豬肉營養豐富，是人類生活必不可少的食物來源，近年來，隨著我國豬肉產量的不斷提高，對產品豬肉的需求也在不斷增加，同時對其質量也提出了更高的要求。然而，由于制品，肉類脂肪和蛋白質含量豐富，水分活度高，在加工，貯藏和銷售，加工過程中容易受到微污染和環境因素的影響，導致產品腐敗變質，失去食用價值。新鮮豬肉在流通和儲存過程中容易被作用的內源酶、外源環境和微生物破壞。在酶和細菌的作用作用下，新鮮豬肉中的蛋白質分解產生氨和胺等堿性含氮物質，與組織中的酸性物質結合形成鹽土氮。隨著貯藏時間的延長，鮮豬肉中TVB氮的含量呈現出緩慢增加、穩步增加和大幅增加三個過程。

　　光譜成像技術是一種新的平臺技術。它是光譜分析技術和圖像分析技術相結合的產物。它具有空間分辨率和光譜分辨率，可以同時獲取物體的空間和光譜信息。光譜成像技術在和得到了廣泛的應用，彭和陸研究了利用光譜散射特性預測牛肉的pH值、嫩度和色澤。多光譜成像技術在便攜式、小型和批量生產方面更具優勢

　　本文旨在探索利用多光譜成像技術結合數學建模方法預測鮮豬肉貨架期的可行性。

　　1材料和方法1.1多光譜成像在系統，收到h，修訂版，項，9金，公益事業科研專項基金農業(項目編號：201003008)。

　　簡介：(1985)，女(漢族)，新，碩士學位，主要從事海淀區華東路17號生肉質量安全關鍵技術的研究開發，郵編100083。Email:通信作者：彭(1960)，男(漢族)，教授，牛從事特別是市海淀區清華東路7號的質量與安全研究，00083.1:四川6881.6(。(。

　　用于系統多光譜成像的多光譜成像系統如圖3所示。主要由光源單元、圖像采集單元和數據處理單元組成。光源單元包括穩定的電源，溴化鎢燈光光源(HL2000，美國)和光纖圖像采集單元包括高性能可見光/近紅外相機電荷耦合器件(UM 301，美國)、采集卡(CronosPlus，加拿大)和濾光片。選擇了7個窄帶濾光片，中心波長分別為551、560、580、600、625、760、810rnn9，半高帶寬為1015nm。數據處理單元的主要功能是接收和保存多光譜圖像數據，提取有效信息，建立預測模型。黑盒用于隔離外界光線和噪音的干擾。轉動支架旋鈕來調整舞臺的高度。肉樣放在臺上。當光線照射到肉類樣品的表面時，肉類樣品的漫反射光通過濾光片，通過CCD相機，形成多光譜圖像，通過圖像采集卡生成8位圖像數據文件。

　　2011年7月，同一頭豬的新鮮豬里脊肉在屠宰24小時后從超市購買。將肉樣品分成厚度約為2厘米的肉塊，其中21個被選為有效樣品。用保鮮膜包裝后，它們被放入冷藏盒子里，運回圖像。像素的灰度值表示樣本的圖像采集區域的反射光較強。

　　2.2揮發性堿性氮的測定參照國標GB/T5009.44-2003，標準法做了適當改進。用KDY-9820半微量氮測定儀法代替半微量氮測定儀法測定豬肉中揮發性堿性氮。測得的TVB-牛頓參考值

　　獲得以像素尺寸(8.6nmx8.3)為中心和帶寬的環上所有像素的灰度值的平均值(近似值)。環的半徑從小到大增加一個像素，平均值作為對應環上像素的灰度值，減少誤差。以環的半徑為橫坐標，以環像素的灰度值為縱坐標，可以做出各種波長下圖像的散射曲線。

　　21個樣品在760mn波段的圖像散射曲線如下。

　　利用非線性回歸方法，利用四參數洛倫茲函數擬合不同波長下的散射曲線。四參數洛倫茲函數表示如下：其中：R為散射曲線上任意一點的反射光強度(灰度值)，z為該點到光束入射點的散射距離(環半徑)；a是散射曲線的漸近值；b為散射曲線峰值，c為散射曲線半波帶寬；d是散射曲線拐點處的斜率。

　　用LD函數擬合各波長的散射曲線，使各波長的散射圖像可以用LD函數的四個參數來描述。對這些參數的進一步分析可以預測出新鮮豬肉在TVB示出的圖像的散射曲線的擬合圖。4揮發性鹽基氮偏最小二乘回歸(PLSR法)預測模型的建立由于在提取主成分時考慮了與待分析成分的相關性，線性模型通常具有較高的預測精度，因此本文采用PLSR法建立了生豬肉TVB氮的預測模型。將樣本分為兩組，7個序號為3的倍數的樣本作為預測集，其余14個樣本作為校正集。每個樣品的TVB參考值對應于其散射圖像的LD函數的四個參數。用392(147x 4)個參數值的偏最小二乘法回歸校準集中14個樣品的TVB-氮參考值。模型預測相關系數達到0.87，預測標準誤差為2.50毫克/100克，為PLSR方法建模的預測效果圖。

　　2.5貨架期預測模型的建立。通過觀察參考值的變化，我們可以發現TVB-N在本研究中隨時間呈對數增長，并處于快速增長階段。因此，本文利用對數函數對TVB-N曲線進行擬合，并在此基礎上建立了鮮豬肉貨架期的預測模型。

　　速率參數；t是時間(d)。以下公式：可以通過移動項并取對數來變換公式(2)的處理而獲得(

　　　　TVB-N的變化規律呈對數特性,擬合的相關系數為0.93,標準誤差為1.76mg/100g.擬合的效果圖如所示。擬合得三個參數A=29.1076,B=19.8618,k=0.1824.將這三個參數代入(3)式,可建立生鮮豬肉貨架期(Shelflife,SL,d)的預測模型:TVB-N隨時間變化規律將由揮發性鹽基氮預測模型預測的21個TVB-N值帶入(4)式,可獲得相應肉樣的貨架期數值,為生鮮豬肉貨架期的預測效果圖,可以看出預測的整體趨勢是正確的,但預測精度欠佳。

　　　　3.結論生鮮豬肉的貨架期是衡量其商品價值的重要依據之一,因此,能夠的得出一種對生鮮豬肉貨架期快速、無損傷、可靠的檢測方法就顯得十分重要。傳統的化學實驗室分析等方法雖然具有準確度高、可靠等優點,但其分析過程繁瑣、耗時、對試樣具有破壞性,逐漸不能滿足快速發展的生產和經濟要求。光譜圖像技術結合了光譜和圖像分析技術,具有快速、非破壞等特點,其中多光譜成像技術在便攜、小型、批量生產場合更具有優越性。本文在多光譜成像技術的基礎上,針對小樣本非線性問題,探索針對生鮮豬肉貨架期可行有效的檢測方法。研究結果表明利用多光譜成像技術結合相應的數學建模方法預測生鮮豬肉貨架期具有可行性。

　　　　在研究的過程中發現了一些問題和不足,有待改進:(1)所選用的樣品偏少,應增加樣本的廣泛性,以建立應適當增加樣品數量;(2)由于在采集多光譜圖像時是手動更換濾光片,并且樣品厚度不均,因此很難保證每次樣品上表面到濾光片的距離相等,所使用的多光譜成像系統有待改進;(3)誤差的傳遞,從揮發性鹽基氮預測模型到貨架期預測模型存在著誤差的傳遞,應盡量減小誤差,提高精度:(4)評定指標單一,可以從影響貨架期的因素出發,選擇一些其他適宜的指標,并根據它們對貨架期的影響程度,為其分配權重。