在冷解的肉中同时检测和可视化脂质和蛋白质氧化,使用超光谱成像
Kunshan Yao1, Yexin Xu1, Jun Sun2
1School of Electrical and Information Engineering of Changzhou Institute of Technology, Changzhou 213032, China.
Food research international (Ottawa, Ont.)
|February 28, 2026
概括
超光谱成像与新型深度学习模型相结合,有效地评估冷肉中的脂质和蛋白质氧化. 这项技术可以同时预测和可视化氧化,改善储存和销售期间的质量控制.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 计算机视觉 计算机视觉
背景情况:
- 由于脂质和蛋白质的氧化,冷肉质量下降.
- 脂质和蛋白质中的氧化反应是冷肉质量损失的主要原因.
- 评估这些氧化变化对于保持肉质量至关重要.
研究的目的:
- 用超光谱成像 (HSI) 来评估冷解的肉中的脂质和蛋白质氧化.
- 开发一种新的多任务深度学习框架,用于同时预测氧化指标.
- 为了更好的质量管理,可视化氧化水平像素智能.
主要方法:
- 超光谱成像 (HSI) 用于在10个结解周期中分析肉.
- 作为氧化指标,测量了铁酸反应物质 (TBARS) 和碳酸含量.
- 开发了一个多任务深度学习框架,将格拉米安角差异场 (GADF) 与多任务卷积神经网络 (MTCNN) 集成在一起.
主要成果:
- TBARS含量从0.0910增加到0.5120毫克/公斤,碳烯含量从1.0560增加到3.9550nmol/mg.
- 在TBARS和碳酸含量之间发现了强烈的相关性 (r=0.982).
- 该GADF-MTCNN模型实现了高预测准确度 (TBARS的R2p=0.9458,碳烯的R2p=0.9545) 并实现了氧化的像素智能可视化.
结论:
- GADF-MTCNN模型有效地同时预测冷解的肉中的脂质和蛋白质氧化.
- 将HSI与GADF-MTCNN框架相结合,为评估肉质提供了一个强大的工具.
- 这种方法在肉类行业实时质量管理方面具有重大潜力.
