摘要：为了实现猪肉新鲜度的快速、无损、准确检测，本研究提出了一种基于高光谱成像与宽度学习系统（broad learning system，BLS）的猪肉新鲜度无损检测方法。通过将高光谱技术与BLS模型结合，评估猪肉样品总挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量和pH值的预测能力。通过4 种不同的预处理方法(Savitzky-Golay（SG）平滑、归一化、基线校正、标准正态变换)优化光谱数据，采用竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）、连续投影算法（successive projections algorithm，SPA）和迭代变量重要性光谱子集选择算法（interval variable iterative space shrinking analysis，iVISSA）进行特征提取。结果表明，SG预处理效果最优，结合iVISSA与SPA的特征提取方法能够有效剔除冗余特征并减少不相关信息的干扰，在BLS回归模型中实现了最佳的预测性能。具体来说，在TVB-N的预测中，iVISSA-SPA-BLS模型达到了预测相关系数RP为0.942 2、预测均方根误差（root mean square error of prediction，RMSEP）为3.007 2、残差预测差（residual prediction difference，RPD）为2.803 8的优异性能，pH值的预测结果为RP为0.817 3、RMSEP为0.367 9、RPD为1.716 4。该方法能够高效、无损地预测猪肉新鲜度指标，可为食品安全领域提供一条新的无损检测技术路线。
文章目录
1 材料与方法
1.1 材料与试剂
1.2 仪器与设备
1.3 方法
1.3.1 高光谱图像采集
1.3.2 TVB-N含量和pH值测定
1.4 数据处理与分析
1.4.1 样本划分
1.4.2 光谱预处理
1.4.3 特征提取
1.4.4 宽度学习系统
1.4.5 评估指标
2 结果与分析
2.1 猪肉TVBN含量和pH值变化
2.2 光谱曲线分析
2.3 基于全光谱的预测性能
2.4 特征提取
2.5 基于特征波段建模
3 结 论
