در بین بسیاری از محصولات گوشتی ، گوشت گاو به دلیل پروتئین بالا ، کم چربی ، ویتامین و مواد معدنی زیاد مورد علاقه بسیاری از مصرف کنندگان است که نیازهای غذایی افراد مدرن برای گوشت را برآورده می کند. با سرعت بخشیدن به سرعت زندگی مردم ، محصولات سنتی گوشت گاو پخته شده به یک غذای متداول در سوپر مارکت ها و ظرافت ها تبدیل شده اند و تقاضا و حجم فروش نیز در حال افزایش است. با این حال ، در زندگی واقعی ، بیشتر گوشت گاو پخته شده که در بازار فروخته می شود به صورت عمده است ، و سرشار از پروتئین بالا و محتوای آب زیاد است ، بنابراین پرورش میکروارگانیسم ها بسیار آسان است و باعث می شود که در هنگام ذخیره کم دمای پایین ، آن را خراب کند. بنابراین ، بر اساس استانداردها و سیستم های درجه بندی کیفیت گوشت گاو معقول و مؤثر ، به دنبال روشهای قابل اطمینان با کیفیت ایمنی گوشت گاو ، به عنوان اولویت اصلی برای جهت توسعه بازار گوشت گاو تبدیل شده است.
تصاویر Hyperspectral ، همچنین به عنوان Hypercubes شناخته می شوند ، بلوک های داده سه بعدی (X ، Y ، λ) هستند که از یک سری تصاویر مکانی دو بعدی (X ، Y) تحت طول موج مداوم λ تشکیل شده است. همانطور که در شکل زیر نشان داده شده است ، از منظر طول موج ، داده های تصویر hyperspectral (x ، y ، λ) یک بلوک داده سه بعدی است که از تصاویر دو بعدی (x ، y) تشکیل شده است. از منظر داده های دو بعدی (X ، Y) ، Hyperspectral مجموعه ای از منحنی های طیفی است. اصل استفاده از فناوری HSI برای تشخیص طراوت مواد غذایی به تفاوت در جذب ، بازتاب ، پراکندگی ، انرژی الکترومغناطیسی نور و موقعیت طیفی اوج/فرورفتگی ترکیب شیمیایی داخلی و خصوصیات فیزیکی خارجی جسم اشاره دارد آزمایش شود ، که منجر به ویژگی های مختلف سیگنال دیجیتال می شود. به عنوان مثال ، مقادیر اوج و دره (اثر انگشت طیفی) جذب در طول موج های مختلف می تواند خصوصیات فیزیکی ترکیبات مختلف را نشان دهد ، به طوری که می توان تجزیه و تحلیل کیفی یا کمی از کیفیت مواد غذایی را از طریق تجزیه و تحلیل اطلاعات ابرشخصی حاصل کرد ، یعنی غیر آزمایش مخرب کیفیت غذا.
(1) ROI نمونه TVC و استخراج طیف
برای نمونه TVC ، یک تصویر ROI 50 PX 50 PX PX تصویر ROI از نمونه تصویر Hyperspectral پس از تصحیح سیاه و سفید انتخاب شد. انتخاب شده
تصویر زیر نمونه گوشت گاو پخته شده برای به دست آوردن میانگین طیفی هر نمونه تحت یک باند خاص به طور متوسط تحت یک طیف خاص قرار گرفت. این مرحله اجرا شد
در نرم افزار ENVI 5.1 ، به طور عمده از طریق ابزار ROI نرم افزار ENVI.
شکل زیر استخراج ناحیه ROI نمونه گوشت گاو پخته شده TVC در Envi5.1 و مقدار طیفی به دست آمده را نشان می دهد.
(2) ROI نمونه TVB-N ROI و طیف
فرآیند استخراج منطقه ROI همان داده های نمونه TVC در بند قبلی است. منطقه ROI از 50px*50px نیز برای پیش بینی نمونه گوشت گاو پخته شده TVB-N به دست می آید. مشاهده می شود که در منحنی های طیفی دو دسته از نمونه های گوشت گاو پخته شده تفاوت های خاصی وجود دارد (تخمین زده می شود که دو دسته محصولات گوشت گاو پخته شده Daoxiangcun در یک بازه طولانی خریداری شده اند ، که ممکن است توسط انواع مختلف گوشت گاو ایجاد شود) بشر به طور مشابه ، این مرحله برای نمونه گوشت گاو پخته شده TVB-N نیز روی نرم افزار Envi5.1 اجرا شده است.
شکل زیر TVB-N را که منطقه ROI را در Envi5.1 استخراج می کند و به دست آوردن مقدار طیفی نمونه نشان می دهد.
نتایج پیش پردازش طیفی
اطلاعات طیفی نمونه گوشت گاو پخته شده برای پیش بینی TVC از پیش پردازش شد (به ترتیب هموار سازی SG ، عادی سازی بردار و تبدیل SNV). طیف اصلی اطلاعات طیفی و نتیجه پردازش طیف در شکل زیر نشان داده شده است.
همان روش پیش پردازش همان چیزی که برای نمونه گوشت گاو پخته شده برای پیش بینی TVC در بند قبلی استفاده می شود ، برای پیشبرد اطلاعات طیفی از داده های مختلف نمونه برای پیش بینی مقدار TVB-N استفاده می شود. طیف اصلی و طیف پس از پیش پردازش در شکل زیر نشان داده شده است:
یک مدل اعتبار سنجی متقابل ده برابر رگرسیون بردار پشتیبانی (SVR) برای داده های طیفی قبل و بعد از پیش پردازش ایجاد شد. عملکرد مدل در جدول نشان داده شده است و نتایج مدل سازی در شکل نشان داده شده است. این روش در نرم افزار تجزیه و تحلیل داده های چند متغیره theunscrambler x10.4 پیاده سازی شده است. روش SVR و شاخص های عملکرد مدل آن در بخش 4.1 معرفی می شوند و در اینجا به تفصیل شرح داده نمی شوند.
همانطور که از جدول مشاهده می شود ، عملکرد مدل های پیش بینی دو شاخص ایجاد شده توسط طیف های پیش پردازش شده تا حدی بهبود یافته است. ضریب همبستگی عملکرد R از مدل پیش بینی برای TVC با 16 درصد افزایش یافته است ، در حالی که ضریب همبستگی عملکرد R از مدل پیش بینی برای TVB-N با 9 درصد افزایش یافته است. این ضرورت پیش پردازش طیفی را تأیید می کند ، بنابراین تجزیه و تحلیل بعدی از داده های پیش پردازش شده استفاده می کند.
خلاصه و چشم انداز
به منظور دستیابی به تشخیص سریع و غیر مخرب از طراوت محصولات گوشتی پخته شده ، این مقاله گوشت گاو پخته شده را به عنوان شیء تحقیق می گیرد و از فناوری تصویربرداری Hyperspectral برای ایجاد یک مدل پیش بینی برای طراوت گوشت گاو پخته شده استفاده می کند. تغییرات در طراوت گوشت گاو پخته شده در حین ذخیره سازی و عوامل اصلی مؤثر بر طراوت گوشت گاو پخته مورد بررسی قرار گرفت و مقدار Microbial Index TVC و شاخص شیمیایی مقدار TVB-N مربوط به آن تعیین شد. نتیجه گیری تحقیقاتی خاص به شرح زیر است: امکان استفاده از فناوری تصویربرداری از فشار سنج برای تشخیص طراوت گوشت گاو پخته مورد بررسی قرار گرفت ، و روند تغییر شاخص طراوت TVC و TVB-N با ارزش TVC گوشت گاو پخته شده در هنگام ذخیره سازی مورد بحث قرار گرفت. عملکرد مدل پیش بینی SVR (با استفاده از اعتبار سنجی متقاطع ده برابر) ساخته شده قبل و بعد از پردازش داده های طیفی مقایسه شد و مدل پیش بینی ساخته شده با مجموعه داده های از پیش پردازش شده عملکرد بهتری داشت. روش پارتیشن بندی مجموعه نمونه مورد بررسی قرار گرفت. مجموعه آموزش و مجموعه آزمون تولید شده توسط روشهای مختلف تقسیم نمونه مدل سازی و مورد تجزیه و تحلیل قرار گرفتند و در نهایت مجموعه آموزش و مجموعه تست تقسیم شده بر اساس روش پارتیشن بندی SPXY انتخاب شدند.
