Videometer基于多光谱图像的肉类腐败检测智能系统

在食品工业中，质量和安全被认为是世界范围内与健康和社会进步直接相关的重要问题。使用视觉技术对食品生产进行质量检测具有明显的优势，即能够使用非破坏性方法持续监控生产，从而提高质量并最大限度地降低成本。已经评估了智能决策支持系统在使用多光谱成像信息在不同储存温度（0、5、10 和 15 摄氏度）下监测有氧或气调包装下储存的碎牛肉腐败方面的性能。本文使用神经模糊模型，该模型包含一个聚类预处理阶段来定义模糊规则，而其最终的模糊规则库由竞争学习确定。最初，肉类样品根据其储存条件进行分类，然后使用识别模型预测细菌的总活菌数。所提出方法的创新进一步扩展到识别用于存储的温度，仅利用成像光谱信息。结果表明，光谱信息与所提出的建模方案相结合可以被视为准确评估肉类腐败的替代方法。

在AIR和MAP条件下不同温度下牛肉碎储存的TVC和XLD随储存时间的增长曲线如图1所示。1.两种TVC案例的增长曲线相似，不同之处在于AIR包装条件下的最大比增长率(lmax) 与MAP案例不同。已经发现，与有氧储存相比，气调包装会延迟微生物协会所有成员的生长速度，以及每个微生物群获得的最大数量。由于快速生长的假单胞菌属，需氧储存会加速腐败；在此外，二氧化碳的存在会显着抑制这种生长[25]。分析表明，有氧病例的总活菌计数范围为 3.8-9.8 log10 cfu cm-2，MAP 病例的总活菌数范围为 3.7-8.5 log10 cfu cm-2。然而，对于 AIR 和 MAP 条件，随着储存温度的升高，生长速率增加得更快。对于 XLD，只有当温度达到 15 C 时才会发生显着变化。

在600至850nm波长范围内，未损坏样品(t = 0 h, TVC = 4.1 log10 cfu cm-2)和损坏样品 (t = 479.5 h, TVC = 9.3 log10 cfu cm-2) 之间的反射率大小。这些差异通常是由于碳水化合物、蛋白质、脂肪等营养成分的腐败变质，在储存过程中逐渐消耗和分解，产生一系列化学物质，包括氨、硫化氢、酮和醛。在近红外区域（850-970 nm）也可以观察到类似的情况，其中反射率值随着存储时间的增加而降低。与反射光谱相关的数据集以及肉类样品的相关微生物分析由希腊雅典农业大学提供，并进一步用于开发拟议的智能决策支持系统。

图3.结果表明，AFINN 模型的识别精度在 AIR 数据集的 TVC 预测中非常令人满意，表明该方法在解决非线性问题（如肉类腐败）方面的优势。预测与观察到的 TVC 的图如图1所示。5，并且显示出围绕权益线的非常好的分布，几乎包含了所有数据±0.5 对数单位面积内。根据图。如图 5 所示，将对应于5C下储存并在储存 234 小时后收集的碎牛肉样品对应的“7A5”模式放置在指定区域之外。

对于第二个模拟研究，输入向量由从RPCA 算法中提取的仅有的五个 PC 组成。预测与观察到的 TVC 的图如图 1 所示。6，并显示出围绕权益线的良好分布。图的比较 5与相关图 6 很明显。一个样本 “2A15”明显位于±0.5 log 单位面积的边界线之外，它与在 15 C 下储存并在储存 12 小时后收集的肉类样品相关。然而，三个样本（即“2A10”、“2A5”、“4A10”）位于 ±0.5 对数单位面积的边界线上。 ''2A5''对应于碎牛肉，储存于 5℃，储存 42 小时后收集，''2A10''和''4A10''储存于 10℃，储存 12 小时和 36 小时后收集分别。