一、牛、羊肉新鲜度及微生物学指标的相关性研究（论文文献综述）
王乌云[1]（2021）在《基于高光谱成像技术冷鲜羊肉的无损检测》文中认为
张曼[2]（2021）在《多源数据融合下冷鲜羊肉新鲜度评估方法研究》文中研究说明羊肉美味独特,富含营养,深受食用者的欢迎。非冻结储运模式下的冷鲜羊肉最大限度地保留了肉品原有口感和营养,逐渐成为肉品消费市场的主流,然而冷鲜羊肉在贮运过程中易受微生物等影响导致新鲜度下降速率快、货架期短。新鲜度作为衡量羊肉经济价值和食用性的重要标准,对新鲜度的精确检测既可以维护消费者权益、保障食用安全,也能够加强对食品监督部门的监管。传统的肉类新鲜度检测方法已经不能满足羊肉流通中快速无损检测的需要,由于羊肉腐败变质过程复杂,单一的无损检测方法很难得到全面准确的评价,因此,研究羊肉新鲜度的快速检测与综合评价方法十分必要。本研究对不同新鲜度的冷鲜羊肉进行了实验测定,分析了羊肉变质过程中新鲜度的变化规律及新鲜度指标之间的相关性,挖掘出能够体现新鲜度的关键指标;选择气体传感器技术和近红外光谱技术,分别获取微环境气体信息和光谱信息,并以总挥发性盐基氮（TVB-N）含量为关键指标,建立羊肉新鲜度预测模型;在这个基础上,采用特征层数据融合方式处理多源信息,并以三种典型的人工智能方法构建基于多源数据融合的冷鲜羊肉新鲜度预测模型。通过对多源数据融合模型的讨论,以期达到对冷鲜羊肉新鲜度准确、综合评估方法探索的目的,为下一步羊肉新鲜度准确无损检测系统的开发奠定理论基础。具体的研究内容和结论如下:（1）冷鲜羊肉新鲜度指标之间的关联性探讨。探索不同贮藏时间下冷鲜羊肉的变化机制,分析新鲜度下降过程中羊肉理化指标、微生物指标和感官指标的动态,深入挖掘各项指标变化规律与指标间的相关性,确定TVB-N是表征羊肉新鲜度的重要指标。（2）基于气体传感信息的冷鲜羊肉新鲜度评价。通过多传感器气体采集装置监测冷鲜羊肉贮藏过程中微环境气体浓度的变化,充分挖掘微环境气体浓度与冷鲜羊肉新鲜度指标之间的关系;以连续时间序列下羊肉贮藏微环境中氧气、二氧化碳和硫化氢含量为基础,并以TVB-N为新鲜度评价标准,建立了基于BP神经网络的羊肉新鲜度预测模型。其结果表明该预测模型的效果较好,相对误差控制在10%以下,能够实时监测羊肉新鲜度变化,基本满足预测需求。（3）基于近红外光谱信息的冷鲜羊肉新鲜度评价。通过近红外光谱仪对680nm～2600nm下的冷鲜羊肉进行光谱信息获取,并对原始数据进行多元散射校正（MSC）方法的处理以降低光谱误差,接下来使用连续投影算法（SPA）缩小存在信息冗余的差距,将筛选出的38个特征变量作为BP神经网络和偏最小二乘回归（PLSR）模型输入量,构建羊肉TVB-N含量预测模型。通过比较预测集结果,基于BP神经网络模型的决定系数和均方根误差分别为0.81、3.04 mg/100g;PLSR模型的决定系数和均方根误差分别为0.78、3.15 mg/100g,可见BP神经网络模型的预测效果明显优于PLSR模型。（4）基于多源数据融合的冷鲜羊肉新鲜度评价。在上述研究的基础上,利用特征层数据融合方式对两种不同技术获取的气体数据和光谱数据进行融合处理,以主成分分析法获得的最优主成分数为预测模型的输入值,并基于BP神经网络、径向基函数神经网络（RBF）、最小二乘支持向量机（LSSVM）方法分别构建TVB-N含量的预测模型进而实现冷鲜羊肉新鲜度综合评价。其对比结果显示,两种检测技术信息相互融合建立的模型效果,比逐个技术获取的单一信息所建立的模型更加具有优势,三种融合模型相对应预测集的决定系数分别为0.75、0.85、0.83,预测均方根误差分别为2.62 mg/100g、2.39 mg/100g、2.42 mg/100g,其中RBF神经网络建模方法为最优,能够更加全面、准确地反映羊肉新鲜程度。
姜莎,闫彩霞,范鑫,张彦斌,张宏博[3]（2021）在《无损检测技术在羊肉品质分析中的研究进展》文中提出无损检测技术可以在不破坏样品的前提下完成检测。目前已被国内外学者广泛应用于羊肉品质分析中。综述了国内外近年来羊肉品质无损检测技术的研究现状,从感官品质、理化指标、微生物指标、其他安全指标、掺假肉等5个方面,介绍了无损检测技术与应用,分析了存在的问题,并对其发展作出展望。
徐红艳[4]（2020）在《复配香辛料精油处理对藏羊肉贮藏期内品质变化分析及货架期模型构建》文中指出藏羊作为我国西北地区特有的羊种,其肉具有天然绿色无污染、脂肪含量低且蛋白质含量高的优点,但是其在生产、加工、销售等过程中极容易被微生物污染导致其腐败变质,货架期较短;虽然我国市场目前存在很多肉类制品保鲜方法,但是这类方法仍存在防腐剂使用方法、使用量不规范、营养成分损失严重、温度调节能耗较大、地域性强等问题,并不能解决消费者的实际需求。因此,生物保鲜剂的开发具有重大意义。本试验以欧拉藏羊为原料,以孜然、花椒、肉桂精油为保鲜材料,然后按照课题组前期体外抑菌试验和正交试验确定的:以体积分数为0.8%孜然精油+0.35%花椒精油+0.25%肉桂精油+98.6%（TW-80（0.01%v/v））制成最优复配香辛料精油,涂抹于藏羊肉表面,结合真空包装,然后综合运用新鲜度指标对复配香辛料精油的保鲜效果进行评价,并对复配香辛料精油对藏羊肉贮藏过程中脂质氧化和蛋白氧化的影响作出评价和进行相关性分析;然后对复配香辛料精油对藏羊肉中主要内源蛋白酶和主要抗氧化酶的影响进行探究;同时对藏羊肉在不同的贮藏温度条件下品质变化规律研究,并建立货架期预测模型。探究结果如下:1.在贮藏期间内复配香辛料精油对藏羊肉新鲜度的影响。在贮藏期间,复配精油处理组肉样pH值、汁液流失的增长速率均显着（P<0.05）低于对照（CK）组和空白组;空白组在15 d时菌落总数和TVB-N（Total volatile base nitrogen,TVB-N）分别为6.57 lg CFU/g和16.51 mg/100g,而处理组在24 d时菌落总数和TVB-N分别为6.21 lg CFU/g和15.27mg/100g,才接近腐败标准;同时处理组在贮藏期间色泽、气味、弹性、粘度及煮沸后汤汁的感官评分均高于CK组和空白组;故在真空包装方式下复配精油处理藏羊肉贮藏期延长了9 d,且稀释后的TW-80作为精油溶剂对藏羊肉的蛋白酶活性基本没有影响。2.研究复配香辛料精油对冷藏藏羊肉氧化特性的影响。随冷藏时间的延长,空白、CK和处理组羰基含量、巯基含量、表面疏水性、硫代巴比妥酸（Thiobarbituric acid,TBA）值和过氧化值（Peroxide value,POV）均逐渐上升,二硫键含量逐渐下降,但处理组变化速率较空白组和CK组慢;相比空白和CK组,在真空包装方式下复配香辛料精油处理提高了藏羊肉MP（Myofibrillar protein,MP）表面疏水性与各指标间的相关性,显着抑制了藏羊肉MP的氧化,一定程度减缓了藏羊肉的脂质氧化速率。3.复配香辛料精油对藏羊肉中主要内源蛋白酶和主要抗氧化酶的影响。随着贮藏时间的延长,三组藏羊肉的主要溶酶体组织蛋白酶Cathepsin-B、L、D均先上升后降低。处理组的内源蛋白酶活性均比空白组、CK组低;故在真空包装方式下复配香辛料精油对藏羊肉中内源蛋白酶具有一定影响。复配香辛料精油涂膜生物保鲜处理可显着减缓藏羊肉的SOD、CAT、POD等抗氧化酶活性的下降速率,同时维持机体较高的SOD、CAT和POD活性。4.不同温度条件下贮藏期间品质变化分析。（1）贮藏温度越高,藏羊肉品质劣变的速度越快,感官评分降低越显着（P<0.05）;菌落总数、TBA值和TVB-N整体呈上升趋势,并且温度越高藏羊肉氧化腐败的速度越快,微生物繁殖的速度越快;pH值呈先下降后上升的趋势,且贮藏温度越高,藏羊肉的pH变化越显着,品质劣变的速度越快。（2）通过预测在真空包装方式下复配香辛料精油处理的藏羊肉的货架期,分别是:-1.5℃为60 d,4℃为30 d,10℃为15 d,15℃为8 d。综上所述,在真空包装方式下,与空白组相比,复配香辛料精油处理可以明显减缓藏羊肉腐败变质,延长藏羊肉的保鲜期。
张珏[5]（2020）在《基于光学信息检测技术的羊肉新鲜度快速检测与判别方法研究》文中提出羊肉营养丰富,味道鲜美,深受广大消费者喜爱。新鲜度是衡量羊肉食用价值的重要标准,对其进行准确、快速检测对促进羊肉产业健康快速发展具有重要意义。传统感官评价、理化检测或微生物实验手段无法满足羊肉流通中对新鲜度快速、准确、无损的检测要求。众多肉类新鲜度快速无损检测方法中,光学检测技术是极具应用前景的方法。本研究以不同新鲜度冷鲜羊肉为研究对象,分析羊肉变质过程中新鲜度变化规律,挖掘表征新鲜度的关键指标并研究各指标可见近红外（350～1050nm）最佳光谱检测模型,优选并充分融合关键指标的多源光谱特征建立羊肉新鲜度分类模型。上述基础上,进一步拓宽羊肉新鲜度研究谱段,采用高光谱成像系统获取样本935～2539nm范围的近红外光学信息,并以挥发性盐基氮（TVB-N）为主要研究指标对羊肉新鲜度进行更深层次地研究。探索羊肉TVB-N的光谱及图像特征优选方法,挖掘表征羊肉内部化学成分的光谱特征及颜色、纹理等空间图像特征,并融合光谱、图像特征,建立更为稳定有效的羊肉新鲜度预测模型,从而基于光学信息检测技术多方法、多层次地对羊肉新鲜度进行快速检测研究,旨在为实现羊肉新鲜度的准确、快速、无损判别提供理论依据。具体研究内容及结果如下:（1）对不同贮藏时间冷鲜羊肉腐败变质机理进行深入研究,分析影响羊肉新鲜度的理化指标、微生物指标及感官指标,并研究各指标在羊肉腐败过程中的变化规律及指标之间的相关性,明确了亮度（L*）、pH值、TVB-N及菌落总数（TVC）是表征羊肉新鲜度的关键指标。（2）分析不同光谱预处理方法对羊肉新鲜度预测精度的影响,优选各关键新鲜度指标最佳光谱检测模型。借助“粗略”结合“精细”的网格搜索方法对支持向量机（SVM）模型的RBF核函数进行参数寻优,对比最优SVM网络模型与PLSR模型对羊肉新鲜度的预测效果,优选出表征关键新鲜度指标的最佳光谱特征及预测模型。（3）分别以TVB-N的光谱特征和关键新鲜度指标融合特征建立CART分类树新鲜度判别模型,并对单一指标分类树模型（Single-CART）和复合指标分类树模型（Combination-CART）的预测精度进行验证。结果显示,Single-CART和Combination-CART模型校正集平均分类准确率均为100%,预测集平均分类准确率分别为83.33%和95.83%。Single-CART模型对预测集“新鲜”、“次新鲜”、“变质”3个新鲜度级别样本的识别率分别为88.89%、75%和85.71%,Combination-CART模型的识别率分别为100%、87.50%和100%。相较Single-CART分类模型,Combination-CART模型的分类结果更加准确且稳定性更好,研究表明,优选并充分利用多源特征变量建立羊肉新鲜度分类模型,能更加准确地判别羊肉新鲜程度。（4）以TVB-N为主要研究对象对羊肉新鲜度预测方法进行深入研究,提出基于改进离散粒子群算法（MDBPSO）的羊肉TVB-N近红外特征波长优选方法,在粒子更新方式和惯性权重2个方面对传统离散粒子群算法进行优化,并比较分析MDBPSO法与常规特征波长提取方法建立PLSR模型的预测效果。结果显示,MDBPSO-PLSR模型校正集Rc2和均方根误差RMSEC分别为0.82和3.61,预测集Rp2和均方根误差RMSEP分别为0.81和3.68,该模型在计算效率和预测精度等方面较其他模型都有显着提高。（5）深入挖掘表征羊肉内部化学成分的光谱特征及颜色、纹理等空间图像特征,并以MDBPSO法优选光谱特征建立基于随机森林回归（RFR）和反向传播人工神经网络（BPANN）算法的羊肉TVB-N含量预测模型,以主成分分析法（PCA）、遗传算法（GA）优选的图像特征建立基于BPANN算法的羊肉TVB-N预测模型。结果显示,MDBPSO-RFR为TVB-N含量的最佳光谱预测模型,其校正集Rc2和均方根误差RMSEC分别为0.87和3.12,预测集Rp2和均方根误差RMSEP分别为0.85和3.56;GA-BPANN为TVB-N含量的最佳图像预测模型,其校正集Rc2和均方根误差RMSEC分别为0.81和3.71,预测集Rp2和均方根误差RMSEP分别为0.80和4.20。上述研究表明,利用光谱特征建立羊肉新鲜度模型的预测效果优于图像特征模型。（6）比较分析基于光谱、图像特征羊肉新鲜度模型的预测效果,优选表征TVB-N含量的最佳光谱、图像特征,并借助BPANN模型有效融合图谱特征建立羊肉新鲜度预测模型,结果显示,融合模型校正集Rc2和RMSEC分别为0.87和2.86,预测集Rp2和RMSEP分别为0.86和2.93。表明融合模型的预测效果优于光谱或图像的单一传感器模型,能更加全面、准确地反映羊肉新鲜程度。上述研究结果表明,利用光学信息检测技术可快速检测羊肉外部感官品质和内部理化品质,实现对羊肉新鲜度的定量分析和新鲜度等级的定性判别。研究为开发基于光谱和图像信息的羊肉新鲜度快速检测系统奠定了良好的理论基础。
高万豪[6]（2019）在《基于多光谱技术的羊肉新鲜度无损检测》文中指出羊肉表面的微生物的数量可以反映出肉的新鲜程度,可以知道羊肉的腐败与否。传统检测肉类的方法一般都会将肉破坏,提取成分进行实验,以此检测出肉的好坏,这样的检测方法有着很多的缺点,如效率低、检测周期长、破坏肉品表面。不同的物体用多光谱相机拍照后,光谱信息存在差异,论文对多光谱技术进行了研究,将羊肉图像与光谱信息结合一起,综合判定其品质的优劣,这对实现准确快捷的无损检测有着重要的意义。论文以河北省唐县羊肉为实验研究的对象,利用多光谱相机获取图像数据,建立细菌总数预测模型,以生物的化学计量学方法作为对照,同时在不同波段波长范围下,开展冷鲜羊肉表面微生物活细胞数量的快速无损检测研究。利用多光谱以及图像处理技术建立了冷鲜羊肉表面细菌总数预测模型并对新鲜度的品质分级。本文通过对比分析不同的波长范围、预处理方法和建模方法,确定了冷鲜羊肉细菌总数的最佳检测方法,为冷鲜肉类快速无损系统检测的实现打下基础。主要工作如下:（1）光谱数据预处理。对冷鲜羊肉实验样本进行多光谱数据采集（波长范围为600-1000nm）,针对冷鲜羊肉光谱数据存在噪声和平移问题,采用标准正态分布（SNV）、导数法、矢量归一化（VN）、多元散射校正（MSC）与平滑法结合等方法对光谱数据进行预处理,实验表明利用S-G卷积平滑法结合多元散射校正的方法效果最好。（2）羊肉细菌总数预测模型。利用一种神经网络算法-极限学习机（ELM）,以ELM为建模基础,建立核极限学习机（KELM）模型,并利用遗传算法对KELM模型进行了优化。在波段600-800nm和800-1000nm的范围内验证了模型,并与BP-ANN、RBF-ANN、PLSR从相关系数、均方根、预测误差等方面进行了对比,改进的极限学习机模型均优于其他模型。（3）以冷鲜羊肉表面细菌总数为参考值,结合国家食品安全的肉类标准,设计了可新鲜度分级方法,将冷鲜羊肉分为三级,新鲜、次新鲜和腐败。（4）检测平台实现。利用Java语言开发了细菌总数检测平台,实现了对于光谱数据的预处理、细菌总数预测、新鲜度鉴别等功能。
姜新华,薛河儒,郜晓晶,张丽娜,周艳青,杜雅娟[7]（2018）在《高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测》文中指出羊肉新鲜度受多种因素影响,通常由多个指标来综合评价,常规试验操作复杂不适合在线检测。高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息,但是光谱特征提取与评价模型的建立对最终结果影响较大。为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性,提出一种稀疏核典型相关分析方法,借助实验室测定的多个标准值,研究多指标的羊肉新鲜度无损检测。采集了70个代表各级新鲜程度的羊肉样本4001 000nm高光谱图像,采用实验室方法测定了挥发性盐基氮（TVB-N）和菌落总数（TAC）标准值,选择感兴趣区域（ROIs）提取代表性光谱图像,利用所提出的特征提取方法提取光谱特征信息,并按照3∶1划分校正集和预测集,利用三层神经网络进行分类识别试验。结果表明,新鲜度等级分类总体精度（OA）为0.939 3,Kappa系数为0.906 0,均方根误差（RMSEC）为0.297。研究表明,所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度,为采用高光谱成像综合多个新鲜度检测指标,改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。
邱园园[8]（2018）在《基于高光谱和近红外信息融合的羊肉新鲜度无损检测研究》文中认为羊肉具有味道鲜美和营养丰富的优点,深受消费者喜爱。随着人们食品安全意识的增强,消费者对羊肉品质提出要求。新鲜度作为羊肉品质重要评价指标,决定了羊肉的经济价值和可食用性。羊肉新鲜度的准确检测可保障消费者权益和食用安全,同时可加强食品监察部门对肉类市场的监管。由于传统肉品新鲜度检测手段无法满足肉品加工企业对肉品实现大规模、高效、无损、在线的检测要求,因此寻求一种快速准确无损的羊肉新鲜度检测方法是十分必要的。本研究通过开展试验测定,对真空包装冷却羊肉新鲜度指标进行相关性分析,建立其综合评价准则;基于可见短波高光谱图像技术和长波近红外光谱技术分别准确获取4001000 nm和9002500 nm的可见、短波和长波光谱信息,分别确定最优光谱预处理方法,进行特征变量筛选,确立较优的判别模型;通过信息融合方法建立基于特征层羊肉新鲜度融合判别模型,探讨信息融合对羊肉新鲜度判别模型分类准确性的改善与提高,实现羊肉新鲜度快速准确判别,为开发小型化羊肉新鲜度在线检测装置提供理论依据。具体研究内容和结论如下:（1）羊肉新鲜度指标间相关性分析与综合评价通过开展试验测定,对真空包装冷却羊肉主要新鲜度指标间进行相关性分析,建立了羊肉新鲜度综合评价准则,如下:新鲜样品,储藏时间在第111天,TVB-N<15 mg/100g,TVC<5×106CFU/g,L*>40.0,a*>19.3;次新鲜样品,储藏时间在第1216天,15 mg/100g<TVB-N<25 mg/100g,5×106 CFU/g<TVC<7×106 CFU/g,38.9<L*<40.0,18.9<a*<19.3;腐败样品,储藏时间由第17天开始,TVB-N>25 mg/100g,TVC>7×106 CFU/g,L*<38.9,a*<18.9。（2）基于高光谱图像技术的羊肉新鲜度无损检测对于4001000 nm的羊肉光谱信息,最优光谱预处理方法为1D+S-G（3）;CARS和GA算法初步筛选变量能够实现数据降维,可将光谱变量数目分别降为全波段的15%和17%,建立的羊肉新鲜度判别模型校正集和预测集判别准确率可分别达99%和98%,但筛选的变量数目仍较大;利用SPA算法进一步筛选变量能够有效解决光谱数据信息冗余的问题,将光谱变量数目分别降低为8和10,但建立的羊肉新鲜度预测模型判别准确性有所降低,预测集判别准确率分别可达91%和89%。（3）基于近红外光谱技术的羊肉新鲜度无损检测对于9002500 nm的羊肉光谱信息,最优光谱预处理方法为1D+S-G（3）;CARS和GA算法初步筛选变量能够实现数据降维,可将光谱变量数目分别降为全波段的25%和22%,建立的羊肉新鲜度判别模型校正集和预测集判别准确率分别可达96%和91%,但筛选的变量数目仍较大;利用SPA算法进一步筛选变量能够有效解决光谱数据信息冗余的问题,将光谱变量数目分别降低为14和15,但建立的羊肉新鲜度判别模型判别准确性有所降低,预测集判别准确率分别可达80%和82%。（4）基于信息融合的羊肉新鲜度无损检测本研究利用信息融合方法建立羊肉新鲜度融合判别模型,比较了数据层融合和特征层融合。研究表明,数据层融合模型判别性能较好,但包含全波段信息导致其建模效率低;特征层融合模型具有较好的判别性能,可以实现羊肉新鲜度快速准确判别,较单一检测模型相比预测集判别准确率得到显着改善,可达96%。
赵晶[9]（2018）在《不同贮藏条件下羊肉品质及其DNA质量的研究》文中认为本研究以横山羊肉为研究对象,在四种贮藏温度（-20℃、4℃、10℃、20℃）及不同贮存时间下研究羊肉品质及DNA质量的变化。分别检测挥发性盐基氮（TVB-N）、pH、保水性（WHC）、色泽（L*、a*、b*值）、质构（硬度值、弹性、内聚性、咀嚼性、回复性）、肌纤维结构变化等羊肉理化品质,水分、粗蛋白、粗脂肪、总脂肪酸（Total FA）、饱和脂肪酸（SFA）、单不饱和脂肪酸（MUFA）、多不饱和脂肪酸（PUFA）等羊肉营养成分,以及DNA含量、纯度、完整性、PCR扩增特性等DNA质量指标,进而分析不同贮藏条件下羊肉品质的主成分及其与DNA质量的相关性。最后,综合确定不同贮藏条件下羊肉最佳的贮藏期,确定不同贮藏条件下羊肉品质的主要检测指标及参考指标,为羊肉贮藏条件提供科学依据,为羊肉的贮藏、生产及运输方面提供参考,同时为消费者树立正确的消费导向。（1）四种贮藏条件下羊肉理化品质的变化研究。在四种贮藏温度和时间下羊肉理化品质有显着变化。四种贮藏条件下,贮存期间TVB-N含量显着增加（P<0.05）,-20℃、4℃、10℃、20℃分别贮存 3 个月（m）、2 天（d）、24 小时（h）、8h时TVB-N含量达到15mg/100g,四种贮藏温度分别贮存11m、5d、60h、24h时TVB-N达到国标规定值25mg/100g,说明肉已变质;pH值呈先降低后增加（P<0.05）,四种贮藏条件下分别贮存3m、2d、24h、8h时pH值达到最低;WHC随贮藏时间延长呈下降趋势（P<0.05）,而且贮藏温度越高WHC下降的越快;色差L*、a*、b*值先升高后下降且贮藏温度对羊肉色差有显着变化（P<0.05）;硬度值、咀嚼性、弹性随着贮藏温度和时间显着降低（P<0.05）,内聚性及回复性在贮藏期间整体趋于平稳;羊肉肌纤维结构在贮藏期间有明显变化,贮藏初期肌纤维结构排列有序,贮藏过程中结构变得逐渐松散;随贮藏时间延长羊肉超微结构被破坏,肌纤维排列混乱、结构疏松,完整性散失。综合对比分析,羊肉在-20℃、4℃、10℃和20℃的适宜贮藏时期分别为11m、5d、60h和24h以内。（2）四种贮藏条件下羊肉营养成分的变化研究。在四种贮藏温度和时间下羊肉营养成分有显着变化。贮藏期间水分含量随贮藏时间延长呈下降趋势（P<0.05）,而且贮藏温度越高水分含量下降越快;粗蛋白、粗脂肪含量在贮藏期间呈下降变化趋势（P<0.05）;Total FA、SFA、MUFA、PUFA呈显着降低（P<0.05）。（3）四种贮藏条件下羊肉DNA质量的变化研究。在四种贮藏温度和时间下,定性分析（DNA纯度、DNA完整性、普通PCR扩增效果）和定量分析（DNA含量、荧光定量PCR扩增效果）羊肉DNA质量,结果显示:四种贮藏温度下,随时间延长,DNA含量呈先下降后上升的变化（P<0.05）,Act值呈先升高后降低的变化（P<0.05）,DNA纯度无显着变化（P>0.05）,DNA完整性逐渐变差,发生降解,普通PCR均能成功地扩增羊特异性基因引物。因此,在不同贮藏温度下,随贮存时间延长羊肉DNA质量有显着变化。（4）羊肉品质指标的主成分分析及其与DNA质量的相关性研究。在不同贮藏条件下将贮藏时间与反应羊肉品质的指标进行主成分分析,试验结果构建了不同贮藏条件下羊肉品质的检测体系,该体系以水分含量、保水性、pH值、粗脂肪含量和脂肪酸作为主要指标,以TVB-N含量、色差、TPA和粗蛋白含量为参考指标。同时将水分含量、保水性、pH值、粗脂肪含量和脂肪酸与DNA含量进行相关性分析,发现DNA含量与WHC呈显着负相关,与水分含量、pH、粗脂肪含量和脂肪酸无显着相关。
姜新华[10]（2017）在《基于高光谱成像技术的冷鲜羊肉新鲜度检测研究》文中进行了进一步梳理长期以来,在我国居民的膳食结构中,肉类占有重要比重。在肉类消费中,羊肉的消费在逐年上升。因此,羊肉品质安全是关系国计民生的大事,做好羊肉品质检测对于食品安全控制、保障居民的消费安全有着重要的现实意义。目前,羊肉品质检测大多停留在感官评价和实验室理化与微生物测定上,而感官评价、理化与微生物测定方法有诸多缺点,不利于羊肉流通中的快速检测。近年来,高光谱成像技术因具有分辨率高、操作简便、非破坏性等特点,成为农畜产品无损检测领域的研究热点,在肉品品质无损检测应用研究中也取得了一定的成果,但还存在一些问题需要进一步研究:高光谱成像数据维数多,数据规模大、冗余高,数据处理过程计算量大,比较耗时,还影响评价模型精确度,利用高光谱数据与新鲜度指标值建立新鲜度评价校正模型,模型的可靠性和精确度与高光谱处理方法关系密切,利用多个指标研究冷鲜羊肉新鲜度无损检测方法会比单一指标更全面、更稳定、适用性更强,但是会增加数据处理与计算的时间,这会消弱无损检测的快速优势,对表征不同新鲜度指标的检测数据处理尤为关键。因此,研究光谱成像数据处理方法和多项指标的对应关系,可提高无损检测的稳定性和精确度,增强检测模型的适应性,进而对于促进羊肉品质高光谱无损检测技术的进一步应用推广,推动羊肉产业管理能力的提高具有重要的科学意义和广阔的应用前景。本文以冷鲜羊肉为检测对象,以高光谱成像作为检测技术,以挥发性盐基氮（TVB-N）、pH值、菌落总数（TBC）和大肠菌群数（MPN）为新鲜度评价指标,运用化学计量学、统计分析、机器学习和计算机技术对冷鲜羊肉新鲜度高光谱成像无损检测中的光谱数据预处理方法、光谱特征提取和冷鲜羊肉新鲜度分类模型建立进行了较为深入的研究。研究内容和结果如下:1)按照相关食品安全检测国家标准和前人研究成果确定冷鲜羊肉新鲜度评价关键的理化和微生物指标。以TVB-N、pH值为理化检测指标,以TBC和MPN为微生物检测指标,从理化和微生物两个角度对冷鲜羊肉新鲜度进行综合评价。通过常规试验及结果分析,得出每项指标就冷鲜羊肉的三个新鲜等级具有显着性差异,说明利用四个指标进行冷鲜羊肉新鲜度等级划分的可分性较好。2)针对冷鲜羊肉高光谱原始数据中存在噪声和平移问题,对比了多种常用的高光谱数据预处理方法,并经过试验得出采用S-G卷积平滑法和多元散射校正法两种混合方法对光谱的预处理效果较好。3)本文提出采用基于核稀疏图嵌入典型相关分析（KSGECCA）高光谱数据特征提取方法。由于高光谱图像数据维数多、非线性、冗余、波段之间相关性强等特点,首先对高光谱数据采用高斯核进行非线性映射,提升冷鲜羊肉高光谱数据的非线性可分性,采用稀疏表示技术将特征空间中全波段的信息表示成少数稀疏字典及其系数的线性组合,在降低波段之间冗余的同时对数据本身进行挖掘,并对其进行有效表征。由于原始光谱数据经过非线性映射和稀疏表示计算过程,计算的复杂度在不断地提高,因此本文利用图嵌入框架对典型相关分析进行扩展,通过图嵌入框架,很好的将核映射和稀疏表示与典型相关分析方法结合起来,降低整个计算过程的复杂度,同时充分保持高光谱数据中的非线性流形结构。从算法运行得到的特征值曲线、典型特征信息散点图,特征信息的相关性分析三方面分析了本文提出的特征提取方法,同时与常用的PCA特征提取算法、典型相关分析法及其变形进行对比分析,得出对于冷鲜羊肉高光谱数据,本文提出的特征提取方法效果较好。4)本文提出基于稀疏表示的随机采样谱聚类方法和基于自适应BP神经网络分类方法,分别从非监督式和监督式分类角度,探讨了建立冷鲜羊肉高光谱无损检测新鲜度评价模型。为了检验提出的两种冷鲜羊肉新鲜度分类评价模型的有效性,本文先将常规试验测定的新鲜度等级评价的四个指标标准值,分别采用两种分类方法进行分类试验,通过试验,得出采用随机采用谱聚类方法,四个指标的标准值聚类总体精度能达到88%,采用自适应BP神经网络分类法,四个指标的标准值分类总体精度达到100%。说明4个指标测定值在两种等级评价模型中具有可分性,且监督式分类法要比非监督式聚类法的总体精度要高。基于对常规试验方法测定的四项新鲜度指标的实验基础上,文中将不同特征空间下的冷鲜羊肉高光谱特征数据,分别应用到两种分类模型中,同时对模型运行过程中的参数设置和优化做了进一步试验。通过试验,得出在文中提出的核稀疏图嵌入典型相关分析（KSGECCA）特征空间下,采用基于随机采用的谱聚类法,冷鲜羊肉的新鲜度总体分类精度可达77%,采用自适应BP神经网络分类法的总体分类精度可达93.93%。并与常规试验测定的标准值的分类结果进行对比,得出采用本文提出的两种方法建立冷鲜羊肉新鲜度分类评价模型可行,且有效,对比两种方法,说明对于不同特征空间下的冷鲜羊肉高光谱特征数据,采用监督式自适应BP神经网络分类法得到的总体分类精度高于非监督式聚类方法。
二、牛、羊肉新鲜度及微生物学指标的相关性研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、牛、羊肉新鲜度及微生物学指标的相关性研究（论文提纲范文）
（2）多源数据融合下冷鲜羊肉新鲜度评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 论绪 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统检测评价法 |
| 1.2.2 气体传感器技术 |
| 1.2.3 近红外光谱技术 |
| 1.2.4 多源数据融合技术 |
| 1.3 研究工作 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究路线 |
| 1.4 本章小结 |
| 第二章 冷鲜羊肉新鲜度评价指标分析与研究 |
| 2.1 引言 |
| 2.2 羊肉新鲜度变化机理 |
| 2.3 冷鲜羊肉新鲜度指标测定 |
| 2.3.1 理化指标 |
| 2.3.2 微生物指标 |
| 2.3.3 感官指标 |
| 2.4 贮藏期间冷鲜羊肉新鲜度指标变化 |
| 2.4.1 样品制备 |
| 2.4.2 冷鲜羊肉中TVB-N含量的演变 |
| 2.4.3 冷鲜羊肉色度的变化 |
| 2.4.4 冷鲜羊肉硬度的变化 |
| 2.4.5 冷鲜羊肉p H值的变化 |
| 2.4.6 冷鲜羊肉菌落总数的变化 |
| 2.5 新鲜度指标间相关性分析 |
| 2.6 本章小结 |
| 第三章 基于气体传感信息的冷鲜羊肉新鲜度评价 |
| 3.1 引言 |
| 3.2 气体数据采集 |
| 3.3 气体传感器采集装置 |
| 3.4 冷鲜羊肉新鲜度预测模型的建立 |
| 3.4.1 BP神经网络模型 |
| 3.4.2 模型建立过程 |
| 3.5 结果与分析 |
| 3.5.1 气体传感信息变化分析 |
| 3.5.2 新鲜度预测模型结果分析 |
| 3.6 本章小结 |
| 第四章 基于近红外光谱信息的冷鲜羊肉新鲜度评价 |
| 4.1 引言 |
| 4.2 光谱数据采集 |
| 4.3 光谱数据预处理 |
| 4.3.1 标准正态变量变换 |
| 4.3.2 多元散射校正 |
| 4.4 特征波长筛选 |
| 4.5 新鲜度预测模型的建立 |
| 4.5.1 偏最小二乘回归模型 |
| 4.5.2 模型建立过程 |
| 4.5.3 模型评价标准 |
| 4.6 结果与分析 |
| 4.6.1 近红外光谱变化 |
| 4.6.2 光谱预处理选择 |
| 4.6.3 特征波长筛选 |
| 4.6.4 近红外光谱预测性能分析 |
| 4.7 本章小结 |
| 第五章 基于多源数据融合的冷鲜羊肉新鲜度评价 |
| 5.1 引言 |
| 5.2 数据融合方式 |
| 5.3 数据分析方法 |
| 5.3.1 样本集处理 |
| 5.3.2 数据归一化 |
| 5.3.3 主成分分析法 |
| 5.4 数据融合预测模型建立与分析 |
| 5.4.1 建立BP神经网络预测模型 |
| 5.4.2 建立RBF神经网络预测模型 |
| 5.4.3 基于LSSVM预测模型的建立 |
| 5.4.4 预测模型对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
（3）无损检测技术在羊肉品质分析中的研究进展（论文提纲范文）
| 1 感官品质的无损检测技术与应用 |
| 1.1 嫩度检测 |
| 1.2 色泽检测 |
| 2 理化指标的无损检测技术与应用 |
| 2.1 水分的检测 |
| 2.2 pH的检测 |
| 2.3 挥发性盐基氮(TVB-N)的检测 |
| 3 微生物指标的无损检测技术与应用 |
| 4 其他安全指标的无损检测技术与应用 |
| 5 掺假肉的无损检测技术与应用 |
| 6 结语 |
（4）复配香辛料精油处理对藏羊肉贮藏期内品质变化分析及货架期模型构建（论文提纲范文）
| 摘要 |
| SUMMARY |
| 缩略词表 |
| 文献综述 |
| 1.我国藏羊资源概况及生产现状 |
| 1.1 藏羊资源概况 |
| 1.2 藏羊肉生产现状 |
| 2.藏羊肉腐败变质的原因 |
| 2.1 微生物污染 |
| 2.1.1 微生物的来源 |
| 2.1.2 微生物的种类 |
| 2.2 氧化变质 |
| 2.2.1 脂肪氧化 |
| 2.2.2 蛋白质氧化 |
| 3.国内外冷鲜肉保鲜技术研究进展 |
| 3.1 添加防腐剂 |
| 3.2 低温冷冻保鲜技术 |
| 3.3 微波杀菌保鲜技术 |
| 3.4 超高压保鲜技术 |
| 3.5 包装技术 |
| 4.香辛料精油概述 |
| 4.1 香辛料精油的提取 |
| 4.2 香辛料精油的水蒸气蒸馏提取研究进展 |
| 4.3 香辛料精油的作用 |
| 4.3.1 香辛料精油的抗菌作用 |
| 4.3.2 香辛料精油的抗氧化作用 |
| 5.天然香辛料精油保鲜剂的研究进展 |
| 5.1 几种天然香辛料精油 |
| 5.1.1 花椒精油 |
| 5.1.2 孜然精油 |
| 5.1.3 肉桂精油 |
| 5.2 复配天然保鲜剂 |
| 6.肉制品货架期预测研究概况 |
| 6.1 肉制品货架期的影响因素 |
| 6.2 货架期预测模型在食品中的应用 |
| 1.前言 |
| 2.材料与方法 |
| 2.1 试验材料 |
| 2.1.1 试验原料 |
| 2.1.2 试验主要试剂 |
| 2.1.3 试验仪器与设备 |
| 2.2 试验方法 |
| 2.2.1 技术路线 |
| 2.2.2 试验设计 |
| 2.2.3 指标测定方法 |
| 2.3 数据统计分析 |
| 3.结果与分析 |
| 3.1 复配香辛料精油对藏羊肉新鲜度的影响 |
| 3.1.1 对藏羊肉pH值的影响 |
| 3.1.2 对藏羊肉TVB-N值的影响 |
| 3.1.3 对藏羊肉汁液流失率的影响 |
| 3.1.4 对藏羊肉菌落总数的影响 |
| 3.1.5 对藏羊肉感官品质的影响 |
| 3.2 复配香辛料精油对冷藏藏羊肉氧化特性的影响 |
| 3.2.1 对藏羊肉TBA值的影响 |
| 3.2.2 对藏羊肉POV的影响 |
| 3.2.3 对藏羊肉羰基含量的影响 |
| 3.2.4 对藏羊肉巯基和二硫键的影响 |
| 3.2.5 对藏羊肉表面疏水性的影响 |
| 3.2.6 相关性分析 |
| 3.3 复配香辛料精油对藏羊肉中主要内源蛋白酶及抗氧化酶活性的影响 |
| 3.3.1 对藏羊肉溶酶体组织蛋白酶(Cathepsin)活性的影响 |
| 3.3.2 对藏羊肉内源性SOD、CAT活性的影响 |
| 3.3.3 对藏羊肉内源性POD活性的影响 |
| 3.3.4 对藏羊肉μ-calpain活性的影响 |
| 3.4 复配香辛料精油处理藏羊肉在不同温度条件下贮藏过程中品质变化研究 |
| 3.4.1 藏羊肉在不同贮藏温度下品质的变化规律 |
| 3.4.2 藏羊肉贮藏过程中微生物生长速率的Arrhenius方程的建立 |
| 3.4.3 货架寿命的动力学模型验证与预测 |
| 4.讨论 |
| 4.1 复配香辛料精油处理对藏羊肉新鲜度的影响 |
| 4.2 复配香辛料精油对藏羊肉脂质氧化和蛋白氧化的影响 |
| 4.3 复配香辛料精油对藏羊肉中主要内源蛋白酶及抗氧化酶活性的影响 |
| 4.4 不同温度条件对藏羊肉品质的影响及货架期模型的建立 |
| 5.结论 |
| 5.1 复配香辛料精油对藏羊肉新鲜度的影响 |
| 5.2 复配香辛料精油对藏羊肉脂质氧化和蛋白氧化的影响 |
| 5.3 复配香辛料精油对藏羊肉中主要内源蛋白酶及抗氧化酶活性的影响 |
| 5.4 不同温度条件对藏羊肉品质的影响及货架期模型的建立 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果 |
| 导师简介 |
（5）基于光学信息检测技术的羊肉新鲜度快速检测与判别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 肉品品质检测现状与研究进展 |
| 1.2.1 肉品新鲜度检测现状 |
| 1.2.2 传统检测方法 |
| 1.2.3 快速无损检测方法 |
| 1.2.4 高光谱技术在肉品检测应用中的研究进展 |
| 1.3 研究目的及意义 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 2 羊肉新鲜度光学检测机理及新鲜度指标变化规律研究 |
| 2.1 引言 |
| 2.2 羊肉新鲜度光学无损检测机理研究 |
| 2.2.1 冷鲜羊肉腐败变质机理 |
| 2.2.2 羊肉新鲜度光学检测机理 |
| 2.2.3 羊肉理化品质变化 |
| 2.2.4 新鲜度评价指标选取 |
| 2.3 不同贮藏时间羊肉新鲜度指标变化规律研究 |
| 2.3.1 试验材料与理化指标分析仪器 |
| 2.3.2 羊肉肉色测量与变化规律研究 |
| 2.3.3 羊肉pH值测量与变化规律研究 |
| 2.3.4 羊肉TVB-N测量与变化规律研究 |
| 2.3.5 羊肉TVC测量与变化规律研究 |
| 2.4 关键新鲜度指标优选 |
| 2.5 本章小结 |
| 3 基于全谱段可见近红外光谱信息的羊肉新鲜度预测方法研究 |
| 3.1 引言 |
| 3.2 试验材料与近红外光谱采集 |
| 3.2.1 试验材料 |
| 3.2.2 羊肉可见近红外光谱采集 |
| 3.2.3 光谱预处理方法研究 |
| 3.2.4 偏最小二乘回归模型 |
| 3.3 结果与分析 |
| 3.3.1 羊肉样本可见近红外反射光谱分析 |
| 3.3.2 全波段光谱预测性能分析 |
| 3.4 本章小结 |
| 4 基于特征光谱信息的羊肉新鲜度关键指标预测与分类模型研究 |
| 4.1 引言 |
| 4.2 特征波长优选方法研究 |
| 4.2.1 SPA法 |
| 4.2.2 CARS法 |
| 4.3 建模方法研究 |
| 4.3.1 SVM网络预测模型 |
| 4.3.2 CART分类模型 |
| 4.4 模型的评价标准 |
| 4.5 L~*值光谱特征波长优选与预测模型建立 |
| 4.5.1 特征波长优选 |
| 4.5.2 预测模型建立与精度验证 |
| 4.6 pH值特征波长选择与预测模型建立 |
| 4.6.1 特征波长优选 |
| 4.6.2 预测模型建立与精度验证 |
| 4.7 TVB-N特征波长选择与预测模型建立 |
| 4.7.1 特征波长优选 |
| 4.7.2 预测模型建立与精度验证 |
| 4.8 TVC值特征波长选择与预测模型建立 |
| 4.8.1 特征波长优选 |
| 4.8.2 预测模型建立与精度验证 |
| 4.9 关键新鲜度指标预测模型分析 |
| 4.10 多源特征信息融合CART分类模型的建立与分析 |
| 4.11 本章小结 |
| 5 基于高光谱成像技术的羊肉新鲜度特征波长提取方法研究 |
| 5.1 引言 |
| 5.2 试验材料与高光谱图像采集 |
| 5.2.1 试验材料 |
| 5.2.2 羊肉高光谱图像采集与校正 |
| 5.3 特征波长优选方法研究 |
| 5.3.1 离散粒子群算法及其改进 |
| 5.3.2 改进粒子群算法提取特征波段 |
| 5.4 结果与分析 |
| 5.4.1 羊肉样本近红外反射光谱分析及预处理 |
| 5.4.2 光谱特征变量选择 |
| 5.4.3 最优光谱特征波长选择与分析 |
| 5.5 本章小结 |
| 6 基于高光谱成像技术的羊肉新鲜度预测模型研究 |
| 6.1 引言 |
| 6.2 数据分析方法 |
| 6.2.1 GA法 |
| 6.2.2 BP神经网络模型 |
| 6.2.3 RFR模型 |
| 6.3 光谱特征模型建立与分析 |
| 6.3.1 BPANN预测模型建立 |
| 6.3.2 RFR预测模型建立 |
| 6.3.3 预测模型结果分析 |
| 6.4 图像特征变量选择 |
| 6.4.1 PCA优选特征图像 |
| 6.4.2 GA优选特征图像 |
| 6.4.3 图像特征变量提取 |
| 6.5 图像特征模型建立与分析 |
| 6.6 光谱图像信息融合预测模型的建立与分析 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于多光谱技术的羊肉新鲜度无损检测（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究目的和意义 |
| 1.2 多光谱技术肉品品质检测的国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文研究的主要内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 主要研究内容以及章节安排 |
| 2 相关技术简介 |
| 2.1 多光谱成像技术介绍 |
| 2.1.1 基本原理技术 |
| 2.1.2 多光谱成像系统的结构 |
| 2.1.3 实验仪器 |
| 2.1.4 线扫式光谱相机简介 |
| 2.2 极限学习机 |
| 2.3 本章总结 |
| 3 数据采集与数据预处理 |
| 3.1 多光谱数据采集 |
| 3.1.1 实验材料 |
| 3.1.2 多光谱图像信息采集 |
| 3.1.3 获取原始光谱 |
| 3.2 冷鲜羊肉样本表面细菌总数测定 |
| 3.2.1 实验样本 |
| 3.2.2 样本表面细菌总数测定 |
| 3.3 多光谱图像预处理 |
| 3.3.1 归一化处理 |
| 3.3.2 光谱校正处理 |
| 3.3.3 光谱基线平移和散对处理 |
| 3.3.4 光谱图像预处理 |
| 3.4 本章总结 |
| 4 冷鲜羊肉表面菌落总数预测与新鲜度分级 |
| 4.1 核函数 |
| 4.2 基于核函数极限学习机的羊肉预测模型建立 |
| 4.3 改进的极限学习机的羊肉预测模型 |
| 4.4 新鲜度分级方法 |
| 4.5 实验及结果分析 |
| 4.5.1 预测模型效果 |
| 4.5.2 精确度评价指标 |
| 4.5.3 冷鲜羊肉新鲜度分级 |
| 4.6 本章总结 |
| 5 检测系统的实现 |
| 5.1 开发环境与工具 |
| 5.2 平台设计与实现 |
| 5.2.1 登录界面 |
| 5.2.2 功能界面 |
| 5.2.3 细菌总数预测模块 |
| 5.2.4 新鲜度品质分级模块 |
| 5.2.5 预处理模块 |
| 5.3 本章总结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（7）高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测（论文提纲范文）
| 引言 |
| 1 稀疏核典型相关分析特征提取方法 |
| 1.1 典型相关分析及其核化扩展 |
| 1.2 核典型相关分析稀疏表示 |
| 1.3 核典型相关分析稀疏表示求解 |
| 2 冷鲜羊肉新鲜度评价试验 |
| 2.1 试验材料 |
| 2.2 新鲜度指标实验室测定 |
| 2.3 样本反射光谱采集与预处理 |
| 2.4 基于稀疏核典型相关分析的高光谱特征提取试验 |
| 2.5 羊肉新鲜度分类识别试验 |
| 3 结果与讨论 |
| 4 结论 |
（8）基于高光谱和近红外信息融合的羊肉新鲜度无损检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 肉品新鲜度检测方法 |
| 1.3 肉品新鲜度的高光谱图像技术检测 |
| 1.3.1 高光谱图像技术 |
| 1.3.2 肉品新鲜度检测中的高光谱图像技术应用 |
| 1.4 肉品新鲜度的近红外光谱技术检测 |
| 1.4.1 近红外光谱技术 |
| 1.4.2 肉品新鲜度检测中的近红外光谱技术应用 |
| 1.5 研究目的与内容 |
| 1.5.1 研究目标 |
| 1.5.2 研究内容 |
| 1.5.3 研究路线 |
| 1.6 本章小结 |
| 第二章 羊肉新鲜度指标相关性分析及综合评价 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 样品制备 |
| 2.2.2 挥发性盐基氮指标测定 |
| 2.2.3 细菌总数指标测定 |
| 2.2.4 pH值指标测定 |
| 2.2.5 颜色指标测定 |
| 2.3 结果与分析 |
| 2.3.1 储藏时间下挥发性盐基氮的变化趋势 |
| 2.3.2 储藏时间下细菌总数的变化趋势 |
| 2.3.3 储藏时间下pH值的变化趋势 |
| 2.3.4 储藏时间下颜色的变化趋势 |
| 2.3.5 羊肉新鲜度指标间相关性分析及综合评价 |
| 2.4 本章小结 |
| 第三章 基于高光谱图像技术的羊肉新鲜度无损检测 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 样品制备 |
| 3.2.2 高光谱图像采集与标定 |
| 3.2.3 高光谱图像光谱信息获取 |
| 3.2.4 光谱预处理 |
| 3.2.5 特征变量筛选 |
| 3.2.6 模型建立与评价 |
| 3.3 结果与讨论 |
| 3.3.1 光谱分析 |
| 3.3.2 样品划分及光谱预处理 |
| 3.3.3 光谱特征变量筛选 |
| 3.3.4 模型建立与分析 |
| 3.4 本章小结 |
| 第四章 基于近红外光谱技术的羊肉新鲜度无损检测 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 样品制备 |
| 4.2.2 近红外光谱采集 |
| 4.2.3 光谱预处理 |
| 4.2.4 特征变量筛选 |
| 4.2.5 模型建立与评价 |
| 4.3 结果与讨论 |
| 4.3.1 近红外光谱分析 |
| 4.3.2 样品划分及光谱预处理 |
| 4.3.3 光谱特征变量筛选 |
| 4.3.4 模型建立与分析 |
| 4.4 本章小结 |
| 第五章 基于信息融合的羊肉新鲜度无损检测 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料与仪器 |
| 5.2.2 信息融合简介 |
| 5.2.3 数据分析方法 |
| 5.3 结果与讨论 |
| 5.3.1 基于数据层融合建立羊肉新鲜度分级模型 |
| 5.3.2 基于特征层融合建立羊肉新鲜度分级模型 |
| 5.3.3 同单一检测方法的比较 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
（9）不同贮藏条件下羊肉品质及其DNA质量的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 文献综述 |
| 1.1 横山羊肉简介 |
| 1.2 肉类保藏技术研究进展 |
| 1.3 不同贮藏条件下肉类品质的研究进展 |
| 1.4 不同贮藏条件下动物组织中DNA的研究进展 |
| 1.5 本课题主要研究意义及内容 |
| 1.5.1研究意义 |
| 1.5.2 研究内容 |
| 1.5.3 特色及创新点 |
| 第2章 四种贮藏条件下羊肉理化品质的变化研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 试验材料 |
| 2.2.2 主要试剂与仪器设备 |
| 2.2.3 品质评价指标测定方法 |
| 2.2.4 统计分析 |
| 2.3 结果与分析 |
| 2.3.1 不同贮藏条件下羊肉TVB-N含量的变化 |
| 2.3.2 不同贮藏条件下羊肉pH值的变化 |
| 2.3.3 不同贮藏条件下羊肉WHC的变化 |
| 2.3.4 不同贮藏条件下羊肉色差的变化 |
| 2.3.5 不同贮藏条件下羊肉质构特性的变化 |
| 2.3.6 不同贮藏条件下羊肉肌纤维显微结构的变化 |
| 2.4 讨论 |
| 2.4.1 不同贮藏温度和时间下羊肉TVB-N的影响 |
| 2.4.2 不同贮藏温度和时间下羊肉pH值的影响 |
| 2.4.3 不同贮藏温度和时间下羊肉WHC的影响 |
| 2.4.4 不同贮藏温度和时间下羊肉色泽的影响 |
| 2.4.5 不同贮藏温度和时间下羊肉质构的影响 |
| 2.4.6 不同贮藏温度和时间下羊肉肌纤维结构的影响 |
| 2.5 本章小结 |
| 第3章 四种贮藏条件下羊肉营养成分的变化研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 主要试剂与仪器设备 |
| 3.2.3 品质评价指标测定方法 |
| 3.2.4 统计分析 |
| 3.3 结果与分析 |
| 3.3.1 不同贮藏条件下羊肉水分含量的变化 |
| 3.3.2 不同贮藏条件下羊肉粗蛋白含量的变化 |
| 3.3.3 不同贮藏条件下羊肉粗脂肪含量的变化 |
| 3.3.4 不同贮藏条件下羊肉脂肪酸的变化 |
| 3.4 讨论 |
| 3.4.1 不同贮藏温度和时间下羊肉水分含量的影响 |
| 3.4.2 不同贮藏温度和时间下羊肉粗蛋白含量的影响 |
| 3.4.3 不同贮藏温度和时间下羊肉脂肪含量的影响 |
| 3.4.4 不同贮藏温度和时间下羊肉脂肪酸的影响 |
| 3.5 本章小结 |
| 第4章 四种贮藏条件下羊肉DNA质量的变化研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 主要试剂与仪器设备 |
| 4.2.3 试验方法 |
| 4.2.4 统计分析 |
| 4.3 结果与分析 |
| 4.3.1 不同贮藏条件下羊DNA定性检测 |
| 4.3.2 不同贮藏条件下羊DNA定量检测 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 羊肉品质指标的主成分分析及其与DNA质量的相关性研究 |
| 5.1 引言 |
| 5.2 数据分析 |
| 5.3 结果与分析 |
| 5.3.1 不同贮藏条件下羊肉指标间的主成分分析 |
| 5.3.2 不同贮藏条件下羊肉指标与DNA质量间的相关性分析 |
| 5.4 讨论 |
| 5.4.1 不同贮藏温度和时间下羊肉品质间的相关性 |
| 5.4.2 不同贮藏温度和时间下羊肉品质指标与DNA质量间的相关性 |
| 5.5 本章小结 |
| 第6章 结论及展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间研究成果 |
| 支持本研究的项目 |
（10）基于高光谱成像技术的冷鲜羊肉新鲜度检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 冷鲜肉新鲜度检测现状 |
| 1.2.2 冷鲜肉新鲜度传统检测 |
| 1.2.3 冷鲜肉新鲜度无损检测 |
| 1.3 高光谱成像检测技术 |
| 1.3.1 高光谱成像技术原理及特点 |
| 1.3.2 高光谱成像技术在冷鲜肉新鲜度检测方面的研究进展 |
| 1.3.3 冷鲜肉新鲜度检测的发展趋势 |
| 1.4 课题研究目标、内容和技术路线 |
| 1.4.1 研究目的 |
| 1.4.2 研究内容和技术路线 |
| 1.5 本章小结 |
| 2 冷鲜羊肉新鲜度变化机理及光谱检测机理 |
| 2.1 羊肉新鲜度变化机理 |
| 2.1.1 冷鲜羊肉新鲜度下降过程中理化成分变化 |
| 2.1.2 冷鲜羊肉新鲜度下降过程中微生物污染变化 |
| 2.2 冷鲜羊肉新鲜度评定指标的选取 |
| 2.2.1 挥发性盐基氮 |
| 2.2.2 pH值 |
| 2.2.3 菌落总数 |
| 2.2.4 大肠菌群近似数 |
| 2.3 肉品光谱学无损检测机理 |
| 2.4 本章小结 |
| 3 试验与数据获取 |
| 3.1 试验方案 |
| 3.2 试验样本获取与新鲜度指标测定 |
| 3.2.1 冷鲜羊肉挥发性盐基氮测定 |
| 3.2.2 冷鲜羊肉pH值测定 |
| 3.2.3 冷鲜羊肉菌落总数测定 |
| 3.2.4 冷鲜羊肉大肠菌群近似数测定 |
| 3.3 冷鲜羊肉常规试验数据分析 |
| 3.3.1 冷鲜羊肉TVB-N常规试验数据分析 |
| 3.3.2 冷鲜羊肉pH值常规试验数据分析 |
| 3.3.3 冷鲜羊肉TBC常规试验数据分析 |
| 3.3.4 冷鲜羊肉MPN常规试验数据分析 |
| 3.3.5 新鲜度多指标常规试验结果相关性分析 |
| 3.4 高光谱成像数据采集与处理 |
| 3.4.1 高光谱成像数据采集系统 |
| 3.4.2 高光谱数据采集 |
| 3.4.3 样本光谱数据提取 |
| 3.4.4 光谱数据预处理 |
| 3.5 本章小结 |
| 4 冷鲜羊肉高光谱成像数据特征提取 |
| 4.1 高维数据特征选择方法 |
| 4.2 稀疏表示 |
| 4.2.1 稀疏表示理论技术 |
| 4.2.2 稀疏表示学习 |
| 4.3 图嵌入核化与稀疏化 |
| 4.3.1 图嵌入方法 |
| 4.3.2 稀疏图嵌入 |
| 4.3.3 核稀疏图嵌入 |
| 4.4 核稀疏图嵌入典型相关分析 |
| 4.4.1 典型相关分析算法 |
| 4.4.2 典型相关分析核图嵌入 |
| 4.4.3 典型相关分析核稀疏图嵌入 |
| 4.5 基于核稀疏图嵌入典型相关的冷鲜羊肉高光谱成像数据特征提取 |
| 4.5.1 冷鲜羊肉高光谱数据总体散度计算 |
| 4.5.2 基于核稀疏图嵌入典型相关的冷鲜羊肉高光谱数据特征提取快速求解 |
| 4.5.3 冷鲜羊肉光谱图像数据特征提取效果分析 |
| 4.6 本章小结 |
| 5 基于高光谱成像特征信息的冷鲜羊肉新鲜度分类识别与分析 |
| 5.1 冷鲜羊肉高光谱成像特征信息分类方法 |
| 5.1.1 谱聚类非监督式分类方法 |
| 5.1.2 人工神经网络监督式分类方法 |
| 5.2 基于随机采样谱聚类冷鲜羊肉新鲜度分类 |
| 5.2.1 基于稀疏表示谱聚类随机采样 |
| 5.2.2 基于随机采样的谱聚类法 |
| 5.2.3 基于随机采样谱聚类冷鲜羊肉新鲜度评价模型建立 |
| 5.2.4 试验结果分析 |
| 5.3 基于自适应BP神经网络冷鲜羊肉新鲜度分类 |
| 5.3.1 自适应BP神经网络分类法 |
| 5.3.2 基于自适应BP神经网络冷鲜羊肉新鲜度评价模型建立 |
| 5.3.3 试验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、牛、羊肉新鲜度及微生物学指标的相关性研究（论文参考文献）
- [1]基于高光谱成像技术冷鲜羊肉的无损检测[D]. 王乌云. 内蒙古农业大学, 2021
- [2]多源数据融合下冷鲜羊肉新鲜度评估方法研究[D]. 张曼. 石河子大学, 2021(02)
- [3]无损检测技术在羊肉品质分析中的研究进展[J]. 姜莎,闫彩霞,范鑫,张彦斌,张宏博. 肉类工业, 2021(02)
- [4]复配香辛料精油处理对藏羊肉贮藏期内品质变化分析及货架期模型构建[D]. 徐红艳. 甘肃农业大学, 2020(12)
- [5]基于光学信息检测技术的羊肉新鲜度快速检测与判别方法研究[D]. 张珏. 内蒙古农业大学, 2020
- [6]基于多光谱技术的羊肉新鲜度无损检测[D]. 高万豪. 河北农业大学, 2019(03)
- [7]高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测[J]. 姜新华,薛河儒,郜晓晶,张丽娜,周艳青,杜雅娟. 光谱学与光谱分析, 2018(08)
- [8]基于高光谱和近红外信息融合的羊肉新鲜度无损检测研究[D]. 邱园园. 石河子大学, 2018(12)
- [9]不同贮藏条件下羊肉品质及其DNA质量的研究[D]. 赵晶. 陕西师范大学, 2018(01)
- [10]基于高光谱成像技术的冷鲜羊肉新鲜度检测研究[D]. 姜新华. 内蒙古农业大学, 2017(11)