基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法

基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法

TS254.7; 为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性.结果显示,预处理方法明显...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:食品科学 2024-01, Vol.45 (2), p.299-307
Hauptverfasser: 占可, 陈季旺, 徐言, 倪杨帆, 刘言, 邹圣碧
Format: Magazinearticle
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 307
container_issue 2
container_start_page 299
container_title 食品科学
container_volume 45
creator 占可
陈季旺
徐言
倪杨帆
刘言
邹圣碧
description TS254.7; 为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性.结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力.其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g.近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好.综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型.这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力.
doi_str_mv 10.7506/spkx1002-6630-20230418-177
format Magazinearticle
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_spkx202402037</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>spkx202402037</wanfj_id><sourcerecordid>spkx202402037</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1007-a2f1c79bc14e6f9782aa1993ec47fdc919bf0f0a49c1d069bbd90bca8d3853133</originalsourceid><addsrcrecordid>eNo9j7tKA0EYhadQMMS8hGC5-s8lOzulhHiBgI3WYWZ2R7ywiotoGUEDQVAsDESEgIqNTVREssLmZZy9vIUritUpPjjnfAjNYVjgdXAXo4PdEwxAHNel4BAgFBj2HMz5FKr8gxlUi6JtVSKBmYd5BTXtMP6KL_PJdRbf28e-Pe_lo5esN7bJaXZ7ZrsftvtpR1dFMsgHSfF6Z-MnO3kuOsP0oZO-X6T9cfp2M4umjdyLgtpfVtHmcnOjseq01lfWGkstJyovcEcSgzUXSmMWuEZwj0iJhaCBZtz4WmChDBiQTGjsgyuU8gUoLT2fenWKKa2i-d_eYxkaGW61d_aPDsNysf3jX1ozIEA5_Qb52Gf5</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>magazinearticle</recordtype></control><display><type>magazinearticle</type><title>基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法</title><source>DOAJ Directory of Open Access Journals</source><creator>占可 ; 陈季旺 ; 徐言 ; 倪杨帆 ; 刘言 ; 邹圣碧</creator><creatorcontrib>占可 ; 陈季旺 ; 徐言 ; 倪杨帆 ; 刘言 ; 邹圣碧</creatorcontrib><description>TS254.7; 为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性.结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力.其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g.近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好.综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型.这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力.</description><identifier>ISSN: 1002-6630</identifier><identifier>DOI: 10.7506/spkx1002-6630-20230418-177</identifier><language>chi</language><publisher>农产品加工与转化湖北省重点实验室(武汉轻工大学),湖北武汉 430023</publisher><ispartof>食品科学, 2024-01, Vol.45 (2), p.299-307</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/spkx/spkx.jpg</thumbnail><link.rule.ids>777,781,861,27906</link.rule.ids></links><search><creatorcontrib>占可</creatorcontrib><creatorcontrib>陈季旺</creatorcontrib><creatorcontrib>徐言</creatorcontrib><creatorcontrib>倪杨帆</creatorcontrib><creatorcontrib>刘言</creatorcontrib><creatorcontrib>邹圣碧</creatorcontrib><title>基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法</title><title>食品科学</title><description>TS254.7; 为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性.结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力.其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g.近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好.综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型.这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力.</description><issn>1002-6630</issn><fulltext>true</fulltext><rsrctype>magazinearticle</rsrctype><creationdate>2024</creationdate><recordtype>magazinearticle</recordtype><recordid>eNo9j7tKA0EYhadQMMS8hGC5-s8lOzulhHiBgI3WYWZ2R7ywiotoGUEDQVAsDESEgIqNTVREssLmZZy9vIUritUpPjjnfAjNYVjgdXAXo4PdEwxAHNel4BAgFBj2HMz5FKr8gxlUi6JtVSKBmYd5BTXtMP6KL_PJdRbf28e-Pe_lo5esN7bJaXZ7ZrsftvtpR1dFMsgHSfF6Z-MnO3kuOsP0oZO-X6T9cfp2M4umjdyLgtpfVtHmcnOjseq01lfWGkstJyovcEcSgzUXSmMWuEZwj0iJhaCBZtz4WmChDBiQTGjsgyuU8gUoLT2fenWKKa2i-d_eYxkaGW61d_aPDsNysf3jX1ozIEA5_Qb52Gf5</recordid><startdate>20240125</startdate><enddate>20240125</enddate><creator>占可</creator><creator>陈季旺</creator><creator>徐言</creator><creator>倪杨帆</creator><creator>刘言</creator><creator>邹圣碧</creator><general>农产品加工与转化湖北省重点实验室(武汉轻工大学),湖北武汉 430023</general><general>国家小龙虾加工技术研发分中心(潜江),湖北潜江 433100%武汉农业检测中心,湖北武汉 430016%国家小龙虾加工技术研发分中心(潜江),湖北潜江 433100</general><general>武汉轻工大学食品科学与工程学院,湖北武汉 430023%武汉轻工大学食品科学与工程学院,湖北武汉 430023</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20240125</creationdate><title>基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法</title><author>占可 ; 陈季旺 ; 徐言 ; 倪杨帆 ; 刘言 ; 邹圣碧</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1007-a2f1c79bc14e6f9782aa1993ec47fdc919bf0f0a49c1d069bbd90bca8d3853133</frbrgroupid><rsrctype>magazinearticle</rsrctype><prefilter>magazinearticle</prefilter><language>chi</language><creationdate>2024</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>占可</creatorcontrib><creatorcontrib>陈季旺</creatorcontrib><creatorcontrib>徐言</creatorcontrib><creatorcontrib>倪杨帆</creatorcontrib><creatorcontrib>刘言</creatorcontrib><creatorcontrib>邹圣碧</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>食品科学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>占可</au><au>陈季旺</au><au>徐言</au><au>倪杨帆</au><au>刘言</au><au>邹圣碧</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法</atitle><jtitle>食品科学</jtitle><date>2024-01-25</date><risdate>2024</risdate><volume>45</volume><issue>2</issue><spage>299</spage><epage>307</epage><pages>299-307</pages><issn>1002-6630</issn><abstract>TS254.7; 为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性.结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力.其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g.近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好.综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型.这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力.</abstract><pub>农产品加工与转化湖北省重点实验室(武汉轻工大学),湖北武汉 430023</pub><doi>10.7506/spkx1002-6630-20230418-177</doi><tpages>9</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1002-6630
ispartof 食品科学, 2024-01, Vol.45 (2), p.299-307
issn 1002-6630
language chi
recordid cdi_wanfang_journals_spkx202402037
source DOAJ Directory of Open Access Journals
title 基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-18T16%3A43%3A00IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E8%BF%91%E7%BA%A2%E5%A4%96%E5%85%89%E8%B0%B1%E7%89%B9%E5%BE%81%E7%9A%84%E5%86%B7%E5%86%BB%E5%B0%8F%E9%BE%99%E8%99%BE%E9%B2%9C%E5%BA%A6%E5%BF%AB%E9%80%9F%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E9%A3%9F%E5%93%81%E7%A7%91%E5%AD%A6&rft.au=%E5%8D%A0%E5%8F%AF&rft.date=2024-01-25&rft.volume=45&rft.issue=2&rft.spage=299&rft.epage=307&rft.pages=299-307&rft.issn=1002-6630&rft_id=info:doi/10.7506/spkx1002-6630-20230418-177&rft_dat=%3Cwanfang_jour%3Espkx202402037%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=spkx202402037&rfr_iscdi=true