豬肉中細菌總數(shù)的無損檢測及優(yōu)勢致腐菌的快速鑒別研究.pdf

1、豬肉新鮮度的快速、無損檢測對肉品質(zhì)量控制、保證消費者安全具有重要意義。通常情況下，細菌總數(shù)(TVC)是評價肉品新鮮度的一個常用指標，本研究利用高光譜成像和嗅覺可視化等無損檢測技術(shù)，實現(xiàn)對豬肉中TVC快速檢測和致腐菌分類鑒別。具體的研究內(nèi)容如下:
　　1.基于嗅覺可視化技術(shù)的豬肉貯藏過程中細菌總數(shù)(TVC)的無損檢測。試驗將12種篩選出的氣敏材料固定到硅膠板上，制成可視化傳感器陣列。利用掃描儀獲取陣列與豬肉樣本揮發(fā)性氣味反應前后圖像

2、信息。以前后陣列顏色變化作為特征值。構(gòu)建線性判別分析(LDA)和BP神經(jīng)網(wǎng)絡(BPANN)定性模型。結(jié)果顯示，BPANN模型識別結(jié)果優(yōu)于LDA，訓練集、預測集識別率分別為100％和96.9％。構(gòu)建BPANN定量模型對豬肉中TVC進行檢測，結(jié)果顯示，BPANN模型預測集相關性系數(shù)為0.803，預測均方根誤差為2.902 lg(CFU/g)。研究結(jié)果為嗅覺可視化技術(shù)對肉品中TVC檢測提供理論依據(jù)。
　　2.基于多信息融合的豬肉貯藏過程

3、中細菌總數(shù)(TVC)的無損檢測?？紤]到單一檢測技術(shù)存在的局限性，本文進一步采用融合技術(shù)實現(xiàn)豬肉TVC的無損檢測。實驗利用嗅覺可視化技術(shù)和高光譜圖像技術(shù)分別獲取豬肉的氣味信息和光譜圖像信息，分別提取出36個顏色和30個紋理特征變量進行特征層數(shù)據(jù)融合，通過主成分(PCA)提取最佳的因子作為模型輸入，建立BPANN和BP-Adaboost預測模型，結(jié)果表明，兩種技術(shù)融合的模型要優(yōu)于單一技術(shù)模型，而基于兩技術(shù)融合的BP-Adaboost模型對豬

4、肉TVC含量預測結(jié)果最佳，預測集相關性系數(shù)為0.914，預測均方根誤差為0.7954 lg(CFU/g)。結(jié)果表明，采用融合技術(shù)模型檢測豬肉TVC是可行的，且較于單一技術(shù)模型的準確性和穩(wěn)定性均有所提升。
　　3.基于嗅覺可視化技術(shù)的豬肉優(yōu)勢致腐菌分類鑒別。本試驗以豬肉中優(yōu)勢致腐菌PS1、J4、P3 and P5為研究對象。用色敏型嗅覺傳感器分別獲取四種菌在培養(yǎng)過程中產(chǎn)生的揮發(fā)性氣體信息，并借助PCA和LDA方法對4種致腐菌進行分類