应用便携式近红外光谱仪采集320份生鲜猪肉在近红外光谱中波区的光谱信息, 采用不同优化方法建立猪肉胆固醇预测模型, 并对异常样品的剔除及组合预处理方法对模型性能的改善进行了分析。 研究表明: 通过对异常值的二次剔除, 并使用SG一阶导数（savitzky-golay first derivative, SG 1stD）、 SG平滑（savitzky-golay smoothing, SGS）和正交信号校正（OSC）的组合预处理方法, 可获得最佳生鲜猪肉胆固醇预测模型, 其参数如下: 校正集相关系数（Rc）=09137, 校正标准差（standard error of calibration, SEC）=25607, 验证集相关系数（Rp）=0656 7, 预测标准差（standard error of prediction, SEP）=4985 5, 主因子数（principal factor, PF）=4, 范围误差比（ratio of performance to standard deviation, RPD）=25032, 相对预测标准差（relative standard error of prediction, RSEP）=8625 4%, SEP/SEC=1946 8, 说明模型在近红外光谱中波区对猪肉胆固醇的分辨能力和预测准确度较好, 通过向校正集中补充代表性样品可使模型稳健性进一步改善。 对检验集样品预测值（prediction value, PV）与参比值（reference value, RV）的t检验显示二者之间无显著性差异（p＞005）, 检验集样品总体预测准确率为625%, 其中50～70 mg·(100 g)-1区段的局部预测准确率达到917%, 可以用于生鲜猪肉胆固醇浓度的在线快速初步定量分析。 该研究将便携式近红外光谱用于在近红外中波区对生鲜猪肉及肉制品中胆固醇浓度的分析和检测, 通过进一步的研究和改进, 可将其应用于产品的原料分级、 品质和过程控制及市售产品的抽检等。

细菌总数是生鲜肉的最主要安全参数之一, 肉品的光学扩散特征反映其细菌总数。 对高光谱扩散数据利用不同的拟合算法处理与分析, 并比对生鲜猪肉细菌总数建模的相关性差异, 确定了用于最终建模的最佳扩散特征参数, 为后续的装置开发提供建模依据。 冰箱调至4 ℃恒温, 在里面放置63个分割好的猪肉样品, 每天间隔固定时间从里面随机取出4~5块样品, 获取猪肉表面的400~1 100 nm波长范围内高光谱散射图像, 从高光谱图像中提取猪肉的扩散光谱曲线, 利用Lorentz函数和Gompertz函数以及修正后的函数, 拟合处理与分析扩散数据, 拟合后的不同参数可以代表样品的特征光谱, 细菌总数的标准值用平板计数法获得, 然后单独用各单个参数、 多个参数结合的方式, 多元线性回归的统计方法, 与细菌总数分别建立模型。 实验结果表明, Lorentz三参数结合, Lorentz四参数结合, Gompertz四参数拟合的模型相关系数较高, 其校正集和预测集相关系数分别为093, 096, 096和090, 090, 092, 标准偏差分别为047, 044, 039和056, 046, 042, 其中, 相关性最好的是Gompertz四参数结合, 在装置的开发中可以优选相关性和稳定性最好的模型导入装置系统中。

为实现生鲜肉水分含量的快速无损检测, 在波长350～1 700 nm范围内采集生鲜猪肉98个样本的可见近红外反射光谱。 经中值平滑滤波、 多元散射校正和一阶微分复合预处理方法对原始光谱进行降噪处理。 将样本数据随机分为训练集和测试集, 以训练集交叉验证网格搜索法确定最佳惩罚参数, 利用径向基核函数的支持向量机算法建立了支持向量机预测模型, 并与偏最小二乘回归建模法进行比较。 用径向基核函数的支持向量机算法所建模型对生鲜肉水分含量进行预测的结果为: 训练集的预测相关系数Rc为0.96、 标准差SEC为0.32, 测试集的预测相关系数Rv为0.87、 标准差SEV为0.67。 实验结果证实用支持向量机所建模型适合于生鲜猪肉水分含量的无损快速检测。

生鲜猪肉中细菌总数(TVC)超标会直接危害大众, 为此研究验证高光谱成像技术结合相应的建模方法预测生鲜猪肉中TVC的可行性。 针对非线性、 小样本问题, 以及光谱维和空间维的大数据量问题, 在综合比较偏最小二乘回归(PLSR)、 人工神经网络(ANNs)和最小二乘支持向量机(LS-SVM)3种建模方法的基础上, 最终选取了LS-SVM方法组建模型。 3种建模方法综合比较的结果表明, LS-SVM同时兼顾了训练精度和泛化能力两方面的性能, 使其都能做到最优, 与标准平板菌落计数法所检测TVC的决定系数分别为0.987 2和0.942 6, 校正均方根误差和预测标准均方根误差分别为0.207 1和0.217 6, 其建模性能优于其他方法。 研究结果表明, 高光谱成像技术结合LS-SVM预测建模方法可作为快速、 非破坏预测生鲜猪肉TVC的有效手段。