论文部分内容阅读
‘本文以养殖对虾为研究对象,利用可见/近红外光谱分析技术对新鲜对虾和解冻对虾进行鉴别,并结合化学计量学方法对对虾的色泽指标(L,*、a*、b*)和鲜度指标挥发性盐基氮(Total Volatile Basic Nitrogen, TVB-N)含量进行了定量分析。主要研究结论如下：(1)对新鲜和解冻对虾肌肉第一节、第三节和末节中心三个检测点分别采集光谱,并进行了定性分析。建模结果表明,900-1100nm比全波段670-1100nm范围内判别分析(Discriminant Analysis, DA)建模效果好。在此基础上,比较了不同光谱预处理方法对判别模型性能的影响。第一点和第三点判别分析结合Savizky-Golay19点平滑所建的新鲜和解冻对虾鉴别模型可以实现所有样本的正确分类；第二点判别分析结合Savizky-Golay11点平滑所建的模型性能最优,总体正确率达到98.09%。(2)利用不同模式识别方法对新鲜对虾和解冻对虾进行了定性分析。结果表明,判别偏最小二乘(Discriminant Partial Least Squares, DPLS)结合Savizky-Golay7点平滑处理所建模型可以实现所有样本的正确分类。最小二乘支持向量机(Least Squares-Support Vector Machine, LS-SVM)判别正确率在第一点和第三点最好,均为98.73%,第二点稍差为96.82%。因此,可见/近红外光谱分析技术可以实现新鲜对虾和解冻对虾的鉴别。(3)对对虾的L*、a*、b*值进行了定量分析。利用偏最小二乘回归(Partial Least Squares Regression)和LS-SVM建模,比较了不同光谱预处理方法对对虾L*、a*、b*值定量分析模型性能的影响。对虾在全波段(670-1100nm)光谱结合多元散射校正所建的L*、a*、b*PLSR模型性能最优。L*的校正均方根误差(Root Mean Square Error of Calibration, RMSEC)、校正集相关系数(rc)、预测集均方根误差(Root Mean Square Error of Prediction, RMSEP)、预测集相关系数(rp)分别为0.565、0.976、0.561、0.822；a*的RMSEC、rc、 RMSEP、rp分别为0.067、0.990、0.104、0.833；b*的RMSEC、rc、RMSEP、rp分别为0.443、0.900、0.398、0.845。LS-SVM所建模型相关系数低于PLSR.(4)对对虾的TVB-N值进行了定量分析。利用PLSR建模,比较了不同光谱预处理方法对对虾TVB-N含量定量分析模型性能的影响。光谱经标准归一化后在全波段范围内所建的TVB-N含量的PLSR模型性能较好,RMSEC、rc、RMSEP、rp分别为3.87mg/100g、0.911、5.46mg/100g、0.796。