基于光譜技術(shù)的牛肉新鮮度檢測模型維護方法研究.pdf

1、多元校正模型作為光譜定量分析的基礎(chǔ)，其是否具有穩(wěn)定的預測性能直接影響著光譜分析的精確度和準確度。通常由于校正模型包含了樣本特征信息、制樣條件、儀器狀態(tài)等信息，在模型的使用過程中，由于儀器狀態(tài)的改變或是樣品本身的變化（如品種、產(chǎn)地的差異），可能引起原來建立的數(shù)學模型不再適用于新樣本特征值的預測，導致已有模型的適應性和可靠性降低，甚至使模型失效。利用光譜技術(shù)對牛肉品質(zhì)進行檢測時，因樣本品種的不同而產(chǎn)生的光譜信息差異可能造成模型對不同品種的牛

2、肉樣本檢測結(jié)果不同，模型缺乏通用性和可靠性，因此開展模型維護方法的研究對提高檢測模型的適應性和可靠性具有重要意義。
　　 該論文以三個不同品種（黃陂黃牛、恩施山地水牛、西門塔爾奶牛）牛肉樣本為研究對象，分別利用近紅外光譜技術(shù)和高光譜技術(shù)，建立三個不同品種牛肉新鮮度定量檢測模型。通過比較不同模型對三個品種牛肉樣本新鮮度的預測結(jié)果，并對模型適配性檢驗進行研究，進而比較不同模型更新和轉(zhuǎn)移方法對牛肉新鮮度光譜檢測模型的維護效果，確定了基

3、于光譜技術(shù)的不同品種牛肉新鮮度檢測模型的更新和轉(zhuǎn)移方法。主要研究結(jié)果如下:
　　 (1)比較了隨機法、KS法和SPXY算法三種不同方法的樣本劃分結(jié)果及其對模型預測性能的影響，確定了SPXY算法為牛肉新鮮度檢測樣本集劃分的最佳方法。以黃陂黃牛的新鮮度近紅外光譜檢測為例，運用相同的預處理和建模方法建立新鮮度檢測模型，當采用SPXY算法劃分樣本集時，模型的交叉驗證相關(guān)系數(shù)R(cv)和預測相關(guān)系數(shù)RP均高于其他兩種方法，分別為0.824

4、7、0.8122。
　　 (2)比較了光譜預處理方法和建模方法對三個品種牛肉樣本新鮮度檢測模型精度的影響，確定了利用近紅外光譜檢測黃陂黃牛、恩施山地水牛、西門塔爾奶牛樣本新鮮度的最優(yōu)光譜預處理方法分別為泊松變換、標準化和泊松變換，利用高光譜檢測上述3個品種樣本新鮮度的最優(yōu)光譜預處理方法分別為多元散射校正、標準化和泊松變換。利用光譜技術(shù)檢測牛肉新鮮度最佳建模方法為偏最小二乘回歸法(PLSR)。
　　 (3)比較了不同品種牛

5、肉樣本新鮮度變化規(guī)律、光譜信息存的差異，分別利用主成分空間分布法、馬氏距離法、模型交叉檢驗等方法對不同品種新鮮度檢測模型的適配性進行了檢驗，采用黃陂黃牛新鮮度近紅外光譜檢測模型對恩施水牛和西門塔爾奶牛樣本新鮮度進行檢測時的預測相關(guān)系數(shù)RP低至0.731、0.707，預測均方根誤差RMSEP高達17.327、19.435，采用黃陂黃牛新鮮度高光譜檢測模型對恩施水牛和西門塔爾奶牛樣本新鮮度進行檢測時的預測相關(guān)系數(shù)RP低至0.021、0.33

6、2，預測均方根誤差RMSEP高達8.347、8.708，交叉檢驗結(jié)果顯示:各模型僅對本品種樣本有較好的預測效果，直接用于其他品種的新鮮度信息預測時，模型的預測相關(guān)系數(shù)明顯降低，預測誤差急劇增大。表明由單一品種建立的校正模型不適合用于其他品種牛肉樣本新鮮度信息的預測。
　　 (4)基于全局模型和SPXY樣本添加的模型更新方法有助于改善牛肉新鮮度光譜檢測模型對不同品種樣本的預測性能。通過建立全局模型對三個品種的樣本新鮮度進行檢測，結(jié)

7、果顯示模型性能穩(wěn)定，近紅外光譜模型和高光譜模型的交叉驗證相關(guān)系數(shù)RCV、交叉驗證均方根誤差RMSECV分別為0.8143、3.9075和0.9155、2.6386。采用SPXY典型樣本選擇方法向恩施水牛近紅外光譜模型中添加23個奶牛樣本后，模型對奶牛樣本的預測相關(guān)系數(shù)RP從0.6432提升至0.8111，預測均方根誤差從5.244降低至3.5668;向黃陂黃牛高光譜模型中添加18個水牛樣本后，模型預測水牛樣本新鮮度的預測相關(guān)系數(shù)RP由0

8、.021提升至0.896，預測均方根誤差RMSEP由8.347降低至2.848。
　　 (5)研究了斜率/截距校正方法對牛肉新鮮度光譜模型的轉(zhuǎn)移效果，提出了一種針對光譜吸光度值修正的光譜信號校正方法，用于改善模型對不同品種樣本的新鮮度預測性能。結(jié)果表明:斜率/截距校正方法對牛肉新鮮度光譜模型的轉(zhuǎn)移效果不佳，該方法不能提升模型的預測相關(guān)系數(shù)，僅可以使預測均方根誤差略微有所降低。采用吸光度值修正的方法對待測樣本光譜進行校正后，對于恩