播两个过程，两个过程反复交替执行，不断调整网络的权值和阈值，直至网络的误差函数最小。anns的优点是对数据的分布要求不严格，也不要求详细表述自变量与因变量之间的函数关系，能有效解决非正态分布、非线性数据处理问题。但神经网络也有自身的缺点，即为了获得最优的网路而导致训练时间过长和难以辨别输入变量的相对重要性。因此在采用人工神经网络解决问题的过程中，作为输入层输入的训练集数据的类型是至关重要的，这决定了该模型是否能够得到满意的预测结果，实现有效分类效果。


技术实现要素：

6.本发明所要解决的技术问题是如何快速、有效、精准的鉴别注水注胶肉。
7.为了解决上述技术问题，本发明公开了一种基于mlp神经网络的注水注胶肉检测方法，该检测方法是按照e所公开的方法，将待检测样品的低场核磁共振检测数据输入按照a—d步骤得到的模型中，从而获得判断结果的方法；
8.其中各步骤为，
9.a，分别制备空白对照样品、不同注水量的注水猪肉样品、加入不同量卡拉胶的注胶猪肉样品、加入不同量明胶的注胶猪肉样品、加入不同量琼脂的注胶猪肉样品、加入不同量黄原胶的注胶猪肉样品作为样本；
10.b，将a中获得的各标准样品进行低场核磁共振检测，并选取数据处理及分析得到
的峰2面积、峰2面积占比、峰3起始时间、峰面积总和、峰1面积占比、峰1面积、峰1起始时间、峰2起始时间、峰2顶点时间、峰3结束时间、峰3顶点时间、峰1顶点时间、峰3面积、、峰3面积占比、峰1结束时间、峰2结束时间、单组分弛豫时间作为三层mlp神经网络模型的输入层原始变量；
11.需要说明的是在低场核磁共振检测中按照操作说明进行，对于待检测试样应根据低场核磁共振的检测要求进行预处理，譬如在放入仪器的样品管前均作32℃(仪器工作温度)水浴15min处理。
12.c，以输入层为17个原始变量；隐藏层单元数为6，激活函数为双曲正切；输出层为对照(正常)、注水、注胶3个因变量，建立一个结构为17-6-3的三层mlp神经网络模型；
13.d，随机将a中的样本数据分为训练集和检验集，将训练集中的样本数据输入mlp神经网络模型中对神经网络进行训练，当训练完成后，将检验集中的样本数据输入到mlp神经网络模型中，并将输出值与实际值进行比对，从而对c中构建的mlp神经网络模型进一步进行检验和修正，即得到用于检测注水注胶猪肉的mlp神经网络模型；
14.e，将待检测的样品按照a中对照样的处理方法对待检测样品进行处理，并按照b的方法获得待检测样品的17个原始变量值，然后将17个原始变量值代入到d建立的mlp神经网络模型中，由输出层得到待检测样品的预测分类。
15.优选地，所述激活函数为softmax。
16.同时，在本发明中还进一步公开a样本制备中注水猪肉样品制备时注水量为0.05ml/g、0.1ml/g、0.15ml/g、0.2ml/g。
17.同时，在本发明中还公开a样本制备中不同量卡拉胶的注胶猪肉样品、不同量明胶的注胶猪肉样品、不同量琼脂的注胶猪肉样品中卡拉胶、明胶、琼脂的质量百分比均为5％、12.5％、25％、37.5％；加入不同量黄原胶的注胶猪肉样品中黄原胶的质量百分比2.5％、3.75％、5％、6.25％。
18.进一步优选地，b低场核磁共振检测采用cpmg(carr-purcell-meiboom-gill sequence)序列检测，其各项检测参数为：射频延时(rfd)＝0.08ms，前放档位(prg)＝1，模拟增益(rg)＝20.0db，数字增益(drg)＝3，主频(sf)＝21mhz，采样频率(sw)＝100khz，采样点数(td)＝1000062，等待时间(tw)＝20000ms，回波时间(te)＝0.5ms，回波个数(nech)＝10000，累加次数(ns)＝4。
19.进一步优选地，低场核磁共振检测数据采用多组分反演和单组分反演的方式对数据剂型处理，得到横向弛豫谱及相对应的弛豫谱参数的值；其中反演参数选用sirt反演方法，弛豫时间点数量＝1000，弛豫时间最小值＝0.01ms，弛豫时间最大值＝10000ms，选择数据数量＝200，迭代次数＝100000。
20.本发明创造性的将低场核磁技术与mlp神经网络技术结合进而用于注水注胶猪肉的识别。以17个低场核磁共振检测参数代表样本的低场核磁共振检测信息作为mlp神经网络的输入数据，以原料肉与注水、注胶肉的分类作为输出，采用不同建模参数，通过多次计算，最终建立了一个结构为17—6—3的三层mlp神经网络识别模型。经试验验证本发明所公开的模型对检验集179个样本总的正确识别率达到97.8％。本发明所公开的识别方法为注水注胶肉的快速检测提供了新的思路，也对提高我国原料肉质量控制水平具有重要意义。
附图说明
21.图1为猪肉样品低场核磁共振数据图。
22.图2为猪肉样品17个lf-nmr检测参数标准化后的均值对比折线图。
具体实施方式
23.为了更好的理解本发明，下面我们结合具体的实施例对本发明进行进一步的阐述。
24.实施例1用于检测注水注胶肉mlp神经网络模型的建立
25.首先，分别制备空白对照样品、不同注水量的注水猪肉样品、加入不同量卡拉胶的注胶猪肉样品、加入不同量明胶的注胶猪肉样品、加入不同量琼脂的注胶猪肉样品、加入不同量黄原胶的注胶猪肉样品作为样本；
26.具体为：
27.(1)空白对照样品：称取4.00克肉糜样品于样品瓶中，作为对照样品，共计47份。
28.(2)不同注水量的注水猪肉样品：分别称取4.00克肉糜样品于108个样品瓶中，平均分为四组，用1ml注射器分别注水0.2ml，0.4ml，0.6ml，0.8ml，搅拌混匀后静置于4℃冰箱，24小时内测定完毕，本组共计检测108份样品，其中每个注水量样本27份。
29.(2)取冰鲜猪梅条肉用绞肉机处理成肉糜。每份样本均称取4.00克肉糜样品于样品瓶中，然后根据不同的注胶品种，分别称取0.2克、0.5克、1.0克、1.5克卡拉胶；0.2克、0.5克、1.0克、1.5克明胶；0.2克、0.5克、1.0克、1.5克琼脂；0.1克、0.15克、0.2克、0.25克黄原胶；用水溶解并定容至20ml(室温无法溶解时可水浴加热促进溶解)，加入至各样品瓶中，分别制备得到不同量卡拉胶的注胶猪肉样品、加入不同量明胶的注胶猪肉样品、加入不同量琼脂的注胶猪肉样品、加入不同量黄原胶的注胶猪肉样品。本组共计检测384份样品，其中黄原胶样品96份，明胶样品96份，琼脂样品96份，卡拉胶样品96个，各浓度均为28个。黄原胶的添加量主要是考虑黄原胶增稠效果较强，因此经试验后减量添加。
30.b，将a中获得的各标准样品进行低场核磁共振检测，低场核磁共振检测采用cpmg(carr-purcell-meiboom-gill sequence)序列检测，其各项检测参数为：射频延时(rfd)＝0.08ms，前放档位(prg)＝1，模拟增益(rg)＝20.0db，数字增益(drg)＝3，主频(sf)＝21mhz，采样频率(sw)＝100khz，采样点数(td)＝1000062，等待时间(tw)＝20000ms，回波时间(te)＝0.5ms，回波个数(nech)＝10000，累加次数(ns)＝4。
31.需要说明的是在低场核磁共振检测中按照操作说明进行，对于待检测试样应根据低场核磁共振的检测要求进行预处理，譬如在放入仪器的样品管前均作32℃(仪器工作温度)水浴15min处理。
32.检测得到的数据需要进行处理，在本发明中我们采用仪器自带的数据处理功能对测量数据进行多组分反演和单组分反演，得到每个肉样品的横向弛豫谱及相对应的弛豫谱参数的值。
33.其中反演参数：选用sirt反演方法，弛豫时间点数量＝1000，弛豫时间最小值＝0.01ms，弛豫时间最大值＝10000ms，选择数据数量＝200，迭代次数＝100000。
34.数据的统计分析应用软件ibm spss statistics(version 26,ibm)进行，并将统计分析数据经过筛选后应用在建模过程中。
35.可以看到，猪肉样品低场核磁共振数据图如图1所示，各样品的数据重叠度高，无法通过常规的方法区分开来。本发明的发明人通过数据的处理和筛选将峰2面积、峰2面积占比、峰3起始时间、峰面积总和、峰1面积占比、峰1面积、峰1起始时间、峰2起始时间、峰2顶点时间、峰3结束时间、峰3顶点时间、峰1顶点时间、峰3面积、、峰3面积占比、峰1结束时间、峰2结束时间、单组分弛豫时间作为三层mlp神经网络模型的输入层原始变量；17个lf-nmr检测参数标准化后的均值对比折线图如图2所示，可以看到通过筛选后的数据在各个样品组间具有较高的显著差异性。
36.c，以输入层为17个原始变量；隐藏层单元数为6，激活函数为双曲正切；输出层为对照(正常)、注水、注胶3个因变量，建立一个结构为17-6-3的三层mlp神经网络模型；
37.d，随机将a中的样本数据分为训练集和检验集，将训练集中的样本数据输入mlp神经网络模型中对神经网络进行训练，当训练完成后，将检验集中的样本数据输入到mlp神经网络模型中，并将输出值与实际值进行比对，从而对c中构建的mlp神经网络模型进一步进行检验和修正，即得到用于检测注水注胶猪肉的mlp神经网络模型；
38.优选地，所述激活函数为softmax。
39.在本实施例中将539样本随机划分为训练集(70％)和检验集(30％)，其中360个样品为训练集样本，179个样品为预测集样本。
40.通过训练集训练最终建立了一个结构为17-6-3的三层mlp神经网络模型，即输入层为17个原始变量；隐藏层单元数为6，激活函数为双曲正切；输出层为对照(正常)、注水、注胶等3个因变量，激活函数为softmax。
41.然后，将检验集输入到模型中，检验模型的可靠性。检验结果如表1所示：
42.表1：mlp神经网络模型分类结果
[0043][0044]
其中1代表对照样本、2代表注水猪肉、3代表注胶猪肉。
[0045]
根据表1可以看到，对于未注水注胶的对照组样本19个，经模型预测18个与实际相符为未注水注胶结果，1个被误判为注胶猪肉，正确率94.7％；对于注水猪肉样本31个，经模型预测全部与实际相符，正确率100％；对于注胶猪肉样本129个，经模型预测126个与实际相符为注胶猪肉，2个被误判为未注水注胶猪肉，1个被误判为注水猪肉，正确率97.7％。总体正确率达到97.8％。
[0046]
说明本发明获得的mlp神经网络模型在识别注水注胶猪肉中为可靠的。
[0047]
实施例2待检测样品的识别
[0048]
将待检测的样品按照a中对照样的处理方法对待检测样品进行处理，并按照b的方法获得待检测样品的17个原始变量值，然后将17个原始变量值代入到d建立的mlp神经网络模型中，由输出层得到待检测样品的预测分类。
[0049]
具体说来，取冰鲜猪梅条肉500克左右，用绞肉机处理成肉糜，作为待检测样品试样。
[0050]
然后，在放入仪器的样品管前作32℃(仪器工作温度)水浴15min处理。
[0051]
将处理好的待检测样品试样进行低场核磁共振检测，低场核磁共振检测采用cpmg(carr-purcell-meiboom-gill sequence)序列检测，其各项检测参数为：射频延时(rfd)＝0.08ms，前放档位(prg)＝1，模拟增益(rg)＝20.0db，数字增益(drg)＝3，主频(sf)＝21mhz，采样频率(sw)＝100khz，采样点数(td)＝1000062，等待时间(tw)＝20000ms，回波时间(te)＝0.5ms，回波个数(nech)＝10000，累加次数(ns)＝4。
[0052]
然后采用仪器自带的数据处理功能对测量数据进行多组分反演和单组分反演，得到待检测样品试样的横向弛豫谱及相对应的弛豫谱参数的值。
[0053]
其中反演参数：选用sirt反演方法，弛豫时间点数量＝1000，弛豫时间最小值＝0.01ms，弛豫时间最大值＝10000ms，选择数据数量＝200，迭代次数＝100000。
[0054]
数据的统计分析应用软件ibm spss statistics(version 26,ibm)进行，并将统计分析数据经过筛选后应用在建模过程中。
[0055]
将待检测样品试样数据中的峰2面积、峰2面积占比、峰3起始时间、峰面积总和、峰1面积占比、峰1面积、峰1起始时间、峰2起始时间、峰2顶点时间、峰3结束时间、峰3顶点时间、峰1顶点时间、峰3面积、、峰3面积占比、峰1结束时间、峰2结束时间、单组分弛豫时间作为三层mlp神经网络模型的输入层原始变量输入到实施例1获得的mlp神经网络模型中；
[0056]
输出层输出的分类结果为：正常猪肉。
[0057]
将待检测样品按照标准进行检测，确定其水分含量低于76％，为正常猪肉。
[0058]
以上所述是本发明的具体实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。