近紅外光譜技術在魚糜品質鑒別中的應用研究.pdf

1、本論文收集了白鰱魚糜和草魚魚糜兩種魚糜樣本共132個。在10000cm-1-4000cm-1譜區(qū)范圍內，對試驗樣本進行了近紅外反射光譜掃描。根據魚糜的近紅外光譜特性，通過比較不同預處理方法和統(tǒng)計回歸方法，分別建立了白鰱魚糜、草魚魚糜、淡水魚糜的主要成分和魚糜制品中淀粉添加量的定量模型。并經三種不同模式識別方法的比較，建立了不同魚種魚糜近紅外光譜鑒別的定性模型。具體研究結果如下： (1)白鰱魚糜的水分和蛋白質模型的建立：標準歸一化

2、(SNV)對光譜進行預處理，采用偏最小二乘法作為回歸方法，建立了水分模型，且定標集和預測集的相關系數都在0.99以上，預測誤差分別為0.38和0.39；SNV結合Savitzky-Golay9點間隔2點一階求導(DG1G2)對光譜進行預處理，采用偏最小二乘法作為回歸方法，建立了蛋白質模型，定標集和預測集的相關系數分別為0.98和0.97，預測誤差分別為0.35和0.36。 (2)草魚魚糜的水分和蛋白質模型的建立：采用與白鰱魚糜水

3、分建模同樣的條件建立了水分模型，且定標集和預測集的相關系數都在0.99以上，預測誤差分別為0.42和0.45；利用吸光度反轉(ILG)光譜進行預處理，采用與白鰱魚糜水分建模同樣的條件建立了水分模型，偏最小二乘法作為回歸方法建立了蛋白質模型，定標集和預測集的相關系數分別為0.97和0.96，且預測誤差均為0.38。 (3)淡水魚糜的水分和蛋白質模型的建立：與白鰱魚糜水分建模同樣的條件建立了水分模型，定標集和預測集的相關系數都在0.

4、99以上。并且預測誤差分別為0.39和0.40。蛋白質模型是二階求導間隔兩點平滑(DS2G2)對光譜進行預處理，采用偏最小二乘法作為回歸方法建立的。定標集和預測集的相關系數都為0.96，并且預測誤差都接近為0.45。 (4)魚糜制品中淀粉模型的建立：SNV對光譜進行預處理，采用偏最小二乘法作為回歸方法建立的模型。定標集和預測集的相關系數都在0.99以上，預測誤差都低于0.35。 (5)所建的定量模型無論是定標集還是驗證集

5、，其相對標準誤差RSD均小于10％，相對分析誤差RPD均大于3。模型呈現出良好的適應性和穩(wěn)定性。說明利用近紅外光譜技術對淡水魚糜營養(yǎng)成分和魚糜制品中的淀粉含量的快速測定是可行的。 (6)利用軟獨立建模法(SIMCA)建立的三種魚糜判別模型，其海水魚糜識別率接近10096，草魚魚糜和白鰱魚糜的模型鑒別效果還不夠理想；利用LDA線性判別法建立海水魚糜和淡水魚糜的定性模型，識別率達到了100％，而利用線性判別法(LDA)建立草魚魚糜和