何 珂，羅秀芝，孫欽明，湯修映

·農(nóng)產(chǎn)品加工工程·

基于氣流與多點(diǎn)激光技術(shù)的牛肉新鮮度檢測(cè)裝置研發(fā)

何 珂，羅秀芝，孫欽明，湯修映※

（中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083）

為了提高氣流-激光技術(shù)在冷鮮肉品質(zhì)檢測(cè)方面的預(yù)測(cè)性能，該研究根據(jù)牛肉黏彈性與其品質(zhì)的相關(guān)性，基于氣流與多點(diǎn)激光技術(shù)研發(fā)了牛肉新鮮度檢測(cè)裝置。該裝置硬件系統(tǒng)主要包括氣流控制模塊、位移信息采集模塊、載物臺(tái)升降模塊和氣室?；谠摍z測(cè)裝置獲取不同新鮮度牛肉樣本的黏彈性信息，采用S-G卷積平滑（Savitzky-Golay smooth, S-G）、一階導(dǎo)數(shù)處理（First derivative, FD）、一階導(dǎo)數(shù)處理結(jié)合S-G卷積平滑（Savitzky-Golay smoothing after the first derivative pre-processing, FD+S-G）對(duì)樣品黏彈性信息進(jìn)行預(yù)處理，并測(cè)定牛肉新鮮度指標(biāo)揮發(fā)性鹽基總氮（Total Volatile Basic Nitrogen, TVB-N）含量, 建立了牛肉TVB-N含量的較佳預(yù)測(cè)模型。模型驗(yàn)證集的相關(guān)系數(shù)與均方根誤差分別為0.859和1.337 mg/100 g?；赒T應(yīng)用程序開發(fā)框架設(shè)計(jì)完成了檢測(cè)裝置控制軟件，并將預(yù)測(cè)模型植入軟件內(nèi)部，實(shí)現(xiàn)了該檢測(cè)裝置的一鍵式操作。為驗(yàn)證檢測(cè)裝置穩(wěn)定性進(jìn)行了外部驗(yàn)證試驗(yàn)，結(jié)果表明該檢測(cè)裝置預(yù)測(cè)值與國標(biāo)測(cè)量參考值間相關(guān)系數(shù)為0.887，均方根誤差為1.385 mg/100 g。該檢測(cè)裝置基于黏彈性原理實(shí)現(xiàn)了牛肉新鮮度的無損檢測(cè)，預(yù)測(cè)性能較好，可以為肉品新鮮度檢測(cè)提供參考。

無損檢測(cè)；模型；氣流；多點(diǎn)激光；牛肉新鮮度；檢測(cè)裝置

0 引 言

中國是肉類消費(fèi)大國，2018年中國的肉類消費(fèi)總量已達(dá)到8 829.6萬t，人均消費(fèi)總量已超過50 kg[1]。隨著生活水平的提高，肉類消費(fèi)結(jié)構(gòu)也逐漸得到優(yōu)化升級(jí)，牛羊肉的消費(fèi)占比逐年提高[2-3]。盡管目前豬肉仍占據(jù)肉類消費(fèi)的主體地位，但牛羊肉的生產(chǎn)與消費(fèi)也逐步成為熱點(diǎn)[4]。牛肉因其富含豐富的蛋白質(zhì)、礦物質(zhì)和微量元素而深受消費(fèi)者喜愛[5]。

牛肉在貯藏過程中新鮮度會(huì)逐漸降低，發(fā)生腐敗變質(zhì)，因而牛肉的安全衛(wèi)生問題越來越受到重視。肉的新鮮度主要根據(jù)肉的揮發(fā)性鹽基總氮含量（Total Volatile Basic Nitrogen, TVB-N）進(jìn)行判別。傳統(tǒng)的檢測(cè)方式參照半微量凱氏定氮法或自動(dòng)凱氏定氮儀法進(jìn)行理化試驗(yàn)檢測(cè)[6]，但是這種檢測(cè)方式效率低，耗時(shí)長，依賴于相關(guān)操作人員的技術(shù)水平[7]。因此，國內(nèi)外已有諸多學(xué)者致力于肉品新鮮度的無損檢測(cè)研究[8-9]。如蔡健榮等[10]利用激光散斑技術(shù)和改進(jìn)慣性矩算法對(duì)冷鮮豬肉新鮮度進(jìn)行等級(jí)預(yù)測(cè)，結(jié)果顯示預(yù)測(cè)集的識(shí)別率可以達(dá)到89.29%；Wijaya等[11]采用電子鼻傳感技術(shù)實(shí)現(xiàn)了預(yù)測(cè)牛肉樣品中微生物的種群規(guī)模；王文秀等[12]利用可見/近紅外光譜技術(shù)建立生鮮肉TVB-N含量的預(yù)測(cè)模型，模型相關(guān)系數(shù)為0.936。上述研究分別從圖像、氣味、光譜分析等方面進(jìn)行肉品新鮮度的判別。

食品的黏彈性是食品的固有屬性，它與食品的品質(zhì)密切相關(guān)。肉作為典型的黏彈性體，其黏彈性信息同樣可以反映其相關(guān)品質(zhì)特性[13]。如徐亞丹等[14]分析牛肉在低溫貯藏期間質(zhì)構(gòu)參數(shù)與TVB-N含量的相關(guān)性，結(jié)果表明牛肉的回復(fù)性與TVB-N含量顯著相關(guān)；Mythan等[15]提出了加工豬肉的非線性黏彈性模型，建立了黏彈性模型參數(shù)與蛋白質(zhì)含量的預(yù)測(cè)關(guān)系；劉立意等[16]對(duì)鮮豬肉系水力與應(yīng)力松弛特性進(jìn)行相關(guān)性分析，結(jié)果表明鮮豬肉應(yīng)力松弛特性參數(shù)對(duì)系水力的預(yù)測(cè)具有一定應(yīng)用價(jià)值。盧偉等[17]利用氣流與結(jié)構(gòu)光成像技術(shù)針對(duì)牛肉嫩度建立了廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，結(jié)果表明結(jié)構(gòu)光成像技術(shù)可以反映牛肉的黏彈性。

氣流-激光融合技術(shù)因其無損傷、非接觸的特點(diǎn)近年來在食品黏彈性研究中得到廣泛應(yīng)用。例如檢測(cè)水果硬度[18-19]、監(jiān)測(cè)面團(tuán)揉捏特性[20]、測(cè)量糖基食品流變特性[21]等。氣流-激光融合技術(shù)利用氣流對(duì)樣品施加壓力，樣品的黏彈性信息表現(xiàn)為變形信息的變化，該變形信息最終由激光傳感器獲得并用來對(duì)樣品的品質(zhì)進(jìn)行判別[22]。在肉品應(yīng)用中，Lee等[23]利用該技術(shù)分析熟制禽肉嫩度與變形曲線特征參數(shù)間相關(guān)性，結(jié)果表明曲線特征參數(shù)可以用來預(yù)測(cè)熟制禽肉嫩度。徐虎博等[24]探究了不同氣流沖擊模式對(duì)雞肉嫩度預(yù)測(cè)的影響，結(jié)果顯示根據(jù)氣流瞬時(shí)沖擊作用下雞肉的變形曲線可以建立雞肉嫩度的較佳預(yù)測(cè)模型。Long等[25]搭建基于氣流-激光融合技術(shù)的黏彈性檢測(cè)系統(tǒng)并對(duì)牛肉進(jìn)行試驗(yàn)，提取牛肉變形曲線的最大變形量、最小變形量等特征參數(shù)建立牛肉嫩度的預(yù)測(cè)模型，模型預(yù)測(cè)集的相關(guān)系數(shù)為0.835；Li等[26]應(yīng)用該系統(tǒng)采用相同的方式建立牛肉TVB-N含量的預(yù)測(cè)模型，模型預(yù)測(cè)集相關(guān)系數(shù)為0.821。上述文獻(xiàn)表明利用氣流-激光融合技術(shù)對(duì)牛肉新鮮度檢測(cè)具有可行性。然而上述文獻(xiàn)多采用單點(diǎn)激光測(cè)量牛肉變形區(qū)域的位移變化，實(shí)際上氣流自噴嘴噴出后將與周圍空氣環(huán)境產(chǎn)生卷吸效應(yīng)從而發(fā)生擴(kuò)散現(xiàn)象[27-28]，所以樣品表面受到氣流作用的變形區(qū)域的深度并不一致。因而目前的研究多是建立在位移變化一致的假設(shè)上，這在一定程度上對(duì)樣品黏彈性信息的反映存在偏差。此外，目前基于氣流-激光融合技術(shù)在肉品質(zhì)判別的研究多集中于預(yù)測(cè)模型的建立，缺乏相應(yīng)的檢測(cè)設(shè)備。

綜上所述，針對(duì)目前氣流-激光融合技術(shù)在肉品研究中存在的不足，本文采用多點(diǎn)激光傳感器對(duì)樣品表面變形區(qū)域進(jìn)行位移測(cè)量從而彌補(bǔ)當(dāng)前氣流-激光技術(shù)的不足，同時(shí)在建立牛肉TVB-N含量預(yù)測(cè)模型之后，編寫系統(tǒng)控制軟件，研發(fā)牛肉新鮮度檢測(cè)裝置，實(shí)現(xiàn)牛肉新鮮度的無損檢測(cè)。

1 牛肉新鮮度檢測(cè)裝置設(shè)計(jì)

1.1 檢測(cè)裝置工作原理

牛肉新鮮度檢測(cè)裝置的工作原理如圖1所示。將牛肉樣品置于載物臺(tái)面上，利用微型計(jì)算機(jī)通過運(yùn)動(dòng)控制卡調(diào)節(jié)載物臺(tái)高度，使樣品表面與氣流噴嘴出口處于適宜的距離。微型計(jì)算機(jī)通過模擬量電壓輸出器控制電磁閥與比例閥，氣流經(jīng)由過濾器、比例閥、電磁閥后，最終通過噴嘴作用在樣品表面，樣品表面產(chǎn)生的位移信息通過激光傳感器經(jīng)信號(hào)放大器與RS-232信號(hào)傳輸器傳輸至微型計(jì)算機(jī)，微型計(jì)算機(jī)根據(jù)內(nèi)置的牛肉TVB-N含量預(yù)測(cè)模型對(duì)位移信息進(jìn)行運(yùn)算處理，并顯示結(jié)果。

圖1 牛肉新鮮度檢測(cè)裝置工作原理圖

1.2 牛肉新鮮度檢測(cè)裝置硬件系統(tǒng)設(shè)計(jì)與選型

裝置硬件系統(tǒng)主要由氣流控制模塊、位移信息采集模塊、載物臺(tái)升降模塊和氣室組成。裝置結(jié)構(gòu)如圖2所示。其中氣流控制模塊主要包括空氣壓縮機(jī)（圖中未示出）、兩級(jí)空氣過濾器、電磁閥、電氣比例閥、模擬量電壓輸出器和氣流控制電路板；位移信息采集模塊包括激光傳感器、信號(hào)放大器和RS-232信號(hào)傳輸器；載物臺(tái)升降模塊包括運(yùn)動(dòng)控制卡、驅(qū)動(dòng)器和電動(dòng)位移升降臺(tái)。

1. 微型計(jì)算機(jī) 2. 氣流控制電路板 3. 兩級(jí)空氣過濾器 4. 模擬量電壓輸出器 5. 電動(dòng)位移升降臺(tái) 6. 開關(guān)電源 7. 驅(qū)動(dòng)器 8. 運(yùn)動(dòng)控制卡 9. 氣室 10. 激光傳感器 11. RS-232信號(hào)傳輸器 12. 信號(hào)放大器 13. 電磁閥 14. 電氣比例閥

1.2.1 氣流控制模塊

氣流控制模塊中空氣壓縮機(jī)選用奧突斯工貿(mào)4X550W-120L型無油空壓機(jī)作為氣源，同時(shí)為保證氣流清潔無污染，配備有SMC（中國）有限公司的兩級(jí)空氣過濾器（AC30C-03DG-A）用于濾清氣流。

選用SMC（中國）有限公司VX220LA電磁閥用于控制氣流作用時(shí)間，當(dāng)電磁閥通電后，電磁閥開啟，氣流通過，電磁閥斷電后，電磁閥即刻關(guān)閉，氣流截止。電磁閥控制電路如圖3a所示，利用NPN型三極管的截止與飽和狀態(tài)作為電磁閥開關(guān)控制的核心原理。三極管Q1集電極C串聯(lián)有繼電器K1和肖特基二極管并被上拉至24V工作電壓，基極B串聯(lián)10K限流電阻以防止輸入電壓VCC_1幅值過高損壞三極管，發(fā)射極E并聯(lián)有22K下拉電阻確保無輸入電壓時(shí)三極管處于截止?fàn)顟B(tài)。三極管截止?fàn)顟B(tài)下，繼電器K1處于常開狀態(tài)，電磁閥關(guān)閉，當(dāng)基極B輸入有高電平時(shí)，三極管處于飽和狀態(tài)，繼電器K1得電后處于關(guān)閉狀態(tài)，電磁閥開啟。由于微型計(jì)算機(jī)不能直接發(fā)出輸入電壓信號(hào)VCC_1，因此選用模擬量電壓輸出器（DAM-AIAO，北京聚英翱翔電子有限公司）作為電壓輸出器件。

電氣比例閥是氣壓大小的控制器件，選用SMC（中國）有限公司高精度電氣比例閥ITV2030-21F2L。該比例閥的工作原理為當(dāng)給定比例閥指定電壓值后，比例閥按照內(nèi)置的電壓與氣壓線性關(guān)系進(jìn)行內(nèi)部閥芯開度的調(diào)節(jié)。給定的電壓值同樣由模擬量電壓輸出器輸出，由于該比例閥限定電壓為0～5.000 V，因此需要對(duì)比例閥進(jìn)行保護(hù)與穩(wěn)壓處理，比例閥控制電路如圖3b所示。圖3b中，VCC_2為電壓輸出器輸出的給定電壓，為保護(hù)比例閥，加入了額定電流1A的保險(xiǎn)絲F1和防反接二極管D1，電容C1與C2用于防止電流驟變，D2和D3為瞬態(tài)電壓保護(hù)二極管，用于防止浪涌電壓對(duì)比例閥精度控制影響同時(shí)起到保護(hù)作用。上述兩部分電路經(jīng)PCB制板后形成氣流控制電路板。

圖3 氣流控制電路

1.2.2 氣室結(jié)構(gòu)設(shè)計(jì)

氣流在氣管內(nèi)流動(dòng)過程中存在沿程損失[29]，因此若噴嘴直連氣管將導(dǎo)致系統(tǒng)實(shí)際工作時(shí)噴嘴入口壓力處于不穩(wěn)定狀態(tài)。為此，本研究設(shè)計(jì)了氣室作為過渡器件，當(dāng)氣管內(nèi)氣流進(jìn)入氣室后將迅速充盈氣室腔體內(nèi)部，然后再經(jīng)由噴嘴噴出，氣室承擔(dān)起穩(wěn)壓的作用。氣室主要由上密封板、天窗、氣室主體、噴嘴和下密封板組成，如圖4a所示。由于多點(diǎn)激光傳感器位于氣室上方，且需要實(shí)時(shí)檢測(cè)樣品在氣流作用下的位移變化，因此氣室結(jié)構(gòu)中，天窗與噴嘴均選用透光率超過90%的石英玻璃材料[30]。

噴嘴收縮曲線的形狀影響氣流沖擊在樣品表面時(shí)壓力分布均勻性，參照文獻(xiàn)[31]，選取維多辛斯基曲線作為噴嘴的收縮曲線，因此噴嘴收縮曲線滿足式（1）, 收縮曲線如圖4b所示。氣室的入口半徑為標(biāo)準(zhǔn)管接頭半徑 5 mm，為保證氣室內(nèi)空氣量充裕，設(shè)計(jì)噴嘴入口半徑1為3 mm，噴嘴出口半徑2為2 mm。

注：1為噴嘴進(jìn)口斷面半徑，mm;2為噴嘴出口斷面半徑，mm;為噴嘴長度，mm;為斷面沿噴嘴軸向距噴嘴進(jìn)口的距離，mm;為沿噴嘴軸向距離噴嘴進(jìn)口處的噴嘴斷面半徑，mm。

Note:1is radius of import section of nozzle, mm;2is radius of outlet section of nozzle, mm;is length of nozzle, mm;is distance of section to nozzle import, mm;is radius of section at a distance offrom nozzle import, mm.

圖4 氣室結(jié)構(gòu)示意圖

Fig.4 Schematic diagram of air chamber

1.2.3 位移信息采集模塊

位移信息采集模塊的功用是將牛肉樣品在氣流作用下產(chǎn)生的變形信息進(jìn)行實(shí)時(shí)采集并反饋至微型計(jì)算機(jī)進(jìn)行運(yùn)算處理。位移信息采集模塊中激光傳感器選用基恩士(中國)有限公司研發(fā)的多點(diǎn)式激光傳感器IX-080，其質(zhì)量約為190 g，采用波長為660 nm的紅色半導(dǎo)體Ⅱ類激光，檢測(cè)距離為32 mm，精度為20m。每個(gè)檢測(cè)點(diǎn)的位移信息為設(shè)定檢測(cè)位置處直徑為0.5 mm的圓形區(qū)域內(nèi)高度的平均值，為避免檢測(cè)干擾，每兩個(gè)檢測(cè)點(diǎn)中心間距應(yīng)≥1.5 mm。由于氣流噴嘴出口為圓形軸對(duì)稱結(jié)構(gòu)，因此當(dāng)氣流噴出作用在樣品表面時(shí)，樣品變形區(qū)域在平面上的投影同理亦為圓形。因此，檢測(cè)點(diǎn)只需沿圓形半徑等距設(shè)置。

氣流自噴嘴噴出后，在軸向一定距離內(nèi)壓力衰減基本保持不變，此區(qū)域稱為核心區(qū)，超出此區(qū)域后，壓力將迅速衰減。為保證樣品在變形階段受到的壓力穩(wěn)定，因此樣品表面距離噴嘴的初始距離及產(chǎn)生最大變形后與噴嘴的最終距離應(yīng)始終位移核心區(qū)范圍內(nèi)。根據(jù)沖擊射流力學(xué)[27]可知，核心區(qū)的長度約為7（為噴嘴出口直徑），因此本研究中核心區(qū)域長度約為28 mm?；谡n題組前期的研究[24-26]，樣品距離噴嘴出口距離為10 mm，比例閥氣壓設(shè)定為55～65 kPa時(shí), 牛肉樣品不會(huì)發(fā)生損傷現(xiàn)象，且產(chǎn)生明顯的位移變化。此時(shí)，牛肉樣品變形區(qū)域半徑約為6 mm，因此選擇檢測(cè)點(diǎn)數(shù)為4～5點(diǎn)，為避免樣品變形區(qū)域邊緣的影響，最終設(shè)定檢測(cè)點(diǎn)數(shù)為4，每兩個(gè)檢測(cè)點(diǎn)中心間距為1.5 mm，如圖5a所示。

激光傳感器將檢測(cè)到的位移信息通過信號(hào)放大器（IX-1000，基恩士）轉(zhuǎn)換為數(shù)字信號(hào)經(jīng)RS-232信號(hào)傳輸器（DL-RS1A，基恩士）直接傳輸至微型計(jì)算機(jī)。由于各檢測(cè)點(diǎn)位置位移變化程度不相同，如圖5b所示，采用式（2）將各檢測(cè)點(diǎn)位移信息轉(zhuǎn)換為應(yīng)變信息進(jìn)行均一化處理。

式中1()為第一點(diǎn)應(yīng)變信息；2()為第二點(diǎn)應(yīng)變信息；3()為第三點(diǎn)應(yīng)變信息；4()為第四點(diǎn)應(yīng)變信息；0為樣品厚度，mm；i(i=1,2,3,4)為檢測(cè)點(diǎn)位移變化，mm。

注：x為相鄰兩檢測(cè)點(diǎn)間距，mm;0為樣品厚度，mm；h(=1, 2, 3, 4)為檢測(cè)點(diǎn)位移變化，mm。

Note:xis the distance between two adjacent detection points, mm;0is the thickness of the sample, mm;h(=1, 2, 3, 4) is the displacement change of the detection point, mm.

圖5 激光檢測(cè)點(diǎn)與樣品變形

Fig.5 Laser detection point and sample deformation

1.2.4 載物臺(tái)升降模塊

載物臺(tái)升降模塊中電動(dòng)位移升降臺(tái)采用了賽凡光電科技的交叉型升降臺(tái)（型號(hào)為7SVA160），該升降臺(tái)配備有標(biāo)準(zhǔn)42式步進(jìn)電機(jī)及驅(qū)動(dòng)器，行程50 mm, 重復(fù)定位精度可達(dá)0.02 mm。為保證升降臺(tái)移動(dòng)精準(zhǔn)，配置了恒凱電子科技的運(yùn)動(dòng)控制卡USB_AMC2XE作為運(yùn)動(dòng)控制單元。系統(tǒng)工作時(shí)，微型計(jì)算機(jī)通過運(yùn)動(dòng)控制卡向驅(qū)動(dòng)器發(fā)出指定脈沖從而驅(qū)動(dòng)升降臺(tái)按指令進(jìn)行移動(dòng)。

2 牛肉TVB-N含量預(yù)測(cè)模型建立

2.1 試驗(yàn)材料

試驗(yàn)材料為皓月冷鮮牛肉小黃瓜條部位，訂購于北京市海淀區(qū)物美超市。牛屠宰后經(jīng)過1d的排酸處理后于翌日運(yùn)送至超市并于當(dāng)天購買。牛肉樣品被分割成6 cm×6 cm×3 cm（長×寬×厚）統(tǒng)一尺寸，分割完成后的牛肉樣品單獨(dú)用保鮮袋包裝并冷藏裝箱后運(yùn)送至試驗(yàn)室置于4℃冰箱中貯藏，總計(jì)制備牛肉樣品52塊。同批樣本中，每天（間隔24 h）隨機(jī)選取4塊牛肉樣品進(jìn)行試驗(yàn)，試驗(yàn)持續(xù)13 d。

2.2 黏彈性信息采集與TVB-N理化值測(cè)定

每天從冰箱隨機(jī)取出試驗(yàn)樣品后，將樣品放置約 20 min等待其恢復(fù)室溫以蒸發(fā)樣品表面水分，避免對(duì)變形信息的采集。試驗(yàn)時(shí)，將待測(cè)樣品置于載物臺(tái)面上，調(diào)整樣品距離噴嘴出口距離為10 mm，根據(jù)前期研 究[24-26]，比例閥氣壓優(yōu)選為60 kPa。按照食品黏彈性理論，靜態(tài)試驗(yàn)，例如蠕變?cè)囼?yàn)、應(yīng)力松弛試驗(yàn)，可以更好反映試驗(yàn)樣品的黏彈性[13]。鑒于本裝置可以實(shí)時(shí)測(cè)量樣品應(yīng)變而無法實(shí)時(shí)測(cè)量作用力的特點(diǎn)，該裝置采用蠕變?cè)囼?yàn)進(jìn)行測(cè)量。試驗(yàn)時(shí)，氣流加載時(shí)間設(shè)定為30 s, 停止氣流加載后繼續(xù)采集樣品變形恢復(fù)信息30 s。每塊牛肉樣品試驗(yàn)5處不同位置，取變形信息的平均值作為該樣品的最終變形信息。為避免樣品邊緣對(duì)測(cè)量位置黏彈性的影響，每處試驗(yàn)位置均距離樣品邊緣超過2 cm。試驗(yàn)最終獲得50塊有效牛肉樣本的應(yīng)變信息，如圖6所示。

圖6 50塊牛肉樣品應(yīng)變信息

從圖6可以看出，氣流作用在牛肉樣品表面瞬間，牛肉樣品位移迅速增加，隨著氣流的持續(xù)作用，牛肉樣品的位移逐漸趨向一個(gè)穩(wěn)定值；氣流停止作用的瞬間，樣品變形迅速恢復(fù)一定距離并隨著時(shí)間延長逐漸穩(wěn)定到一個(gè)恒定的位移值。這種變化規(guī)律符合食品的蠕變特性，表明應(yīng)變信息可以表達(dá)牛肉樣品的黏彈性。同時(shí)，可以看出由于氣流擴(kuò)散導(dǎo)致樣品表面壓力分布的差異性，4個(gè)檢測(cè)位置處應(yīng)變數(shù)據(jù)也不相同。

試驗(yàn)樣本完成黏彈性信息采集后，采用食品安全國家標(biāo)準(zhǔn)《食品中揮發(fā)性鹽基氮的測(cè)定：GB 5009.228-2016》規(guī)定的自動(dòng)凱氏定氮儀法進(jìn)行牛肉揮發(fā)性鹽基氮含量的測(cè)定。

牛肉樣品每日TVB-N含量平均值如圖7所示。從圖7可以看出在貯藏期間牛肉的TVB-N平均含量從 11.50 mg/100 g增加至21.15 mg/100 g。隨貯藏時(shí)間延長牛肉樣品的TVB-N含量迅速增加，說明牛肉的腐敗變質(zhì)過程是一個(gè)加速過程。

圖7 每日試驗(yàn)牛肉的TVB-N含量均值

2.3 牛肉TVB-N樣品集及預(yù)測(cè)模型

2.3.1 樣品集合劃分

按照國家標(biāo)準(zhǔn)對(duì)50塊牛肉樣本進(jìn)行TVB-N含量測(cè)定后，根據(jù)濃度梯度法按3:1的比例對(duì)所有樣品進(jìn)行校正集和驗(yàn)證集的劃分，總計(jì)劃分出38個(gè)樣本作為校正集用于模型的建立，12個(gè)樣本作為驗(yàn)證集用于模型驗(yàn)證。校正集與驗(yàn)證集的劃分結(jié)果統(tǒng)計(jì)如表1所示。

表1 牛肉校正集和驗(yàn)證集樣本TVB-N含量參考測(cè)量值分布

由表1可知，校正集樣本的TVB-N含量參考值范圍包含整個(gè)驗(yàn)證集，且校正集和驗(yàn)證集的平均值和標(biāo)準(zhǔn)差之間沒有明顯差異，表明樣本集劃分合理，可以用于模型的建立。

2.3.2 應(yīng)變信息預(yù)處理

激光穿透天窗與石英噴嘴過程中將發(fā)生一定程度折射現(xiàn)象，因此試驗(yàn)采集的應(yīng)變信息數(shù)據(jù)中存在噪聲等測(cè)量誤差信息。為減弱測(cè)量誤差帶來的干擾，選取S-G卷積平滑（Savitzky-Golay smoothing, S-G）、一階導(dǎo)數(shù)處理（First derivative, FD）、一階導(dǎo)數(shù)處理結(jié)合S-G卷積平滑（Savitzky-Golay smoothing after the first derivative pre-processing, FD+S-G）對(duì)采集的應(yīng)變信息數(shù)據(jù)進(jìn)行預(yù)處理[32]。

2.3.3 牛肉TVB-N含量預(yù)測(cè)模型

主成分回歸（Principal Component Regression, PCR）與偏最小二乘回歸（Partial Least Squares Regression, PLSR）是兩種廣泛應(yīng)用的多變量回歸分析方法。PCR通過對(duì)自變量進(jìn)行主成分分析從而消除自變量內(nèi)部的多重共線性，利用主成分變量進(jìn)行多元線性回歸。PLSR是一種基于因子分析的多變量校正方法[33]，與PCR回歸不同的是，PLSR在分析過程中會(huì)逐步提取數(shù)據(jù)成分，逐步增加變量并逐步檢驗(yàn)預(yù)測(cè)模型效果，直到滿足要求。本文選擇這兩種典型的回歸分析方式進(jìn)行牛肉TVB-N含量預(yù)測(cè)模型的建立。利用獲取的牛肉樣本的應(yīng)變信息數(shù)據(jù)形成自變量矩陣，采用國標(biāo)法測(cè)量的TVB-N含量參考值形成因變量矩陣，利用上述兩類分析方法建立定量預(yù)測(cè)模型。

模型的穩(wěn)健性通常用校正集相關(guān)系數(shù)（correlation coefficient of calibration, Rc）、校正集均方根誤差（Root Mean Square Error of Calibration, RMSEC）、驗(yàn)證集相關(guān)系數(shù)（correlation coefficient of validation, Rv）、驗(yàn)證集均方根誤差（Root Mean Square Error of Validation, RMSEV）進(jìn)行判定[34]。一般而言，校正集和驗(yàn)證集的相關(guān)系數(shù)越高，模型的準(zhǔn)確性越高，校正集和驗(yàn)證集的均方根誤差之間差異越小，模型的穩(wěn)健性越高。

2.4 結(jié)果與分析

經(jīng)不同預(yù)處理后應(yīng)變信息建立模型的結(jié)果如表2所示。由表2可知，不同的建模方式與預(yù)處理方法對(duì)牛肉TVB-N含量預(yù)測(cè)模型有顯著影響。PLSR建立的模型預(yù)測(cè)精度整體均高于PCR建立的模型預(yù)測(cè)精度。S-G平滑、一階導(dǎo)數(shù)與一階導(dǎo)數(shù)結(jié)合S-G平滑均可提高模型的預(yù)測(cè)精度。這可能是由于S-G平滑可以有效消除測(cè)量誤差帶來的影響，而導(dǎo)數(shù)處理將應(yīng)變信息轉(zhuǎn)化為應(yīng)變率信息，更有效的反映出樣品的黏彈性。這一結(jié)果與Xu關(guān)于應(yīng)變信息預(yù)處理的研究分析接近[32]。采用一階導(dǎo)數(shù)結(jié)合S-G平滑的預(yù)處理方式建立的預(yù)測(cè)模型效果較佳，模型校正的相關(guān)系數(shù)為0.891，均方根誤差為1.071 mg/100 g，預(yù)測(cè)集的相關(guān)系數(shù)為0.859，均方根誤差為1.337 mg/100 g。

表2 牛肉TVB-N含量建模結(jié)果

與氣流-單點(diǎn)激光技術(shù)在牛肉TVB-N含量的定量研究相比[26]，模型校正集的相關(guān)系數(shù)從0.847上升至0.891，模型預(yù)測(cè)集的相關(guān)系數(shù)從0.821上升至0.859。這表明多點(diǎn)激光可以更全面的反映樣品的變形信息從而提高模型的預(yù)測(cè)精度。但是綜合而言，較優(yōu)模型的相關(guān)系數(shù)仍然相對(duì)較低。這是由于氣體自石英噴嘴噴出后產(chǎn)生的氣體射流屬于典型的紊流現(xiàn)象，因此待測(cè)樣品表面產(chǎn)生的變形并非絕對(duì)的軸對(duì)稱結(jié)構(gòu)。盡管多點(diǎn)激光技術(shù)在一定程度上彌補(bǔ)了單點(diǎn)激光的不足之處，但仍然無法更為全面的反映樣品的變形狀態(tài)，因而預(yù)測(cè)模型的精度相對(duì)偏低。但是在目前氣流與激光融合技術(shù)檢測(cè)領(lǐng)域中，該較優(yōu)模型的預(yù)測(cè)精度與穩(wěn)定性均是可以接受的。

3 檢測(cè)裝置軟件開發(fā)

采用Qt Creator基于QT5.0應(yīng)用程序開發(fā)框架編寫檢測(cè)裝置控制系統(tǒng)軟件，如圖8a所示。軟件整體分為功能選項(xiàng)區(qū)、圖形顯示區(qū)、圖形工具區(qū)和結(jié)果輸出區(qū)。功能選項(xiàng)區(qū)主要實(shí)現(xiàn)對(duì)載物臺(tái)升降模塊、氣流控制模塊和位移信息采集模塊的控制運(yùn)行；圖形顯示區(qū)采用基于C++的開源工具QCustomPlot進(jìn)行牛肉樣品4個(gè)檢測(cè)位置應(yīng)變曲線的繪制顯示；圖形工具區(qū)實(shí)現(xiàn)對(duì)圖形顯示區(qū)的相關(guān)操作，例如圖形的顯示與保存等；結(jié)果輸出區(qū)用于將檢測(cè)結(jié)果輸出顯示。將預(yù)測(cè)模型植入控制系統(tǒng)軟件，最終形成牛肉新鮮度檢測(cè)裝置，如圖8b所示。

圖8 牛肉新鮮度檢測(cè)裝置軟件界面與實(shí)物圖

4 檢測(cè)裝置性能測(cè)試

為驗(yàn)證檢測(cè)裝置的穩(wěn)定性與可靠性，重新購置一批皓月牛小黃瓜條部位并按前述要求制備成13塊樣本形成測(cè)試集，每天取一塊樣本分別采用本裝置與國標(biāo)理化試驗(yàn)進(jìn)行TVB-N含量的測(cè)定，將兩者所得試驗(yàn)結(jié)果進(jìn)行比較分析，預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖如圖9所示。

圖9 TVB-N含量試驗(yàn)測(cè)試結(jié)果

由圖9可知，測(cè)試集樣本的檢測(cè)裝置檢測(cè)值與國標(biāo)測(cè)量參考值的相關(guān)系數(shù)為0.887，樣本均方根誤差為1.385 mg/100 g。結(jié)果表明測(cè)試集樣本的檢測(cè)精度較高，所研發(fā)的基于氣流與多點(diǎn)激光技術(shù)的牛肉新鮮度檢測(cè)裝置可以實(shí)現(xiàn)對(duì)牛肉TVB-N含量的檢測(cè)。

5 討 論

本研究通過分析氣流與單點(diǎn)激光技術(shù)的不足，并提出采用多點(diǎn)激光技術(shù)彌補(bǔ)現(xiàn)有技術(shù)不足的方案。所建立的牛肉TVB-N含量較優(yōu)預(yù)測(cè)模型的校正集與驗(yàn)證集的相關(guān)系數(shù)為0.891和0.859。和傳統(tǒng)氣流-單點(diǎn)激光在牛肉TVB-N含量的定量研究相比[26]，模型的精度獲得了提高。這表明采用多點(diǎn)激光的技術(shù)手段來更全面的反映樣品在氣流作用下的變形信息可以更有效的反映樣品的黏彈特性進(jìn)而判別樣品相關(guān)品質(zhì)。

本文采用的多點(diǎn)激光技術(shù)方案是建立在樣品產(chǎn)生的變形屬于軸對(duì)稱結(jié)構(gòu)的理想情況下，但是由于氣流發(fā)展的紊流現(xiàn)象，樣品的變形區(qū)域存在一定的差異。因此，后續(xù)可以考慮應(yīng)用線掃描激光或者面陣激光的測(cè)量方式來進(jìn)一步獲得更加完整的樣品變形信息。

本研究建立的牛肉新鮮度檢測(cè)裝置基于牛肉的黏彈性原理實(shí)現(xiàn)了對(duì)牛肉TVB-N含量的無損檢測(cè)，預(yù)測(cè)穩(wěn)定性較好。但預(yù)測(cè)模型主要針對(duì)皓月牛小黃瓜條部位進(jìn)行建立，因此在進(jìn)一步的研究中，還應(yīng)針對(duì)其余品種牛肉進(jìn)行更大樣本的試驗(yàn)或者采用模型傳遞的方法進(jìn)行預(yù)測(cè)模型的更新以提高檢測(cè)裝置在生產(chǎn)應(yīng)用中的可靠性。

6 結(jié) 論

1）采用氣流與多點(diǎn)激光融合技術(shù)，基于樣品黏彈性原理研發(fā)了牛肉新鮮度檢測(cè)裝置，裝置硬件系統(tǒng)主要包括位移信息采集模塊、氣流控制模塊、載物臺(tái)升降模塊和氣室。

2）基于研發(fā)的牛肉新鮮度檢測(cè)裝置，采集了牛肉樣本受氣流作用下形變區(qū)域內(nèi)多點(diǎn)的應(yīng)變信息，利用S-G卷積平滑（Savitzky-Golay smoothing, S-G）、一階導(dǎo)數(shù)處理（The first derivative, FD）、一階導(dǎo)數(shù)處理結(jié)合S-G卷積平滑（Savitzky-Golay smoothing after the first derivative pre-processing, FD+S-G）對(duì)采集的應(yīng)變信息數(shù)據(jù)進(jìn)行預(yù)處理。根據(jù)不同預(yù)處理方式建立了牛肉揮發(fā)性鹽基總氮（TVB-N）含量的主成分回歸模型與偏最小二乘回歸模型。牛肉TVB-N含量的較佳預(yù)測(cè)模型（FD+S-G預(yù)處理）的模型校正集的相關(guān)系數(shù)為0.891，均方根誤差為 1.071 mg/100 g，預(yù)測(cè)集的相關(guān)系數(shù)為0.859，均方根誤差為1.337 mg/100 g。

3）基于QT5.0應(yīng)用程序開發(fā)框架，采用Qt Creator編譯器編寫了牛肉新鮮度檢測(cè)裝置控制系統(tǒng)軟件，并將所建立的牛肉TVB-N含量較佳預(yù)測(cè)模型封裝軟件內(nèi)部。通過軟件界面，可以完成對(duì)檢測(cè)裝置的硬件控制和TVB-N含量檢測(cè)的一鍵式操作。

4）對(duì)該檢測(cè)裝置的穩(wěn)定性和檢測(cè)精度進(jìn)行了外部驗(yàn)證，結(jié)果顯示測(cè)試集樣本的檢測(cè)值與國標(biāo)測(cè)量參考值的相關(guān)系數(shù)為0.887，樣本均方根誤差為1.385 mg/100 g。

[1] 韓磊. 中國肉類供需形勢(shì)及穩(wěn)產(chǎn)保供對(duì)策研究[J]. 價(jià)格理論與實(shí)踐，2020(7)：57-61.

Han Lei. Study on situation of meat supply and demand and countermeasures of ensuring stable production and supply in China[J]. Price: Theory & Practice, 2020(7): 57-61. (in Chinese with English abstract)

[2] 朱文博，陳永福. 世界和中國肉類消費(fèi)及展望[J]. 農(nóng)業(yè)展望，2018，14(3)：98-109.

Zhu Wenbo, Chen Yongfu. Meat consumption and outlook in the world and China[J]. Agricultural Outlook, 2018, 14(3): 98-109. (in Chinese with English abstract)

[3] 崔姹，王明利. 中國肉類消費(fèi)發(fā)展分析及未來展望[J]. 農(nóng)業(yè)展望，2016，12(10)：74-80.

Cui Zha, Wang Mingli. China’s meat consumption development and its prospect[J]. Agricultural Outlook, 2016, 12(10): 74-80. (in Chinese with English abstract)

[4] 毛衍偉，張一敏，朱立賢，等. 中國牛羊肉的供需現(xiàn)狀及消費(fèi)者對(duì)牛羊肉的態(tài)度和品質(zhì)需求[J]. 食品與發(fā)酵工業(yè)，2016，42(2)：244-251.

Mao Yanwei, Zhang Yimin, Zhu Lixian, et al. Beef and mutton production and consumers’ requirement in China[J]. Food and Fermentation Industries, 2016, 42(2): 244-251. (in Chinese with English abstract)

[5] 趙鑫龍，彭彥昆，李永玉，等. 基于深度學(xué)習(xí)的牛肉大理石花紋等級(jí)手機(jī)評(píng)價(jià)系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(13): 250-256.

Zhao Xinlong, Peng Yankun, Li Yongyu, et al. Mobile phone evaluation system for grading beef marbling based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(13): 250-256. (in Chinese with English abstract)

[6] 陳雪，羅欣，梁榮蓉，等. 不同冰溫條件對(duì)長期貯藏牛肉品質(zhì)和貨架期的影響[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35(23)：305-311.

Chen Xue, Luo Xin, Liang Rongrong, et al. Effects of super-chilled conditions on quality and shelf life of beef during long term storage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 305-311. (in Chinese with English abstract)

[7] 孫武亮，李文博，靳志敏，等. 花青素納米纖維智能標(biāo)簽對(duì)羊肉新鮮度的無損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(4)：24-30.

Sun Wuliang, Li Wenbo, Jin Zhimin, et al. Non-destructive detection of mutton freshness using anthocyanin nanofiber smartlabel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 24-30. (in Chinese with English abstract)

[8] 彭彥昆，張雷蕾. 農(nóng)畜產(chǎn)品品質(zhì)安全高光譜無損檢測(cè)技術(shù)進(jìn)展和趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(4)：137-145.

Peng Yankun, Zhang Leilei. Advancement and trend of hyperspectral imaging technique fore nondestructive detection of agro-product quality and safety[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4): 137-145. (in Chinese with English abstract)

[9] Kucha C T, Ngadi M O. Rapid assessment of pork freshness using miniaturized NIR spectroscopy[J]. Journal of Food Measurement and Characterization, 2020, 14(2): 1105-1115.

[10] 蔡健榮，劉夢(mèng)雷，孫力，等. 基于改進(jìn)慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(7)：268-274.

Cai Jianrong, Liu Menglei, Sun li, et al. Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 268-274. (in Chinese with English abstract)

[11] Wijaya D R, Sarno R, Zulaika E. Noise filtering framework for electronic nose signals: An application for beef quality monitoring[J]. Computers and Electronics in Agriculture, 2019, 157: 305-321.

[12] 王文秀，彭彥昆，孫宏偉，等. 基于可見/近紅外光譜生鮮肉多品質(zhì)參數(shù)檢測(cè)裝置研發(fā)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(23)：290-296.

Wang Wenxiu, Peng Yankun, Sun Hongwei, et al. Development of simultaneous detection device for multi-quality parameters of meat based on Vis/NIR spectroscopy[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 290-296. (in Chinese with English abstract)

[13] 李立特. 食品物性學(xué)[M]. 北京：中國農(nóng)業(yè)出版社，2001.

[14] 徐亞丹，代麗. 牛肉低溫儲(chǔ)藏期間質(zhì)構(gòu)參數(shù)分析及新鮮度指標(biāo)的確定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(12)：267-272.

Xu Yadan, Dai Li. Analysis of texture parameters and determination of freshness index of beef in low temperature storage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 267-272. (in Chinese with English abstract)

[15] Myhan R, Markowski M, Daszkiewicz T, et al. Non-linear stress relaxation model as a tool for evaluating the viscoelastic properties of meat products[J]. Journal of Food Engineering, 2015, 146: 107-115

[16] 劉立意，劉影，劉冬梅，等. 鮮豬肉系水力與應(yīng)力松弛特性相關(guān)性的試驗(yàn)研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，46(8)：88-93.

Liu Liyi, Liu Ying, Liu Dongmei, et al. Study on relationship between stress relaxation and the water holding capacity of fresh pork[J]. Journal of Northeast Agricultural University, 2015, 46(8): 88-93. (in Chinese with English abstract)

[17] 盧偉，胡慶迎，代德建, 等. 基于氣流脈沖和結(jié)構(gòu)光成像的牛肉嫩度檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(12)：324-331.

Lu Wei, Hu Qingying, Dai Dejian, et al. Beef tenderness detection based on pulse air-puff combined with structural light 3D imaging[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(12): 324-331. (in Chinese with English abstract)

[18] Mcglone V A, Jordan R B. Kiwifruit and apricot firmness measurement by the non-contact laser air-puff method[J]. Postharvest Biology & Technology, 2000, 19(1): 47-54.

[19] Mcglone V A, Ko S, Jordan R B. Non-contact fruit firmness measurement by the laser air-puff method [J]. Transactions of the ASAE, 1999, 42(5): 1391-1400.

[20] Asaithambi N, Fontaine J, Lancelot E, et al. Evaluation of bread dough aeration during kneading by an air-jet impulse system[J]. Journal of Food Engineering, 2020, 278: 109931.

[21] Morren S, Dyck T V, Mathijs F, et al. Applicability of the food texture puff device for rheological characterization of viscous food products[J]. Journal of Texture Studies, 2015, 46(2): 94-104.

[22] Prussia S E, Astleford J J, Hewlett B, et al. Non-destructive firmness measuring device[P]. US, US5372030 A, 1994.

[23] Lee Y S, Owens C M, Meullenet J F. A novel laser air puff and shape profile method for predicting tenderness of broiler breast meat[J]. Poultry Science, 2008, 87(7): 1451-1457.

[24] 徐虎博，趙慶亮，何珂，等. 基于可控氣流-激光檢測(cè)技術(shù)的雞肉嫩度評(píng)估方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(S2)：457-465.

Xu Hubo, Zhao Qingliang, He Ke, et al. Evaluation of chicken tenderness based on controlled air-flow laser detection technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(S2): 457-465. (in Chinese with English abstract)

[25] Long Y, Tang X Y, Wang W J, et al. A unique method for detecting beef tenderness based on viscoelasticity principle[J]. Journal of Texture Studies, 2017, 48(5): 433-438.

[26] Li Y L, Wang W J, Long Y, et al. A feasibility study of rapid nondestructive detection of total volatile basic nitrogen (TVB-N) content in beef based on airflow and laser ranging technique[J]. Meat Science, 2018, 145: 367-374.

[27] Tu C V, Wood D H. Wall pressure and shear stress measurements for normal jet impingement[J]. Experimental Thermal and Fluid Science, 1996, 13(4): 364–373.

[28] 申正. 圓噴嘴氣體垂直沖擊射流壁面壓力分布規(guī)律研究[D]. 上海：上海交通大學(xué)，2018.

Shen Zheng. Study of Wall Pressure Distribution of Vertical Air Impinging Jet of Round Nozzles[D]. Shanghai: Shanghai Jiao Tong University, 2018.

[29] Bernardi C, Dib S, Girault V, et al. Finite element methods for Darcy’s problem coupled with the heat equation[J]. Numersche Mathematik, 2018, 139(2): 315-348．

[30] 魯兵. 椰糠基質(zhì)有效氮近紅外光譜檢測(cè)技術(shù)及其裝備研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2021.

Lu Bing. Study on NIR Spectroscopy Detection Technology and Equipment of Available Nitrogen in Facility Coco-peat Substrate[D]. Beijing: China Agriculture University, 2021.

[31] 楊敏官，孟宇，李忠，等. 軸流泵葉輪導(dǎo)水錐型式設(shè)計(jì)及其流道水力特性模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(11)：81-88.

Yang Minguan, Meng Yu, Li Zhong, et al. Design of axial-flow impeller guide cone and simulation on hydraulic performance of its passage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 81-88. (in Chinese with English abstract)

[32] Xu Hubo, Lin Yingzi, Zhang Beibei, et al. A multi-mode excitation hardness prediction method based on controlled laser air-force detection (CLAFD) technique[J]. Materials Research Express, 2019, 6(12): 125419.

[33] 李巖，李芳芳，于林宏，等. 電子鼻和電子舌單獨(dú)與聯(lián)合檢測(cè)摻大豆蛋白或淀粉的雞肉糜[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(23)：309-316.

Li Fan, Li Fangfang, Yu Linhong, et al. Separate and combined detection of minced chicken meat adulterated with soy protein or starch using electronic tongue[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 309-316. (in Chinese with English abstract)

[34] 王凡，趙春江，徐波，等. 便攜式茶鮮葉品質(zhì)光譜檢測(cè)裝置研制[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(24)：273-280.

Wang Fan, Zhao Chunjiang, Xu Bo, et al. Development of a portable detection device for the quality of fresh tea leaves using spectral technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 273-280. (in Chinese with English abstract)

Development of beef freshness detection device based on air flow and multi-point laser technique

He Ke, Luo Xiuzhi, Sun Qinming, Tang Xiuying※

(,,100083,)

The quality and texture of meat are closely related to the viscoelasticity changes during storage. The current viscoelastic model can also be widely applied to assess the physical properties and chemical components in the meat. Therefore, the viscoelasticity and meat freshness can be indirectly related, where the internal properties of meat caused by spoilage can be expressed by viscoelastic characteristics. It is very necessary to detect the viscoelastic information for a better prediction of freshness. However, the current laser technique has been limited in the food industry, due to the airflow diffusion. In this study, an innovative detection device of beef freshness was developed using airflow and multi-point laser technique. The hardware system of the device mainly included an airflow control, a displacement information acquisition, a stage lifting, and an air chamber. Some design strategies were selected to obtain a stable air flow, including the air chamber and the nozzle with the contraction curve, while the specific circuits to control the solenoid and electro-pneumatic proportional valve. Some key parameters were also selected for the displacement information acquisition and stage lifting module. The viscoelasticity of beef samples with different freshness was first represented by the displacement of the beef under airflow. Then, the data set of displacement was preprocessed via the Savitzky-Golay smooth (SG), the First Derivative processing (FD), and the FD+SG. After that, a prediction model was established using the Total Volatile Basic Nitrogen (TVB-N) content. Finally, a systematic evaluation was also made using the Partial Least Squares Regression (PLSR) and Principle Component Regression (PCR). The results showed that the preprocessing was greatly contributed to the accuracy of the model, where the accuracy of the PLSR model was much higher than that of the PCR model. The best PLSR prediction model was also achieved, when the viscoelasticity information was pretreated by FD+SG with the correlation coefficients in the calibration and validation set of 0.891 and 0.859, respectively, and the root mean squared errors in the calibration and prediction set of 1.071 and 1.337 mg/100 g, respectively. It indicated that the accuracy and stability of the model were improved significantly, compared with the traditional. Particularly, the multi-point laser technique was superior to the traditional single-point one. In addition, the control software of the device was designed to implement using the QT application development framework. Subsequently, the prediction model was implanted in the software to realize the one-click operation of the device. Furthermore, an external prediction test was performed on the 13 beef samples, in order to verify the stability of the device. It was found that the correlation coefficient between the prediction and measurement value was 0.887, where the root mean square error was 1.385 mg/100 g. Consequently, an excellent performance of the device was achieved for the non-destructive detection of beef freshness. Furthermore, the new technique can be widely expected to comprehensively represent the deformation of the sample in the future. The finding can also provide a strong reference for the freshness detection of meat products.

nondestructive detection; models; air flow; multi-point laser; beef freshness; detection device

10.11975/j.issn.1002-6819.2021.21.032

TS251.7；S237

A

1002-6819(2021)-21-0278-09

何珂，羅秀芝，孫欽明，等. 基于氣流與多點(diǎn)激光技術(shù)的牛肉新鮮度檢測(cè)裝置研發(fā)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(21)：278-286.doi：10.11975/j.issn.1002-6819.2021.21.032 http://www.tcsae.org

He Ke, Luo Xiuzhi, Sun Qinming, et al. Development of beef freshness detection device based on air flow and multi-point laser technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 278-286. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.032 http://www.tcsae.org

2021-08-09

2021-09-14

北京市自然基金資助項(xiàng)目（6202020）

何珂，博士生，研究方向?yàn)檗r(nóng)產(chǎn)品無損檢測(cè)技術(shù)。Email：1433104752@qq.com

湯修映，教授，博士生導(dǎo)師，研究方向?yàn)橹悄軝z測(cè)技術(shù)與裝備。Email：txying@cau.edu.cn