Сярод шматлікіх мясных прадуктаў ялавічына аддаецца перавагу большасці спажыўцоў з -за высокага бялку, нізкага тлушчу, высокага ўтрымання вітаміна і мінералаў, які вельмі адпавядае харчовым патрэбам сучасных людзей для мяса. Па меры паскарэння тэмпаў жыцця людзей, традыцыйныя вырабы з ялавічыны сталі звычайнай ежай у супермаркетах і дэлікатэнах, а попыт і аб'ём продажаў таксама павялічваюцца. Аднак у рэальным жыцці большасць прыгатаванай ялавічыны, якая прадаецца на рынку, з'яўляецца масавай, і яна багатая высокім утрыманнем бялку і высокай вады, таму вельмі лёгка разводзіць мікраарганізмы і прымусіць яго сапсаваць падчас захоўвання нізкай тэмпературы. Такім чынам, на аснове разумных і эфектыўных стандартаў ацэнкі якасці ялавічыны і сістэм, якія шукаюць надзейныя метады выяўлення якасці ялавічыны, сталі галоўным прыярытэтам для кірунку развіцця рынку ялавічыны.
Гіперспектральныя выявы, таксама вядомыя як HyperCubes,-гэта трохмерныя блокі дадзеных (x, y, λ), якія складаюцца з шэрагу двухмерных прасторавых малюнкаў (x, y) пры бесперапыннай даўжыні хвалі λ. Як паказана на малюнку ніжэй, з пункту гледжання даўжыні хвалі, гіперспектральныя дадзеныя выявы (x, y, λ)-гэта трохмерны блок дадзеных, які складаецца з двухмерных малюнкаў (x, y); З пункту гледжання двухмерных дадзеных (x, y), гіперспектральны-гэта шэраг спектральных крывых. Прынцып выкарыстання тэхналогіі HSI для выяўлення свежасці ежы ставіцца да розніцы ў паглынанні, рэфлексе Праверка, што прыводзіць да розных характарыстык лічбавага сігналу. Напрыклад, значэнні піка і даліны (спектральныя адбіткі пальцаў) паглынання пры розных даўжынях хваль могуць прадстаўляць фізічныя ўласцівасці розных злучэнняў, так што якасны або колькасны аналіз якасці прадуктаў харчавання можа быць дасягнуты шляхам аналізу гіперспектральнай інфармацыі, гэта значыць, не-не- разбуральнае выпрабаванне якасці прадуктаў харчавання.
(1) Узор рэнтабельнасці рэнтабельнасці тэлебачання і спектра
Для ўзору TVC, 50 PX × 50 PX Muscle ROI ROI выявы гіперспектральнага малюнка пасля абраны чорна -белы карэкцыю. Выбраны
Выява з варанай ялавічнай ялавічынай было ў сярэднім у пэўным спектры, каб атрымаць спектральнае сярэдняе значэнне кожнага ўзору пад пэўнай паласой. Гэты крок быў рэалізаваны
На праграмным забеспячэнні Envi 5.1, галоўным чынам, праз інструмент ROI праграмнага забеспячэння ENVI.
На малюнку ніжэй паказана здабыча вобласці рэнтабельнасці ўзору ялавічыны ў TVC у Envi5.1 і атрыманай спектральнай велічыні.
(2) узор рэнтабельнасці рэнтабельнасці тэлевізара і спектра
Працэс здабычы рэнтабельнасці рэнтабельнасці такі ж, як у дадзеных узору TVC у папярэднім пункце. Рэнтабельнасць рэнтабельнасці 50px*50px таксама атрыманы для прагназавання прыгатаванага ялавічнага ўзору TVB-N. Ві . Сапраўды гэтак жа гэты крок для ўзору ялавічыны TVB-N таксама рэалізуецца ў праграмным забеспячэнні Envi5.1.
На малюнку ніжэй прыведзены TVB-N, які вымае вобласць рэнтабельнасці ў ENVI5.1 і атрыманне спектральнага значэння ўзору.
Вынікі спектральнай папярэдняй апрацоўкі
Спектральная інфармацыя ўзору прыгатаванай ялавічыны для прагназавання TVC была папярэдне апрацаваная (у парадку згладжвання SG, нармалізацыі вектара і трансфармацыі SNV). Арыгінальны спектр спектральнай інфармацыі і вынікаў папярэдняй апрацоўкі спектру прыведзены на малюнку ніжэй.
Той жа метад папярэдняй апрацоўкі, што і для падрыхтаванага ўзору ялавічыны для прагназавання TVC у папярэднім абзацы, выкарыстоўваецца для папярэдняй апрацоўкі спектральнай інфармацыі гіперспектральных дадзеных узору для прагназавання значэння TVB-N. Арыгінальны спектр і спектр пасля папярэдняй апрацоўкі прыведзены на малюнку ніжэй:
Для спектральных дадзеных да і пасля папярэдняй апрацоўкі была створана дзесяціразовая мадэль перакрыжаванай праверкі вектарнай рэгрэсіі (SVR). Прадукцыйнасць мадэлі паказана ў табліцы, а вынікі мадэлявання прыведзены на малюнку. Гэты метад рэалізуецца ў шматмерным праграмным забеспячэнні для аналізу дадзеных Theunscrambler x10.4. Метад SVR і яго паказчыкі эфектыўнасці мадэлі будуць уведзены ў раздзеле 4.1 і не будуць падрабязна апісаны тут.
Як відаць з табліцы, прадукцыйнасць мадэляў прагназавання двух паказчыкаў, устаноўленых спектрамі папярэдняй апрацоўкі, у пэўнай ступені палепшылася. Каэфіцыент карэляцыі прадукцыйнасці R мадэлі прагназавання TVC павялічыўся на 16 працэнтных пунктаў, у той час як каэфіцыент карэляцыі прадукцыйнасці R мадэлі прагназавання TVB-N павялічыўся на 9 працэнтных пунктаў. Гэта правярае неабходнасць спектральнай папярэдняй апрацоўкі, таму ў наступным аналізе выкарыстоўваецца папярэдне апрацаваныя дадзеныя.
Рэзюмэ і Outlook
Для дасягнення хуткага і неразбуральнага выяўлення свежасці прыгатаваных мясных прадуктаў, гэты дакумент прымае прыгатаваную ялавічыну ў якасці аб'екта даследавання і выкарыстоўвае тэхналогію гіперспектральнай візуалізацыі для стварэння мадэлі прагназавання свежасці прыгатаванай ялавічыны. Былі вызначаны змены ў свежасці прыгатаванай ялавічыны і асноўных фактараў, якія ўплываюць на свежасць прыгатаванай ялавічыны, а з ёй былі вызначаны мікробнае індэкс-значэнне TVC і хімічны індэкс TVB-N. Была вывучана канкрэтныя высновы даследаванняў: магчымасць выкарыстання гіперспектральнай тэхналогіі візуалізацыі для выяўлення свежасці прыгатаванай ялавічыны была абмеркавана, і была абмеркавана тэндэнцыя змены індэкса свежасці TVC і TVB-N Value з варанай ялавічыны падчас захоўвання; Параўноўвалася прадукцыйнасць мадэлі прагназавання SVR (з выкарыстаннем дзесяціразовага перакрыжаванага праверкі) да і пасля папярэдняй апрацоўкі спектральных дадзеных, і мадэль прагназавання, пабудаваная з папярэдне апрацаваным наборам дадзеных, мела лепшую прадукцыйнасць; Быў вывучаны метад размеркавання ўзору. Былі абраны і прааналізаваны навучальны набор і тэставы набор, згенераваны рознымі метадамі падзелаў узораў, і, нарэшце, набор навучальных і тэставых набораў, падзелены на метад раздзелу SPXY.
