基于聚类-RBF神经网络的家庭冷藏羊肉新鲜度的评价方法

2020-08-19刘静静李志刚张旭张小栓

石河子大学学报（自然科学版） 2020年4期

刘静静，李志刚*，张旭，张小栓

(1 石河子大学信息科学与技术学院,新疆石河子 832003;2 中国农业大学信息与电气工程学院,北京 100083; 3 中国农业大学工学院,北京 100083)

中国是全球肉类产销总量最多的国家,根据国际肉类组织公布的数据,中国畜禽肉类生产量约占世界生产总量的27%,其中羊肉占26%[1]。羊肉因独特的营养和风味,胆固醇含量低、肌肉纤维细、肉质醇香等特性,广受消费者的喜爱[2]。随着近年来生活水平的逐渐提高和消费者食品安全意识的增强,消费者对高品质生鲜羊肉的需求逐年提高。冷链是保持肉类新鲜度的关键技术,保持冷链过程应该延伸到消费者家庭储藏环节,这也表明着家庭储藏成为冷链中食品保鲜最关键的阶段之一[3]。获取羊肉在冰箱内冷藏的微环境气体信息和感官指标,分析羊肉在冰箱温度条件下不同储藏时间的新鲜度变化,不仅能体现羊肉的经济价值,还保证了羊肉的食用价值。

在针对羊肉新鲜度等级的评价中,相关学者一般从羊肉的质构特性[4-5]和色差特性[6]进行检测和判断,并利用Hertz-Mindlin bonding模型[7]、神经网络[8]、Adaboost-BP模型[9]、主成分分析法[10]等对新鲜度进行等级判定,目前对羊肉气味变化与新鲜度变化之间的关联性研究较少。气味是表示肉类新鲜度最灵敏的指标,在肉的腐败过程中,蛋白质先分解为胺,再分解为氨、硫化氢和乙硫醇等[11]，而冷鲜肉类在冷藏期间随着挥发性脂肪酸及氨基酸的氧化,会产生羰基类及醛类物质,当达到消费者接受阈值后,就会产生酸败气味[12]，所以，随着冷藏时间的增加,羊肉气味也会随之发生改变。因此,本文研究选取家庭储藏(冰箱温度5 ℃)条件下的冷鲜羊肉,采集储藏时间延长时羊肉所产生的气体含量数据,并结合羊肉颜色、硬度数据,利用RBF神经网络良好的分类功能[13],对羊肉的新鲜度进行客观、准确的评价。

1 材料与方法

1.1 试验材料

实验样本在北京美廉美超市进行选购,购买当天上架的冷鲜羊腿肉,用保温箱运送至中国农业大学食品质量与安全北京实验室,在实验室的工作台上用无菌刀具切出500 g羊肉进行气味检测实验,平行实验的羊肉切成厚度1 cm ×1 cm ×1 cm左右的片状或块状共12份,放置于5 ℃的恒温箱用于理化实验。

1.2 仪器与设备

实验采用自制的电子鼻系统,根据监测需求集成二氧化碳传感器、氧气传感器、硫化氢传感器、氨气传感器,传感器信息见表1。电化学传感器组成的电子鼻系统性价比较高,在储藏环境(5 ℃)低温下能正常工作,满足对气体监测的需要；各传感器的供电电压为3.3 V或5 V,选择9 V的电池进行供电,可满足长时间监测的需求。

表1 传感器技术指标

实验采用的其它仪器有质构分析仪TA.XT Plus(英国SMS 公司)、CR400色差仪(日本Koniva Mionlta 公司)、挥发性盐基氮检测仪(厦门市藤蔓生物科技有限公司)和恒温箱(上海一恒科学仪器有限公司)。

实验整体流程如图1所示。

图1 整体工作流程

1.3 实验方案

将500 g新鲜的羊肉放入12 cm×15 cm×15 cm保鲜盒中,将电子鼻系统嵌入保鲜盒的顶部进行封装,之后放入恒温箱(5 ℃)中,进行保鲜盒顶空气体监测。用100 g羊肉进行平行实验,测定羊肉的颜色与硬度数据，以每24 h用挥发性盐基氮检测仪测定的羊肉新鲜度作为标准结果进行对比。

1.3.1 气味数据获取方法

主传感器节点由传感器、供电、处理器和存储4个模块组成,主传感器节点接收各传感器节点的信息,信息最终汇聚在存储模块。传感器校准完成后,将电子鼻的采样间隔设置为30 min,羊肉放入保鲜盒后开始进行气味监测；获取气体参数信息后,以有线通信方式进行传感信号的处理，并进行气体传感器电压的输出。硬件设计可实现数据的预处理、储存功能。

1.3.2 颜色信息数据获取方法

采用色度学上国际照明委员会推荐的LAB表色系统获取颜色信息数据,其物理含义为:L* 表示明度，+a* 表示为红色,-a*表示为绿色，+b*表示黄色,-b*表示蓝色。使用色差仪测定羊肉的色泽,色差仪在每次使用前进行校正,检测前用无纺布擦拭其表面水滴,摆放在白色平板上,在羊肉表面选取3个测量点,对每个测试点的亮度值(L*)和红度值(+a*)重复测定3次，取其平均值。

1.3.3 硬度信息数据获取方法

利用TA.XT Plus(英国SMS 公司)质构仪获取羊肉的硬度信息数据；质构仪选择“TPA(texture profile analysis)”选项,使用TA44探头(圆柱直径为4 mm),选择硬度为测量指标；参数设定如下:测前速度2 mm/s，测试速度5 mm/s，测后速度5 mm/s,触发力5 g，探头在样本中的移动距离为5 mm；重复测定3次，取其平均值。

1.4 数据处理方法

1.4.1 数据归一化

为了使数据处理过程更加方便快捷,首先采用以下公式数据进行归一化处理,

(1)

式(1)中,X为归一化数据,x为原始数据,xmax为数据中最大值,xmin为数据中的最小值。

1.4.2 RBF神经网络模型的构建

RBF神经网络是一种前向型神经网络,只有一个隐含层,输入单元到隐单元的权重固定为1[15]。RBF神经网络用线性学习算法来完成以往非线性学习算法所做的工作,同时又保持非线性算法的高精度,具有最佳逼近、全局最优、收敛速度快等特性[16]。由于RBF神经网络是局部逼近网络,以任意精度逼近任意连续或离散函数,可以处理系统内难以分析的规则,适用于解决非线性分类问题[17]，因此,本文选用RBF神经网络进行分类。具体参数设置如下:输入层为7,输出层2,隐含层为15,径向基函数选用高斯函数,其表达式如下:

(2)

使用K-均值法选择RBF神经网络的中心,并求出方差。RBF神经网络的输出结果表示如下:新鲜度水平(0,0)表示新鲜,(1,1)表示不新鲜。基本结构如图2所示。