论文部分内容阅读
我国是猪肉消费大国,猪肉品质关系到消费者的健康安全和市场经济效益。采用光谱技术所建立的猪肉品质多元校正模型的预测性能是否具有稳定性,直接影响着分析结果的精确度和准确度。多元校正模型包含的样本信息(如品种、产地、粒度等)变化或者测量条件变化(如温度、湿度等)可能会导致已建立的模型不适宜预测新样本,故利用光谱技术对猪肉品质进行检测时,由于品种的不同可能导致已有光谱模型对其他品种样本的预测性能降低,模型缺乏稳健性和适用性。然而,重新建立一个稳健、可靠、准确的检测模型是一个需要消耗大量人力、物力和时间的复杂过程。因此,开展猪肉品质检测模型的维护方法研究以提高光谱检测模型的适用性和可靠性具有重要的科学意义和良好的应用前景。该文以湖北地区山黑猪、零号土猪两个品种样本作为研究对象,研究了基于高光谱成像技术的猪肉样本pH值定量检测方法和嫩度等级定性检测方法。通过比较不同光谱预处理方法和建模方法对光谱检测模型性能的影响,确定了猪肉不同品质模型的最优预处理方法和最优建模方法。对猪肉品质光谱检测模型的适用性进行检验研究,并比较不同模型修正和模型传递等维护方法对模型的维护效果,确定了猪肉不同品质模型的最优维护方法。主要研究结果如下：1)研究了不同样本集划分方法对猪肉pH值定量分析的划分结果及其对模型性能的影响,确定了SPXY法最适用于猪肉pH值定量分析的样本集划分。分别采用随机法、KS法和SPXY法3种样本集划分方法对山黑猪pH值数据进行划分,并采用偏最小二乘法建立模型。结果表明：随机法和KS法所建模型性能较差,SPXY法划分样本集所建模型的交叉验证相关系数Rc和预测相关系数Rp均优于其他两种方法。2)比较了不同光谱预处理方法和定量建模方法对山黑猪pH值定量分析模型的性能影响,确定了归一化方法为山黑猪pH值定量分析的最优光谱预处理方法和偏最小二乘法为山黑猪pH值定量分析的最优建模方法。采用SPXY法将山黑猪样本划分了校正集和测试集,分别采用不同光谱预处理方法对猪肉高光谱数据进行处理,并采用主成分回归法、偏最小二乘法和支持向量机法3种定量建模方法建立模型。结果表明,采用偏最小二乘法对山黑猪pH值进行检测的效果较其他两种建模方法更优,当采用该法建模时,光谱经归一化预处理后所建立的pH值定量分析模型性能最优,该模型对校正集和测试集的Rc、Rp、RMSECV以及RMSEP分别为0.885、0.864、0.1129和0.1059。3)开展山黑猪pH值定量分析模型的适用性检验研究。采用主成分得分空间分布图、马氏距离分布图定性地对山黑猪pH值检测模型的适用性进行检测,并首次提出采用Fisher值图定量地对模型的适用性进行分析,随后采用模型交叉验证方法进行验证,结果表明山黑猪pH值定量分析模型直接对零号土猪待测样本的预测相关系数Rp仅为0.415,预测误差RMSEP达到0.1804,这表明山黑猪模型直接用于零号土猪样本时的预测性能较差,因此需要对山黑猪模型进行传递修正。4)基于SPXY法添加样本的模型更新方法可在一定程度上改善山黑猪pH值检测模型对零号土猪样本的预测性能。比较了RS法、KS法和SPXY法选取典型零号土猪样本添加到山黑猪pH值校正模型中对模型适用性的影响。结果表明,选取的新样本分布情况对山黑猪模型的修正效果有影响,SPXY法因同时兼顾样本的光谱特征和浓度特征而能选择出分布范围广的代表性样本,故确定SPXY为模型更新算法中代表性新样本的选取方法。当采用该法向山黑猪pH值模型校正集添加14个零号土猪新样本时,修正后模型对零号土猪待测样本的预测相关系数Rp由0.415提高至0.797,提高幅度为92.05%,RMSEP由0.1804降低为0.1121,下降37.86%。5)研究了斜率/截距方法对山黑猪pH值检测模型的适用性影响。试验结果表明,斜率/截距方法对山黑猪pH值检测模型的修正效果有限,故该方法仅可降低高山黑猪pH值检测模型对零号土猪样本的预测均方根误差,RMSEP由0.1804降低为0.1343,仅下降了25.54%。6)提出了一种基于光谱值校正传递算法的模型维护方法,以改善山黑猪pH值模型对零号土猪待测样本的预测性能。该方法不改变山黑猪原模型,通过消除品种之间的光谱值差异达到改善模型适用性的效果。采用该方法对待测零号土猪样本的光谱校正后,山黑猪原模型对零号土猪样本的预测相关系数Rp由0.415提高至0.837,提高了101.69%,预测误差RMSEP由0.1804降低至0.0856,下降了52.55%。7)建立了基于高光谱成像技术的山黑猪猪肉嫩度等级定性识别模型。分别采用无处理、标准化、去趋势变换、多元散射校正以及归一化及其各种方法的组合等预处理方法对光谱数据进行处理,并采用K-最邻近法(KNN)、偏最小二乘-判别分析法(PLS-DA)和支持向量机-判别分析法(SVM-DA)3种模型识别方法建立嫩度等级识别模型。结果表明,归一化处理光谱所建SVM-DA模型对山黑猪样本嫩度等级的识别效果最优,其对校正集和测试集样本的识别正确率均达到100%。8)全局混合模型、模型更新方法和光谱信号补正方法均有助于提高山黑猪嫩度识别模型对零号土猪样本嫩度的识别正确率。建立了全局混合模型对不同品种猪肉样本的嫩度等级进行识别,结果表明模型对不同品种猪肉样本的识别正确率均达到80%以上,模型的适用性优于单一品种所建模型；采用模型更新方法向山黑猪嫩度等级SVM-DA原模型校正集添加20个零号土猪样本时,修正后模型对零号土猪样本的识别正确率由50%提高至76.7%；光谱信号补正方法通过补正不同品种猪肉样本的光谱信号差值后,模型对零号土猪样本的识别正确率由直接预测时的50%提高至73.3%。9)光谱值校正方法可有效地改善山黑猪嫩度等级SVM-DA原模型的适用性。该法首先分别计算不同嫩度等级样本的光谱转换矩阵,然后以所得的矩阵重构零号土猪待测样本光谱数据。当待测样本光谱重构后,山黑猪嫩度等级原模型对零号土猪样本的识别正确率从直接识别时的50%提高至100%。